在切比雪夫算法、最小二乘法、拉格朗日插值法、牛顿插值法、埃尔米特插值法、三次样条插值法、分段线性插值法、等距节点插值法、基于Bezier曲线的插值算法、QR分解、奇异值分解、高斯牛顿法、核函数回归法中哪些不适合大量数据的运用？为什么？

以下是我对这些算法是否适合大量数据运用的观点：

1. 切比雪夫算法：适合大量数据运用，因为其时间复杂度为O(n)。

2. 最小二乘法：适合大量数据运用，但在数据量非常大的情况下，计算矩阵的逆可能会带来数值稳定性的问题。

3. 拉格朗日插值法：不适合大量数据运用，因为在数据量非常大的情况下，计算每个点的插值多项式会非常耗时。

4. 牛顿插值法：不适合大量数据运用，因为在数据量非常大的情况下，计算每个点的差商会非常耗时。

5. 埃尔米特插值法：不适合大量数据运用，因为在数据量非常大的情况下，计算每个点的插值多项式会非常耗时。

6. 三次样条插值法：适合大量数据运用，因为其时间复杂度为O(n)。

7. 分段线性插值法：适合大量数据运用，因为其时间复杂度为O(n)。

8. 等距节点插值法：不适合大量数据运用，因为在数据量非常大的情况下，每个节点之间的距离会变得非常小，从而导致插值多项式的精度下降。

9. 基于Bezier曲线的插值算法：不适合大量数据运用，因为在数据量非常大的情况下，计算Bezier曲线的控制点会非常耗时。

10. QR分解：适合大量数据运用，但在数据量非常大的情况下，计算QR分解可能会带来数值稳定性的问题。

11. 奇异值分解：适合大量数据运用，但在数据量非常大的情况下，计算奇异值分解可能会带来数值稳定性的问题。

12. 高斯牛顿法：适合大量数据运用，但需要根据具体问题调整参数，否则可能会出现数值不稳定的情况。

13. 核函数回归法：适合大量数据运用，但需要根据具体问题选择合适的核函数和参数，否则可能会出现过拟合或欠拟合的情况。

综上所述，对于大量数据的运用，应根据具体问题选择合适的算法，并注意数值稳定性和运算效率。