原理
数据库的一致性
1.事务和代办事项表把戏（预写日志记录）
1.代办事项表把戏：先把要执行的的操作写入硬件，即写日志。即使数据库操作错误，也可根据日志来纠正。对日志的操作具有等幂性，即日志中的每项操作不管执行一次或多次，都会有相同的效果。
2.事务：以事务作为一个整体，要么全部完成，要么中途失败则根据日志取消之前的操作（即逆向操作，之前加，现在就减），使数据库回到事务之前的状态（回滚事务）。即事务具备原子性，不可分割，避免出现事务中有些执行了，有些没执行的情况。
2.预备提交把戏（两段提交协议）
1.在有复制数据库时，对于主数据库的将要执行的事务，预备阶段：先由主数据库锁定对应数据行，将新数据写入预写日志，然后将新数据发给各备份数据库，各备份数据库也锁定对应数据行，在日志中写入新数据。第二阶段：各备份数据库返回是否执行成功，任何一个失败，都会让主数据库回滚事务，同时通知其他个备份数据库回滚，否则主数据会发信息让各数据库执行事务。
3.关系数据库与虚表把戏
1.原理：每张表都存储不同的信息集，但不同的表的个体通常以某种方式相连。即让用户把信息以表的形式保存，然后把表中重复的信息分离出去以新表放置，原表和新表通过各自保存的同一重复来匹配（类似于程序中把经常出现的代码分离出去做成函数或类），即用少量重复代替戴良重复，从而节省大量存储空间，而且也具备了一处改动到处收益的优点。
2.虚表把戏：查询时，先把用到的表通过各自保存的重复来匹配（即合并）从而形成一个用完即删的虚表，抛射操作来移除部分不必要的栏（如不是要展示的栏也不是作为查询条件的栏），接着根据查询条件选定部分行抛弃掉其他得到新的虚表，再把不是要展示的栏抛弃掉得到一张回答原始查询的虚表。
图像识别（即分类）
学习通过两种方式：1.他人的详尽教授 2.观看用来教授自己的例子 。第一种对于计算机难以实现，只能第二种。所以计算机学习的过程即是让计算机自动"学习"如何分类样本。基本策略是：给计算机大量标记数据（已分类的样本），让计算机找出各种类的特征，从而根据这些特征对未分类的样本分类。
原理：分类即为把待分类样本大概定位到某个学习样本上去
1.最近邻分类把戏
把要分类的样本和学习样例比较，最接近的样本的类别即是该样本的类别。
无需训练，并未知道分类规则，但分类需要大量实现比对
情况：1.若是地理位置，则是距离待分类样本最近的一个或k个学习样本
2.若是图像，则为与待分类样本区别度最小的学习样本
2.决策树
即使用二分法，通过合适的条件，最终把待分类样本定位到某个学习样本上。而这些问题由计算机通过学习样本训练得出，经过了不断的优化。
需训练，但得出了分类规则，分类时间极短
3.神经网络
事物的决策即是根据各种条件综合得出结论的过程，结论取决于各条件（即变量）
实际中个变量的结论的影响不仅相同，而且很多条件会共同对结论做出影响，需综合起来看，符合这些条件的模型只有神经网络。如对结论的影响是必须综合起来的指向同一神经元（得出该部分变量所占综合权重的节点，之后该节点代表该部分节点去和其他综合计算的模型），然后把带分析样本分块，每块根据神经网络得出最终权值，从而得出结论。
训练过程，先随机预设网络和个节点的权重值，在用实习样本来测试，然后调整网络和权值来使结果接近样本应该的结论，当学习用例足够多，神经网络得到足够的调整，那么神经网络对样本的分类就越准确 。
问题：即使准确度足够高，神经网络部分节点看起来仍似随机的，然而就像神经元的绝大部分连接看起来很随机，但作为整体行动时，这些连接强度松散的集合产生了人类的智能行为。