One Forth

符号索引 · 1295 条

同形符号由命名空间区分。

符号条目记录数学写法、纯文本形式、含义、单位与假设。相同字母在不同学科中的含义不会被强行合并。

1295 个符号
One Forth 已登记数学与物理符号
符号含义命名空间单位 / 条件别名 / 冲突教材位置
yty_{t}y_t《指令适配与偏好优化》“监督指令微调学习示范条件分布”中 y 的下标 t 分量或状态量机器学习 · 神经网络由上下文确定；下标 t 的取值范围以该公式邻近定义和求和范围为准。无别名易混淆：yty_{t}、yty_{t}、yty_{t}A12 · 指令微调、偏好优化与上下文学习
yty_{t}y_t《对齐目标与奖励建模》“监督示范学习条件分布”中 y 的下标 t 分量或状态量机器学习 · 神经网络由上下文确定；下标 t 的取值范围以该公式邻近定义和求和范围为准。无别名易混淆：yty_{t}、yty_{t}、yty_{t}A13 · 对齐目标、反馈与奖励建模
zzz《激活函数》“ReLU 与分段线性网络”中记作 z 的等号左侧的目标量机器学习 · 神经网络由上下文确定；符号 z 仅按该公式锚点给出的对象类型、取值域与维度解释。无别名易混淆：zz、zz、zz、zz、zz、zz、zz、zz、zz、zz、zz、zz、zz
A04 · 激活函数与非线性表示 · 共 6 处
  1. A04 · 激活函数与非线性表示 · 正文位置 1
  2. A04 · 激活函数与非线性表示 · 正文位置 2
  3. A04 · 激活函数与非线性表示 · 正文位置 3
  4. A04 · 激活函数与非线性表示 · 正文位置 4
  5. A04 · 激活函数与非线性表示 · 正文位置 5
  6. A04 · 激活函数与非线性表示 · 正文位置 6
zzz《生成对抗学习》“非饱和损失改变梯度而不改变目标平衡点”中记作 z 的等号右侧的输入量或系数机器学习 · 神经网络由上下文确定；符号 z 仅按该公式锚点给出的对象类型、取值域与维度解释。无别名易混淆：zz、zz、zz、zz、zz、zz、zz、zz、zz、zz、zz、zz、zz
A09 · 生成对抗网络与散度最小化 · 共 2 处
  1. A09 · 生成对抗网络与散度最小化 · 正文位置 1
  2. A09 · 生成对抗网络与散度最小化 · 正文位置 2
zzz《变分自编码器》“从边缘似然推导证据下界”中记作 z 的等号左侧的目标量机器学习 · 神经网络由上下文确定；符号 z 仅按该公式锚点给出的对象类型、取值域与维度解释。无别名易混淆：zz、zz、zz、zz、zz、zz、zz、zz、zz、zz、zz、zz、zz
A09 · 变分自编码器与证据下界 · 共 13 处
  1. A09 · 变分自编码器与证据下界 · 正文位置 1
  2. A09 · 变分自编码器与证据下界 · 正文位置 2
  3. A09 · 变分自编码器与证据下界 · 正文位置 3
  4. A09 · 变分自编码器与证据下界 · 正文位置 4
  5. A09 · 变分自编码器与证据下界 · 正文位置 5
  6. A09 · 变分自编码器与证据下界 · 正文位置 6
  7. A09 · 变分自编码器与证据下界 · 正文位置 7
  8. A09 · 变分自编码器与证据下界 · 正文位置 8
  9. A09 · 变分自编码器与证据下界 · 正文位置 9
  10. A09 · 变分自编码器与证据下界 · 正文位置 10
  11. A09 · 变分自编码器与证据下界 · 正文位置 11
  12. A09 · 变分自编码器与证据下界 · 正文位置 12
  13. A09 · 变分自编码器与证据下界 · 正文位置 13
zzz《机制可解释性》“线性探针测量可解码性”中记作 z 的等号左侧的目标量机器学习 · 神经网络由上下文确定；符号 z 仅按该公式锚点给出的对象类型、取值域与维度解释。无别名易混淆：zz、zz、zz、zz、zz、zz、zz、zz、zz、zz、zz、zz、zz
