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

通常，當(dāng)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。

使用偏差較小的模型總是比偏差較大的模型更好。

由于決策樹學(xué)會了對離散值輸出而不是實值函數(shù)進(jìn)行分類，因此它們不可能過度擬合。

使用正則表達(dá)式可以找到一個文本文件中所有可能出現(xiàn)的手機號碼。

隨機梯度下降每次更新執(zhí)行的計算量少于批梯度下降。

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。

使決策樹更深將確保更好的擬合度，但會降低魯棒性。

如果P（A B）= P（A），則P（A∩B）= P（A）P（B）。

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