◆风险概念、风险的识别 ◆盈亏平衡点的计算 ◆敏感度分析的方法 ◆按期望值决策，应用决策树进行分析 ◆掌握价值工程的含义及内容 ◆了解价值工程的分析方法和工作程序 ◆了解价值工程的评价方法

 表达式的（逆）波兰记法  二叉搜索树  决策树  前缀码  Huffman编码（算法）

机器学习是计算机科学的重要分支领域，本书作为该领域的入门教材，在内容上尽可能涵盖机器学习基础知识的各方面.全书共16章，大致分为3个部分：第1部分（第1~3章）介绍机器学习的基础知识：第2部分（第4~10章）讨论一些经典而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习)：第3部分（第11~16章）为进阶知识，内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等每章都附有习题并介绍了相关阅读材料，以便有兴趣的读者进一步钻研探索

广东工业大学：《机器学习》课程教学资源（课件讲义）第7讲 集成学习（决策树）

《医学统计学》课程教学资源（文献资料）决策树中ID3算法与C4.5算法分析与比较

《医学统计学》课程教学资源（文献资料）决策树分类算法

广东工业大学：《机器学习》课程教学资源（课件讲义）第8讲 集成学习（决策树的演化）

统计学习方法即机器学习方法，是计算机及其应用领域的一门重要学科。本书分为监督学习和无监督学习两篇，全面系统地介绍了统计学习的主要方法。包括感知机、k近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与最大熵模型、支持向量机、提升方法、EM算法、隐马尔可夫模型和条件随机场，以及聚类方法、奇异值分解、主成分分析、潜在语义分析、概率潜在语义分析、马尔可夫链蒙特卡罗法、潜在狄利克雷分配和PageRank算法等

支持向量机 决策树 神经网络 贝叶斯分类器 集成学习 聚类

文本分类概述 特征提取 主要分类算法 Rocchio 法 贝叶斯 K近邻 决策树