A13 · 表示探测与机制可解释性 · 共 2 处
  1. A13 · 表示探测与机制可解释性 · 正文位置 1
  2. A13 · 表示探测与机制可解释性 · 正文位置 2
Z1Z_{1}Z_1《神经网络反传复习》“形状账本在数值计算之前”中 Z 的下标 1 分量或状态量机器学习 · 神经网络由上下文确定；下标 1 的取值范围以该公式邻近定义和求和范围为准。无别名
A04 · 神经网络与反向传播综合复习 · 共 3 处
  1. A04 · 神经网络与反向传播综合复习 · 正文位置 1
  2. A04 · 神经网络与反向传播综合复习 · 正文位置 2
  3. A04 · 神经网络与反向传播综合复习 · 正文位置 3
ziz_{i}z_i《跨模态预训练》“双塔编码器在共同空间比较”中 z 的下标 i 分量或状态量机器学习 · 神经网络由上下文确定；下标 i 的取值范围以该公式邻近定义和求和范围为准。无别名易混淆：ziz_{i}A08 · 跨模态对齐与预训练迁移
zjz_{j}z_j《初始化与梯度流》“仿射层前向方差来自扇入求和”中 z 的下标 j 分量或状态量机器学习 · 神经网络由上下文确定；下标 j 的取值范围以该公式邻近定义和求和范围为准。无别名易混淆：zjz_{j}A04 · 参数初始化与梯度传播
zjz_{j}z_j《跨模态预训练》“双塔编码器在共同空间比较”中 z 的下标 j 分量或状态量机器学习 · 神经网络由上下文确定；下标 j 的取值范围以该公式邻近定义和求和范围为准。无别名易混淆：zjz_{j}A08 · 跨模态对齐与预训练迁移
ztz_{t}z_t《循环网络与门控》“GRU 用两道门直接混合隐藏状态”中 z 的下标 t 分量或状态量机器学习 · 神经网络由上下文确定；下标 t 的取值范围以该公式邻近定义和求和范围为准。无别名
A07 · 循环网络、门控单元与状态传播 · 共 2 处
  1. A07 · 循环网络、门控单元与状态传播 · 正文位置 1
  2. A07 · 循环网络、门控单元与状态传播 · 正文位置 2
aaa《特征映射与核》“Gram 矩阵与正半定条件”中记作 a 的等号右侧的输入量或系数机器学习 · 最优化由上下文确定；符号 a 仅按该公式锚点给出的对象类型、取值域与维度解释。无别名易混淆：aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa
A02 · 特征映射、正定核与再生核空间 · 共 2 处
  1. A02 · 特征映射、正定核与再生核空间 · 正文位置 1
  2. A02 · 特征映射、正定核与再生核空间 · 正文位置 2
aaa《精确概率推断》“推断查询先写成未归一权重”中记作 a 的等号右侧的输入量或系数机器学习 · 最优化由上下文确定；符号 a 仅按该公式锚点给出的对象类型、取值域与维度解释。无别名易混淆：aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa
A03 · 变量消元、消息传递与精确推断 · 共 4 处
  1. A03 · 变量消元、消息传递与精确推断 · 正文位置 1
  2. A03 · 变量消元、消息传递与精确推断 · 正文位置 2
  3. A03 · 变量消元、消息传递与精确推断 · 正文位置 3
  4. A03 · 变量消元、消息传递与精确推断 · 正文位置 4
aaa《策略梯度》“actor–critic用价值估计构造优势”中记作 a 的等号左侧的目标量机器学习 · 最优化由上下文确定；符号 a 仅按该公式锚点给出的对象类型、取值域与维度解释。无别名易混淆：aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa
A10 · 策略梯度、actor–critic 与优势估计 · 共 3 处
  1. A10 · 策略梯度、actor–critic 与优势估计 · 正文位置 1
