機器學習的演算法分為監督學習supervised learning和無監督學習unsuoervised learning （監督學習）suoervised learning :有標籤的資料集，及我們認定了什麼是什麼，什麼是良性的什麼是惡性的 迴歸regession：是指我們的目標是預測一個連續值輸出（比如我們預測一個地區的房價） 分類clasify：是指預測離散值輸出（比如良性腫瘤為0惡性腫瘤為1） 無監督學習（）：沒有標籤的資料集（比如一個軟體的使用者資料集，根據這個資料集將使用者進行分類） Octave或者MATLAB

演算法一：線性迴歸 m作為訓練集的數量 （x,y）是輸入輸出 （xi,yi）是第i個訓練集（樣本） 首先擬合假設函式h的線性的曲線 代價函式J（平方誤差函式/平方誤差代價函式）即J=∑（假設函式h-真實輸出值y）²/2m達到最小時的h的兩個引數斜率和交點，這是線性迴歸最基礎的方法 代價函式J，令直線過原點，此時假設函式僅有一個引數，即J=∑（假設函式的唯一引數斜率-真實輸出值y）²/2m，這樣J就會變成一個一元一次方程，此時的代價函式就是該引數變化時J的變化曲線，該曲線是一個碗狀的，即在某一點會去到假設函式中引數的最優解。 直到代價函式J，即直線含有兩個引數，這樣得到的J即為3D碗狀圖，然後對3D圖畫等高線，會得到一圈一圈的線，圓圈的中心對應的點即為直線對應的兩個引數值