梯度下降算法能够帮助我们快速得到代价函数的最小值 
算法思路：
- 以某一参数为起始点
- 寻找下一个参数使得代价函数的值减小，直到得到局部最小值
梯度下降算法：
- 重复下式直至收敛（收敛是指得到局部最低点的θj后，偏导数的值为零，θj不会再改变）
- 并且各参数θ0,...,θn必须同时更新，即所有的θj值全部都计算得到新值之后才将参数值代入到代价函数中
上式中的α是学习速率，决定了θj移动的步伐大小。如果α太小，那么θj就会更新的很慢；但是如果α太大，θj就有可能越过最低点，导致偏导数越来越大，最终远离最低点不收敛。
而上式的偏导数的作用十分巧妙，当θj越来越接近局部最低点时，相应地，偏导数会越来越小，因此θj更新的幅度会越来越小，直至收敛。