資訊專欄INFORMATION COLUMN
摘要：如果你對(duì)算法實(shí)戰(zhàn)感興趣，請(qǐng)快快關(guān)注我們吧。加入實(shí)戰(zhàn)微信群，實(shí)戰(zhàn)群，算法微信群，算法群。
作者：chen_h
微信號(hào) & QQ：862251340
微信公眾號(hào)：coderpai
簡(jiǎn)書地址：https://www.jianshu.com/p/b5c...
介紹一些人工智能技術(shù)的術(shù)語，如果你還有術(shù)語補(bǔ)充，請(qǐng)?jiān)L問 Github
| English Terminology | 中文術(shù)語 |
|---|---|
| neural networks | 神經(jīng)網(wǎng)絡(luò) |
| activation function | 激活函數(shù) |
| hyperbolic tangent | 雙曲正切函數(shù) |
| bias units | 偏置項(xiàng) |
| activation | 激活值 |
| forward propagation | 前向傳播 |
| feedforward neural network | 前饋神經(jīng)網(wǎng)絡(luò) |
| Backpropagation Algorithm | 反向傳播算法 |
| (batch) gradient descent | （批量）梯度下降法 |
| (overall) cost function | （整體）代價(jià)函數(shù) |
| squared-error | 方差 |
| average sum-of-squares error | 均方差 |
| regularization term | 規(guī)則化項(xiàng) |
| weight decay | 權(quán)重衰減 |
| bias terms | 偏置項(xiàng) |
| Bayesian regularization method | 貝葉斯規(guī)則化方法 |
| Gaussian prior | 高斯先驗(yàn)概率 |
| MAP | 極大后驗(yàn)估計(jì) |
| maximum likelihood estimation | 極大似然估計(jì) |
| activation function | 激活函數(shù) |
| tanh function | 雙曲正切函數(shù) |
| non-convex function | 非凸函數(shù) |
| hidden (layer) units | 隱藏層單元 |
| symmetry breaking | 對(duì)稱失效 |
| learning rate | 學(xué)習(xí)速率 |
| forward pass | 前向傳導(dǎo) |
| hypothesis | 假設(shè)值 |
| error term | 殘差 |
| weighted average | 加權(quán)平均值 |
| feedforward pass | 前饋傳導(dǎo) |
| Hadamard product | 阿達(dá)馬乘積 |
| forward propagation | 前向傳播 |
| off-by-one error | 缺位錯(cuò)誤 |
| bias term | 偏置項(xiàng) |
| numerically checking | 數(shù)值檢驗(yàn) |
| numerical roundoff errors | 數(shù)值舍入誤差 |
| significant digits | 有效數(shù)字 |
| unrolling | 組合擴(kuò)展 |
| learning rate | 學(xué)習(xí)速率 |
| Hessian matrix Hessian | 矩陣 |
| Newton"s method | 牛頓法 |
| conjugate gradient | 共軛梯度 |
| step-size | 步長(zhǎng)值 |
| Autoencoders | 自編碼算法 |
| Sparsity | 稀疏性 |
| neural networks | 神經(jīng)網(wǎng)絡(luò) |
| supervised learning | 監(jiān)督學(xué)習(xí) |
| unsupervised learning | 無監(jiān)督學(xué)習(xí) |
| hidden units | 隱藏神經(jīng)元 |
| the pixel intensity value | 像素灰度值 |
| IID | 獨(dú)立同分布 |
| PCA | 主元分析 |
| active | 激活 |
| inactive | 抑制 |
| activation function | 激活函數(shù) |
| activation | 激活度 |
| the average activation | 平均活躍度 |
| sparsity parameter | 稀疏性參數(shù) |
| penalty term | 懲罰因子 |
| KL divergence | KL 散度 |
| Bernoulli random variable | 伯努利隨機(jī)變量 |
| overall cost function | 總體代價(jià)函數(shù) |
| backpropagation | 后向傳播 |
| forward pass | 前向傳播 |
| gradient descent | 梯度下降 |
| the objective | 目標(biāo)函數(shù) |
| the derivative checking method | 梯度驗(yàn)證方法 |
| Visualizing | 可視化 |
| Autoencoder | 自編碼器 |
| hidden unit | 隱藏單元 |
| non-linear feature | 非線性特征 |
| activate | 激勵(lì) |
| trivial answer | 平凡解 |
| norm constrained | 范數(shù)約束 |
