随着 RESTful API 在 WEB 应用程序界的大行其道，如何规范、优雅、易懂地设计和描述一套 RESTful API 成为了一个广泛的问题。在探索的过程中，开源开发者们提供了许多可通用的解决方案，Swagger 的 OpenAPI 便是其中之一。本文将带你快速上手 OpenAPI，对于更细节、权威的说明，请访问其官方文档。

简短的课程学习自我总结

负责内容

在本次项目中，我任职 JavaScript 工程师，主要负责服务端开发、设计并编写 RESTful API 和通过 Swagger 可视化 OpenAPI 文档。在项目开发后期，我还参与前端开发，协助完成了自定义问卷渲染、前端与服务端对接等工作。在过程中，我了解到了 RESTful API 的设计模式，其设计理念的内在逻辑以及 OpenAPI 使用方法与 Swagger 可视化中的问题。另一方面，我参与解决了各端代码成品的构建问题，并协助解决了跨域测试等问题。同时，我还负责了部分的会议记录绘制、文档框架构建和图形绘制工作。

系统分析 第六次作业

Attention: This blog is a reading note of Tree - Decision Tree with sklearn source code in Chinese, which is written in English. As missing or misunderstanding might be included, please reference the original text if needed. We believe that the original text containing some misunderstandings on information theory itself, and we correct it in our version.

在上一篇博客中，我们介绍了有关信息论的原理和一些直观的理解，这是构建决策树（Decision Tree）算法的基础。在本篇中，我们将介绍分类决策树和回归决策树，以及在 Scikit-learn 开源库中其对应的实现。由于 sk-learn 使用 CART 算法构建决策树，我们也将主要聚焦于这个算法，同时会提及另外两种常用算法：ID3 和 C4.5 算法的原理和优劣。

Attention: This blog is a reading note of Tree - Information Theory in Chinese, which is written in English. As missing or misunderstanding might be included, please reference the original text if needed. We believe that the original text containing some misunderstandings on information theory itself, and we correct it in our version.

注意：本系列主要关注涉及分类决策和回归树/森林的理论，以及回归树/森林的代码实现。

近年来，基于决策树的集成算法在机器学习和数据挖掘界被广泛应用，并受到了大多数人的好评和欢迎。随机森林（Random Forest）是这批算法中的佼佼者，其拥有很高的准确率，同时兼具很高的运行效率和对于异常数据与过拟合的鲁棒性。因而，我们撰写了这一系列的博客，希望能够系统地介绍随机森林的原理和实现的方法。

随机森林的本质是决策树的集成，我们需要先阐述决策树背后的原理。而在此之前，我们需要先了解他们共同依赖的理论基础：信息论。（注意：本篇仅涉及对于其理论的直观认识，如需要严格的数学论证，请参阅原论文）

系统分析 第五次作业

系统分析 第四次作业

系统分析 第三次作业

系统分析 第二次作业

系统分析 第一次作业