最大似然估計的一個缺點是，在某些情況下（例如，多項式分布），它可能會返回零的概率估計。

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

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。

如果P（A B）= P（A），則P（A∩B）= P（A）P（B）。

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。

數(shù)據(jù)壓縮與解壓縮可以使得數(shù)據(jù)處理的速度加快。

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。

無論質(zhì)心的初始化如何，K-Means始終會給出相同的結果。

對于文本數(shù)據(jù)和多媒體數(shù)據(jù)進行特征提取是為了方便對于這類數(shù)據(jù)的觀察和理解。

假設屬性的數(shù)量固定，則可以在時間上以線性方式學習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。