  2. A10 · 策略梯度、actor–critic 与优势估计 · 正文位置 2
  3. A10 · 策略梯度、actor–critic 与优势估计 · 正文位置 3
aaa《Q-learning》“表格收敛结论附带一组条件”中记作 a 的等号左侧的目标量机器学习 · 最优化由上下文确定；符号 a 仅按该公式锚点给出的对象类型、取值域与维度解释。无别名易混淆：aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa、aa
A10 · Q-learning、探索与函数逼近 · 共 8 处
  1. A10 · Q-learning、探索与函数逼近 · 正文位置 1
  2. A10 · Q-learning、探索与函数逼近 · 正文位置 2
  3. A10 · Q-learning、探索与函数逼近 · 正文位置 3
  4. A10 · Q-learning、探索与函数逼近 · 正文位置 4
  5. A10 · Q-learning、探索与函数逼近 · 正文位置 5
  6. A10 · Q-learning、探索与函数逼近 · 正文位置 6
  7. A10 · Q-learning、探索与函数逼近 · 正文位置 7
  8. A10 · Q-learning、探索与函数逼近 · 正文位置 8
AAA《决策树与剪枝》“分类不纯度衡量标签混合”中记作 A 的等号左侧的目标量机器学习 · 最优化由上下文确定；符号 A 仅按该公式锚点给出的对象类型、取值域与维度解释。无别名易混淆：AA、AA、AA、AA、AA、AA、AA、AA、AA、AA、AA、AA、AA、AA、AA、AA、AA、AA、AA、AA、AA
A02 · 决策树、划分准则与剪枝 · 共 2 处
  1. A02 · 决策树、划分准则与剪枝 · 正文位置 1
  2. A02 · 决策树、划分准则与剪枝 · 正文位置 2
AAA《策略梯度》“actor–critic用价值估计构造优势”中记作 A 的等号左侧的目标量机器学习 · 最优化由上下文确定；符号 A 仅按该公式锚点给出的对象类型、取值域与维度解释。无别名易混淆：AA、AA、AA、AA、AA、AA、AA、AA、AA、AA、AA、AA、AA、AA、AA、AA、AA、AA、AA、AA、AAA10 · 策略梯度、actor–critic 与优势估计
AtA_{t}A_t《模型与离线强化学习》“学习模型后在模型中问“如果””中 A 的下标 t 分量或状态量机器学习 · 最优化由上下文确定；下标 t 的取值范围以该公式邻近定义和求和范围为准。无别名
A10 · 基于模型、离线与多智能体强化学习 · 共 2 处
  1. A10 · 基于模型、离线与多智能体强化学习 · 正文位置 1
  2. A10 · 基于模型、离线与多智能体强化学习 · 正文位置 2
bbb《线性回归》“从连续预测开始”中记作 b 的等号左侧的目标量机器学习 · 最优化由上下文确定；符号 b 仅按该公式锚点给出的对象类型、取值域与维度解释。无别名易混淆：bb、bb、bb、bb、bb、bb、bb、bb、bb、bb、bb、bb、bb、bb、bb、bb
A01 · 线性回归、最小二乘与正规方程 · 共 8 处
  1. A01 · 线性回归、最小二乘与正规方程 · 正文位置 1
  2. A01 · 线性回归、最小二乘与正规方程 · 正文位置 2
  3. A01 · 线性回归、最小二乘与正规方程 · 正文位置 3
  4. A01 · 线性回归、最小二乘与正规方程 · 正文位置 4
  5. A01 · 线性回归、最小二乘与正规方程 · 正文位置 5
  6. A01 · 线性回归、最小二乘与正规方程 · 正文位置 6
  7. A01 · 线性回归、最小二乘与正规方程 · 正文位置 7
  8. A01 · 线性回归、最小二乘与正规方程 · 正文位置 8
