机器学习背后的数学和逻辑简介。
机器学习算法是一些代码片段，可帮助人们探索和分析复杂数据集并在其中找到意义。每个算法是一组有限的明确分步说明，计算机可以遵循这些说明来实现特定目标。在机器学习模型中，目标是建立或发现可用于预测或信息分类的模式。什么是机器学习？
机器学习算法使用基于训练数据（代表较大数据集的数据子集）的参数。训练数据越大，越能代表真实情况，从而算法计算出的结果也越准确。
不同的算法以不同的方式分析数据。算法通常按使用的机器学习技术（监督式学习、非监督式学习和强化学习）进行分类。最常用的算法使用回归和分类预测目标类别、查找异常数据点、预测值和发现相似性。
机器学习算法可识别数据中的模式，帮助数据科学家解决问题。机器学习算法可以预测值、识别异常情况、确定结构和创建类别。根据你所拥有的数据类型和想获得的结果，会用到不同的算法。算法通常按技术（监督式学习、非监督式学习或强化）或算法系列（包括分类、回归和聚类）进行分组。
机器学习技术随着你逐渐了解机器学习算法，你会发现它们通常属于三种机器学习技术中的一种：
监督式学习
在监督式学习中，算法根据你提供的一组带标签的示例进行预测。当你知道结果会是怎样时，这种技术非常有用。
例如，你提供了一个包含过去 100 年每年城市人口数据的数据集，并希望了解特定城市在 4 年后的人口数量。结果使用数据集中已存在的标签：人口数量、城市和年份。
非监督式学习
在非监督式学习中，数据点没有标签，算法通过组织数据或描述其结构来为其添加标签。当你不知道结果会是怎样时，这种技术非常有用。
例如&
