決策樹：是一個預測模型。他代表俄是對象屬性與對象之間的一種映射關(guān)系。樹中每個節(jié)點表示某個對象，而每個分叉路徑則代表某個可能的屬性值，每個葉節(jié)點對應從根節(jié)點到該葉節(jié)點所經(jīng)歷的路徑所表示的對象的值。

條件概率：就是事件A在另外一個事件B已經(jīng)發(fā)生的情況下的發(fā)生概率。條件概率表示為P（A|B），讀作“在B條件下A的概率”。

感知機：它被視為是一種最簡單的前饋神經(jīng)網(wǎng)絡，是一種二元線性分類器。

前饋神經(jīng)網(wǎng)絡：最簡單的人工神經(jīng)網(wǎng)絡模型。在它內(nèi)部參數(shù)從輸入層向輸出層單向傳播。

特征：將現(xiàn)實生活中的事物的部分特點提取并抽象出一種數(shù)學或物理模型。

特征粒度：提取特征的維度。

BP算法（反向傳播算法）：是一種監(jiān)督學習算法，常被用來訓練多層感知機，利用反向傳播原理修正權(quán)值。

自動編碼器（AE）： 自動編碼器就是一個運用了反向傳播進行無監(jiān)督學習的神經(jīng)網(wǎng)絡，學習的目的是為了讓輸出之和輸入值相等。

RBM（限制波茲曼機）：是一種可通過輸入數(shù)據(jù)集學習概率分布的隨機生成神經(jīng)網(wǎng)絡。

概率模型：是用來描述不同隨機變量之間關(guān)系的模型，通常情況下刻畫了一個或多個隨機變量之間的互相非確定性的概率關(guān)系。

能量模型（EBM）：基于能量的模型，把我們關(guān)系的變量的各種組合和一個標量能量聯(lián)系在一起。我們訓練模型的過程就是不斷改變標量能量的過程。

DBN（深度信度網(wǎng)絡）：通過自底向上組合多個RBM可以構(gòu)建一個DBN，利用非監(jiān)督貪心逐層訓練算法，解決深層結(jié)構(gòu)相關(guān)的優(yōu)化問題。

CNN（卷積神經(jīng)網(wǎng)絡/ConvNets）：是一種前饋神經(jīng)網(wǎng)絡，他的人工神經(jīng)元可以響應一部分覆蓋范圍內(nèi)的周圍單元，對大型圖像處理有出色表現(xiàn)。

概率圖：是一種使用圖來表達隨機變量至建安條件獨立性的概率模型。

貝葉斯定律：事件A在事件B發(fā)生的條件下的概率。

SVM（支持向量機）：監(jiān)督學習方法，屬于一般化線性分類器。這種分類器的特點是它們能夠同時最小化經(jīng)驗誤差與最大化幾何邊緣區(qū)，因此支持向量機也被成為最大邊緣區(qū)域分類器。

轉(zhuǎn)載于:https://www.cnblogs.com/rabbix/p/9650407.html

總結(jié)

以上是生活随笔為你收集整理的深度学习基本术语的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。