In [12]:
J = 0    # Valor da Funcao de Custo
dw1 = 0  # Gradiente dL/dw1
dw2 = 0  # Gradiente dL/dw2
db = 0   # Gradiente dL/db

# Para cada exemplo, realizar regressao, calcular o erro e obter gradiente
for i in range(m):
    z[i] = w.T*x + b # Equacao base (linear)
    a[i] = o(z[i])   # Funcao logistica (sigmoid)
    J += -( y[i] * log(a(i)) + (1-y[i]) * log(1-a(i)) ) # Funcao de Erro - p/ amostra
    dz[i] = a[i] - y[i]   # Gradiente dL/dz - p/ amostra
    dw1 += x[i,1] * dz[i] # Gradiente dL/dw1 - p/ amostra
    dw2 += x[i,2] * dz[i] # Gradiente dL/dw2 - p/ amostra
    db += dz[i]           # Gradiente dL/db - p/ amostra
# Ajustar pelo numero de amostras
J /= m 
dw1 /= m  # ...
dw2 /= m  # ...
db /= m   # ...

# Ajustando pelo gradiente
w1 = w1 - alpha*dw1
w2 = w2 - alpha*dw2
b = b - alpha*db


  File "<ipython-input-12-34e3f4c588bb>", line 7
    z[i] = w[]
             ^
SyntaxError: invalid syntax