在上一篇文章中我们给大家介绍了很多机器学习中深层次的基础知识，看起来这是一句十分矛盾的话，但是我们不难发现越往后介绍的知识的理解难度逐渐加大，所以就需要我们对前面的文章提到的知识做到掌握才行，我们在这篇文章中继续为大家介绍机器学习中的其他部分的知识。

（1）归一化就是将值的实际区间转化为标准区间的过程，标准区间通常是-1 到+1 或 0 到 1。

（2）目标就是算法尝试优化的目标函数。

（3）离线推断就是生成一组预测并存储，然后按需检索那些预测。可与在线推断对照阅读。

（4）优化器就是梯度下降算法的特定实现。

（5）异常值就是与大多数值差别很大的值。在机器学习中，异常值有高绝对值的权重、与实际值差距过大的预测值、比平均值多大约 3 个标准差的输入数据的值、异常值往往使模型训练中出现问题。

（6）one-hot 编码就是独热编码。也是一个稀疏向量，其中一个元素设置为 1，所有其他的元素设置为0。独热编码常用于表示有有限可能值集合的字符串或标识符。

（7）一对多就是给出一个有 N 个可能解决方案的分类问题，一对多解决方案包括 N 个独立的二元分类器——每个可能的结果都有一个二元分类器。

（8）输出层就是神经网络的最后一层。这一层包含整个模型所寻求的答案。

（9）过拟合就是创建的模型与训练数据非常匹配，以至于模型无法对新数据进行正确的预测。

（9）pandas是一种基于列的数据分析 API。很多机器学习框架，包括 TensorFlow，支持 pandas 数据结构作为输入。

（10）参数机器学习系统自行训练的模型的变量。而权重是参数，它的值是机器学习系统通过连续的训练迭代逐渐学习到的。可与超参数对照阅读。

（11）参数服务器用于在分布式设置中跟踪模型参数。

（12）参数更新就是在训练过程中调整模型参数的操作，通常在梯度下降的单个迭代中进行。

（13）偏导数就是一个多变量函数的偏导数是它关于其中一个变量的导数，而保持其他变量恒定。例如，f(x, y)对于x的偏导数就是 f(x)的导数，y保持恒定。x的偏导数中只有 x 是变化的，公式中其他的变量都不用变化。

在这篇文章中我们给大家介绍了很多的机器学习的概念，这些概念都是十分重要的，如果我们要从事人工智能的工作或者机器学习的工作，那么一定要做好这些知识的储备。