深度学习基本术语

1. 决策树：是一个预测模型。他代表俄是对象属性与对象之间的一种映射关系。树中每个节点表示某个对象，而每个分叉路径则代表某个可能的属性值，每个叶节点对应从根节点到该叶节点所经历的路径所表示的对象的值。
2. 条件概率：就是事件A在另外一个事件B已经发生的情况下的发生概率。条件概率表示为P（A|B），读作“在B条件下A的概率”。
3. 感知机：它被视为是一种最简单的前馈神经网络，是一种二元线性分类器。
4. 前馈神经网络：最简单的人工神经网络模型。在它内部参数从输入层向输出层单向传播。
5. 特征：将现实生活中的事物的部分特点提取并抽象出一种数学或物理模型。
6. 特征粒度：提取特征的维度。
7. BP算法（反向传播算法）：是一种监督学习算法，常被用来训练多层感知机，利用反向传播原理修正权值。
8. 自动编码器（AE）： 自动编码器就是一个运用了反向传播进行无监督学习的神经网络，学习的目的是为了让输出之和输入值相等。
9. RBM（限制波兹曼机）：是一种可通过输入数据集学习概率分布的随机生成神经网络。
10. 概率模型：是用来描述不同随机变量之间关系的模型，通常情况下刻画了一个或多个随机变量之间的互相非确定性的概率关系。
11. 能量模型（EBM）：基于能量的模型，把我们关系的变量的各种组合和一个标量能量联系在一起。我们训练模型的过程就是不断改变标量能量的过程。
12. DBN（深度信度网络）：通过自底向上组合多个RBM可以构建一个DBN，利用非监督贪心逐层训练算法，解决深层结构相关的优化问题。
13. CNN（卷积神经网络/ConvNets）：是一种前馈神经网络，他的人工神经元可以响应一部分覆盖范围内的周围单元，对大型图像处理有出色表现。
14. 概率图：是一种使用图来表达随机变量至建安条件独立性的概率模型。
15. 贝叶斯定律：事件A在事件B发生的条件下的概率。
16. SVM（支持向量机）：监督学习方法，属于一般化线性分类器。这种分类器的特点是它们能够同时最小化经验误差与最大化几何边缘区，因此支持向量机也被成为最大边缘区域分类器。