吴恩达课程系列
1-3监督学习【监督学习的定义，监督学习的分类（回归与分类）】
1-4无监督学习【无监督学习的定义，无监督学习问题的分类（聚类/信号分离/降维）】
2-1 模型描述Model Representation
以之前的房屋交易问题为例，假使我们回归问题的训练集（Training Set）如下表所示：
我们将要用来描述这个回归问题的标记如下:
\(m\) 代表训练集中实例的数量 , 比如上面这个表格有47行，那么m=47
\(x\) 代表特征/输入变量
\(y\) 代表目标变量/输出变量
\((x,y)\) 代表训练集中的实例
\((x^{(i)},y^{(i)} )\) 代表第 i 个观察实例,i是一个索引。比如上面这个数据集， \(x^{(1)}=2104, x^{(2)}=1416, y^{(1)}=460....\)
\(h\) 代表学习算法的解决方案或函数也称为假设（hypothesis）
因而，要解决房价预测问题，我们实际上是要将训练集“喂”给我们的学习算法，进而学习得到一个假设 \(h\)，然后将我们要预测的房屋的尺寸作为输入变量输入给 \(h\)，预测出该房屋的交易价格作为输出变量输出为结果。那么，对于我们的房价预测问题，我们该如何表达 \(h\)？
一种可能的表达方式为：\(h_{\theta}=\theta_0+\theta_1x\)，因为只含有一个特征/输入变量，因此这样的问题叫作单变量线性回归（Univariate Linear Regression）问题。
