假设函数定义
假设函数，猜一个 x->y 的类型，比如 y = ax + b，随后监督学习的任务就是找到误差最低的 a 和 b 参数
有时候我们可以定义 x0 = 1，来让假设函数的整个表达式一致统一
如上图是机器学习中的一些术语
额外的符号，使用 (xi, yi) 表示第 i 个样本
n 表示特征数量 （在房屋价格预测问题中，属性/特征有两个：房子面积和卧室数量，因此这里 n = 2）
监督学习的过程就是选择合适的参数，来让假设函数的输出和样本输出相近（针对训练集）
房屋预测案例中的目标函数，最小化误差平方和
我们通常会在目标函数旁边放个 1/2，这是为了后边简化求导计算
我们通常使用梯度下降法来选取更加合适的 theta参数 来优化目标函数，如上图是梯度下降法中的 “baby step”
这里的 阿尔法 就是学习速率
如图，是对目标函数的求导 （由于对几个项的和求导，等于它们的导数和，所以这里我们先不 care 那个 sum(sigma) 符号）
如图，是对求导公式的后续转换
如图，这是对目标函数求导的最终公式的其中一项 （j = j）
TODO: here
