根據(jù)數(shù)據(jù)科學家與數(shù)據(jù)工程師對于問題的理解并相互討論，然后確定需要收集數(shù)據(jù)的范圍以及種類，然后數(shù)據(jù)工程師使用數(shù)據(jù)收集工具，架構，甚至編程的形式來進行數(shù)據(jù)收集的工作，然后并把數(shù)據(jù)收集的數(shù)據(jù)放置到對應的存儲系統(tǒng)。

非結構化數(shù)據(jù)也可以使用關系型數(shù)據(jù)庫來存儲。

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。

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。

使決策樹更深將確保更好的擬合度，但會降低魯棒性。

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

給定用于2類分類問題的線性可分離數(shù)據(jù)集，線性SVM優(yōu)于感知器，因為SVM通常能夠在訓練集上實現(xiàn)更好的分類精度。

使用偏差較小的模型總是比偏差較大的模型更好。

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的數(shù)據(jù)。

由于決策樹學會了對離散值輸出而不是實值函數(shù)進行分類，因此它們不可能過度擬合。