学习过程中，每当遇到陌生有趣的单词我都会记录下来，并且记录我是在何种应用场景遇到的它。
——2018.01.28
一、
1. Incorporated 英 [ɪnˈkɔ:pəreɪtɪd] 包含;组成公司( incorporate的过去式和过去分词 );使混合
2. procedure英 [prəˈsi:dʒə(r)] 程序，手续;工序，过程，步骤;诉讼程序，（议会的）
3. sketch英 [sketʃ] 美 [skɛtʃ] n.素描;草图;梗概v.速写;草拟;简述
4. outline英 [ˈaʊtlaɪn] n.梗概，大纲，提纲，草稿，要点，主要原则;外形，
5. Refined 英 [rɪˈfaɪnd]adj.精制的;精炼的;经过改良的;举止优雅的v.精制;使纯净;使文雅高尚
6. Retrieve 英 [rɪˈtri:v] 美 [rɪˈtriv] vt.取回;恢复;
7. Deviation 英 [ˌdi:viˈeɪʃn]背离，偏离[数] 绝对偏差standard~标准差
8. Initialize 英 [ɪˈnɪʃəlaɪz] 美 [ɪˈnɪʃəˌlaɪz] vt. 初始化
二、
9. Assert 英 [əˈsɜ:t] 美 [əˈsɜ:rt] vt.声称，断言;维护，坚持;坚持自己的主张;生效
10. Shape 英 [ʃeɪp] 美 [ʃep] 形状;模型;状态;身材vt.塑造;vi.形成;使成形 变形（元素个数不变）
矩阵 train_X.shape 计算出是几乘几的矩阵
11. Seed 英 [si:d] 美 [sid] n.种子;子孙;起源;（尤指网球比赛）种子选手vt.播种;抽出种子选手;
np.random.seed(x) x -- 改变随机数生成器的种子seed。 目的：生成同一个随机数
12. Attribute 英 [əˈtrɪbju:t] 属性;
13. Zero 英 [ˈzɪərəʊ] 美 [ˈzɪroʊ] Zeros([3,3]) 0adj.全无的，没有的v. .聚焦，集中
np.zeros(3) 生成1 * 3零矩阵，np.zeros(（2,3）) 生成2*3零矩阵
14. Mean 均值
15. Axis 英 [ˈæksɪs] 美 [ˈæksɪs] n.轴（x,y），轴线;[政]轴心;轴心国;[植]茎轴
16. Squeeze 英 [skwi:z] 美 [skwiz] vt.& vi.挤;（确保是期望的维度）压（axis）迫，压榨
x1 = np.squeeze(x) # 从数组的形状中删除单维条目，即把shape中为1的维度去掉print(x1) # [0 1 2] multiply
三、
17. Enumerate 英 [ɪˈnju:məreɪt] 美 [ɪˈnu:məreɪt] vt.列举，枚举，数
18. Lambda 英 [ˈlæmdə] 美 ['læmdə] n.希腊字母的第 11个字
19. array 英[əˈreɪ]美[ə'reɪ]n.数组; 队列，阵列; 一大批; 衣服;vt. 排列; 部署兵力;
20. Multiplicity degree （MD）：多样性程度
21. Discrete 英 [dɪˈskri:t] 美 [dɪˈskrit] adj.分离的，不相关联的;分立式;非连续
22. Versus [ˈvərsəs, ˈvərsəz]PREPOSITION against, as opposed to
23. Cellular 英 [ˈseljələ(r)] 美 [ˈsɛljəlɚ] adj.细胞的;蜂窝状;由细胞组成的;多孔的
24. Degradation 英 [ˌdegrəˈdeɪʃn] 美 [ˌdɛɡrəˈdeʃən] n.恶化;堕落;潦倒;毁坏
四、
25. play important roles 扮演重要角色
26. Motif 英 [məʊˈti:f] 美 [moʊˈti:f] n.（文艺作品等的）主题;（音乐的）乐旨，动机;基本图案
27. Eliminate 英 [ɪˈlɪmɪneɪt] 美 [ɪˈlɪməˌnet] vt.淘汰;排除，消除;除掉;<口>干掉
28. Following the above described steps 按照上述步骤
29. Anticipate 英 [ænˈtɪsɪpeɪt] 美 [ænˈtɪsəˌpet] vt.预见;预料;预感;先于…行动
The proposed model is anticipated to be a useful resource for computational prediction
30. Adjacent 英 [əˈdʒeɪsnt] 美 [əˈdʒesənt] adj.相邻;邻近的，毗邻的;（时间上）紧接着
A number of research indicate that the adjacent sequences also play important roles in peroxisomal targeting.
