1. 理解逻辑回归模型 2. 掌握逻辑回归模型的参数估计算法

1. 逻辑回归模型是一种用于二元分类的统计学习模型。它通过建立输入特征与输出标签之间的关系，来预测新的样本属于哪一类别。逻辑回归模型的基本形式为：$$P(y=1|x)=\frac{1}{1+e^{-\theta^Tx}}$$ 其中，$x$为输入样本的特征向量，$\theta$为模型的参数向量，$y$为输出标签，$e$为自然常数。逻辑回归模型的参数学习过程，就是寻找最优的参数向量$\theta$的过程。

2. 逻辑回归模型的参数估计算法有很多种，下面介绍其中两种常用的算法：

- 梯度下降法：梯度下降法是一种迭代算法，它通过不断更新参数向量$\theta$来最小化损失函数，从而得到最优的参数估计。具体来说，梯度下降法的每一次迭代，都需要计算损失函数关于参数向量$\theta$的梯度，然后按照梯度的反方向更新参数向量。梯度下降法的优点是简单易懂，缺点是可能会陷入局部最优解。

- 牛顿法：牛顿法是一种迭代算法，它通过二阶泰勒展开近似损失函数，来更新参数向量$\theta$。具体来说，牛顿法的每一次迭代，都需要计算损失函数关于参数向量$\theta$的一阶和二阶导数，然后按照牛顿方向更新参数向量。牛顿法的优点是收敛速度快，缺点是计算复杂度高。