算法(algorithm)：一个列出了具体操作步骤的说明，你可以按步骤来实现一个目标，就像对照菜谱烘焙蛋糕一样。 反传(或误差反向传播)[ backprop (backpropagation of errors)]：通过梯度下降来优化神经网络的学习算法，以最小化代价函数的值并提高网络性能。 贝叶斯规则(Bayes’s rule)：基于新数据和与事件相关条件的先验知识，对事件概率进行更新的规则。更一般地说，贝叶斯概率是对当前和先验数据产生结果的信念。 玻尔兹曼机(Boltzmann machine)：一种神经网络模型，由相互作用的二进制单元组成，其中单元处于活跃状态的概率取决于其整合的突触输入。该模型以19世纪物理学家路德维希·玻尔兹曼命名，他是统计力学的奠基人。 约束条件(constraints)：让最优化问题的解决方案必须满足的保证其值为正的条件。 卷积(convolution)：通过计算一个函数与另一个函数相对移位的重叠量，将两个函数进行混合。 代价函数(cost function)：用来指定网络目的并衡量其性能表现的函数。学习算法的目的是降低代价函数的值。 反馈(feedback)：神经网络中由高/后层流向低/前层神经元的连接，这种连接使信号在网络中形成了环流。 前馈网络(feedforward network)：一种多层神经元网络，其中各层神经元之间的连接是单向的，从输入层开始，到输出层结束。 梯度下降(gradient descent)：一种以降低代价函数为目的的优化方法，在每个周期中都会对参数进行调整，代价函数用来衡量网络模型的性能。 霍普菲尔德网络(Hopfield…

Continue Reading →