Command Palette
Search for a command to run...
百科
我们编汇了数百条相关词条，帮助您理解「人工智能」
调参指为了得到更优的效果去调整参数的行为。
数值属性是定量描述数据的一种属性类型，是指数据是可度量的量。
通用人工智智能是指具备与人类同等能力、或超越人类能力的智能体。又称强人工智能，能表现正常人类所具有的所有智能行为。为了与传统人工智能或主流人工智能的 AI 用词相区分，因此增加通用的前缀表述。
属性空间：属性张成的空间，又称为「样本空间（sample space）」或「输入空间」。 特征空间：所选择的排除线性相关和对模型构建没有益处后的属性，所构成的属性空间，就叫特征空间。 相关概念 数据集（data set）[…]
朴素贝叶斯分类器采用了「属性条件独立性假设」：对已知类别，假设所有属性相互独立。 改进朴素贝叶斯： 为避免其他属性携带的信息被训练集中从未出现的属性值「抹去」，在估计概率值时通常要进行「平滑」，常用「拉普拉斯修正」； 对 […]
生成对抗网络是一种非监督学习方法，其通过让两个神经网络相互博弈的方式实现，这种方法由伊恩·古德费洛于 2014 年提出。 生成对抗网络包括生成网络和判别网络，生成网络以潜在空间中随机采样作为输入，输出结果需要尽可能模仿训 […]
机器学习中，生成模型可被用于直接对数据建模，也可被用于建立变量间的条件概率分布，条件概率分布可基于贝叶斯定理的生成模型。 生成模型适用于无监督任务，如分类、聚类，其中典型的生成模型包括以下几类： 高斯混合模型 和其他混合 […]
图论是组合数学的分支，主要研究对象是图，这里的图是指由若干给定顶点、连接两顶点边构成的图形，常被用于描述事物间的特种关系，其中顶点代表事物，边则表示它们之间的联系。 图论起源于柯尼斯堡七桥问题，欧拉在 1736 年解决了 […]
梯度爆炸问题通常出现在深层网络、权值初始化值过大的情况下，其一般随着网络层数的增加而明显。 通过对激活函数求导，若结果大于 1，那么层数增加时，最终求出的梯度更新将以指数形式增加，即发生梯度爆炸；若结果小于 1，那么层数 […]
特征分解是一种表示矩阵之积的方法，其通过将矩阵分解为特征值、特征向量表示，不过只有可对角化矩阵才可被特征分解。 矩阵乘法对应了一个变换，即将任意向量转变为另一个方向、长度的新向量，在这个过程中，原向量会发生旋转、伸缩的变 […]
算法是一个表示为有限长列表的有效方法，在数学和计算机科学中，算法可以被视为任何良定义的具体计算步骤的一个序列。
调和平均是一种平均数计算方法，其分为简单和加权两种形式，其中加权调和平均数是加权算术平均数的变形。由于大多数情况下，只知道每组某个标志的数值总和 m，而缺少总体单位数 f 的信息，因此不可直接采用加权算术平均数法计算，而 […]
试错法是通过不断尝试来解决问题的一种方法。
松弛变量是应用软间隔方法分类时加入的辅助量。它的引入是为了解决离群点对分类的影响。
随机梯度下降（SGD）是梯度下降算法的一种迭代求解思路。
替代函数是目标函数无法使用或效果不佳时使用的函数。
损失函数是用于衡量、预测模型好坏的度量，其反映了模型预测值与真实值之间的差距，它是经验风险函数的核心部分，也是结构风险函数的组成部分。 常见损失函数 Log 对数损失函数 平方损失函数 指数损失函数 Hinge 损失函数
特征选择是选择特征子集的过程，通常被用于共建模型，其优点主要有以下几点： 简化模型； 缩短训练时间； 改善通用性、降低过拟合 特征选择算法可被看作搜索技术、评价指标的结合，前者提供候选的新特征子集，后者为不同的特征子集打 […]
目标函数是指用设计变量来表示的所追求的目标形式，是设计变量的函数。
强化学习（RL）是机器学习的一个重要分支，是多学科多领域交叉的一个产物，它的本质是解决 decision making 问题，即自动进行决策，并且可以做连续决策。
评分函数是所选模型可用的 “得分” 类型。例如，目标的预测值、预测值的概率或所选目标值的概率。
奇异值分解（SVD）是一种重要的矩阵分解方法，对称阵特征向量分解的基础是谱分析，而奇异值分解则是谱分析理论在任意矩阵上的推广。
软投票也称加权平均概率投票。它是使用输出的类概率来进行分类的投票法，通过输入权重，得到每个类的类概率的加权平均值，值大的那一类会被选择。
谱聚类（SC）是一种基于图论的聚类方法。它将带权无向图划分为两个或两个以上的最优子图，使子图内部尽量相似，而子图间距离尽量距离较远，以达到常见的聚类的目的。
