In the context of computational learning, the concept of 'probably approximately correct' (PAC) learning provides a framework for understanding the efficiency and feasibility of learning algorithms.
在计算学习的背景下，“可能近似正确”（PAC）学习的概念为理解学习算法的效率和可行性提供了一个框架。
我们通过历史数据搜寻不被认为是随机变动的异常现象。我们的目的是要随着时间变化分析数据和市场做统计学意义和一致性测试。一旦我们找到一个，我们会随着时间推移测试它的一致性和统计学意义。我们确定它的有效性后，会问，“这符合某些方面似乎合理的行为吗？——西蒙斯的方法论。
数据是新的石油。它很有价值，但如果未经提炼，它就不能真正被使用。它必须被转化为气体、塑料、化学品等，以创造一个有价值的实体，推动有利可图的活动；所以数据必须被分解、分析，才能有价值。