常見的坐標系包含直角坐標系、極坐標系與球坐標系，每一種坐標系各有其不同的使用情形與優缺點。

今天在聽取報告時，偶然聽見一個名詞——安斯庫姆四重奏（Anscombe's quartet），這是一個我從未聽說過的詞，但卻與統計學與資料視覺化有著重要的影響。

感知機（Perceptron）是最早期的人工神經網路模型之一，其發展奠定了現代機器學習的基礎，可以說是神經網路的「始祖」。它能執行簡單的二元分類任務，並以數學方式模擬神經元的運作邏輯，至今仍常被作為機器學習入門的教學範例。

多維尺度分析（Multi-dimensional Scaling, MDS）是一種降維方法，透過計算資料集中物件兩兩之間的距離，並呈現在低維空間中，同時保留原資料的相對距離結構。 MDS 可視為一種將資料視覺化的方法，以便直觀地觀察資料的相對關係。

在這大數據時代，生活中處處充滿著不同的資訊，如果將每筆數據（data）列為一筆觀測值（observation）並收集起來，我們就能粗略地得到一組由多筆數據結合在一起，可能是結構化（structured）或非結構化（unstructured）的數據集（dataset）。加以整理與篩選，把認為對自己有用的資訊（information）提出，並將無用的資訊剔除，就能得到一個可用於進行分析、訓練模型、或作為研究依據的資料集（dataset）。資料集可以包含數值、文字、圖片、音訊或影片等各種類型的資料，視其應用目的決定如何收集與整理。

交叉驗證（Cross-Validation, CV）是常用於機器學習的模型驗證技術，用於評估模型在未見資料上的泛化能力。透過將資料集切分為訓練集、驗證集與測試集，並反覆進行訓練與評估，交叉驗證能在資料量有限的情況下，有效測試模型的性能，評估模型的泛化能力並用於減少過擬合和與偏差等問題。交叉驗證在控制過擬合、選擇最佳模型、調整超參數等方面扮演重要角色，特別是能預測模型面對新資料的表現，是現代機器學習流程中不可或缺的一環。