AI:人工智能概念之机器学习、深度学习中常见关键词、参数等中英文对照(绝对干货)(七)

简介: 本博主基本收集了网上所有有关于ML、DL的中文解释词汇,机器学习、深度学习中常见关键词、参数等中英文对照,如有没有涉及之处,请留言,本博主将持续续修改、更新!圆小白自学ML、DL之梦!

A


approximations近似值

arbitrary随意的

affine仿射的

arbitrary任意的

amino acid氨基酸

amenable经得起检验的

axiom公理,原则

abstract提取

architecture架构,体系结构;建造业

absolute绝对的

arsenal军火库

assignment分配

algebra线性代数

asymptotically无症状的

appropriate恰当的


B


bias偏差

brevity简短,简洁;短暂

broader广泛

briefly简短的

batch批量


C


convergence 收敛,集中到一点

convex凸的

contours轮廓

constraint约束

constant常理

commercial商务的

complementarity补充

coordinate ascent同等级上升

clipping剪下物;剪报;修剪

component分量;部件

continuous连续的

covariance协方差

canonical正规的,正则的

concave非凸的

corresponds相符合;相当;通信

corollary推论

concrete具体的事物,实在的东西

cross validation交叉验证

correlation相互关系

convention约定

cluster一簇

centroids 质心,形心

converge收敛

computationally计算(机)的

calculus计算


D


derive获得,取得

dual二元的

duality二元性;二象性;对偶性

derivation求导;得到;起源

denote预示,表示,是…的标志;意味着,[逻]指称

divergence 散度;发散性

dimension尺度,规格;维数

dot小圆点

distortion变形

density概率密度函数

discrete离散的

discriminative有识别能力的

diagonal对角

dispersion分散,散开

determinant决定因素

disjoint不相交的


E


encounter遇到

ellipses椭圆

equality等式

extra额外的

empirical经验;观察

ennmerate例举,计数

exceed超过,越出

expectation期望

efficient生效的

endow赋予

explicitly清楚的

exponential family指数家族

equivalently等价的


F


feasible可行的

forary初次尝试

finite有限的,限定的

forgo摒弃,放弃

fliter过滤

frequentist最常发生的

forward search前向式搜索

formalize使定形


G


generalized归纳的

generalization概括,归纳;普遍化;判断(根据不足)

guarantee保证;抵押品

generate形成,产生

geometric margins几何边界

gap裂口

generative生产的;有生产力的


H


heuristic启发式的;启发法;启发程序

hone怀恋;磨

hyperplane超平面


L


initial最初的

implement执行

intuitive凭直觉获知的

incremental增加的

intercept截距

intuitious直觉

instantiation例子

indicator指示物,指示器

interative重复的,迭代的

integral积分

identical相等的;完全相同的

indicate表示,指出

invariance不变性,恒定性

impose把…强加于

intermediate中间的

interpretation解释,翻译


J


joint distribution联合概率


L


lieu替代

logarithmic对数的,用对数表示的

latent潜在的

Leave-one-out cross validation留一法交叉验证


M


magnitude巨大

mapping绘图,制图;映射

matrix矩阵

mutual相互的,共同的

monotonically单调的

minor较小的,次要的

multinomial多项的

multi-class classification二分类问题


N


nasty讨厌的

notation标志,注释

naïve朴素的


O


obtain得到

oscillate摆动

optimization problem最优化问题

objective function目标函数

optimal最理想的

orthogonal(矢量,矩阵等)正交的

orientation方向

ordinary普通的

occasionally偶然的


P


partial derivative偏导数

property性质

proportional成比例的

primal原始的,最初的

permit允许

pseudocode伪代码

permissible可允许的

polynomial多项式

preliminary预备

precision精度

perturbation 不安,扰乱

poist假定,设想

positive semi-definite半正定的

parentheses圆括号

posterior probability后验概率

plementarity补充

pictorially图像的

parameterize确定…的参数

poisson distribution柏松分布

pertinent相关的


Q


quadratic二次的

quantity量,数量;分量

query疑问的


R


regularization使系统化;调整

reoptimize重新优化

restrict限制;限定;约束

reminiscent回忆往事的;提醒的;使人联想…的(of)

