2.1模型表示
（１）監督學習中的回歸問題案例房價預測
（２）監督算法的工作方式
案例中：ｍ表示訓練集的數量，ｘ代表特征/輸入變量，ｙ代表目标變量/輸出變量，（ｘ,y）代表執行個體，（ｘ(i),y(i)）代表第ｉ個觀察執行個體，ｈ代表假設/函數/輸入到輸出的映射。
（３）房價預測的一種表達方式：ｈ(Θ）＝Θ０＋Θ１ｘ，隻有一個變量，是以成為當變量線性回歸問題。
2.2代價函數
（１）對于回歸問題常用的代價函數是平方誤差代價函數：
我們的目标選取合适的參數Θ使得誤差函數最小，即直線最逼近真實情況。
2.3代價函數的直覺了解I
2.4代價函數的直覺了解II
2.5梯度下降
需要注意:參數是要同時更新的；不要算出一個倒數更新一個倒數，再用更新後的式子去計算其他倒數，這樣是不對的。
其中α叫學習率，表示沿着下降程度最大的方向邁出的步子大小。
2.6梯度下降的直覺了解
（１）梯度下降法可以最小化任何代價函數，而不僅僅局限于線性回歸中的代價函數。
（２）當越來越靠近局部最小值時，梯度值會變小，是以即使學習率不變，參數變化的幅度也會随之減小。
（３）學習率過小時參數變化慢，到達最優點的時間長，學習率大時，可能導緻代價函數無法收斂，甚至發散。
（４）梯度就是某一點的斜率。
2.7梯度下降的線性回歸