监督学习的回归问题上做了介绍，讲解的是房价问题：
采用的代价函数为全局的误差计算，并将计算的参数结果同时更新，为批梯度下降法。
批梯度下降法在多个参数时的运算过程：
有时候，为了让数据的影响程度，或者说是具有一致性，需要数据预处理，集中在均值0附件即可
在学习率问题上，采用倍数为3从0.001处开始进行的尝试，是一种确定最佳学习率的方案。学习率过小只是需要更多的迭代次数，而过大则会导致误差变大然后失去学习能力，反复变化学习误差等。
有些输入数据与输出数据在进行映射时，应该考虑数据的联合意义如：房价和房宽与房长：
在有些数据映射时，如果在数据点图中，已经呈现出了一定的关系，可以使用同一变量的高次函数进行拟合，并通过事先的考虑，该高次函数能否正确映射到图中：
对于输入X特征，输出Y的实际结果，对应的系数A可以直接求解而不用梯度下降：（都是矩阵向量）
在m训练样本，n特征的回归问题上，梯度下降和使用矩阵运算直接求最终值时，各有优缺点。特征数量n小于1万，还是建议直接用正常的矩阵运算，虽然复杂度为n3：
有时候（很少）不能进行矩阵逆运算的问题：特征之间有联系，多余的特征，或者样本数量很少但是特征却很多很多：
