关于DL，由于我是零经验入门，
事实上我是从最简单的ML开始学起，
所以这个系列我也从ML开始讲起。
===============并行分割线=================
一、线性回归
线性回归主要运用于“预测”类问题：
假设我们有一堆的数据（房间大小，房价）。给定一个没见过的房间大小，它的价格应该怎么估计呢？
一般来说，我们可以假定房价h(x)和大小x之间存在一种线性关系。求出最优h(x)后，
对于每一个大小x的房间，我们都可以给出一个估价h(x)
概念：COST FUNCTION（代价函数）
给定假设h(x):
在已知数据的条件下，他的代价函数为J(theta1,theta2):
可见，代价函数体现了一种预测值与实际值之间的误差（欧式距离的均值）
而我们的目标——
二、Gradient Descent（梯度下降）
梯度下降是一种在已知数据中求解最优h(x)的方法。
核心步骤：
注意：必须在求的所有参数之后同时更新，才能进行下一次循环
原理：
对于一个碗型函数，每进行一次参数更新，都会是取值更加接近最优解（碗底）
以二次函数为例，看起来大概就是这个样子
其中alpha称为学习速率(learning rate)，过大将会使算法 不能收敛， 过小则收敛过慢
对于有两个参数的单价函数的梯度下降，其收敛过程看起来大概就是这个样子（注意，可以有两种不同路径）
通过不断进行梯度下降，我们可以求得给定数据下的参数的局部最优解
（数学没学好，表述很垃圾，最近准备重学线性代数）
因此，整个线性回归过程可以总结如下：
1、根据给定数据架设预测函数h(x)
2、计算代价函数J
3、计算各参数偏导
4、更新参数
5、重复2~4直到代价函数跟新的步长小于设定值或者是重复次数达到预设值。