| sparse autoencoder | 稀疏自編碼器 |
| norm bounded | 有界范數(shù) |
| input domains | 輸入域 |
| vectorization | 矢量化 |
| Logistic Regression | 邏輯回歸 |
| batch gradient ascent | 批量梯度上升法 |
| intercept term | 截距 |
| the log likelihood | 對(duì)數(shù)似然函數(shù) |
| derivative | 導(dǎo)函數(shù) |
| gradient | 梯度 |
| vectorization | 向量化 |
| forward propagation | 正向傳播 |
| backpropagation | 反向傳播 |
| training examples | 訓(xùn)練樣本 |
| activation function | 激活函數(shù) |
| sparse autoencoder | 稀疏自編碼網(wǎng)絡(luò) |
| sparsity penalty | 稀疏懲罰 |
| average firing rate | 平均激活率 |
| Principal Components Analysis | 主成份分析 |
| whitening | 白化 |
| intensity | 亮度 |
| mean | 平均值 |
| variance | 方差 |
| covariance matrix | 協(xié)方差矩陣 |
| basis | 基 |
| magnitude | 幅值 |
| stationarity | 平穩(wěn)性 |
| normalization | 歸一化 |
| eigenvector | 特征向量 |
| redundant | 冗余 |
| variance | 方差 |
| smoothing | 平滑 |
| dimensionality reduction | 降維 |
| regularization | 正則化 |
| reflection matrix | 反射矩陣 |
| decorrelation | 去相關(guān) |
| Principal Components Analysis (PCA) | 主成分分析 |
| zero-mean | 均值為零 |
| mean value | 均值 |
| eigenvalue | 特征值 |
| symmetric positive semi-definite matrix | 對(duì)稱半正定矩陣 |
| numerically reliable | 數(shù)值計(jì)算上穩(wěn)定 |
| sorted in decreasing order | 降序排列 |
| singular value | 奇異值 |
| singular vector | 奇異向量 |
| vectorized implementation | 向量化實(shí)現(xiàn) |
| diagonal | 對(duì)角線 |
| Softmax Regression | Softmax回歸 |
| supervised learning | 有監(jiān)督學(xué)習(xí) |
| unsupervised learning | 無監(jiān)督學(xué)習(xí) |
| deep learning | 深度學(xué)習(xí) |
| logistic regression | logistic回歸 |
| intercept term | 截距項(xiàng) |
| binary classification | 二元分類 |
| class labels | 類型標(biāo)記 |
| hypothesis | 估值函數(shù)/估計(jì)值 |
| cost function | 代價(jià)函數(shù) |
| multi-class classification | 多元分類 |
| weight decay | 權(quán)重衰減 |
| self-taught learning | 自我學(xué)習(xí)/自學(xué)習(xí) |
| unsupervised feature learning | 無監(jiān)督特征學(xué)習(xí) |
| autoencoder | 自編碼器 |
| semi-supervised learning | 半監(jiān)督學(xué)習(xí) |
| deep networks | 深層網(wǎng)絡(luò) |
| fine-tune | 微調(diào) |
| unsupervised feature learning | 非監(jiān)督特征學(xué)習(xí) |
| pre-training | 預(yù)訓(xùn)練 |
| Deep Networks | 深度網(wǎng)絡(luò) |
| deep neural networks | 深度神經(jīng)網(wǎng)絡(luò) |
| non-linear transformation | 非線性變換 |
| represent compactly | 簡(jiǎn)潔地表達(dá) |
| part-whole decompositions | “部分-整體”的分解 |
| parts of objects | 目標(biāo)的部件 |
| highly non-convex optimization problem | 高度非凸的優(yōu)化問題 |
| conjugate gradient | 共軛梯度 |
| diffusion of gradients | 梯度的彌散 |
| Greedy layer-wise training | 逐層貪婪訓(xùn)練方法 |
| autoencoder | 自動(dòng)編碼器 |
| Greedy layer-wise training | 逐層貪婪訓(xùn)練法 |
| Stacked autoencoder | 棧式自編碼神經(jīng)網(wǎng)絡(luò) |
| Fine-tuning | 微調(diào) |
| Raw inputs | 原始輸入 |
