决策树是一种基本的分类与回归方法。在其分类问题中，表示基于特征对实例进行分类的过程，可以认为是if-else规则的集合，也可以认为是定义在特征空间与类空间上的条件分类。其主要优点是模型具有可读性、分类速度快。

  这里介绍一下评分卡的开发的常规操作。它实际上是一个数据科学的课题，流程上有很多与机器学习实际问题相同的地方，但是它又具有其特别之处，如具有时间周期性，特征业务可解释性的需求等…让我们来认识一下吧！

  PyTorch 由 Adam Paszke、Sam Gross 与 Soumith Chintala 等人牵头开发，其成员来自 Facebook FAIR 和其他多家实验室。它是一种 Python 优先的深度学习框架，在今年 1 月被开源，提供了两种高层面的功能：使用强大的 GPU 加速的 Tensor 计算（类似 numpy）构建于基于 tape 的 autograd 系统的深度神经网络。
  相比Tensorflow，博主认为pyTorch更加轻量级，接口更加友好，实现起来更快。这里是我学习官网教程后写的一些快速入门总结，欢迎参考。

  logistic regression逻辑回归算法可以说是机器学习中十分常见和实用性极强的算法了。因为其参数的可解释性，逻辑回归在工业界中受到青睐。
  比如，在金融征信相关的模型中，我们需要明确解释某个变量在变化时，其最终信用的变化趋势。下面我们叫做业务可解释性。我们来回顾一下LR算法吧。

  接触过深度学习的同学对手写数字识别的任务并不陌生。它一个入门的阶段，是每位初学深度学习的同学的基本学习任务。任务的目标是建立一个分类模型，对0-9的黑白手写数字图片进行识别。
  以下内容是训练RNN模型，对测试集做预测，将图片的每一行作为一个time step，每一行的每一列作为一个时序step的特征。

  boosting提升算法是一种把若干个分类器整合为一个分类器的方法。在监督学习中，它可以很好的降低bias和variance。它将若干弱分类器组合成一个强分类器。可谓“三个臭皮匠，顶个诸葛亮”。

  接触过深度学习的同学对手写数字识别的任务并不陌生。它一个入门的阶段，是每位初学深度学习的同学的基本学习任务。任务的目标是建立一个分类模型，对0-9的黑白手写数字图片进行识别。
  以下内容是使用CNN对训练集做特征提取，然后最后一层使用逻辑回归做预测。