數(shù)據(jù)索引就像給每條數(shù)據(jù)裝了個信箱。

通常，當試圖從大量觀察中學(xué)習(xí)具有少量狀態(tài)的HMM時，我們幾乎總是可以通過允許更多隱藏狀態(tài)來增加訓(xùn)練數(shù)據(jù)的可能性。

通過統(tǒng)計學(xué)可以推測擲兩個撒子同時選中3點的幾率。

小數(shù)據(jù)集的數(shù)據(jù)處理最好也由計算機手段來完成。

支持向量機不適合大規(guī)模數(shù)據(jù)。

使用偏差較小的模型總是比偏差較大的模型更好。

假設(shè)屬性的數(shù)量固定，則可以在時間上以線性方式學(xué)習(xí)基于高斯的貝葉斯最優(yōu)分類器，而該數(shù)量是數(shù)據(jù)集中記錄的數(shù)量。

數(shù)據(jù)收集中的拉模式需要通過定時的方式不斷地觸發(fā)，才能源源不斷地獲取對應(yīng)的數(shù)據(jù)。

由于分類是回歸的一種特殊情況，因此邏輯回歸是線性回歸的一種特殊情況。

完整性，一致性，時效性，唯一性，有效性，準確性是衡量數(shù)據(jù)質(zhì)量的六個維度指標。