| Hierarchical grouping | 層次型分組 |
| Part-whole decomposition | 部分-整體分解 |
| First-order features | 一階特征 |
| Second-order features | 二階特征 |
| Higher-order features | 更高階特征 |
| Linear Decoders | 線性解碼器 |
| Sparse Autoencoder | 稀疏自編碼 |
| input layer | 輸入層 |
| hidden layer | 隱含層 |
| output layer | 輸出層 |
| neuron | 神經(jīng)元 |
| robust | 魯棒 |
| sigmoid activation function | S型激勵(lì)函數(shù) |
| tanh function | tanh激勵(lì)函數(shù) |
| linear activation function | 線性激勵(lì)函數(shù) |
| identity activation function | 恒等激勵(lì)函數(shù) |
| hidden unit | 隱單元 |
| weight | 權(quán)重 |
| error term | 偏差項(xiàng) |
| Full Connected Networks | 全連接網(wǎng)絡(luò) |
| Sparse Autoencoder | 稀疏編碼 |
| Feedforward | 前向輸送 |
| Backpropagation | 反向傳播 |
| Locally Connected Networks | 部分聯(lián)通網(wǎng)絡(luò) |
| Contiguous Groups | 連接區(qū)域 |
| Visual Cortex | 視覺皮層 |
| Convolution | 卷積 |
| Stationary | 固有特征 |
| Pool | 池化 |
| features | 特征 |
| example | 樣例 |
| over-fitting | 過擬合 |
| translation invariant | 平移不變性 |
| pooling | 池化 |
| extract | 提取 |
| object detection | 物體檢測(cè) |
| DC component | 直流分量 |
| local mean subtraction | 局部均值消減 |
| sparse autoencoder | 消減歸一化 |
| rescaling | 縮放 |
| per-example mean subtraction | 逐樣本均值消減 |
| feature standardization | 特征標(biāo)準(zhǔn)化 |
| stationary | 平穩(wěn) |
| zero-mean | 零均值化 |
| low-pass filtering | 低通濾波 |
| reconstruction based models | 基于重構(gòu)的模型 |
| RBMs | 受限Boltzman機(jī) |
| k-Means | k-均值 |
| long tail | 長(zhǎng)尾 |
| loss function | 損失函數(shù) |
| orthogonalization | 正交化 |
| Sparse Coding | 稀疏編碼 |
| unsupervised method | 無監(jiān)督學(xué)習(xí) |
| over-complete bases | 超完備基 |
| degeneracy | 退化 |
| reconstruction term | 重構(gòu)項(xiàng) |
| sparsity penalty | 稀疏懲罰項(xiàng) |
| norm | 范式 |
| generative model | 生成模型 |
| linear superposition | 線性疊加 |
| additive noise | 加性噪聲 |
| basis feature vectors | 特征基向量 |
| the empirical distribution | 經(jīng)驗(yàn)分布函數(shù) |
| the log-likelihood | 對(duì)數(shù)似然函數(shù) |
| Gaussian white noise | 高斯白噪音 |
| the prior distribution | 先驗(yàn)分布 |
| prior probability | 先驗(yàn)概率 |
| source features | 源特征 |
| the energy function | 能量函數(shù) |
| regularized | 正則化 |
| least squares | 最小二乘法 |
| convex optimization software | 凸優(yōu)化軟件 |
| conjugate gradient methods | 共軛梯度法 |
| quadratic constraints | 二次約束 |
| the Lagrange dual | 拉格朗日對(duì)偶函數(shù) |
| feedforward architectures | 前饋結(jié)構(gòu)算法 |
| Independent Component Analysis | 獨(dú)立成分分析 |
| Over-complete basis | 超完備基 |
| Orthonormal basis | 標(biāo)準(zhǔn)正交基 |
| Sparsity penalty | 稀疏懲罰項(xiàng) |
| Under-complete basis | 不完備基 |
| Line-search algorithm | 線搜索算法 |
| Topographic cost term | 拓?fù)浯鷥r(jià)項(xiàng) |
作者：chen_h
微信號(hào) & QQ：862251340
簡(jiǎn)書地址：https://www.jianshu.com/p/b5c...
