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

數(shù)據(jù)壓縮與解壓縮可以使得數(shù)據(jù)處理的速度加快。

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(wèn)是線性訪問(wèn)，但是做了索引的數(shù)據(jù)訪問(wèn)會(huì)成倍的降低訪問(wèn)時(shí)間。

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

根據(jù)數(shù)據(jù)科學(xué)家與數(shù)據(jù)工程師對(duì)于問(wèn)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(lèi)，然后數(shù)據(jù)工程師使用數(shù)據(jù)收集工具，架構(gòu)，甚至編程的形式來(lái)進(jìn)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(duì)應(yīng)的存儲(chǔ)系統(tǒng)。

使用正則表達(dá)式可以找到一個(gè)文本文件中所有可能出現(xiàn)的手機(jī)號(hào)碼。

使用偏差較小的模型總是比偏差較大的模型更好。

經(jīng)常跟管理層打交道并進(jìn)行有效地關(guān)于商業(yè)領(lǐng)域的討論有助于數(shù)據(jù)科學(xué)項(xiàng)目的成功。

如果P（A B）= P（A），則P（A∩B）= P（A）P（B）。

要將工作申請(qǐng)分為兩類(lèi)，并使用密度估計(jì)來(lái)檢測(cè)離職申請(qǐng)人，我們可以使用生成分類(lèi)器。