bbb《特征映射与核》“Gram 矩阵与正半定条件”中记作 b 的等号右侧的输入量或系数机器学习 · 最优化由上下文确定；符号 b 仅按该公式锚点给出的对象类型、取值域与维度解释。无别名易混淆：bb、bb、bb、bb、bb、bb、bb、bb、bb、bb、bb、bb、bb、bb、bb、bb
A02 · 特征映射、正定核与再生核空间 · 共 2 处
  1. A02 · 特征映射、正定核与再生核空间 · 正文位置 1
  2. A02 · 特征映射、正定核与再生核空间 · 正文位置 2
bbb《随机森林》“聚合能降多少方差取决于相关性”中记作 b 的等号左侧的目标量机器学习 · 最优化由上下文确定；符号 b 仅按该公式锚点给出的对象类型、取值域与维度解释。无别名易混淆：bb、bb、bb、bb、bb、bb、bb、bb、bb、bb、bb、bb、bb、bb、bb、bbA02 · 随机森林与袋装集成
bbb《支持向量机》“硬间隔为何需要软化”中记作 b 的等号右侧的输入量或系数机器学习 · 最优化由上下文确定；符号 b 仅按该公式锚点给出的对象类型、取值域与维度解释。无别名易混淆：bb、bb、bb、bb、bb、bb、bb、bb、bb、bb、bb、bb、bb、bb、bb、bb
A02 · 最大间隔与支持向量机 · 共 7 处
  1. A02 · 最大间隔与支持向量机 · 正文位置 1
  2. A02 · 最大间隔与支持向量机 · 正文位置 2
  3. A02 · 最大间隔与支持向量机 · 正文位置 3
  4. A02 · 最大间隔与支持向量机 · 正文位置 4
  5. A02 · 最大间隔与支持向量机 · 正文位置 5
  6. A02 · 最大间隔与支持向量机 · 正文位置 6
  7. A02 · 最大间隔与支持向量机 · 正文位置 7
BBB《随机森林》“聚合能降多少方差取决于相关性”中记作 B 的等号左侧的目标量机器学习 · 最优化由上下文确定；符号 B 仅按该公式锚点给出的对象类型、取值域与维度解释。无别名易混淆：BB、BB、BB、BB、BB、BB、BB、BB、BB、BB、BB
A02 · 随机森林与袋装集成 · 共 2 处
  1. A02 · 随机森林与袋装集成 · 正文位置 1
  2. A02 · 随机森林与袋装集成 · 正文位置 2
β\betabeta《线性学习综合复习》“Logistic 回归学习条件概率”中记作 beta 的等号左侧的目标量机器学习 · 最优化由上下文确定；符号 beta 仅按该公式锚点给出的对象类型、取值域与维度解释。无别名易混淆：β\beta、β\beta、β\beta、β\beta、β\beta、β\beta、β\beta、β\beta、β\beta
A01 · 线性模型与统计学习综合复习 · 共 4 处
  1. A01 · 线性模型与统计学习综合复习 · 正文位置 1
  2. A01 · 线性模型与统计学习综合复习 · 正文位置 2
  3. A01 · 线性模型与统计学习综合复习 · 正文位置 3
  4. A01 · 线性模型与统计学习综合复习 · 正文位置 4
β0\beta_{0}beta_0《线性学习综合复习》“Logistic 回归学习条件概率”中 beta 的下标 0 分量或状态量机器学习 · 最优化由上下文确定；下标 0 的取值范围以该公式邻近定义和求和范围为准。无别名
A01 · 线性模型与统计学习综合复习 · 共 4 处
  1. A01 · 线性模型与统计学习综合复习 · 正文位置 1
  2. A01 · 线性模型与统计学习综合复习 · 正文位置 2
  3. A01 · 线性模型与统计学习综合复习 · 正文位置 3
  4. A01 · 线性模型与统计学习综合复习 · 正文位置 4
CCC《有向与无向图模型》“无向图用势函数而非条件概率相乘”中记作 C 的等号右侧的输入量或系数机器学习 · 最优化由上下文确定；符号 C 仅按该公式锚点给出的对象类型、取值域与维度解释。无别名易混淆：CC、CC、CC、CC、CC、CC、CC、CC、CC、CC、CC
A03 · 贝叶斯网络与 Markov 随机场 · 共 7 处
  1. A03 · 贝叶斯网络与 Markov 随机场 · 正文位置 1
