模型表示
m：表示訓(xùn)練樣本數(shù)量
x：表示輸入的特征，也被稱為特征量
y：表示輸出變量说庭，或目標(biāo)變量
(x,y)：表示一個(gè)訓(xùn)練樣本
(x(i),y(i))：表示第i個(gè)訓(xùn)練樣本然磷，其中i為索引，并不是冪運(yùn)算
h：代表hypothesis（假設(shè)）口渔，表示一個(gè)從x到y(tǒng)的函數(shù)映射。
設(shè)計(jì)學(xué)習(xí)算法的時(shí)候穿撮，需要思考的是怎么得到這個(gè)假設(shè)h缺脉。
h表示：hθ(x) = θ0 + θ1x，其中hθ(x) 可縮寫為h(x) 悦穿。
這個(gè)模型被稱為線性回歸（linear regression）模型攻礼。
supervised learning.png
Cost Function(損失函數(shù)、代價(jià)函數(shù))
損失函數(shù)：用于衡量模型與實(shí)際樣本數(shù)據(jù)的差距栗柒，也就是損失程度礁扮。
對(duì)于大多數(shù)問題，特別是回歸問題瞬沦，損失函數(shù)使用平方誤差函數(shù)太伊，如圖：
回歸損失函數(shù).png
h函數(shù)（hypothesis）的目標(biāo)是使J(θ0,θ1)（損失函數(shù)）最小僚焦。
課程總結(jié)
內(nèi)容總結(jié).png
J(θ0,θ1)損失函數(shù)兩種圖形表示
損失函數(shù)三維圖形.png
contour plot（輪廓圖）：同一條線上的J(θ0,θ1)相等。
損失函數(shù)輪廓圖.png
我們后面會(huì)遇到更復(fù)雜曙痘、更高維度芳悲、更多參數(shù)的情況立肘，而這些情況是很難畫出圖的，因此更無法將其可視化名扛，因此我們真正需要的是編寫程序來找出這些最小化代價(jià)函數(shù)的θ0和θ1的值谅年。
在下一節(jié)視頻中，我們將介紹一種算法肮韧，能夠自動(dòng)地找出能使代價(jià)函數(shù) J最小化的參數(shù)θ0和θ1的值融蹂。
