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。

支持向量機(jī)不適合大規(guī)模數(shù)據(jù)。

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

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(duì)應(yīng)的數(shù)據(jù)。

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。

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

當(dāng)數(shù)據(jù)集標(biāo)簽錯(cuò)誤的數(shù)據(jù)點(diǎn)時(shí)，隨機(jī)森林通常比AdaBoost更好。

隨機(jī)梯度下降每次更新執(zhí)行的計(jì)算量少于批梯度下降。

公司內(nèi)部收集的數(shù)據(jù)不存在需要考慮數(shù)據(jù)隱私的環(huán)節(jié)。

非結(jié)構(gòu)化數(shù)據(jù)也可以使用關(guān)系型數(shù)據(jù)庫來存儲(chǔ)。