机器学习：
有监督学习与无监督学习：
有监督学习即人工给定一组数据，每个数据的属性值也给出，对于数据集中的每个样本，我们想要算法预 测并给出正确答案：回归问题，分类问题。
分类问题：输出是离散值（如0,1对应是或否；也可以是多个离散值），用以判断的属性值可以有多个，如判断肿瘤是良性还是恶性，可以依据的属性值可以是肿瘤大小、患者年龄等。学习算法那就是在数据集中画一条线，将数据根据属性分类。如果你的数据属性有无数个，计算机在处理时很可能会内存溢出，无法处理大量的属性。此时，就可以用SVM。
无监督学习中，数据是没有标签的或者是有一样的标签的。我们不知道数据的含义和作用，只知道是有一个数据集的。数据集可以判断是有两个数据集，自己进行分类，这就是聚类学习。
单变量线性回归模型：
提供一个训练集，学习算法的任务是输出一个函数，通常用一个小写字母h表示，h代表假设函数（hypothesis）。h是一个map X到Y的函数。下一步的问题是如何假设这个假设函数。
给定训练样本，根据假设函数，我们能算出来y的估计值，用H（x(i)）表示，而我们期望的是预测值与真实值y(i)之间的误差越小越好，即用误差平方和表示。因得到上图右上的第一个函数，这个函数就是我们的目标函数，m为样本规模。为了统一和简洁，用J（）表示为误差平方和，称之为损失函数（cost function）或平方误差函数。最小化这个损失函数，就得到我们的目标函数。损失函数有很多种形式，平方误差函数只是其中的一种，但是这种损失函数应用普遍且效果较好。
简化假设函数，假设=0，此时只剩一个参数
，假设函数是关于x的，若样本为（1，1）（2,2）（3,3），设定
，则根据假设函数求得的h(x(i))=y(i)，此时损失函数为0，在上图右边可以画出损失函数图，即
时，J(
)=0。下面在假设参数
时：
梯度下降：
首先定义初始值，然后根据导数找到当前位置下，下降最快的方向，给定学习率，计算下一步位置。在进行梯度下降时，参数的更新一定要同步更新，如果不同步更新，上一步更新的参数值会带入到下一个参数的计算中，可能会引起错误。
线性回归的损失函数是凸函数，用梯度下降法找到的局部最优就是全局最优。
Batch梯度下降算法：每一步的梯度下降都计算了训练集中的所有样本
