线性回归是一种非常常见的统计方法，它允许我们从给定的连续数据集中学习函数或关系。例如，我们给出了一些数据点x和相应的数据点，y我们需要学习它们之间的关系，称为假设。

在线性回归的情况下，假设是一条直线，即，

w是一个名为Weights的向量，b是一个名为Bias的标量。权重和偏差称为模型的参数。

我们需要做的就是从给定的数据集中估计w和b的值，以便得到的假设产生最小的成本J，该成本由以下成本函数定义，

其中m是给定数据集中的数据点的数量。此成本函数也称为均方误差。

为了找到J最小参数的优化值，我们将使用一种常用的优化算法Gradient Descent。以下是Gradient Descent的伪代码：

Repeat untill Convergence {
    w = w - α * δJ/δw
    b = b - α * δJ/δb
}

α是称为学习率的超参数。