需要配合第一周的gradient decent intuition https://www.coursera.org/learn/machine-learning/lecture/GFFPB/gradient-descent-intuition食用：
用直线去拟合函数，有两个变量，斜率和位移，这就导致了方差函数（斜率，位移）的图像是个三维的曲面，当然方差越小拟合度越高，就是个好的猜测。
如何得到这样的拟合用的是梯度下降，高数中的知识（想象成你要下山），向下降最快的方向移动，移动的步伐大小称为学习程度。learning rate，越高就会移动越快。
要注意移动是同步的，也就是等我知道xy分别移动的方向和距离后，我再改变我现在的位置。而不是我先得到x方向移动距离，然后我就移动了，之后我再现有的位置上估计y方向。
learning rate 记为a，那么a太小收敛的慢，太大可能导致无法收敛。另外由于梯度是随着曲面的陡缓而改变的，所以一个固定的a也可以使函数收敛。
注意a一般取值是正的，所以改变是x:=x-a*x方向的梯度。梯度也就是df/dx(此处应该是偏导数符号，我找不到，所以说明一下)。
由于线性的函数曲面是单独的凹函数也就是没有凸的趋势，简而言之就是个坑的形状，没有山的形状。所以最终会全局收敛而不是局部。局部全的区别就是：局部是很多个坑，有大有小，你最后收敛到哪个坑和你的初始位置选择有关。全局就是无论你在哪里，最后都能找到那个最小的点，因为整个函数就是一个坑。
题目是查着字典做的，所以我应该没有理解错的。