  2. A03 · 贝叶斯网络与 Markov 随机场 · 正文位置 2
  3. A03 · 贝叶斯网络与 Markov 随机场 · 正文位置 3
  4. A03 · 贝叶斯网络与 Markov 随机场 · 正文位置 4
  5. A03 · 贝叶斯网络与 Markov 随机场 · 正文位置 5
  6. A03 · 贝叶斯网络与 Markov 随机场 · 正文位置 6
  7. A03 · 贝叶斯网络与 Markov 随机场 · 正文位置 7
CCC《凸性与次梯度》“次梯度与次微分”中记作 C 的等号右侧的输入量或系数机器学习 · 最优化不适用；符号 C 仅按该公式锚点给出的对象类型、取值域与维度解释。无别名易混淆：CC、CC、CC、CC、CC、CC、CC、CC、CC、CC、CC
M11 · 凸集、凸函数与次梯度 · 共 6 处
  1. M11 · 凸集、凸函数与次梯度 · 正文位置 1
  2. M11 · 凸集、凸函数与次梯度 · 正文位置 2
  3. M11 · 凸集、凸函数与次梯度 · 正文位置 3
  4. M11 · 凸集、凸函数与次梯度 · 正文位置 4
  5. M11 · 凸集、凸函数与次梯度 · 正文位置 5
  6. M11 · 凸集、凸函数与次梯度 · 正文位置 6
CpsiCCpsi_{C}Cpsi_C《有向与无向图模型》“无向图用势函数而非条件概率相乘”中 Cpsi 的下标 C 分量或状态量机器学习 · 最优化由上下文确定；下标 C 的取值范围以该公式邻近定义和求和范围为准。无别名A03 · 贝叶斯网络与 Markov 随机场
δk\delta_{k}delta_k《风险、容量与收敛》“结构风险最小化同时支付拟合与容量”中 delta 的下标 k 分量或状态量机器学习 · 最优化由上下文确定；下标 k 的取值范围以该公式邻近定义和求和范围为准。无别名A01 · 经验风险、容量与一致收敛
eee《精确概率推断》“推断查询先写成未归一权重”中记作 e 的等号左侧的目标量机器学习 · 最优化由上下文确定；符号 e 仅按该公式锚点给出的对象类型、取值域与维度解释。无别名易混淆：ee、ee、ee、ee、ee
A03 · 变量消元、消息传递与精确推断 · 共 2 处
  1. A03 · 变量消元、消息传递与精确推断 · 正文位置 1
  2. A03 · 变量消元、消息传递与精确推断 · 正文位置 2
ℓ\ellell《监督学习》“监督学习的总体风险”中记作 ell 的等号右侧的输入量或系数机器学习 · 最优化由上下文确定；符号 ell 仅按该公式锚点给出的对象类型、取值域与维度解释。无别名易混淆：ℓ\ell、ℓ\ell
A00 · 监督学习任务、样本与标签 · 共 4 处
  1. A00 · 监督学习任务、样本与标签 · 正文位置 1
  2. A00 · 监督学习任务、样本与标签 · 正文位置 2
  3. A00 · 监督学习任务、样本与标签 · 正文位置 3
  4. A00 · 监督学习任务、样本与标签 · 正文位置 4
ℓi\ell_{i}ell_i《正则化》“有效正则化强度”中 ell 的下标 i 分量或状态量机器学习 · 最优化由上下文确定；下标 i 的取值范围以该公式邻近定义和求和范围为准。无别名A01 · 正则化、偏差与方差
η\etaeta梯度下降学习率机器学习 · 最优化由上下文确定；通常取正值无别名易混淆：η\eta、η\eta
M11 · 一阶优化与梯度下降 · 共 20 处
  1. M11 · 一阶优化与梯度下降 · 正文位置 1
  2. A02 · AdaBoost、梯度提升与残差拟合 · 正文位置 2
  3. A01 · 线性回归、最小二乘与正规方程 · 正文位置 3
  4. A01 · 正则化、偏差与方差 · 正文位置 4
  5. M11 · 一阶优化与梯度下降 · 正文位置 5
  6. M11 · 一阶优化与梯度下降 · 正文位置 6
  7. M11 · 一阶优化与梯度下降 · 正文位置 7
