Note: [At 6:15 "h(x) = -900 - 0.1x" should be "h(x) = 900 - 0.1x"]
当具体应用于线性回归的情况下，可以推导出一种新的梯度下降方程。我们可以用我们实际的成本函数和我们实际的假设函数来代替，并将公式修改为：
其中M是训练集的规模，θ0常数，将与θ1和xi同时变化的，yi是给定的训练集值（数据）。
注意，我们一句把θj分成独立的θ0和θ1，θ1我们乘xi最后求导
这一切的关键是，如果我们从猜测我们的假设开始，然后反复应用这些梯度下降方程，我们的假设将变得越来越精确。
因此，这只是原始成本函数J的梯度下降。这个方法是在每个步骤的每个训练集中的每一个例子，被称为批量梯度下降。需要注意的是，在梯度下降易总的局部极小值，优化问题，我们在这里提出的线性回归只有一个全球性的，并没有其他的地方，因此总是收敛的最优解；梯度下降（假设学习率α不太大）的全球最低。实际上，j是凸二次函数。这里是一个梯度下降的例子，它是为了最小化二次函数而运行的。
上面所示的椭圆是二次函数的轮廓。也表明是通过梯度下降的轨迹，它被初始化为（48,30）。X在图（连接的直线）的标志，θ梯度穿过它收敛到最小的连续值