梯度下降法：（已最快的速度找到最优解的方法）

自己的理解：有监督的机器学习，利用给定的一批X和Y取解参数，即模型。在线性回归方程的问题上，我们的目的是要求得wo,w1...wn这些参数。用线性代数的方式表达即是W（theta)。根据最小方差的公式可以准确的计算出W。但这在样本和特征（即x1,x2...xn这些因变量）少的情况下还行，在特征值非常多的情况下，如图片的像素点就非常困难。所以采用梯度下降法的方式来解决

基本公式  theta1 = theta0 - gradient*learning_rate

gradient:梯度，即方程的导数，在当时的时刻（theta值）导数的值反应了函数变化量。

我们的目的是找到导数gradient的值=0的时刻对应的theta值，当theta在目标值（最有theta)左边，梯度值小于0，减去梯度导致theta更尽皆目标值。相反在右边梯度大于0，同样使得theta更接近目标值。

learning_rate：学习率，根据经验来调整

对于线性回归的方程，在拥有多个特征的情况下theta不是一个值。而是一个向量。所以一般情况下我们要求得的是每个因变量对应的偏导

线性公式求偏导过程：

求解过程：前部分用线性代数的方式表示，复合函数的求导，偏导数的理解