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 篇词条梯度提升回归树 (GBRT)
梯度提升法 对于因子化表格数据的回归和分类问题，梯度提升［gradient boosting，有时称为梯度提升 机（GBM），或梯度提升回归树（GBRT）］已成为一种非常热门的方法。
目标函数
Target Function
这样就得到了目标函数（ Target Function ），我们用 t i （分别对应上面的 t x t y t w t h ）来表达，然后可以用简单的 SSE 作为损失函数：
空间金字塔池化 (SPP)
图9-33 带孔的空间金字塔池化（ASPP） ASPP实际上是空间金字塔池化的一个版本，其中的概念已经在SPPNet中描述了。
线性函数
Nonlinear Function
神经元中激活函数有多种选择，如ReLU、sinh、sigmoid函数等，示例中没有使用非线性激活函数，而是选取了线性函数（Linear）。
细胞状态
Cell State
LSTM 是一种特殊的 RNN，其核心创新在于引入了细胞状态 (Cell State) 和一套精密的门控机制 (Gating Mechanism) 。
统计语言模型
N-gram
核心知识点回顾： - 模型演进与核心架构：本章追溯了从统计语言模型 (N-gram) 到神经网络模型 (RNN, LSTM)，再到奠定现代 LLM 基础的 Transformer 架构。
美国高考 (SAT)
“我们考虑三个学术因素，”他说，“高中的成绩、美国高考（SAT）成绩和成就测验分数，我们有一个回归公式，我们把这三个分数套入这个公式，得出一个分数，例如3.1，这就是我们预期他大一的平均分。
蒙特卡罗方法
Monte Carlo method
例如，频率学派的 最大似然估计 （Maximum Likelihood Estimate，MLE）在神经网络模型中应用广泛；贝叶斯学派的 蒙特卡罗方法 （Monte Carlo Method）在强化学习的探索和发现中起到了非常关键的作用。
计划评审技术图 (PERT)
” [3] 重要活动图的格式可以是一个简单的清单，列出各项活动及其日期，也可以是更加正式的项目时间表和控制技术图，如甘特图（Gantt）和计划评审技术图（PERT）。
贝叶斯学习
Bayesian learning
贝叶斯学习（Bayesian learning）是指基于给定的数据计算每个假设发生的概率，并在此 基础上进行预测。
负类
Negative
建模方案对比 One-Vs-All ： 在预测中可以将多分类问题看做多个二分类问题（One-Vs-All），选择其中一个类别为正类（Positive），使其他所有类别为负类（Negative）。
权变理论
Contingency Theory
权变理论（Contingency Theory） 组织结构（Organizational Structure）
因子 (YY)
▪ 基于密度的方法：局部异常因子（LOF）。 ▪ 基于聚类的检测方法：DBScan、PCA（Principle Component Analysis）。
最高水平 (SOTA)
这意味着，正如2012 年计算机 视觉出现了一个转折点（深度学习系统在ImageNet 比赛中取得令人惊叹的优秀表现）一样， 24.6 最高水平（SOTA） 743 2018 年自然语言处理也出现了一个转折点。
矩阵乘法 (GEMM)
Im2Col 将输入数据重排为连续的二维矩阵，然后通过矩阵乘法（GEMM）实现卷积计算，适用于 各种卷积参数，与MatMul 性能相当。
Organized Retrieval (RAPTOR)
Organized Retrieval (RAPTOR). This method
You Only Look Once (YOLO)
the wonderfully entitled You Only Look Once (YOLO) architecture. In the
回归平方 (SSR)
有些英文材料可能会用Explained Sum of Squares（SSE）表示解释平方和，指代前文说的回归平方和（SSR），而用Residual Sum of Squares（SSR）表示残差平方和，看到不一样的称谓和标记时应注意联系上下文，以明确其表...
孪生神经网络
Siamese Network
一般在孪生神经网络（Siamese Network）中，采用的损失函数是Contrastive Loss（对比损失），这是一种常用于训练深度神经网络中人脸识别模型的损失函数。
正类 (TP)
建模方案对比 One-Vs-All ： 在预测中可以将多分类问题看做多个二分类问题（One-Vs-All），选择其中一个类别为正类（Positive），使其他所有类别为负类（Negative）。
深度循环神经网络
Recurrent Neural Networks
第3章简要介绍深度学习的基础模型，包括深度神经网络（Deep Neural Networks）、深度卷积神经网络（Convolutional Neural Networks）、深度循环神经网络（Recurrent Neural Networks）、深度图神...
混合高斯模型 (GMM)
在深度学习兴起之前，混合高斯模型（GMM）和隐马尔可夫模型（HMM）一直作为非常有效的声学模型而被广泛使用，当然即使是在深度学习高速发展的今天，这些传统的声学模型在语音识别领域仍然有着一席之地。
联邦学习
Federated Learning
同时，当构建全局模型 时，各数据源仿佛已被整合在一起，这便是联邦机器学习（Federated Machine Learning）或者简称为联邦学习（Federated Learning）的核心 思想。
逐步回归
Stepwise Selection
评估指标体系构建方法 构建评估指标体系的方法主要有头脑风暴法（Brain Storming法，又称 BS法）、德尔菲（Delphi）法、层次分析法、综合法 （Synthesis Method）、指标属性分类法、逐步回归 （Stepwise Regressi...