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)。

完整性，一致性，時(shí)效性，唯一性，有效性，準(zhǔn)確性是衡量數(shù)據(jù)質(zhì)量的六個(gè)維度指標(biāo)。

非結(jié)構(gòu)化數(shù)據(jù)也可以使用關(guān)系型數(shù)據(jù)庫(kù)來(lái)存儲(chǔ)。

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。

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。

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。

小數(shù)據(jù)集的數(shù)據(jù)處理最好也由計(jì)算機(jī)手段來(lái)完成。

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。

由于決策樹(shù)學(xué)會(huì)了對(duì)離散值輸出而不是實(shí)值函數(shù)進(jìn)行分類(lèi)，因此它們不可能過(guò)度擬合。

使決策樹(shù)更深將確保更好的擬合度，但會(huì)降低魯棒性。