Линейная регрессия
* Реализовать алгоритм градиентного спуска для метода наименьших квадратов
* Алгоритм должен принимать на вход массив значений float "количество примеров" x "количество признаков" и вектор float размера "количество примеров", начальный набор весов (из нормального распределения N(0, 1)$, learning rate (размер шага)
* Написать функцию для кросс-валиации (деления данных на подвыборки, провеки)
* Написать функцию для нормализации данных (x_i - mu)/sigma
* Алгоритм должен показывать нормальные (близкие к тем, которые были на занятии) результаты на кросс-валидации, данные для обучения будут предоставлены, целевая колонка - MEDV
* Дополнительно
* Добавить в функцию ошибки bias (сдвиг)
* Добавить функцию ошибки с l2 / l1 или Elastic Net