由于分類(lèi)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。

數(shù)據(jù)索引就像給每條數(shù)據(jù)裝了個(gè)信箱。

使用偏差較小的模型總是比偏差較大的模型更好。

如果P（A B）= P（A），則P（A∩B）= P（A）P（B）。

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)。

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

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

給定用于2類(lèi)分類(lèi)問(wèn)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(lèi)精度。

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)。

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(guò)允許更多隱藏狀態(tài)來(lái)增加訓(xùn)練數(shù)據(jù)的可能性。