Therapyx

Возможно вы имеете ввиду это?
https://www.datarobot.com/wiki/feature-impact/
https://stats.stackexchange.com/questions/38831/wh...
https://en.wikipedia.org/wiki/Feature_selection

Если да, то на моей памяти и из ссылок выше - это почти нереально. У нас в проекте вроде тоже поднимался вопрос, мол как из тысячи различных источников выявить важнейшие факторы влияния конечного результата. Но вроде бы так к решению и не пришли.
Но конкретно в вашем случае я бы вообще очень сильно задумался - а нужно ли вообще машинное обучение?

Еще можно задуматься о классификации параметров продуктов и провести реляцию к итоговому выборов мужчин и женщин.

А ты точно читал определение этих терминов? Или просто решил время сэкономить задав рандомный вопрос? )

Машинное обучение это область AI. Deep Learning это область машинного обучения. Big Data - большие данные(???), которые нужны для всех терминов, которые тебя интерисуют. Наука о данных = все вышеперечисленное + еще больше.
Я не вижу смысла писать тут огромные тексты того, что и так в избытке есть в интернете. Если ты хочешь что-то конкретное, то спрашивай конкретно. Сейчас же я просто вижу лень открыть туже википедию.

1) От ситуации к ситуации. Нельзя конкретно сказать, что 10000 миллионов данных будет лучше одного. Для этого обычно делают статистику изменения алгоритма и правильных решений. И на графиках можно будет уже определить поведение линии. Если подумать и конкретно ответить на твой вопрос, то представь график, который улучшается с кол-вом данных и в конце графика следовала точно такая же последовательность улучшений. Из этого можно сделать вывод, что стиот добавить еще больше данных до лучшего результата.
Больше данных = не всегда лучше. опять же по графикам можно заметить и ухудшения.
2) достаточно и очокв, но лучше с людьми, т.к. в учет будут браться и другие елементы ( к примеру нос, глаза, рот)
3) Во многих аспектал МЛ есть уйма проблем и это одно из них)) Но я вроде слышал, что уже существуют
хорошо натренированные модели (правда не думаю, что они бесплатные),
4) Не важно, тут идет речь конкретно о: Собака ли это? Да или нет. Если нет. Кот ли это? да или нет. И чем лучше модель для кота и собаки, тем точнее будут результаты, но на 1.00 не надейся никогда))

Sklearn - Clustering/Classification algs
Tensorflow - Deep Learning
Но тут надо задавать вопрос иначе, смотря какие и сколько данных есть в наличии, с помощью которых можно было бы обучить модели

про всевдо данные я написал уже в комменте, но какой в них смысл для машинного обучения? Если же тебе нужны тестовые (реальные) данные. То добро пожаловать сюда https://archive.ics.uci.edu/ml/datasets.html

машинное обучение это не панацея. Думай какие проекты можно реализовать, в которых можно рационально применить вставки машинного обучения, а не наоборот.
Ну и кто знает твои нужды? )) На этот вопрос тебе нигде и никто не ответит.