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。