ADK.wang AI & 软件技术百科
全库汇聚全球 22,000+ 核心技术词条，深度引证上千本行业权威学术专著，涵盖大模型原理、云原生、架构设计与工程效能。
22,077
全量学术技术词条
9 大
核心专业领域体系
10,000+
权威专著深度引证
100%
原书精粹与工业对齐
专业技术领域分类
共 862 篇词条讲解循环神经网络 (RNN)
神经网络的工作模式；第 3 章讲解 Keras 的核心概念和使用方法，帮助读者快速入门 Keras ；第 4 章讲解机器学习中的常见概念、定义及算法；第 5 章介绍推荐系统的常见方案，包括协同过滤的不同实现及 Wide ＆ Deep 模型等；第 6 章讲解...
设定损失函数
Loss Function
当然，一般来说我们不可能找到 100% 完美的 a 、 b 、 c ，使以上算法得到的结果和训练集中所有的输入都一致，所以我们只能让结果尽量接近原始数据，并设定损失函数（ Loss Function ），设法使整体误差最小。
词汇应答类型 (LAT)
研究团队按照词汇应答类型（LAT）从分析《危险边缘》线索入手，将线索中确定的答案分类。
词汇网络
WordNet
如在零样本学习任务中利用GCN对词汇网络（WordNet）进行建模，实现了类别之间的语义关系到其视觉表示上的迁移，从而大大提升视觉模型在一些完全不提供训练样本的类别上的分类准确率。
误差反向传播算法
Back-propagation
这项工作最终推动了误差反向传播算法（Back-propagation）的提出。
说明有负相关性
Negative Weight
络（Recurrent Neural Network，RNN）中节点之间的相关性关系（权重），即如果两个节点同时发生变化（无论是Positive还是Negative），那么节点之间有很强的正相关性（Positive Weight）；如果两者变化相反，那么说...
调整兰德指数
Adjusted Rand Index
特别是，我们将讨论以下内容： ·聚类的一般概念 ·k近邻（k-NN）算法 ·高斯混合 ·k-means算法 ·选择最佳聚类数量的常用方法（惯性、轮廓图、Calinski-Harabasz指数和聚类不稳定性） ·基于实际情况的评估方法（同质性、完整性和调整兰...
贝叶斯分类
Bayesian Classification
贝叶斯分类 （Bayesian Classification）算法是基于统计学的一种分类算法，其特点是使用概率表示所有形式的不确定性，学习或推理都要用概率规则来实现。
贝叶斯分类方法
Bayesian Classifier
贝叶斯分类方法 贝叶斯分类方法（Bayesian Classifier）是非常成熟的统计学分类方法，它主要用来预测类成员间关系的可能性。
贝叶斯推导算法
Byesian inference algorithms
Autonomy公司成立于1996年，由一些剑桥大学的研究人员组成，他们充分利用贝叶斯推导算法(Byesian inference algorithms)来帮助定位重要的文档。
贝叶斯算法
Bayesian
[7] 贝叶斯算法（Bayesian）这一术语源自以伟大的托马斯·贝叶斯（1702—1761年）命名的数学定理，但他本人在世时并没有将其作为分析人类理性的工具模型。
负排名 (MNR)
批量大小较大时，与多个负排名（MNR）损失函数结合效果更好，因为较大的批量使得任务更困难。
负类率 (TNR)
它等于1减去真负类率 （TNR），后者是被正确分类为负类的负类实例比率，也称为特异度。
赋予变更申请 (CR)
项目管理者都应该建立一套变更申请（CR）表格，变更申请（CR）表格形式必须与软件配置管理计划保持一致，有些变更管理工具也提供一些一般的电子表格形式，项目中还应该由项目变更控制委员会来负责受理变更申请（CR），包括赋予变更申请（CR）一个唯一的跟踪编号和分类...
赤池信息量 (AIC)
除了调整 2 R外，赤池信息量（AIC）或者贝叶斯信息量（BIC）也可用于变量的筛选。
赫布学习规则
Hebbian learning rule
虽然我们还不了解大脑学习的具体细节，并有研究表明答案可能非常复杂，但我们已经证明了，即便是简单的赫布学习规则（Hebbian learning rule），也能允许神经网络学习有趣的事情。
超参数优化问题
Hyperparameter Optimization
寻找最优参数组合的研究就是所谓超参数优化问题（Hyperparameter Optimization）。
跨阶段部分连接 (CSP)
如何利用这些特征组合来提高CNN的准确率？YOLOv4在尝试了多种组合后，使用了包含加权残差连接（WRC）、跨阶段部分连接（CSP）、跨小批量标准化（CmBN）、自对抗训练（SAT）、Mish激活、Mosaic数据增强、DropBlock正则化和CIoU损...
转导学习
Transductive Learning
这两种类型分别对应两个机器学习的范式：归纳学习（Inductive Learning）和转导学习（Transductive Learning）。
软标签损失
Soft Label Loss
其最大的创新之处在于，提出现有的方法都忽略了类别之间的联系，并提出在现有损失函数的基础上还要再加一个软标签损失（Soft Label Loss）函数。
输入单元
Input Unit
RNN的展开示意图包括： 输入单元（Input Unit）：输入集； 隐含单元（Hidden Unit）：输出集； 输出单元（Output Unit）：输出集。
输出单元
Output Unit
RNN的展开示意图包括： 输入单元（Input Unit）：输入集； 隐含单元（Hidden Unit）：输出集； 输出单元（Output Unit）：输出集。
边界框回归
Bounding Box Regression
（5）边界框回归（Bounding Box Regression）。
边缘损失函数
Margin Loss
为了能判定一张图里出现的多个数字，Hinton等人借鉴SVM（支持向量机）中常用的损失函数，对每个数字胶囊 k ，分别采用边缘损失函数（Margin Loss）作为模型优化的目标函数，如公式（16-7）所示。