決策樹：是一個(gè)預(yù)測(cè)模型。他代表俄是對(duì)象屬性與對(duì)象之間的一種映射關(guān)系。樹中每個(gè)節(jié)點(diǎn)表示某個(gè)對(duì)象，而每個(gè)分叉路徑則代表某個(gè)可能的屬性值，每個(gè)葉節(jié)點(diǎn)對(duì)應(yīng)從根節(jié)點(diǎn)到該葉節(jié)點(diǎn)所經(jīng)歷的路徑所表示的對(duì)象的值。

條件概率：就是事件A在另外一個(gè)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(jī)：它被視為是一種最簡單的前饋神經(jīng)網(wǎng)絡(luò)，是一種二元線性分類器。

前饋神經(jīng)網(wǎng)絡(luò)：最簡單的人工神經(jīng)網(wǎng)絡(luò)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(shí)生活中的事物的部分特點(diǎn)提取并抽象出一種數(shù)學(xué)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(xué)習(xí)算法，常被用來訓(xùn)練多層感知機(jī)，利用反向傳播原理修正權(quán)值。

自動(dòng)編碼器（AE）：自動(dòng)編碼器就是一個(gè)運(yùn)用了反向傳播進(jìn)行無監(jiān)督學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，學(xué)習(xí)的目的是為了讓輸出之和輸入值相等。

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

概率模型：是用來描述不同隨機(jī)變量之間關(guān)系的模型，通常情況下刻畫了一個(gè)或多個(gè)隨機(jī)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(gè)標(biāo)量能量聯(lián)系在一起。我們訓(xùn)練模型的過程就是不斷改變標(biāo)量能量的過程。

DBN（深度信度網(wǎng)絡(luò)）：通過自底向上組合多個(gè)RBM可以構(gòu)建一個(gè)DBN，利用非監(jiān)督貪心逐層訓(xùn)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(luò)/ConvNets）：是一種前饋神經(jīng)網(wǎng)絡(luò)，他的人工神經(jīng)元可以響應(yīng)一部分覆蓋范圍內(nèi)的周圍單元，對(duì)大型圖像處理有出色表現(xiàn)。

概率圖：是一種使用圖來表達(dá)隨機(jī)變量至建安條件獨(dú)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(jī)）：監(jiān)督學(xué)習(xí)方法，屬于一般化線性分類器。這種分類器的特點(diǎn)是它們能夠同時(shí)最小化經(jīng)驗(yàn)誤差與最大化幾何邊緣區(qū)，因此支持向量機(jī)也被成為最大邊緣區(qū)域分類器。

責(zé)任編輯：lq6