  8. M11 · 一阶优化与梯度下降 · 正文位置 8
  9. M11 · 一阶优化与梯度下降 · 正文位置 9
  10. M11 · 一阶优化与梯度下降 · 正文位置 10
  11. M11 · 一阶优化与梯度下降 · 正文位置 11
  12. M11 · 一阶优化与梯度下降 · 正文位置 12
  13. M11 · 一阶优化与梯度下降 · 正文位置 13
  14. M11 · 一阶优化与梯度下降 · 正文位置 14
  15. M11 · 一阶优化与梯度下降 · 正文位置 15
  16. M11 · 一阶优化与梯度下降 · 正文位置 16
  17. M11 · 最优化与信息论综合复习 · 正文位置 17
  18. M11 · 最优化与信息论综合复习 · 正文位置 18
  19. M11 · 最优化与信息论综合复习 · 正文位置 19
  20. M11 · 最优化与信息论综合复习 · 正文位置 20
ηm\eta_{m}eta_m《AdaBoost 与梯度提升》“提升法逐步扩充一个加法模型”中 eta 的下标 m 分量或状态量机器学习 · 最优化由上下文确定；下标 m 的取值范围以该公式邻近定义和求和范围为准。无别名A02 · AdaBoost、梯度提升与残差拟合
fff《监督学习》“监督学习的总体风险”中记作 f 的等号左侧的目标量机器学习 · 最优化由上下文确定；符号 f 仅按该公式锚点给出的对象类型、取值域与维度解释。无别名易混淆：ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ffA00 · 监督学习任务、样本与标签
fff《风险、容量与收敛》“结构风险最小化同时支付拟合与容量”中记作 f 的等号左侧的目标量机器学习 · 最优化由上下文确定；符号 f 仅按该公式锚点给出的对象类型、取值域与维度解释。无别名易混淆：ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff
A01 · 经验风险、容量与一致收敛 · 共 5 处
  1. A01 · 经验风险、容量与一致收敛 · 正文位置 1
  2. A01 · 经验风险、容量与一致收敛 · 正文位置 2
  3. A01 · 经验风险、容量与一致收敛 · 正文位置 3
  4. A01 · 经验风险、容量与一致收敛 · 正文位置 4
  5. A01 · 经验风险、容量与一致收敛 · 正文位置 5
fff《过拟合与泛化》“泛化间隙”中记作 f 的等号右侧的输入量或系数机器学习 · 最优化由上下文确定；符号 f 仅按该公式锚点给出的对象类型、取值域与维度解释。无别名易混淆：ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff
A01 · 过拟合、泛化与模型选择 · 共 2 处
  1. A01 · 过拟合、泛化与模型选择 · 正文位置 1
  2. A01 · 过拟合、泛化与模型选择 · 正文位置 2
fff《约束优化与对偶》“拉格朗日函数与对偶函数”中记作 f 的等号右侧的输入量或系数机器学习 · 最优化不适用；符号 f 仅按该公式锚点给出的对象类型、取值域与维度解释。无别名易混淆：ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff
M11 · 约束优化、KKT 条件与对偶性 · 共 9 处
  1. M11 · 约束优化、KKT 条件与对偶性 · 正文位置 1
  2. M11 · 约束优化、KKT 条件与对偶性 · 正文位置 2
  3. M11 · 约束优化、KKT 条件与对偶性 · 正文位置 3
  4. M11 · 约束优化、KKT 条件与对偶性 · 正文位置 4
  5. M11 · 约束优化、KKT 条件与对偶性 · 正文位置 5
  6. M11 · 约束优化、KKT 条件与对偶性 · 正文位置 6
