序列学习是近年来深度学习的热点之一。从推荐系统到语音识别再到自然语言处理，它的潜力似乎无穷无尽，推动着业界不断创新，涌现出前所未有的解决方案。
序列学习的实现形式多种多样，如机器学习域的马尔可夫模型、有向图等，深度学习域的RNNs/LSTMs等等。
在本文中，我们将使用一种尚不太为人所知的叫做紧致预测树（CompactPredictionTree，CPT)的算法来进行序列学习。这种方法简单得让人吃惊，并且比一些著名算法如马尔可夫、有向图等更为强大。
在深入阅读本文之前，我推荐你先读一读“你必读的序列模型（附用例）”一文，作者Tavish在这篇文章中介绍了序列模型及其典型用例和应用场景。
本文目录：
序列学习入门紧致预测树算法(CPT)理解CPT中的数据结构用CPT进行训练和预测训练阶段预测阶段建模与预测
序列学习入门
当我们需要预测一个事件之后可能会发生的某个特定事件时，就需要进行序列学习。序列学习广泛应用于各个行业，例如：
网页预取：给定用户访问的网页序列，浏览器预测用户接下来最有可能访问的页面并预加载它，以节省时间和改善用户体验。产品推荐：根据用户将商品添加到购物车中的顺序来推荐用户可能感兴趣的商品。临床事件预测：根据患者病史对疾病进行鉴别诊断（译者注：鉴别诊断指根据患者主诉，与其他疾病鉴别，并排除其他疾病可能性的诊断方法）。天气预报：根据过去的天气情况预测下一时段的天气。
序列学习还可能应用到许多其他的领域。