remark注意

random variable随机变量

respect考虑

respectively各自的;分别的

redundant过多的;冗余的


S


susceptible敏感的

stochastic可能的;随机的

symmetric对称的

sophisticated复杂的

spurious假的;伪造的

subtract减去;减法器

simultaneously同时发生地;同步地

suffice满足

scarce稀有的,难得的

split分解,分离

subset子集

statistic统计量

successive iteratious连续的迭代

scale标度

sort of有几分的

squares平方


T


trajectory轨迹

temporarily暂时的

terminology专用名词

tolerance容忍;公差

thumb翻阅

threshold阈,临界

theorem定理

tangent正弦


U


unit-length vector单位向量


V


valid有效的,正确的

variance方差

variable变量;变元

vocabulary词汇

valued经估价的;宝贵的


W


wrapper包装

相关文章
|
13天前
|
机器学习/深度学习 人工智能 算法
植物病害识别系统Python+卷积神经网络算法+图像识别+人工智能项目+深度学习项目+计算机课设项目+Django网页界面
植物病害识别系统。本系统使用Python作为主要编程语言,通过收集水稻常见的四种叶片病害图片('细菌性叶枯病', '稻瘟病', '褐斑病', '稻瘟条纹病毒病')作为后面模型训练用到的数据集。然后使用TensorFlow搭建卷积神经网络算法模型,并进行多轮迭代训练,最后得到一个识别精度较高的算法模型,然后将其保存为h5格式的本地模型文件。再使用Django搭建Web网页平台操作界面,实现用户上传一张测试图片识别其名称。
65 21
植物病害识别系统Python+卷积神经网络算法+图像识别+人工智能项目+深度学习项目+计算机课设项目+Django网页界面
|
13天前
|
机器学习/深度学习 人工智能 算法
鸟类识别系统Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+ResNet50算法模型+图像识别
鸟类识别系统。本系统采用Python作为主要开发语言,通过使用加利福利亚大学开源的200种鸟类图像作为数据集。使用TensorFlow搭建ResNet50卷积神经网络算法模型,然后进行模型的迭代训练,得到一个识别精度较高的模型,然后在保存为本地的H5格式文件。在使用Django开发Web网页端操作界面,实现用户上传一张鸟类图像,识别其名称。
60 12
鸟类识别系统Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+ResNet50算法模型+图像识别
|
13天前
|
机器学习/深度学习 算法 TensorFlow
交通标志识别系统Python+卷积神经网络算法+深度学习人工智能+TensorFlow模型训练+计算机课设项目+Django网页界面
交通标志识别系统。本系统使用Python作为主要编程语言,在交通标志图像识别功能实现中,基于TensorFlow搭建卷积神经网络算法模型,通过对收集到的58种常见的交通标志图像作为数据集,进行迭代训练最后得到一个识别精度较高的模型文件,然后保存为本地的h5格式文件。再使用Django开发Web网页端操作界面,实现用户上传一张交通标志图片,识别其名称。
43 6
交通标志识别系统Python+卷积神经网络算法+深度学习人工智能+TensorFlow模型训练+计算机课设项目+Django网页界面
|
9天前
|
机器学习/深度学习 人工智能 算法
【新闻文本分类识别系统】Python+卷积神经网络算法+人工智能+深度学习+计算机毕设项目+Django网页界面平台
文本分类识别系统。本系统使用Python作为主要开发语言,首先收集了10种中文文本数据集("体育类", "财经类", "房产类", "家居类", "教育类", "科技类", "时尚类", "时政类", "游戏类", "娱乐类"),然后基于TensorFlow搭建CNN卷积神经网络算法模型。通过对数据集进行多轮迭代训练,最后得到一个识别精度较高的模型,并保存为本地的h5格式。然后使用Django开发Web网页端操作界面,实现用户上传一段文本识别其所属的类别。
