吳恩達機器學習之單變量線性迴歸筆記

1.假設函數：即假設模型，比如線性函數 2.代價函數：最小化函數 3.梯度下降：分2部分，學習率和導數。當趨近局部最優時，導數值逐漸下降，如果學習率不變，梯度下降步長也逐漸減小 4.凸函數：局部最優，即是全局最優。如線性迴歸的代價函數就是凸函數 5.Batch Gradient descend：梯度下降過程，即迭代更新參數過程中，每一步迭代使用所有的訓練集數據 線性迴歸模型及梯度下降求解算法原理

>>阅读原文<<