第三周课程中，逻辑回归代价函数的求导过程没有具体展开，在此推导并记录：
逻辑回归的代价函数可以统一写成如下一个等式：
$J(\theta ) = -\frac{1}{m}\left[\sum_{i=1}^{m}y^{(i)}log(h_\theta (x^{(i)}))+(1-y^{(i)})log(1-h_\theta (x^{(i)})) \right]$
其中：$h_\theta (x^{(i)}) = \frac{1}{1+e^{-\theta^\mathrm {T} x}}$
为了避免求导过程太冗长复杂，我们做一些显示的简化：
$J(\theta ) = -\frac{1}{m}\left[\sum_{i=1}^{m}K(\theta)\right]$
其中：$K(\theta) = y^{(i)}log(h_\theta (x^{(i)}))+(1-y^{(i)})log(1-h_\theta (x^{(i)}))$
$h_\theta (x^{(i)}) = \frac{1}{1+e^{-\theta^\mathrm {T} x}}$
OK，下面开始我们的推导过程：如果要求$J(\theta)$对某一个参数$\theta$的偏导数，则：
（1）根据求导公式，可以先把常数项$-\frac{1}{m}\sum_{i=1}^{m}$提取出来，这样就只需要对求和符号内部的表达式求导，即：
$J(\theta ){}\' = -\frac{1}{m}\left[\sum_{i=1}^{m}K(\theta){}\'\right]$
$K(\theta){}\' = \left(ylog(h_\theta (x))+(1-y)log(1-h_\theta (x))\right ){}\'$（为方便显示，先把右上角表示第i个样本的上标去掉）
（2）根据对数复合求导公式，$log(x){}\' = \frac{1}{x}x{}\'$，对$K(\theta)$继续求导可得：
$K(\theta){}\' = y\frac{1}{h_\theta (x)}h_\theta (x){}\'+(1-y)\frac{1}{1-h_\theta (x)}(1-h_\theta (x)){}\'$
（3）根据幂函数复合求导公式，$(y^{x}){}\' = xy^{x-1}x{}\'$，及以e为底的指数求导公式，对$h_\theta(x)$继续求导可得：
$h_\theta (x){}\' = \left( \frac{1}{1+e^{-\theta^\mathrm {T} x}} \right){}\'=-\frac{(1+e^{-\theta^\mathrm {T} x}){}\'}{(1+e^{-\theta^\mathrm {T} x})^{2}} = \frac{e^{-\theta^\mathrm {T}x}(\theta^\mathrm {T} x){}\'}{(1+e^{-\theta^\mathrm {T} x})^{2}} = \left(\frac{1}{1+e^{-\theta^\mathrm{T}x}}(1-\frac{1}{1+e^{-\theta^\mathrm{T}x}})\right)(\theta^\mathrm{T}x){}\' = h_\theta(x)(1-h_\theta(x))(\theta^\mathrm{T}x){}\'$
同理，$(1-h_\theta (x)){}\'= -\frac{e^{-\theta^\mathrm {T}x}(\theta^\mathrm {T} x){}\'}{(1+e^{-\theta^\mathrm {T} x})^{2}} = -h_\theta(x)(1-h_\theta(x))(\theta^\mathrm{T}x){}\'$
（4）把步骤3的结果带入步骤2，化简后可得：
$K(\theta){}\' = (y-h_\theta(x))(\theta^\mathrm{T}x){}\'$
再把上面结果带入步骤1，化简后可得：
$J(\theta){}\' = \frac{1}{m}\left[\sum_{i=1}^{m}(h_\theta(x)-y)(\theta^\mathrm{T}x){}\'\right]$
最后$(\theta^\mathrm{T}x){}\'$，对第j个$\theta$求偏导，结果即$X_{j}$（j表示样本中第几项），得到最终结果：
$\frac{\partial J(\theta)}{\partial \theta_{j}} = \frac{1}{m}\left[\sum_{i=1}^{m}(h_\theta(x^{(i)})-y^{(i)})x_{j}^{(i)}\right]$