22 1
【新闻文本分类识别系统】Python+卷积神经网络算法+人工智能+深度学习+计算机毕设项目+Django网页界面平台
|
11天前
|
机器学习/深度学习 人工智能 自然语言处理
探索AI的未来:深度学习与自然语言处理的融合
【9月更文挑战第22天】本文旨在探讨AI技术中深度学习与自然语言处理的结合,以及它们如何共同推动未来技术的发展。我们将通过实例和代码示例,深入理解这两种技术如何相互作用,以及它们如何影响我们的生活和工作。
32 4
|
9天前
|
机器学习/深度学习 人工智能 算法
【果蔬识别系统】Python+卷积神经网络算法+人工智能+深度学习+计算机毕设项目+Django网页界面平台
【果蔬识别系统】Python+卷积神经网络算法+人工智能+深度学习+计算机毕设项目+Django网页界面平台。果蔬识别系统,本系统使用Python作为主要开发语言,通过收集了12种常见的水果和蔬菜('土豆', '圣女果', '大白菜', '大葱', '梨', '胡萝卜', '芒果', '苹果', '西红柿', '韭菜', '香蕉', '黄瓜'),然后基于TensorFlow库搭建CNN卷积神经网络算法模型,然后对数据集进行训练,最后得到一个识别精度较高的算法模型,然后将其保存为h5格式的本地文件方便后期调用。再使用Django框架搭建Web网页平台操作界面,实现用户上传一张果蔬图片识别其名称。
28 0
【果蔬识别系统】Python+卷积神经网络算法+人工智能+深度学习+计算机毕设项目+Django网页界面平台
|
11天前
|
机器学习/深度学习 人工智能 算法
人工智能与命运的交织:从机器学习到人生选择
【9月更文挑战第21天】本文将探讨人工智能(AI)如何在我们的生活中扮演着越来越重要的角色,以及它如何影响我们的决策和命运。我们将从AI的基本概念出发,逐步深入到机器学习的核心原理,最后讨论AI如何帮助我们在复杂的人生道路上做出更明智的选择。通过简单易懂的语言和实际代码示例,我们将揭示AI技术背后的奥秘,并展示如何将这些技术应用于日常生活中的实际问题解决。让我们一起探索这个充满无限可能的AI世界,发现它如何塑造我们未来的命运。
24 1
|
14天前
|
机器学习/深度学习 存储 人工智能
文本情感识别分析系统Python+SVM分类算法+机器学习人工智能+计算机毕业设计
使用Python作为开发语言,基于文本数据集(一个积极的xls文本格式和一个消极的xls文本格式文件),使用Word2vec对文本进行处理。通过支持向量机SVM算法训练情绪分类模型。实现对文本消极情感和文本积极情感的识别。并基于Django框架开发网页平台实现对用户的可视化操作和数据存储。
20 0
文本情感识别分析系统Python+SVM分类算法+机器学习人工智能+计算机毕业设计
|
16天前
|
机器学习/深度学习 存储 人工智能
深度学习中的模型压缩技术在人工智能领域,深度学习技术的迅猛发展带来了巨大的计算资源需求。为了解决这一问题,模型压缩技术应运而生。本文将介绍什么是模型压缩、常见的模型压缩方法以及其在实际应用中的意义。
随着深度学习技术的广泛应用,计算资源的需求也大幅增加。为减少资源消耗,提升模型效率,模型压缩技术成为研究热点。本文探讨了模型压缩的定义、主流方法和其重要性。通过量化、剪枝、知识蒸馏和轻量级架构等策略,模型得以在保持性能的同时减小体积,从而适用于资源受限的环境。这些技术不仅降低了计算成本,还推动了深度学习在移动设备和边缘计算等领域的应用,使AI技术更加普及和实用。总之,模型压缩在平衡模型性能与资源消耗之间发挥着关键作用,是未来AI发展的重要方向。
|
18天前
|
机器学习/深度学习 人工智能 自然语言处理
揭秘人工智能的魔法:深度学习入门
【9月更文挑战第15天】在这篇文章中,我们将探索深度学习的奥秘,从基本原理到实际应用,一步步揭示这一技术如何改变我们的世界。你将了解神经网络的核心概念,学习如何训练模型,并看到深度学习在不同领域的应用案例。无论你是初学者还是有一定基础的学习者,这篇文章都将为你打开一扇通往AI未来的大门。
下一篇
无影云桌面