數據存儲體系中并不牽扯計算機網絡這一環(huán)節(jié)。

最大似然估計的一個缺點是，在某些情況下（例如，多項式分布），它可能會返回零的概率估計。

通常，當試圖從大量觀察中學習具有少量狀態(tài)的HMM時，我們幾乎總是可以通過允許更多隱藏狀態(tài)來增加訓練數據的可能性。

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。

使決策樹更深將確保更好的擬合度，但會降低魯棒性。

數據復制或者備份均是為了從提高數據并發(fā)這個角度來設計和實現的。

假設屬性的數量固定，則可以在時間上以線性方式學習基于高斯的貝葉斯最優(yōu)分類器，而該數量是數據集中記錄的數量。

任務調度系統(tǒng)的設計與實現才能使得數據收集工作可以不間斷地按照既定的目標從目標源獲取數據。

訓練神經網絡具有過度擬合訓練數據的潛在問題。

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。