在一个多层的神经网络中，每个神经元都通过这样的模式，将数据不断传递下去，并最终输出计算的结果。如下图所示的是一个典型的人工神经网络。
具体的优化方法在这里不展开描述，有兴趣的读者可以查看相关资料。
值得一提的是，Sigmoid函数是一个在算法领域很常见的函数，可以将无界的变量映射到(0,1)之间，这个函数的特性是很多算法策略都会用到——神经网络中，正是因为结点用了这个函数，才保证了可以兼容各种类型的数据。Sigmoid函数曲线如下所示：
基于这样的方法可以构造出不同类型的神经网络模型，神经网络模型因为可以兼容多种类型的数据，在现实中都有着广泛的应用，包括线上信息分发系统、图像识别、机器翻译等。
当然，这样的算法也有着明显的问题——模型可解释性差，模型对数据量的要求比较高。因此，神经网络算法适用于有着海量数据且对算法解释性要求不高的业务。
2. 符号学派（The symbolists）
符号学派通过训练可解释的规则来解决问题。符号主义者更侧重逻辑推理，用几个过去的数据训练出一套规则引擎，对未来进行预测和判断。决策树和以决策树为内核的很多机器学习算法都属于符号学派。
决策树算法是一种典型的分类方法，是数据挖掘中常用算法之一。在决策中利用归纳算法可以生成可读的决策规则，这个决策规则能够将可能出现的实例都进行分类和预测。
决策树算法非常接近人的决策过程，人的很多标准化工作，其实也可以理解为生成了一个决策树。
以产品经理面试为例来阐述决策树的模型框架，假设通过对话可以了解候选人的三个特征：决策能力评分、系统学习能力评分、合作能力评分，同时假设通过这三个特征即可判断候选人是否通过。那么这个决策流程可能如下图所示：
