Как мог бы работать machine learning в базовом варианте при разработке с нуля

import numpy as np

class LinearRegression:
    def __init__(self):
        self.weights = None

    def fit(self, X, y, lr=0.01, epochs=100):
        # Добавляем bias (смещение)
        X = np.c_[X, np.ones(X.shape[0])]
        # Инициализация весов
        self.weights = np.random.randn(X.shape[1])
        
        # Градиентный спуск
        for _ in range(epochs):
            pred = X @ self.weights
            error = pred - y
            grad = X.T @ error / len(X)
            self.weights -= lr * grad

def predict(self, X):
    X = np.c_[X, np.ones(X.shape[0])]
    return X @ self.weights

Ключевые шаги:
1. Инициализация случайных весов
2. Расчет предсказаний (линейная комбинация)
3. Вычисление ошибки (MSE)
4. Обновление весов через градиентный спуск
5. Предсказание на новых данных

Это основа, которую можно расширять — добавлять регуляризацию, другие функции потерь, нелинейности. Для реальных задач лучше использовать готовые библиотеки (sklearn, TensorFlow), но понимание базовой механики важно.