课程地址：https://www.coursera.org/learn/machine-learning/lecture/8SpIM/gradient-descent
一 Model and Cost Function 模型及代价函数
1 Model Representation 模型表示
首先，教授介绍了一下课程中将会用到的符号和意义：
m：训练样本的数目
x:特征量
y:目标变量
（x，y）：一个训练样本
（x^（i）,y^（i））:i不是指数，而是指第i行的样本
Univariate linear regression：一元线性回归
2 Cost Function 代价函数
整体目标函数 --> 代价函数(平方误差函数，平方误差代价函数)
二 Gradient Descent 梯度下降
梯度下降算法可以将代价函数j最小化。梯度函数是一种很常用的算法，它不仅被用在线性回归上，也被广泛地应用于机器学习领域中的众多领域之中。
下图是代价函数J中解决线性回归问题的问题概述：
我们希望通过改变theta参数的值来最小化代价函数。
这里，我们考虑有两个参数的情况，我们可以考虑到一个三维图形，两条坐标分别表示theta0和theta1。
梯度下降要做的事，就是从某个起始theta对值开始，寻找最快的下降方向往下走，在路途上也不断地寻找最快下降的方向更改路线，最后到达一个局部最低点。
可以看到，如果起始点稍有偏差，那么我们可能会得到一个非常不同的局部最优解，这也是梯度下降的一个特点。
我们从上图中获得了梯度下降的直观感受，接下来让我们看看梯度下降的定义：
分析一下梯度下降定义公式的一些细节：
我们用“：=”来表示赋值。注意，如果我们写作“=”，表达的意识并不是赋值，而是判断为真的说明，比如a=b，就是断言a的值是等于b的。
α在这里是一个数字，被称为学习效率，在梯度下降算法中，它控制了我们下山时会卖出多大的步子。因此如果α比较大，那我们用大步子下山，如果它比较小，我们就迈着很小的小碎步下山。
在公式中，有一个很微妙的问题。在梯度下降中，我们要同时更新theta0和theta1，而不是先后更新。如果先更新了theta0，再更新theta1就会造成theta1的值出错。
