在了解了导数作为瞬时变化率之后，我们现在转向一个重要应用：使用它们来找出函数中的最优点。这个被称为优化的过程，是许多机器学习 (machine learning)模型从数据中学习的一个重要途径。

在本章中，你将学习导数如何用于定位函数的最小值或最大值，这通常是通过找出导数为零 ($f'(x) = 0$) 的点来实现的。我们将考察机器学习中的成本函数（或损失函数 (loss function)），它们衡量模型表现如何，并理解为什么最小化这些函数是目标。你将了解到梯度下降 (gradient descent)，这是一种用于迭代最小化成本函数的基本算法。我们将解释导数如何提供梯度下降所需的“方向”，并通过可视化这个过程来帮助你建立直观理解。