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【如何描述一个模型（用一些符号），单变量线性回归是什么？】
2-2 代价函数Cost Function
我们现在要做的便是为我们的模型选择合适的参数（parameters）\(\theta_0\)和 \(\theta_1\)，在房价问题这个例子中便是直线的斜率和在 \(y\) 轴上的截距。
我们选择的参数决定了我们得到的直线相对于我们的训练集的准确程度，模型所预测的值与训练集中实际值之间的差距（下图中蓝线所指）就是建模误差（modeling error）。
我们的目标便是选择出可以使得建模误差的平方和能够最小的模型参数。 即使得代价函数 \(J(\theta_0, \theta_1)=\frac{1}{2m}\sum_{i=1}^m(h_{\theta}(x^{(i)})-y^{(i)})^2\)最小。
我们绘制一个等高线图，三个坐标分别为\(\theta_0\)和 \(\theta_1\)和\(J(\theta_0, \theta_1)\)：
则可以看出在三维空间中存在一个使得\(J(\theta_0, \theta_1)\)最小的点。
目标是找到\(\theta_0\)和 \(\theta_1\)，最小化\(minimizeJ(\theta_0, \theta_1)\)
最终：
即当\(\theta_1=1\)时，这个J（代价函数）是最小的。
总结
