Liner regression 线性回归
The overall process of x x的整个过程
区分监督学习和无监督学习--看是否有“正确答案”和已知的预测值
Cost function代价函数
M--denote the number of training examples表示训练样本的数量
Lowercase x 小写字母x
Output variables 输出变量
Training set训练集
Hypothesis 假设
Corresponding 相应的
Represent表示
Subscript下标 plus加
Shorthand缩写
Linear regression 线性回归（univariate单变量）
Figure out弄清楚
Straight line直线
Parameters of the model模型参数
Cost function 代价函数（the squared error function平方误差函数）
Mathematical definition数学定义
get back to 回去
Intuition直觉
Recap复习
Form 形成
Optimization objective 优化目标
Visualize可视化
Work with 与...合作
Theta Θ
To minimize J of theta one 减少J(Θ_1)的值
Corresponds to相当于
Simplified definition 简化的定义
Pass through the point(0,0) 过点(0,0)
Concept概念
Hypothesis function假设函数
Θ_1,which controls the slope of the straight line它控制着直线的斜率
Temporary 暂时
Compute计算
One over 2m of my usual cost function 代价函数的1/2m倍
Square 平方
Vertical distance 垂直距离
The predicted value h of x i 预测值h(x^i)
Example样本
Math error计算错误
Flat line 水平线
Negative value 负数
Minus减
By computing the range of values 通过一系列数值的计算
For each value of theta one corresponds to a different hypothesis
每一个Θ_1都对应一个不同的假设函数
Trace out 追踪
Minimize 最小化
Assume 假设
Be familiar with x 对x熟悉
Contour plot 高等线
Contour figures高等图像
illustrator 图像
make sense to 对xx有意义
Problem 问题、课题、难题
Generate生成
Bowl shaped function 碗状函数
3-D surface plot 3-D曲面图
axes 、axis 轴
Vary 改变
Rotate this plot around 旋转这个图形
Ovals、Ellipse 椭圆
The middle of the these concentric ellipse同心椭圆的中心
Intersect 相交
Manually read off the numbers 手工读出数
High dimensional figures with more parameters 具有更多参数、更高维的图形
Gradient descent for minimizing the cost function J 代价函数J最小化的梯度下降法
Arbitrary 随意的
Setup 体系、概述
J（θ0，θ1）是代价函数
For solving this more general problem 为了去解决更一般的问题
For the sake of brevity 简短起见
The sake of 为了
Succinctness 简洁
Notation 符号
Pretend 假装
Wind up 直到、结束
The height of surface 曲面的高度
Pick挑
initialize 初始化
Hill 山
Landscape 景色
Grassy park 青草公园
Spin 360 degrees around and just look all around us旋转360度，看看我们的周围
If I were to take a little baby step in some direction ,and I want to go downhill as quickly as possible,what direction do I take that little baby step in if I want to physically walk down this hill as rapidly as possible?
如果我要在某个方向上走一步,并且我想尽快下山的话，我应该朝什么方向迈步？
Converge、convergence汇合
Property 属性、特点
Local optimum 局部最佳
Intuition 直觉
Subtract 减去
Equation 公式
Detail 细节
Unpack 解压、解释
Assignment 分配、赋值
Assignment operator 赋值运算符
Take the value in b 取b的值
Assert 断言
Claim声明
Alpha α---- learning rate 学习速率（永远是个正数）
Learning rate 学习率
Aggressive 侵略性、迅速
Term 术语
Derivative 导数
Derive this derivative term 推导这个导数项
Calculus微积分
Subtle 微妙
Update更新
Expression 表达式
Simultaneously 同时
Simultaneous updates同步更新
Behave 表现
Partial derivatives 偏导数
Derivatives 导数
α--- it controls how big a step we take when updating my parameter theta J
（他控制我们以多大的幅度更新这个参数θ_J）
Convey 解释
Tangent 切线
Positive slope 正斜率
The slope of that line 这条线的斜率
Multiple 多
Minimum 最低点
Global minimum全局最低点
Overshoot 越过
Iteration 迭代
Fail to converge or even diverge 无法收敛甚至发散
At local optimum your derivative would be equal to zero
（在局部最优点的导数等于0）
Magnitude 大小
导数越小，θ更新幅度越小
Square cost function 平方代价函数
Put together gradient descent with our cost function 将梯度下降和代价函数结合
Linear regression model线性回归模型
h线性假设、J(θ0，θ1)平方代价函数
Apply应用
This piece of code 这段代码
Multivariate calculus 多元微积分
Respective 对应的
Be susceptible to 易受影响
梯度下降算法的代价函数往往是一个碗状bow-shaped function的图形
Convex function 凸函数--------doesn’t have any local optima , except for the one global optimum
没有局部最优解,只有一个全局最优
Specific 具体
down left 左下
This global minimum corresponds to this hypothesis which gives me a good fit to the data
这个全局最小对应的假设曲线让我一个很好地拟合了数据
Batch gradient descent:
其他的梯度算法：
do not look at the entire training set,
but look at small subsets of the traing sets at a time
没有查看整个训练集，而是每次只关注了小子集
linear regression with gradient descent
啥是使用了梯度下降的线性回归？
advanced linear algebra 高等线性代数
iterative algorithm 迭代算法
generalization 通用