CoderPai 是一個(gè)專注于算法實(shí)戰(zhàn)的平臺(tái)，從基礎(chǔ)的算法到人工智能算法都有設(shè)計(jì)。如果你對(duì)算法實(shí)戰(zhàn)感興趣，請(qǐng)快快關(guān)注我們吧。加入AI實(shí)戰(zhàn)微信群，AI實(shí)戰(zhàn)QQ群，ACM算法微信群，ACM算法QQ群。長(zhǎng)按或者掃描如下二維碼，關(guān)注 “CoderPai” 微信號(hào)（coderpai）
文章版權(quán)歸作者所有，未經(jīng)允許請(qǐng)勿轉(zhuǎn)載,若此文章存在違規(guī)行為，您可以聯(lián)系管理員刪除。
轉(zhuǎn)載請(qǐng)注明本文地址：http://m.specialneedsforspecialkids.com/yun/41151.html
摘要：區(qū)塊鏈接到區(qū)塊，區(qū)塊鏈接到區(qū)塊。共識(shí)整個(gè)交易流的更廣泛的術(shù)語，用于生成順序協(xié)議并確認(rèn)構(gòu)成區(qū)塊的交易集合的正確性。策略策略是由數(shù)字身份的屬性組成的表達(dá)式，例如。在中，智能合約被稱為鏈碼，智能合約鏈碼安裝在對(duì)等節(jié)點(diǎn)上并實(shí)例化為一個(gè)或多個(gè)通道。 術(shù)語表 術(shù)語很重要，以便所有Hyperledger Fabric用戶和開發(fā)人員都同意每個(gè)特定術(shù)語的含義，例如，什么是智能合約。文檔將根據(jù)需要引用術(shù)語...
摘要：企業(yè)區(qū)塊鏈平臺(tái)企業(yè)級(jí)許可的分布式分類賬平臺(tái)，為廣泛的行業(yè)用例提供模塊化和多功能性。這些節(jié)點(diǎn)通過應(yīng)用已經(jīng)由共識(shí)協(xié)議驗(yàn)證的交易來維護(hù)分類帳的副本，該交易被分組為包括將每個(gè)塊綁定到前一個(gè)塊的散列的塊中。 企業(yè)區(qū)塊鏈平臺(tái) 企業(yè)級(jí)許可的分布式分類賬平臺(tái)，為廣泛的行業(yè)用例提供模塊化和多功能性。 介紹 一般而言，區(qū)塊鏈?zhǔn)且粋€(gè)不可變的交易分類賬，維護(hù)在一個(gè)分布式對(duì)等節(jié)點(diǎn)網(wǎng)絡(luò)中。這些節(jié)點(diǎn)通過應(yīng)用已經(jīng)由共...
摘要：技術(shù)在宜信宜信擁有豐富的業(yè)務(wù)和產(chǎn)品線，這些產(chǎn)品線產(chǎn)生了大量的人工智能賦能需求。技術(shù)在宜信的實(shí)踐背景暫且介紹到這里，接下來我們會(huì)為大家介 文章圍繞基于機(jī)器學(xué)習(xí)的NLP技術(shù)在宜信內(nèi)部各業(yè)務(wù)領(lǐng)域的應(yīng)用實(shí)踐展開，分享這一過程中的相關(guān)經(jīng)驗(yàn)，包括智能機(jī)器人在業(yè)務(wù)支持、客戶服務(wù)中的探索，基于文本語義分析的用戶畫像構(gòu)建，以及NLP算法服務(wù)平臺(tái)化實(shí)施思路等。本文為背景篇，敬請(qǐng)大家閱讀~ 作者：井玉欣。畢...
閱讀 698·2023-04-25 22:50
閱讀 1531·2021-10-08 10:05
閱讀 987·2021-09-30 09:47
閱讀 1921·2021-09-28 09:35
閱讀 825·2021-09-26 09:55
閱讀 3416·2021-09-10 10:51
閱讀 3431·2021-09-02 15:15
閱讀 3297·2021-08-05 09:57
