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

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(shí)，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。

數(shù)據(jù)存儲體系中并不牽扯計(jì)算機(jī)網(wǎng)絡(luò)這一環(huán)節(jié)。

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(shí)，MAP估計(jì)等于ML估計(jì)。

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。

數(shù)據(jù)收集中的拉模式需要通過定時(shí)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)。

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。

通過統(tǒng)計(jì)學(xué)可以推測擲兩個(gè)撒子同時(shí)選中3點(diǎn)的幾率。

任何對數(shù)據(jù)處理與存儲系統(tǒng)的操作均需要記錄，這符合數(shù)據(jù)安全的要求。

假設(shè)屬性的數(shù)量固定，則可以在時(shí)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。