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(jī)號碼。

數(shù)據(jù)收集中的拉模式需要通過定時的方式不斷地觸發(fā)，才能源源不斷地獲取對應(yīng)的數(shù)據(jù)。

隨機(jī)梯度下降每次更新執(zhí)行的計算量少于批梯度下降。

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

當(dāng)反向傳播算法運行到達(dá)到最小值時，無論初始權(quán)重是什么，總是會找到相同的解（即權(quán)重）。

假設(shè)屬性的數(shù)量固定，則可以在時間上以線性方式學(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。

使決策樹更深將確保更好的擬合度，但會降低魯棒性。

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。

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。