深度学习领域相关的专业术语（附带音标解释）

Deep Learning（深度学习） /diːp ˈlɜːrnɪŋ/

利用多层神经网络学习和提取复杂特征。
Neural Network（神经网络） /ˈnʊrəl ˈnɛtwɜːrk/

模仿生物神经元结构的模型，用于处理复杂的计算任务。
Recurrent Neural Network (RNN)（循环神经网络） /rɪˈkɜːr(ə)nt ˈnʊrəl ˈnɛtwɜːrk/

一种处理序列数据的神经网络，具有记忆之前状态的能力。
Convolutional Neural Network (CNN)（卷积神经网络） /ˌkɒnvəˈluːʃənl ˈnʊrəl ˈnɛtwɜːrk/

一种专门处理图像的神经网络，通过卷积运算提取特征。
Backpropagation（反向传播） /ˌbækˌprɑːpəˈɡeɪʃən/

训练神经网络时调整权重的算法，通过反向传播误差更新参数。
Supervised Learning（监督学习） /ˈsuːpərvaɪzd ˈlɜːrnɪŋ/

在有标签数据的情况下训练模型。
Unsupervised Learning（无监督学习） /ˌʌnsuːpərˈvaɪzd ˈlɜːrnɪŋ/

在无标签数据的情况下，模型自行发现数据模式。
Reinforcement Learning（强化学习） /rɪnˈfɔːrsmənt ˈlɜːrnɪŋ/

通过试错和环境反馈学习行为策略。
Evolutionary Computation（进化计算） /ˌiːvəˈluːʃəˌnɛri ˌkɑːmpjuˈteɪʃən/

模仿自然进化的计算方法，通常用于优化问题。
Autoencoder（自编码器） /ˈɔːtoʊɛnˌkoʊdər/

一种无监督学习模型，用于将数据压缩成低维表示并重构输入。
Dynamic Programming（动态规划） /daɪˈnæmɪk ˈproʊɡræmɪŋ/

一种递归分解问题并逐步优化的算法，在深度学习中用于决策问题。
Max-Pooling（最大池化） /mæks ˈpuːlɪŋ/

在卷积神经网络中用于减少特征图的尺寸，保留最大值信息。
Deep Belief Networks (DBN)（深度信念网络） /diːp bɪˈliːf ˈnɛtwɜːrks/

一种由多层无监督学习模块组成的深度学习模型。
Long Short-Term Memory (LSTM)（长短期记忆网络） /lɔːŋ ʃɔːrt tɜːrm ˈmɛməri/

一种处理长时间依赖关系的特殊循环神经网络。
Gradient Descent（梯度下降） /ˈɡreɪdiənt dɪˈsɛnt/

一种通过不断调整模型参数，逐步最小化损失函数的优化算法。
Epoch（轮次） /ˈiːpɒk/

一次完整遍历训练数据集的过程。
Credit Assignment Paths (CAPs)（信用分配路径） /ˈkrɛdɪt əˈsaɪnmənt pæθs/

在深度学习中，指的是模型内部用于传递误差和学习信号的路径。
Markov Decision Processes (MDPs)（马尔可夫决策过程） /ˈmɑːrkɒv dɪˈsɪʒən ˈprɑːsɛsɪz/

一种用于建模决策过程的框架，特别适用于强化学习。
Policy Gradients（策略梯度） /ˈpɒlɪsi ˈɡreɪdiənts/

一种优化策略函数的强化学习算法。
Spiking Neurons（脉冲神经元） /ˈspaɪkɪŋ ˈnʊrɑːnz/

模拟生物神经元发放脉冲的神经元模型。
Minimum Description Length (MDL)（最小描述长度） /ˈmɪnɪməm dɪˈskrɪpʃən lɛŋθ/

一种模型选择准则，基于选择能够最好地压缩数据的模型。它与奥卡姆剃刀原则相关，认为最简单的解释通常是最好的。