31. Intrinsic 英[ɪnˈtrɪnsɪk] adj.本征; 固有的，内在的，本质的; [解剖] 体内的; 先天性;
32. pitfall英 [ˈpɪtfɔ:l] 美 [ˈpɪtˌfɔl] n.陷阱;诱惑;圈套
五、
33. Batch美[bætʃ]英[bætʃ]n.批；一批；（食物、药物等的）一批生产的量v.分批处理
34. Material 英 [məˈtɪəriəl] 美 [məˈtɪriəl]n.素材;材料，原料;布，织物;适当人选
35. Drawbacks 英 [d'rɔ:bæks] n.缺点，不利条件，障碍( drawback的名词复数 )
36. Traversal 英 [træ'vɜ:sl] 美 ['trævɜ:səl] n.横越，横断物，（横向）往返移动
37. Capsule英 [ˈkæpsju:l] n.胶囊;航天舱;（植物的）荚;小容器adj.压缩的;概要的
38. Squash 英 [skwɒʃ] vt.挤进;将（某人[某物]）压扁;使沉默;平定（叛乱等）
39. Binomial英 [baɪˈnəʊmiəl] adj.二项的，二项式的
40. derivative英 [dɪˈrɪvətɪv] n.[数]导数，微商;[化] 衍生物，派生物;[语]派生词
六、
41. dropout/ˈdrɒpaʊt/ n.辍学者；退学者；拒绝传统社会的人Dropout regularization
42. Euclid[ju։klid] n. 欧几里得(约公元前3世纪的古希腊数学家)
43. Mutually英 [ˈmju:tʃuəli] 美 [ˈmjuːtʃuəli] adv.互相地，互助； 对；
44. Stochastic 形容词随机random, stochastic
45. Ensemble 英 [ɒnˈsɒmbl] 美 [ɑ:nˈsɑ:mbl] n.全体;<音>合奏;全套服装;总效果
46. Classifier分类器简写clf, clf_svm指的是创建svm分类器对象
47. Pixel 英 [ˈpɪksl] 像素
48. Dialog 英 ['daɪəlɒg] 美 ['daɪəˌlɒg] n.会话，对话;问答，对白;问答题，对话
七、
49. Scatter 英 [ˈskætə(r)] 美 [ˈskætɚ] vt.（使）散开，（使）分散，驱散vi.分散;撒开
50. Retrieve 英 [rɪˈtri:v] 美 [rɪˈtriv] vt.取回;恢复;[计]检索;重新得到
51. Epochs英 [ˈi:pɒks] 训练次数;纪元;新时期
52. Multiply 英 [ˈmʌltɪplaɪ] 美 [ˈmʌltəˌplaɪ] vt.& vi.（同形矩阵）相乘；
两个数组元素一一对应相乘 np.dot: 矩阵乘法. np.transpose: 返回转置, 也可以使用一个 ndarray 的 nd.T 属性.np.random.rand(3, 2) 返回一个 3 乘 2 的矩阵.
53. Eye英 [aɪ] 生成对角矩阵 np.eye[3][[0,1,2]] 对应的索引值的行向量组成的矩阵
54. Quiz 英 [kwɪz] 简单的小测试
55. Column 英 [ˈkɒləm] 美 [ˈkɑ:ləm] n.专栏;圆柱;纵队，列
56. Rigorous 英 [ˈrɪgərəs] 美 [ˈrɪɡərəs] adj.严格的;严密的;缜密的;枯燥的It makes our code more rigorous.
八、
57. numpy.random.rand(d0, d1, …, dn)：其中d0, d1, …, dn为整数（int）型，输出一个shape为（d0, d1, …, dn）的矩阵.
58. np.sum(A, axis = 1, keepdims = True)
59. preceptron feed forward感知器前馈 regression metrics 回归指标 tune your model 调整你的模型 decision boundary 决策边界
60. symmetry 英 [ˈsɪmətri] break symmetry 打破对称
61. Coordinator 英 [kəʊ'ɔ:dɪneɪtə] 美 [koʊ'ɔ:dənˌeɪtə] n.协调者; 助理
62. cisco英 ['sɪskəʊ] 美 ['sɪskoʊ] n.加拿大白鲑（一种青鱼）思科
63. Mindset 英 [ˈmaɪndset] 美 [ˈmaɪndset] n.观念模式，思维倾向，心态
64. Notation 英 [nəʊˈteɪʃn] n.记号，标记法 Deep neural network notation
九、
65. try out英 [trai aut]试行;试用 You will then compare the performance of these models, and also try out different values for LL.
66. Methodology 英 [ˌmeθəˈdɒlədʒi] 美 [ˌmeθəˈdɑ:lədʒi] n.方法论;方法学
67. with respect to关于， 谈到 Remember that back propagation is used to calculate the gradient of the loss function with respect to the parameters.
