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)。

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。

數(shù)據(jù)索引是保證數(shù)據(jù)處理高性能的軟件角度的一種手段，不做數(shù)據(jù)索引的數(shù)據(jù)訪問是線性訪問，但是做了索引的數(shù)據(jù)訪問會成倍的降低訪問時間。

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。

使決策樹更深將確保更好的擬合度，但會降低魯棒性。

數(shù)據(jù)索引就像給每條數(shù)據(jù)裝了個信箱。

要將工作申請分為兩類，并使用密度估計來檢測離職申請人，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)。

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

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。