深度学习中常用术语

监督学习

        所谓监督学习，就是先利用有标签的训练数据学习得到一个模型，然后使用这个模型对新样本进行预测。在本质上，监督学习的目标在于，构建一个由输入到输出的映射，该映射用模型来表示

无监督学习

        与监督学习相反，无监督学习的数据是没有标签的，我们把数据给机器，并让它试着从这些数据中找到某种结构。无监督学习使我们能够在不知道结果应该是什么的情况下处理问题。我们可以从不一定知道变量影响的数据中导出结构。简单来说，无监督学习中的数据没有任何标签，拿到数据集，我们并不知道要拿它来做什么，也不知道每个数据点究竟是什么，而只是被告知这里有一个数据集，能否在其中找到某种有意义的结构。

半监督学习

       半监督学习是一种介于监督学习和无监督学习之间的学习。 在现实生活中，无标签的数据易于获取，而有标签的数据收集起来通常很困难，标注也耗时和耗力。在这种情况下，半监督学习（Semi-Supervised Learning）更适用于现实世界中的应用。半监督学习（这里仅针对半监督分类），就是要利用大量的无标签样本和少量带有标签的样本来训练分类器，解决有标签样本不足的难题

线性回归

        是利用回归函数对一个或多个自变量和因变量之间关系进行建模的一种分析方法。只有一个自变量的情况称为单变量回归，多于一个自变量的情况叫多元回归。

神经元

        神经元是构成神经网络的基本单元，其主要是模拟生物神经元的结构和特性，接受一组输入信号并产出输出。通过神经元，人工神经网络可以以数学模型模拟人脑神经元活动，继而进行高效的计算以及其他处理。

链式法则    

        链式法则是微积分中的求导法则，用于求一个复合函数的导数，是在微积分的求导运算中一种常用的方法。复合函数的导数将是构成复合这有限个函数在相应点的导数的乘积，就像锁链一样一环套一环，故称链式法则。

前向传播

            简单理解就是将上一层的输出作为下一层的输入，并计算下一层的输出，一直到运算到输出层为止