第2章 单变量线性回归linear regression with one variable
1，模型描述 model representation
Supervised learning (given the 'right answer' for each example in the data):
regression problems(predict real-valued output)连续实数
classification problems(discrete-valued output)离散量
训练样本的表征
学习算法h的表征
以下是univariate linear regression 单变量线性回归
2,代价函数Cost function
如何把最有可能的直线与数据相拟合，平方误差代价函数，squared error cost function
3,代价函数（一）cost function intuition
找到使J最小的theta
4,代价函数（二）
采用等高线来看，在有两个变量theta0和theta1作用下，h_theta的值
5，梯度下降gradient descent
6,梯度下降知识点gradient descent intuition
随着theta_1接近最优点，他的导数值不断趋近于0，越来越小。
从而就算不调整alpha,梯度下降也会自动采用较小的步幅。
7，线性回归的梯度下降（Gradient descent for linear regression）
线性回归的梯度下降，代价函数相对于theta_0,theta_1是凸函数。
只有一个全局最优解，没有局部最优解，所以总是能得到最优解。
batch梯度下降法，需要计算所有的训练样本。也有不需要用到全部训练集的，后面会讲到。