با استفاده از numpy یک مجموعه‌دادهٔ ساده برای رگرسیون خطی تولید کن (یک ویژگی)، سپس با اضافه‌کردن بایاس و استفاده از معادلهٔ نرمال پارامترهای مدل را محاسبه و وزن‌ها و مقدار پیش‌بینی روی داده‌های آموزشی را چاپ کن.

برای حل این مسئله از numpy استفاده کن: با np.random.seed مقدار تصادفی ثابت کن و با np.random.rand یا np.linspace یک بردار ویژگی بساز، سپس با یک نویز کوچک مقدار هدف y را تولید کن. یک ستون بایاس (ستون یک‌ها) به ماتریس X اضافه کن (مثلاً با np.column_stack)، و پارامترها را با معادلهٔ نرمال w = (X^T X)^{-1} X^T y محاسبه کن — برای پایداری عددی بهتر می‌توانی از np.linalg.pinv یا np.linalg.lstsq استفاده کنی. در نهایت وزن‌ها را چاپ کن و پیش‌بینی‌ها را با ضرب ماتریسی X و w محاسبه کرده و خطای متوسط مربع (MSE) را نمایش بده؛ مراقب ابعاد آرایه‌ها باش تا ضرب ماتریسی درست انجام شود.