1 Week One
1.1 Programming Exercise 1: Linear Regression
在檔案warmUpExercise.m中，您將找到Octave / MATLAB函式的大綱。 通過填寫以下程式碼將其修改為返回5 x 5的單位矩陣：

效果圖:

接下來，指令碼呼叫plotData函式來建立資料的散點圖。 你的工作是完成plotData.m來繪製情節; 修改該檔案並填寫以下程式碼：

 
效果圖：

當您執行梯度下降以學習最小化成本函式J（θ）時，通過計算成本來監控收斂是有幫助的。 在本節中，您將實現一個計算J（θ）的函式，以便檢查梯度下降實現的收斂性。 您的下一個任務是完成computeCost.m檔案中的程式碼，該檔案是計算J（θ）的函式。 當你這樣做時，請記住變數X和y不是標量值，而是矩陣的行代表了訓練集中的例子。 完成該功能後，ex1.m中的下一步將使用θ初始化為零來運computeCost，並且您將看到在螢幕上顯示的成本。

效果圖：

計算結果和預期是一致的，成本函式計算正確。
接下來，您將在檔案gradientDescent.m中實現漸變下降。迴圈結構已經為您編寫，您只需在每次迭代中向θ提供更新。在您程式設計時，確保您瞭解您要優化的內容以及正在更新的內容。請記住，成本J（θ）由向量θ而不是X和y進行引數化。也就是說，我們通過改變向量θ的值而不是通過改變X或y來最小化J（θ）的值。

效果圖:

到這裡就滿分了。
為了更好的理解訓練過程，我把程式碼改了下，選取迭代過程中的1、300、600、900、1200、1500迭代顯示效果。效果如下：




在featureNormalize.m中，填寫如下程式碼：
 

提交後，效果如下：

您應完成computeCostMulti.m和gradientDescentMulti.m中的程式碼以實現具有多個變數的線性迴歸的成本函式和梯度下降。 如果你的程式碼在前一部分（單個變數）已經支援多個變數，那麼你也可以在這裡使用它。分別如下：

完成normalEqn.m中的程式碼以使用上面的公式計算θ。

效果圖

兩種方法得到的theta值不一樣，但是結果可能是一致的。是的，因為原理是不一樣的。通過視覺化，顯示出價格基本是一致的。


任務完成！！！恭喜恭喜！