  7. M11 · 约束优化、KKT 条件与对偶性 · 正文位置 7
  8. M11 · 约束优化、KKT 条件与对偶性 · 正文位置 8
  9. M11 · 约束优化、KKT 条件与对偶性 · 正文位置 9
fff《凸性与次梯度》“次梯度与次微分”中记作 f 的等号右侧的输入量或系数机器学习 · 最优化不适用；符号 f 仅按该公式锚点给出的对象类型、取值域与维度解释。无别名易混淆：ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff、ff
M11 · 凸集、凸函数与次梯度 · 共 14 处
  1. M11 · 凸集、凸函数与次梯度 · 正文位置 1
  2. M11 · 凸集、凸函数与次梯度 · 正文位置 2
  3. M11 · 凸集、凸函数与次梯度 · 正文位置 3
  4. M11 · 凸集、凸函数与次梯度 · 正文位置 4
  5. M11 · 凸集、凸函数与次梯度 · 正文位置 5
  6. M11 · 凸集、凸函数与次梯度 · 正文位置 6
  7. M11 · 凸集、凸函数与次梯度 · 正文位置 7
  8. M11 · 凸集、凸函数与次梯度 · 正文位置 8
  9. M11 · 凸集、凸函数与次梯度 · 正文位置 9
  10. M11 · 凸集、凸函数与次梯度 · 正文位置 10
  11. M11 · 凸集、凸函数与次梯度 · 正文位置 11
  12. M11 · 凸集、凸函数与次梯度 · 正文位置 12
  13. M11 · 凸集、凸函数与次梯度 · 正文位置 13
  14. M11 · 凸集、凸函数与次梯度 · 正文位置 14
FFF《指标与基线》“混淆矩阵固定一个操作阈值”中记作 F 的等号右侧的输入量或系数机器学习 · 最优化由上下文确定；符号 F 仅按该公式锚点给出的对象类型、取值域与维度解释。无别名易混淆：FF、FF、FF、FF、FF、FF、FF、FF、FF、FF、FF、FF
A00 · 分类、回归指标与基线 · 共 6 处
  1. A00 · 分类、回归指标与基线 · 正文位置 1
  2. A00 · 分类、回归指标与基线 · 正文位置 2
  3. A00 · 分类、回归指标与基线 · 正文位置 3
  4. A00 · 分类、回归指标与基线 · 正文位置 4
  5. A00 · 分类、回归指标与基线 · 正文位置 5
  6. A00 · 分类、回归指标与基线 · 正文位置 6
FFF《优化模型与最优性》“优化模型与可行域”中记作 F 的等号左侧的目标量机器学习 · 最优化不适用；符号 F 仅按该公式锚点给出的对象类型、取值域与维度解释。无别名易混淆：FF、FF、FF、FF、FF、FF、FF、FF、FF、FF、FF、FF
M11 · 优化模型、可行域与最优性 · 共 4 处
  1. M11 · 优化模型、可行域与最优性 · 正文位置 1
  2. M11 · 优化模型、可行域与最优性 · 正文位置 2
  3. M11 · 优化模型、可行域与最优性 · 正文位置 3
  4. M11 · 优化模型、可行域与最优性 · 正文位置 4
F0F_{0}F_0《AdaBoost 与梯度提升》“提升法逐步扩充一个加法模型”中 F 的下标 0 分量或状态量机器学习 · 最优化由上下文确定；下标 0 的取值范围以该公式邻近定义和求和范围为准。无别名
A02 · AdaBoost、梯度提升与残差拟合 · 共 3 处
  1. A02 · AdaBoost、梯度提升与残差拟合 · 正文位置 1
  2. A02 · AdaBoost、梯度提升与残差拟合 · 正文位置 2
  3. A02 · AdaBoost、梯度提升与残差拟合 · 正文位置 3
faf_{a}f_a《精确概率推断》“推断查询先写成未归一权重”中 f 的下标 a 分量或状态量机器学习 · 最优化由上下文确定；下标 a 的取值范围以该公式邻近定义和求和范围为准。无别名
A03 · 变量消元、消息传递与精确推断 · 共 2 处
