算法中最关键的术语表( 二 )


贪婪算法(greedy algorithm) 一种在任一决策点都选择最优直接选项的算法,以期能导出全局的最优解(第4章) 。
启发式算法(heuristic) 一种关于问题求解路径的直觉,认为该路径指向正确的方向(第2章) 。
隐藏层(hidden layer) 在前馈人工神经网络中,所有位于输入层和输出层之间的层(第7章) 。
无限循环(infinite loop) 不会终止的循环(第1章) 。
无限递归(infinite recursion) 不会终止的递归调用,而是持续发起新的递归调用 。这类似于无限循环 。通常是因为缺少基线条件引起的(第1章) 。
输入层(input layer) 前馈人工神经网络的第一层,接收来自某种外部实体的输入(第7章) 。
学习率(learning rate) 通常是一个常数,用于根据计算得出的delta调整人工神经网络权重的修改率(第7章) 。
结果缓存(memoization) 一种将计算任务的结果保存起来的技术,以供后续从内存中读取,从而节省为重新生成相同结果而额外耗费的计算时间(第1章) 。
最小生成树(minimum spanning tree) 连接所有顶点的生成树,使得所有边的总权重最低(第4章) 。
变异(mutate) 在遗传算法中,当个体被放入下一代种群之前随机改变该个体的某些属性(第5章) 。
自然选择(natural selection) 生物优胜劣汰的进化过程 。给定有限的环境资源,最善于利用这些资源的生物将会存活并繁衍 。经过几代之后,就会让有利的特征在种群中扩散,由此环境约束就做出了自然选择(第5章) 。
神经网络(neural network) 由多个神经元构成的网络,神经元相互协同进行信息处理 。这些神经元通常视作分层组织(第7章) 。
神经元(neuron) 神经细胞个体,正如人类大脑中的神经细胞(第7章) 。
归一化(normalization) 让不同类型的数据具有可比性的过程(第6章) 。
NP困难问题(NP-hard problem) 一类没有已知的多项式时间算法能够求解的问题(第9章) 。
核苷酸(nucleotide) DNA的4种碱基(腺嘌呤(A)、胞嘧啶(C)、鸟嘌呤(G)和胸腺嘧啶(T)之一的实例(第2章) 。
输出层(output layer) 前馈人工神经网络中的最后一层,用于对给定输入和问题确定神经网络的求解结果(第7章) 。
路径(path) 连接图中两个顶点的边的集合(第4章) 。
层(ply) 在双人游戏中的一个回合(通常可被视为一步)(第8章) 。
种群(population) 在遗传算法中,种群是多个个体的集合(每个种群都代表问题可能的解),这些个体相互竞争以期求解问题(第5章) 。
优先队列(priority queue) 基于“优先级”顺序弹出数据项的数据结构 。例如,为了首先响应最高优先级的电话,优先队列可以与紧急电话数据集一起使用(第2章) 。
队列(queue) 一种抽象数据结构,保证先进先出(First-In-First-Out,FIFO)的顺序 。队列的实现代码至少应提供压入操作和弹出操作,分别用于添加和移除元素(第2章) 。
递归函数(recursive function) 调用自己的函数(第1章) 。
选择(selection) 在遗传算法的一代运算中,为了繁殖而选择个体的过程,以创造下一代中的个体(第5章) 。
sigmoid函数(sigmoid function) 流行的激活函数之一,用于人工神经网络 。名为sigmoid的函数始终会返回介于0到1之间的值 。它还有助于确保神经网络能把超出线性变换的结果表示出来(第7章) 。
SIMD指令(SIMD instruction) 为向量计算做过优化的微处理器指令,有时也称为向量指令 。SIMD代表单指令多数据(single instruction,multiple data)(第7章) 。
生成树(spanning tree) 连接图中每个顶点的树(第4章) 。
栈(stack) 一种抽象数据结构,保证后进先出的顺序(Last-In-First-Out,LIFO) 。栈的实现代码至少应提供压入操作和弹出操作,分别用于添加和移除元素(第2章) 。
监督学习(supervised learning) 机器学习技术中的算法或多或少需要外部资源的指导才能得出正确解(第7章) 。
突触(synapse) 神经元之间的间隙,神经递质充斥其中用以传导电流 。用非专业的话说,这些就是神经元之间的连接(第7章) 。
训练(training) 人工神经网络在训练阶段利用反向传播调整权重,用到的是某些给定输入的已知正确输出(第7章) 。
树(tree) 任意两个顶点之间只有一条路径的图 。树是无环(acyclic)图(第4章) 。


推荐阅读