一、机器学习基本概念
机器学习（Machine Learning）：是机器从过去的经验中学习，并用这些经验改善其性能的过程。机器学习是开发人工智能的一种方法，其算法用于开发新算法和技术，使机器自身能够从分析的数据或经验中学习。
人工神经网络（Artificial Nueral Network） ：是基于神经元架构的计算模型，是一种机器学习的具体方法。
深度学习（Deep Learning）：是一种机器学习技术，通过分层结构的分阶段信息处理来探索无监督的特诊学习和模式分析、分类等。其本质是计算观测数据的分层特征或表示，其中高层特征或因子由底层得到。深度学习包括神经网络、层次概念模型和一系列有监督和无监督特征学习算法。
训练样本（training sample）：也称训练集(training set)，用来估计模型参数并调优。一个典型的划分是训练集占总样本的50%，而其它各占25%，三部分都是从样本中随机抽取。
验证样本（validation sample）：也称验证集(validation set)，用来确定网络结构或者控制模型复杂程度的参数。
测试样本（test sample）：也称测试集（test set），用来检验最终选择最优的模型的性能如何。
泛化能力（generalization）：是指机器学习算法对新样本的适应能力，用以衡量模型对训练集以外的数据的识别能力。在监督学习中，每个实例都是由一个输入对象（通常为矢量）和一个期望的输出值（也称为监督信号）组成。
聚类（Clustering）：是一种典型的“无监督学习”，是把物理对象或抽象对象的集合分组为彼此类似的对象组成的多个类的分析过程。典型算法有K-Means、DBSCAN等。基本思路是利用向量间的“距离”（欧氏距离或曼哈顿距离）来判别是否属于同类。
回归（Regression）：基于样本的特征，归纳并推断出其原因或客观蕴含的关系。分为线性回归和非线性回归。
线性回归（Linear Regression）：在观察和归纳样本的过程中认为向量和最终函数值呈线性关系。（详细信息参考《机器学习——线性模型》）
二、深度学习网络的三元分类
监督学习的深度网络（supervised learning DNN）：是从标记的训练样本来推断模式分类，其特点是描述了可见数据条件下的类别后验分布。
无监督或生成式学习的深度网络（unsupervised learning DNN）：针对模式分析和合成任务，用于从类别未知(无目标类标签信息)的训练样本中，捕捉观测到的或可见数据的高阶相关性。
混合深度网络（Mixed DNN）：目标是判别式模型，往往以生成式或无监督深度网络的结果作为重要辅助，可以通过更好地优化和正则化有监督深度网络来实现也可通过无监督深度网络中所述的深度生成式或无监督深度网络的参数进行估计时，使用判别式准则来实现。
三、指标名词
准确率(Accuracy)：对于给定的测试数据集，分类器正确分类的样本数与总样本数之比，也就是损失函数是0-1损失时测试数据集上的准确率。
精确率(Precision)：所有"正确被检索的项目(TP)"占所有"实际被检索到的(TP+FP)"的比例。
召回率(Recall)：所有"正确被检索的项目(TP)"占所有"应该检索到的项目(TP+FN)"的比例。
注：其中TP(true positives）为正类判定为正类；TN(true negatives）为负类判定为负类；FN(false negatives去真）为正类判定为负类；FP（false positives存伪）为负类判定为正类。
F-Measure：是精确率和召回率加权调和平均，综合了二者的结果。
四、其他相关名词
独热编码（one-hot coding）：
著作权归作者所有。商业转载请联系本站作者获得授权，非商业转载请注明出处 ZZKOOK。
评论
LZ实在好人
博主实在内行
我真心转起...
博主实在谢谢你