  1. A03 · 变量消元、消息传递与精确推断 · 正文位置 1
  2. A03 · 变量消元、消息传递与精确推断 · 正文位置 2
fkf_{k}f_k《风险、容量与收敛》“结构风险最小化同时支付拟合与容量”中 f 的下标 k 分量或状态量机器学习 · 最优化由上下文确定；下标 k 的取值范围以该公式邻近定义和求和范围为准。无别名A01 · 经验风险、容量与一致收敛
FMF_{M}F_M《AdaBoost 与梯度提升》“提升法逐步扩充一个加法模型”中 F 的下标 M 分量或状态量机器学习 · 最优化由上下文确定；下标 M 的取值范围以该公式邻近定义和求和范围为准。无别名
A02 · AdaBoost、梯度提升与残差拟合 · 共 2 处
  1. A02 · AdaBoost、梯度提升与残差拟合 · 正文位置 1
  2. A02 · AdaBoost、梯度提升与残差拟合 · 正文位置 2
fθf_{\theta}f_theta《损失函数》“经验风险”中 f 的下标 theta 分量或状态量机器学习 · 最优化由上下文确定；下标 theta 的取值范围以该公式邻近定义和求和范围为准。无别名易混淆：fθf_{\theta}、fθf_{\theta}、fθf_{\theta}、fθf_{\theta}A00 · 损失函数、风险与评估
ggg《凸性与次梯度》“次梯度与次微分”中记作 g 的等号右侧的输入量或系数机器学习 · 最优化不适用；符号 g 仅按该公式锚点给出的对象类型、取值域与维度解释。无别名易混淆：gg、gg、gg、gg、gg、gg、gg、gg、gg、gg、gg、gg、gg、gg、gg
M11 · 凸集、凸函数与次梯度 · 共 2 处
  1. M11 · 凸集、凸函数与次梯度 · 正文位置 1
  2. M11 · 凸集、凸函数与次梯度 · 正文位置 2
gig_{i}g_i《约束优化与对偶》“拉格朗日函数与对偶函数”中 g 的下标 i 分量或状态量机器学习 · 最优化不适用；下标 i 的取值范围以该公式邻近定义和求和范围为准。无别名易混淆：gig_{i}
M11 · 约束优化、KKT 条件与对偶性 · 共 9 处
  1. M11 · 约束优化、KKT 条件与对偶性 · 正文位置 1
  2. M11 · 约束优化、KKT 条件与对偶性 · 正文位置 2
  3. M11 · 约束优化、KKT 条件与对偶性 · 正文位置 3
  4. M11 · 约束优化、KKT 条件与对偶性 · 正文位置 4
  5. M11 · 约束优化、KKT 条件与对偶性 · 正文位置 5
  6. M11 · 约束优化、KKT 条件与对偶性 · 正文位置 6
  7. M11 · 约束优化、KKT 条件与对偶性 · 正文位置 7
  8. M11 · 约束优化、KKT 条件与对偶性 · 正文位置 8
  9. M11 · 约束优化、KKT 条件与对偶性 · 正文位置 9
gig_{i}g_i《优化模型与最优性》“优化模型与可行域”中 g 的下标 i 分量或状态量机器学习 · 最优化不适用；下标 i 的取值范围以该公式邻近定义和求和范围为准。无别名易混淆：gig_{i}
M11 · 优化模型、可行域与最优性 · 共 2 处
  1. M11 · 优化模型、可行域与最优性 · 正文位置 1
  2. M11 · 优化模型、可行域与最优性 · 正文位置 2
GtG_{t}G_t《动态规划与时序差分》“Monte Carlo 用完整回报作目标”中 G 的下标 t 分量或状态量机器学习 · 最优化由上下文确定；下标 t 的取值范围以该公式邻近定义和求和范围为准。无别名易混淆：GtG_{t}、GtG_{t}
A10 · 动态规划、Monte Carlo 与时序差分 · 共 3 处
  1. A10 · 动态规划、Monte Carlo 与时序差分 · 正文位置 1
  2. A10 · 动态规划、Monte Carlo 与时序差分 · 正文位置 2
  3. A10 · 动态规划、Monte Carlo 与时序差分 · 正文位置 3