通常，当试图从大量观察中学习具有少量状态的HMM时，我们几乎总是可以通过允许更多隐藏状态来增加训练数据的可能性。

假设属性的数量固定，则可以在时间上以线性方式学习基于高斯的贝叶斯最优分类器，而该数量是数据集中记录的数量。

当反向传播算法运行到达到最小值时，无论初始权重是什么，总是会找到相同的解（即权重）。

给定用于2类分类问题的线性可分离数据集，线性SVM优于感知器，因为SVM通常能够在训练集上实现更好的分类精度。

数据复制或者备份均是为了从提高数据并发这个角度来设计和实现的。

通过统计学可以推测掷两个撒子同时选中3点的几率。

无论质心的初始化如何，K-Means始终会给出相同的结果。

选择用于k均值聚类的聚类数k的一种好方法是尝试k的多个值，并选择最小化失真度量的值。

对于文本数据和多媒体数据进行特征提取是为了方便对于这类数据的观察和理解。

管理员不需要验证就可以访问数据存储系统中的任何数据，这符合数据安全的要求。