1.矩阵与向量：
在矩阵A中，代表此元素在第i行，第j列。
矩阵可以快速整理，索引和访问大量数据。
在向量A中，可以看作是阶矩阵。
记向量为y,则y中存在的元素可表示为：。
2.关于矩阵和向量的加减乘运算，特别提出乘法运算：
A
例： （阶矩阵）=（阶矩阵）=（阶矩阵），观察此式引出矩阵或向量乘法结论：（ 阶矩阵） （ 向量）= （向量）
3.对于一些情况（如：知道数据集和假设函数）
计算的预测值=数据矩阵【数据集计入首列全为1的矩阵】参数【假设函数的参数】
例：已知房子的面积 已知3种计算房子价格的假设函数
2104
1416
1534
852
计算预测值可以由矩阵乘法表示为：
【三列结果分别表示对应的三个代价函数的预测值】
4.编程语言的线性代数函数库/计算机的SIMD并行（一条指令处理多个数据）可以高效进行矩阵之间的乘法运算。
5.矩阵补充：
逆矩阵：只有方阵才有逆矩阵
奇异矩阵和退化矩阵：矩阵不存在逆矩阵
转置矩阵：
6.多变量
先前利用房屋面积作为房屋价格的唯一特征，现在引入多个变量同时参与衡量房屋价格：面积，房间数量，房屋楼层和房屋年限，分别记为。
引入几个符号：
n:特征数量
：训练集第i行的特征集
：训练集第i行的特征集的第j个特征值
基于多变量重写假设函数：
定义：/
便捷方式表示多变量特征下的假设函数：
，其中特征向量：，参数向量：
7.多元梯度下降法（解决多元线性回归的问题）
假设函数：
参数：
【可以看作一个整体：n+1维向量】
代价函数：
【 向量】
多元梯度下降法：
repeat{
【 向量】
}
具体展开：
repeat{
【同步更新，j=0,1,2,...,n】
}
因此：
[=1]
......
