記憶力と一般化の力を組み合わせて、人間と同じようにコンピューターに学習を教えることはできるでしょうか? 答えるのは簡単な質問ではありませんが、広範な線形モデル (記憶用) とディープ ニューラル ネットワーク (一般化用) を共同でトレーニングすることで、両方の長所を組み合わせて、さらに一歩近づくことができます。Google では、これを Wide & Deep Learning と呼んでいます。これは、レコメンダー システム、検索、ランキングの問題など、スパース入力 (多数の可能な特徴値を持つカテゴリ特徴) を使用した一般的な大規模な回帰および分類の問題に役立ちます。
参考: https://research.googleblog.com/2016/06/wide-deep-learning-better-together-with.html

説明/参照:

線形モデルのカテゴリ特徴は、通常、考えられる各値が対応するインデックスまたは ID を持つ疎ベクトルに変換されます。たとえば、目の色が 3 つしかない場合、次のように表現できます。
長さ 3 のベクトルとしての 'eye_color': 'brown' は [1, 0, 0]、'blue' は [0, 1, 0]、'green' は [0, 0, 1] になります。これらのベクトルは、取り得る値のセットが非常に大きい場合 (すべての英単語など)、非常に長くなり、多くのゼロが含まれる可能性があるため、「スパース」と呼ばれます。
[0, 0, 0, 1, 0, 0, 1] は、1 が 2 つ含まれるため、スパース ベクトルではありません。スパース ベクトルには 1 が 1 つだけ含まれます。
[0, 5, 0, 0, 0, 0] は、中に 5 が含まれているため、スパース ベクトルではありません。スパース ベクトルには 0 と 1 のみが含まれます。
参考: https://www.tensorflow.org/tutorials/linear#feature_columns_and_transformations

Cloud Bigtable インスタンスとクラスタを作成する場合、クラスタ用に選択した SSD または HDD ストレージは永続的です。Google Cloud Platform Console を使用して、クラスターに使用されるストレージのタイプを変更することはできません。
既存の HDD クラスターを SSD に、またはその逆に変換する必要がある場合は、既存のインスタンスからデータをエクスポートし、そのデータを新しいインスタンスにインポートできます。あるいは、あるインスタンスから別のインスタンスにデータをコピーする Cloud Dataflow または Hadoop MapReduce ジョブを作成することもできます。
参考: https://cloud.google.com/bigtable/docs/choosing-ssd-hdd-