机器学习中专业术语的个人理解与总结（纯小白）

前言

对于我这样的小白而言，听师兄师姐和老师们讲一些专业术语，总是感到疑惑，难以理解。
所以借此机会在这里进行简单总结。

PS:个人感觉，总结内容时用自己的话讲出来，比较好。

内容

1.收敛：假设模型已经跑了50次了，看了一下这时候的结果。然后再让模型跑了50次或者几十次，发现，模型结果或性能几乎没有发生改变。这时候，我们可以说模型在跑了50次的时候就已经收敛了！！！
2. episode:我的理解是：在强化学习中，如果一个agent从开始状态，运行运行，到了最终的状态，结束了！这就是一个episode。（相当于运行了一次）
感觉知乎上的这个回答比较好懂：

3.归一化：将现有数据，通过一定的计算方法，转化到你希望的范围内。
4.泛化能力：个人理解：就是我这个模型不仅对我使用的这个数据，展现的性能和规律适用。推广到其他数据集，我的规律依然管用！！！
百度百科解释：
泛化能力（generalization ability）是指机器学习算法对新鲜样本的适应能力。学习的目的是学到隐含在数据背后的规律，对具有同一规律的学习集以外的数据，经过训练的网络也能给出合适的输出，该能力称为泛化能力。
5.鲁棒性：鲁棒是Robust的音译，Robust翻译过来是强健的；强壮的；结实的；耐用的。个人理解是：鲁棒性指的是一个模型，在数据发生改变时，维持自身模型性能等的稳定能力。
知乎上这个解答，个人感觉不错：
AI模型的鲁棒可以理解为模型对数据变化的容忍度。假设数据出现较小偏差，只对模型输出产生较小的影响，则称模型是鲁棒的。

不断更新中…