主要内容：线性回归（linear regression）、梯度下降（gradient descent）、正规方程组（normal equations）
例：
神经网络（梯度下降）控制汽车运行：监督学习；回归问题（原因：汽车尝试预测表示行驶方向的连续变量的值
）
例：房价预测（房屋大小、房价 ，47组数据）
m: 训练样本数； x: 输入； y:输出
线性预测：hθ(x) = θ0 + θ1x1 + θ2x2
最小化误差函数： （二分之一是为简化数学计算）最小平方回归、最小二乘
求最小化算法：搜索算法：
梯度下降：可以找到局部极小值（初始点位置的不同可能会使最终结果到达不同的极小点）
迭代更新公式：
批量梯度下降：每一次迭代需要遍历所有数据样本
随机梯度下降：适用于样本数量极大时，不需要遍历所有数据，可能不会收敛于全局最小值，会徘徊在附近，但比批量梯度下降要快
157
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
