skyWalker_ONLY

读研时期的课题研究为神经网络，也算与机器学习有些渊源。可惜我所读大学的教授们认为神经网络太理论化了，没有多少实际的用处（显然最近几年大数据和深度学习的飞速发展远远超出了他们当时的预期），这也多少导致我没有深入的研究神经网络。或许当时选择神经网络是正确的，现在很多地方都需要类似的人工智能手段去分析数据，探索数据，也正是因此，决定潜心学习机器学习以及深度学习。机器学习有很多很好的资料，比如《机器学习》

决策树学习是应用最广泛的归纳推理算法之一，是一种逼近离散值目标函数的方法，在这种方法中学习到的函数被表示为一棵决策树。决策树可以使用不熟悉的数据集合，并从中提取出一系列规则，机器学习算法最终将使用这些从数据集中创造的规则。决策树的优点为：计算复杂度不高，输出结果易于理解，对中间值的缺失不敏感，可以处理不相关特征数据。缺点为：可能产生过度匹配的问题。决策树适于处理离散型和连续型的数据。 决策树通过

机器学习必需的概率论知识

推导了机器学习中常用的概率知识：期望、方差、伯努利分布、泊松分布和高斯分布