吳恩達《Machine Learning》-gradient descent 梯度下降（三）

在實際中，我們有n個參數θ0，θ1，θ2```````θn 在此我們以兩個參數舉例，最小化J(θ0,θ1) 算法： 我們以θ0=0,θ1=0開始， 保持θ0，θ1參數改變，然後查看J(θ0,θ1)。 當J(θ0,θ1)爲最小的時候 即爲結束 從圖中點出發，假設你身處在山頂上，即爲尋找當前最快下降的方向下山。 下降一個位置後，再次尋找當前最快下降的方向下山。 最後抵達了局部最優點(低點) 另一個位置

>>阅读原文<<