用python编程，设y是x的二次函数，选取测量的100组x和y数据，用梯度下降法求最优函数，学习率为0.01，迭代1000次

可以使用以下代码实现：

import numpy as np

# 生成随机数据
x = np.random.rand(100)
y = 2 * x ** 2 + np.random.randn(100) * 0.1

# 初始化参数
theta = np.random.randn(2)

# 定义梯度下降函数
def gradient_descent(x, y, theta, alpha, iterations):
m = len(y)
for i in range(iterations):
h = np.dot(x, theta)
loss = h - y
gradient = np.dot(x.T, loss) / m
theta -= alpha * gradient
return theta

# 添加偏置项
x = np.c_[np.ones((100, 1)), x]

# 运行梯度下降算法
theta = gradient_descent(x, y, theta, 0.01, 1000)

# 输出最优函数
print("最优函数为：y = {:.2f} + {:.2f}x^2".format(theta[0], theta[1]))