调参指为了得到更优的效果去调整参数的行为。
数值属性是定量描述数据的一种属性类型，是指数据是可度量的量。
通用人工智智能是指具备与人类同等能力、或超越人类能力的智能体。又称强人工智能，能表现正常人类所具有的所有智能行为。为了与传统人工智能或主流人工智能的 AI 用词相区分，因此增加通用的前缀表述。
属性空间：属性张成的空间，又称为「样本空间（sample space）」或「输入空间」。 特征空间：所选择的排除线性相关和对模型构建没有益处后的属性，所构成的属性空间，就叫特征空间。 相关概念 数据集（data set）[…]
朴素贝叶斯分类器采用了「属性条件独立性假设」：对已知类别，假设所有属性相互独立。 改进朴素贝叶斯： 为避免其他属性携带的信息被训练集中从未出现的属性值「抹去」，在估计概率值时通常要进行「平滑」，常用「拉普拉斯修正」； 对 […]
生成对抗网络是一种非监督学习方法，其通过让两个神经网络相互博弈的方式实现，这种方法由伊恩·古德费洛于 2014 年提出。 生成对抗网络包括生成网络和判别网络，生成网络以潜在空间中随机采样作为输入，输出结果需要尽可能模仿训 […]
机器学习中，生成模型可被用于直接对数据建模，也可被用于建立变量间的条件概率分布，条件概率分布可基于贝叶斯定理的生成模型。 生成模型适用于无监督任务，如分类、聚类，其中典型的生成模型包括以下几类： 高斯混合模型 和其他混合 […]
图论是组合数学的分支，主要研究对象是图，这里的图是指由若干给定顶点、连接两顶点边构成的图形，常被用于描述事物间的特种关系，其中顶点代表事物，边则表示它们之间的联系。 图论起源于柯尼斯堡七桥问题，欧拉在 1736 年解决了 […]
梯度爆炸问题通常出现在深层网络、权值初始化值过大的情况下，其一般随着网络层数的增加而明显。 通过对激活函数求导，若结果大于 1，那么层数增加时，最终求出的梯度更新将以指数形式增加，即发生梯度爆炸；若结果小于 1，那么层数 […]
特征分解是一种表示矩阵之积的方法，其通过将矩阵分解为特征值、特征向量表示，不过只有可对角化矩阵才可被特征分解。 矩阵乘法对应了一个变换，即将任意向量转变为另一个方向、长度的新向量，在这个过程中，原向量会发生旋转、伸缩的变 […]
算法是一个表示为有限长列表的有效方法，在数学和计算机科学中，算法可以被视为任何良定义的具体计算步骤的一个序列。
调和平均是一种平均数计算方法，其分为简单和加权两种形式，其中加权调和平均数是加权算术平均数的变形。由于大多数情况下，只知道每组某个标志的数值总和 m，而缺少总体单位数 f 的信息，因此不可直接采用加权算术平均数法计算，而 […]
试错法是通过不断尝试来解决问题的一种方法。
松弛变量是应用软间隔方法分类时加入的辅助量。它的引入是为了解决离群点对分类的影响。
随机梯度下降（SGD）是梯度下降算法的一种迭代求解思路。
替代函数是目标函数无法使用或效果不佳时使用的函数。
损失函数是用于衡量、预测模型好坏的度量，其反映了模型预测值与真实值之间的差距，它是经验风险函数的核心部分，也是结构风险函数的组成部分。 常见损失函数 Log 对数损失函数 平方损失函数 指数损失函数 Hinge 损失函数
特征选择是选择特征子集的过程，通常被用于共建模型，其优点主要有以下几点： 简化模型； 缩短训练时间； 改善通用性、降低过拟合 特征选择算法可被看作搜索技术、评价指标的结合，前者提供候选的新特征子集，后者为不同的特征子集打 […]
目标函数是指用设计变量来表示的所追求的目标形式，是设计变量的函数。
强化学习（RL）是机器学习的一个重要分支，是多学科多领域交叉的一个产物，它的本质是解决 decision making 问题，即自动进行决策，并且可以做连续决策。
评分函数是所选模型可用的 “得分” 类型。例如，目标的预测值、预测值的概率或所选目标值的概率。
奇异值分解（SVD）是一种重要的矩阵分解方法，对称阵特征向量分解的基础是谱分析，而奇异值分解则是谱分析理论在任意矩阵上的推广。
软投票也称加权平均概率投票。它是使用输出的类概率来进行分类的投票法，通过输入权重，得到每个类的类概率的加权平均值，值大的那一类会被选择。
谱聚类（SC）是一种基于图论的聚类方法。它将带权无向图划分为两个或两个以上的最优子图，使子图内部尽量相似，而子图间距离尽量距离较远，以达到常见的聚类的目的。