第一周：基础知识与单变量线性回归 - Coursera Machine Learning by 吴恩达

目录：
机器学习概述
单变量线性回归（模型构建、梯度下降算法）

线性代数基础知识回顾

1 机器学习介绍：

1）什么是机器学习？
计算机程序通过经验E的学习过程，逐步提升其在任务T上的执行能力，这种能力的提升可以通过性能度量P进行评估。随着经验E的积累，程序在任务T中的表现也会随之增强。

2）监督学习与无监督学习？
- 监督学习：
当提供一个数据集时，其中包含已知的正确输出结果，即输入与输出之间存在明确的对应关系。
回归：预测结果属于一个连续值范围，这意味着需要将输入变量映射到某个连续函数上。
分类：预测结果属于一个离散值集合，即输入变量需要被映射到某个离散函数上。例如，在根据房屋面积预测房价的问题中，由于价格具有连续性，因此属于回归问题；而判断房屋是否能够售出的问题则为分类问题，其输出分为两类——售出或未售出，属于离散集合。

- 无监督学习：
在该方法中，我们对预期的结果几乎一无所知或仅有极少了解。尽管如此，仍可从数据中提取出一定的结构特征，并且无法明确变量之间的具体影响关系。

聚类：通过分析数据中各变量之间的关联性对数据进行分组处理，从而揭示其中隐藏的结构特征。在无监督条件下，并不存在基于预测结果的反馈机制。

单变量线性回归模型构建

- 模型表示

设有一个函数 h，