梯度下降是数学优化里面的一个方法，数学优化的问题被定义成：
\[ \begin{split} & \text{minimize } & f_0(x) \\ & \text{subject to } & f_i(x) \lt b_i,\ i = 1, \cdot \cdot \cdot, m. \end{split} \]
\(\mathbf{x}\) 表示的是一个向量，对于所有满足约束条件的 \(z\)，如果 \(f(\mathbf{z}) \gt f(\mathbf{x}^{*})\)，那么 \(\mathbf{x}^{*}\) 就是结果向量。
Gradient Descent，或者叫做梯度下降，就给出了求解 \(\mathbf{x}^{*}\) 的一个方法。当然使用梯度下降求解 \(\mathbf{x}^{*}\) 是有前提条件的，即 \(f: \mathbf{R}^n \rightarrow R\)上是可微的，并且去掉了其他的约束条件，所以它是求解无约束最优化的一种方法。
leetcode 的第 4 题，考察数组的遍历、双指针、二分查找和一点点数学。
给定两个大小为 m 和 n 的有序数组 nums1 和 nums2。请你找出这两个有序数组的中位数，并且要求算法的时间复杂度为 O(log(m + n))。
你可以假设 nums1 和 nums2 不会同时为空。17 年年底的时候，组织过了一次公司内部的 Machine Learning 的学习和分享活动，当时积累下来不少有价值的内容，没有好好整理，趁着这次重整 blog 的机会，把这部分内容整理出来。幸运的是，自 17 年底来， Machine Learning 并没有再出现像 10 年以后的四五年内的爆发式的发展，所以这部分的内容不会显的特别过时。甚至，现在的 Machine Learning 有点凉凉的感觉，就如 40 年前一样。
leetcode 的第 2 题，考察链表的遍历和简单数学。
给出两个 非空 的链表用来表示两个非负的整数。其中，它们各自的位数是按照 逆序 的方式存储的，并且它们的每个节点只能存储 一位 数字。leetcode 的第 1 题，考察数组的数组的遍历和 hash 表的使用。
给定一个整数数组 nums 和一个目标值 target，请你在该数组中找出和为目标值的那 两个 整数，并返回他们的数组下标。