分類（0 or 1）和迴歸（多少範圍內） 可以用來預測

目標：找到θ矩陣的最優解

【不建議將線性迴歸用於分類問題】

機器學習：需要用到的資料，怎樣學（目標函式），逐漸達成目標

偏置項作用：微調最終結果

目標是：誤差項最小

資料在獨立同分布的情況下，聯合概率密度=邊緣概率密度的乘積，（下面的似然函式）

變成對數似然的話函式曲線大致一樣，不影響取最大值（也是目標），而且乘法變成加法計算起來也更加方便一點

下面的操作都是基於矩陣，（-1矩陣的求逆）

上面雖然求解出了日（當做一個巧合），但是沒有體現出來機器學習的內容，應該是計算一個數據看看結果，然後調整，再次計算下一個資料看結果...

梯度下降一次走一點點，一次走太多的話容易走偏。最後在最低點左右徘徊

i 表示第幾個樣本，j表示第幾列，Xij表示一個數

偏導數表示固定面上一點的切線斜率

Z（真實值-預測值）Xij

小批量梯度下降法裡面的阿爾法就是步長

如何一步步移動？：是不是日更新了，再帶入原來的資料 相比於之前就有移動？