68. Complicated 复杂的 maximum 英 [ˈmæksɪməm]adj.最大值的，最大量的
69. Keep track of 英 [ki:p træk ɔv] 记录;与…保持联系
70. Derivatives 英 [dɪ'rɪvətɪvz] 美 [də'revətɪvz] n.导数;
71. Explicit 英 [ɪkˈsplɪsɪt] 美 [ɪkˈsplɪsɪt] adj.明确的
72. without an explicit for-loop over the layers 显式循环 遍历层
十、
73. nostalgia 英 [nɒˈstældʒə] n.怀旧;乡愁
74. adverse 英 [ˈædvɜ:s] 美 [ˈædvɜ:rs] adj.不利的;
75. doctorate 英 [ˈdɒktərət] 博士学位;
76. decay 英 [dɪˈkeɪ] 衰败
77. symmetry英 [ˈsɪmətri] 对称 break symmetry
78. trajectory英 [trəˈdʒektəri] 轨迹 Testing Optimal Trajectory
79. minus英 [ˈmaɪnəs] 负的 x minus （x plus）So we’ll call that x plus and this x minus.
80. Momentum[məˈmentəm] algorithm 动量算法
十一、
81. Saddle [ˈsædl] 鞍点(saddle point)
82. explicitly [ɪk'splɪsɪtlɪ] parallel programming model 显式并行编程模型
83. pow [paʊ] 脑袋，乒
math.pow( x, y )返回 xy（x的y次方） 的值；math.pow(x, y[, z]) z存在，则对结果进行取模
84. posterior [pɒˈstɪəriə(r)] probability 后验概率
85. partitioned into 划分为
86. decision stump英 [stʌmp] 决策树桩：由一个根节点直接连接两个叶节点的简单决策树
87. outlier异常点
88. discrimin [disˈkriminənt] 判别式
十二、
89. production [prəˈdʌkʃən] 生成式 What is the discriminant model and the generating model?
90. Hinge [hɪndʒ] 合页 逻辑回归采用的是logistical loss，SVM采用的是hinge loss.这两个损失函数的目的都是增加对分类影响较大的数据点的权重，减少与分类关系较小的数据点的权重。
91. Convolutional [kɒnvə'lu:ʃənəl] Neural Network 卷积神经网路
92. Specificity [ˌspesɪˈfɪsəti] n. 特异性，特征，种别性;种特性
93. Bootstrap n. 引导程序;解靴带;靴袢;自益 bootstrap数据指的是：有放回地从总共N个样本中抽样n个样本
94. K-means ：我们假设样本有3类，即K=3选择3个距离适当的坐标点作为这个3类的中心点，将所有的待分样本按照最近邻原则分类，再根据最新的分类，计算出每个类中样本的平均坐标值，取为该类的新中心点。
95. KNN ：k-Nearest Neighbors 分好类的样本的特征输入；输入待分类样本，我们通过这个样本的周围最近的K个已经分好类的邻居的类别来判断它的类别。KNN没有训练过程，K-means有训练过程
96. Rectified ['rektɪfaɪd] Linear Unit,：ReLU线性整流函数，如果不用激励函数（其实相当于激励函数是f(x) = x），在这种情况下你每一层输出都是上层输入的线性函数，很容易验证，无论你神经网络有多少层，输出都是输入的线性组合，与没有隐藏层效果相当，这种情况就是最原始的感知机（Perceptron）了第三，Relu会使一部分神经元的输出为0，这样就造成了网络的稀疏性，并且减少了参数的相互依存关系，缓解了过拟合问题的发生（以及一些人的生物解释balabala）。当然现在也有一些对relu的改进，比如prelu，random relu等，在不同的数据集上会有一些训练速度上或者准确率上的改进，具体的大家可以找相关的paper看。
97. LSTM(Long Short Term Memory)：LSTM网络已被证明比传统的RNNs更加有效；LSTM模型中既存在sigmoid又存在tanh两种激活函数
98. vanishing gradient 梯度消失 How does the ReLu solve the vanishing gradient problem? 神经网络的训练中，通过改变神经元的权重，使网络的输出值尽可能逼近标签以降低误差值，训练普遍使用BP算法，核心思想是，计算出输出与标签间的损失函数值，然后计算其相对于每个神经元的梯度，进行权值的迭代。许多激活函数将输出值挤压在很小的区间内，在激活函数两端较大范围的定义域内梯度为0，造成学习停止。
十三、
99. pooling layer 当在卷积神经网络中加入池化层(pooling layer)时，变换的不变性会被保留
100. Hinge [hɪndʒ] loss function ： 合页损失函数 （常用在SVM中）
