訓(xùn)練神經(jīng)網(wǎng)絡(luò)具有過度擬合訓(xùn)練數(shù)據(jù)的潛在問題。

使決策樹更深將確保更好的擬合度，但會降低魯棒性。

當(dāng)MAP中使用的先驗(yàn)是參數(shù)空間上的統(tǒng)一先驗(yàn)時，MAP估計(jì)等于ML估計(jì)。

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

數(shù)據(jù)復(fù)制或者備份均是為了從提高數(shù)據(jù)并發(fā)這個角度來設(shè)計(jì)和實(shí)現(xiàn)的。

要將工作申請分為兩類，并使用密度估計(jì)來檢測離職申請人，我們可以使用生成分類器。

支持向量機(jī)不適合大規(guī)模數(shù)據(jù)。

任務(wù)調(diào)度系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)才能使得數(shù)據(jù)收集工作可以不間斷地按照既定的目標(biāo)從目標(biāo)源獲取數(shù)據(jù)。

無論質(zhì)心的初始化如何，K-Means始終會給出相同的結(jié)果。

給定用于2類分類問題的線性可分離數(shù)據(jù)集，線性SVM優(yōu)于感知器，因?yàn)镾VM通常能夠在訓(xùn)練集上實(shí)現(xiàn)更好的分類精度。