Batch processing		การประมวลผลข้อมูลปริมาณการใช้ไฟฟ้าในรอบเดือน
Stream processing		แยกข้อมูลเป็น 2 ส่วน: Train --> สร้างโมเดล, Test --> ทดสอบโมเดล
Digitization		จำนวนตัวอย่างข้อมูลที่มีประเภทของคำตอบเป็น positive
First principal component		ค่าคำตอบจริงเป็น positive โมเดลทำนายเป็น negative
Dimensionality reduction		อธิบายประสิทธิภาพของ classification model
Feature extraction		การแปลงอินพุตภาพหรือเสียงให้เป็นค่าตัวเลขดิจิตอล
Train/Test split		การเลือก principal component หรือตัวแปรที่สำคัญๆ และตัดตัวอื่นๆทิ้ง
K-fold Cross Validation		โมเดลทำนายผลชุดข้อมูลทั้ง training set และ test set ได้ไม่ดีเนื่องจาก โมเดลมี complexity ต่ำเกินไป
Model training		การตรวจสอบการโจมตีเครือข่ายคอมพิวเตอร์ทางออนไลน์
Overfitting model		ตัวแปรที่เก็บข้อมูลเดิม (variance) อยู่มากที่สุด
Accuracy, Confusion Matrix		จำนวนตัวอย่างข้อมูลที่มีประเภทของคำตอบเป็น negative
R-squared, Root Mean Square Error		กระบวนการปรับ model parameters จนกระทั่งผลต่างของค่าที่โมเดลทำนายกับค่าคำตอบจริงมีค่าต่ำสุด
False Negative (FN)		จำนวนตัวอย่างข้อมูลที่โมเดลทำนายประเภทผิดพลาด
FP + FN		แยกข้อมูลออกเป็น K ส่วนเท่าๆกัน โดย K-1 ส่วนใช้สร้างโมเดล อีก 1 ส่วนใช้ทดสอบ และทำวนไปกับข้อมูลทุกส่วนจำนวน K ครั้ง
TP + FN		โมเดลทำนายผลชุดข้อมูล training set ได้ดี แต่ทำนายผลชุด test set ได้ไม่ดี
TP + FP		จำนวนตัวอย่างข้อมูลที่โมเดลทำนายประเภทเป็น positive
Missing phrase1 - 16		อธิบายประสิทธิภาพของ regression model
Missing phrase1 - 17		การแปลงข้อมูลอินพุตให้เป็นข้อมูลที่ ML algorithm สามารถประมวลผลต่อได้