監督學習的回歸問題上做了介紹，講解的是房價問題：

采用的代價函數為全局的誤差計算，並將計算的參數結果同時更新，為批梯度下降法。

批梯度下降法在多個參數時的運算過程：

有時候，為了讓數據的影響程度，或者說是具有一致性，需要數據預處理，集中在均值0附件即可

在學習率問題上，采用倍數為3從0.001處開始進行的嘗試，是一種確定最佳學習率的方案。學習率過小只是需要更多的叠代次數，而過大則會導致誤差變大然後失去學習能力，反復變化學習誤差等。

有些輸入數據與輸出數據在進行映射時，應該考慮數據的聯合意義如：房價和房寬與房長：

在有些數據映射時，如果在數據點圖中，已經呈現出了一定的關系，可以使用同一變量的高次函數進行擬合，並通過事先的考慮，該高次函數能否正確映射到圖中：

對於輸入X特征，輸出Y的實際結果，對應的系數A可以直接求解而不用梯度下降：（都是矩陣向量）

在m訓練樣本，n特征的回歸問題上，梯度下降和使用矩陣運算直接求最終值時，各有優缺點。特征數量n小於1萬，還是建議直接用正常的矩陣運算，雖然復雜度為n3：

有時候（很少）不能進行矩陣逆運算的問題：特征之間有聯系，多余的特征，或者樣本數量很少但是特征卻很多很多：

吳恩達機器學習私人總結（1）