学习笔记：机器学习--1.3多变量的梯度下降法

这是机器学习的第一章第三节：Gradient descent for Multiple variables(多变量的梯度下降法)

在学习本节过程中，将会涉及到高等数学中矩阵的相关知识

通过这一节的学习将会了解：

一、第一节中函数1.1.1，函数1.1.2和第二节中公式1.2.1在多个自变量\(x\)与多个parameter \(\theta_i\)的情况下的具体计算方法；

二、Feature Scaling(特征缩放) 和 Mean normalization(均值归一化) 的相关使用知识。

一、首先解释\(x_j^{(i)},y_j^{(i)},\theta_j\)(此时我们不再使用\(x_i,y_i\)，因为这时将会出现歧义)角标的含义，我们将其称为索引(index)。

我们还记得\(x\)表示的是自变量特征(features)，那么：

superscript \((i)\)相当于第\(i\)组数据(包含一条数