正文
机器学习是人工智能（artificial intelligence）的一种，其本质上讲，就是计算机可以在无需编程的情况下自己学习概念（concept）。这些计算机程序一旦接触新的数据，就将会改变它们的「思考」（或者输出）。为了实现机器学习，算法是必需的。算法被写入计算机并在其剖析数据时给与其需要遵循的规则。
机器学习算法经常被用于预测分析。在商业中，预测分析可以用于告诉企业未来最有可能发生什么。例如，使用预测分析算法，在线 T 恤零售商可以使用当前的数据来预测下个月他们将会售出多少 T 恤。
回归或分类
虽然机器学习也可以用于其它的用途，但是我们将在本指南中着重于预测。预测是一种基于输入变量来估计输出变量的过程。比如，如果我们输入特定房子的特征，则可以预测售价。
预测问题分为两大类：
现在我们已经介绍了机器学习在预测方面的应用，我们可以讨论机器学习算法，其分为 3 个组别：线性模型（linear models）、树型模型（tree-based models）、和神经网络（neural networks）。
什么是线性模型算法
线性模型使用简单的公式通过一组数据点来查找「最优拟合」线。通过你已知的变量方程（比如，原料），你可以求出你想要预测的变量（例如，烘烤蛋糕需要多长时间）。为了求出预测量，我们输入已知的变量得到答案。换句话说，为了求出烘烤蛋糕需要多长时间，我们只需要输入原料。
例如，要烘烤蛋糕，分析过后我们得到这个方程：t = 0.5x + 0.25y，其中 t 烤蛋糕的时间，x 为蛋糕糊的重量，y = 1 表示为巧克力蛋糕而 0 表示为非巧克力蛋糕。所以让我们假设，我们有 1kg 的蛋糕糊并且我们想要一个巧克力蛋糕，我们输入我们的数字来建立这个方程：t = 0.5(1) + (0.25)(1) = 0.75，即 45 分钟。
有不同形式的线性模型算法，我们将要讨论线性回归（linear regression）和逻辑回归（logistic regression）。
