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，我們幾乎總是可以通過允許更多隱藏狀態(tài)來增加訓(xùn)練數(shù)據(jù)的可能性。

使用偏差較小的模型總是比偏差較大的模型更好。

當(dāng)數(shù)據(jù)集標(biāo)簽錯誤的數(shù)據(jù)點(diǎn)時，隨機(jī)森林通常比AdaBoost更好。

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。

非結(jié)構(gòu)化數(shù)據(jù)也可以使用關(guān)系型數(shù)據(jù)庫來存儲。

選擇用于k均值聚類的聚類數(shù)k的一種好方法是嘗試k的多個值，并選擇最小化失真度量的值。

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。

通過統(tǒng)計學(xué)可以推測擲兩個撒子同時選中3點(diǎn)的幾率。

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。