決策樹的使用是附加概率結果的一個樹狀的決策圖，是直觀的運用統計概率分析的圖法。機器學習中決策樹是一個預測模型，它表示物件屬性和物件值之間的一種對映，樹中的每一個節點表示物件屬性的判斷條件，其分支表示符合節點條件的物件。樹的葉子節點表示物件所屬的預測結果。
先前在Q23什麼是決策樹演算法？為大家介紹了什麼是決策樹、構建的基本步驟、三種典型的決策樹演算法，淺談決策樹的優缺點，今天將進一步分享決策樹的使用，針對優缺點有更深入的說明。

決策樹模型不只可以做分類也可以做回歸，分類就是樹模型的每個葉子節點代表一個類別；回歸則是根據特徵向量來決定對應的輸出值。回歸樹就是將特徵空間劃分成數個單元，每個劃分單元有個特定的輸出。對於測試數據，只要按照特徵將其歸到某個單元，就能得到對應的輸出值。

本文中，將針對特徵選擇、剪枝，介紹該如何依目前已有的樣本資料，來建立決策樹。

回歸是一種解題方法，或者說「學習」方法，也是機器學習、資料探勘中一塊比較重要的概念。

線性回歸對於機器學習/資料科學的初學者來說，他是知名度最廣的建模方式之一，他是首選名額，演算法適用性很廣。

關聯規則學習（Association rule learning）是資料探勘中分析的一種方法，是一種在大型資料庫中發現變數之間的有趣性關係的方法。

以書籍為例，也許你現在想找本懸疑小書，查詢了泰絲.格里森（ Tess Gerritsen）的《外科醫生》，常常會發現在同一網站上會出現「瀏覽此商品的人，也瀏覽…」或是「買了此商品的人，也買了…」的訊息， 接著就會看到選更多產品的推薦 ，同時推薦你《東方快車謀殺案 》、《尋找消失的女孩 》…等 ，你就會因為這樣，又多放了幾本書在購物車。

關聯規則現在還被用在許多應用領域中，包括網路用法挖掘、入侵檢測、連續生產及生物資訊學中。與序列挖掘相比，關聯規則學習通常不考慮在事務中、或事務間的專案的順序。

2020新冠肺炎侵襲全球，產業暴跌性走到谷底、服務業首當其衝。許多產業面臨停工、歇業。不過、最壞的時機、總有最好的機會，商業司委託商研院，規劃「餐飲與零售人才加值培訓計畫」，搭配緯育TibaMe for Business學習平台、協助近千家練足內功、撐過疫情挑戰。
商研院副院長張皇珍表示，台灣中小企業約150萬家、餐飲與零售業23萬家、中小企業能屹立不搖的關鍵就是不斷尋找第二條成長曲線，掌握產業變動趨勢。商研院透過這項計畫、以人才培訓來取代減薪、趁著疫情加速練功，強化戰鬥力，待市場復甦，迎來谷底後春燕。

資料科學/人工智慧的第三階段主要工作流程為資料儲存 ，在資料分析需要的資料儲存是由資料倉儲或資料湖所建構起來。
由於資料在儲存階段是不斷變化和更新，它的即時性、完整性、一制性、準確性，都可能因為軟硬體或是環境問題而影響後期的應用。
其「資料倉儲」專為資料分析所設計，資料倉儲可包含多個資料庫。在每個資料庫中，資料被整理成資料表和資料欄。在各欄中，您可以定義資料的描述，例如整數、資料欄位或字串。導入資料時，會將資料存放在結構化的各種表格中。查詢工具使用結構描述決定要存取和分析的資料表。