算法是一组用于解决特定问题或执行特定任务的有序步骤。在计算机科学中，算法是用于完成计算任务的一系列定义明确的指令。算法可以用于处理数据、执行计算、解决问题或执行其他与计算有关的任务。
机器学习算法是机器学习领域中用于从数据中学习模式并做出预测或决策的数学模型或规则。这些算法可以分为多个主要类别，取决于学习任务的类型和目标。
聚类算法的目的就是将相似的数据对象划分为一类或者簇，使得在同一个簇内的数据对象尽可能相似，不同簇中的数据对象尽可能不相似。常见的聚类方法有如下几种：层次聚类；划分聚类（KMeans）；密度聚类（DBSCAN）；模型聚类；谱聚类。
Fast R-CNN就是在R-CNN的基础上采纳了SPP Net的方法，使得性能进一步提高。与R-CNN相比，Fast R-CNN主要有两点不同：一是最后一个卷积层加入了ROI pooling layer，二是损失函数使用了多任务损失函数（multi-task loss），将边框回归Bounding Box Regression直接加入到CNN网络中训练
统计计算（Statistical Computing），又称概率统计计算、计算统计或计算机统计，是概率论、数理统计和应用统计、数学和计算机科学等学科之间的交叉性、边缘性、融合性和应用性的计算数学的一个分支，数学技术中的一类常用算法。
R-CNN全称为Region-CNN，它可以说是第一个成功地将深度学习应用到目标检测上的算法。后面提到的Fast R-CNN、Faster R-CNN全部都是建立在R-CNN的基础上的。R-CNN遵循传统目标检测的思路，同样采用，对每个框提取特征、图像分类、非极大值抑制四个步骤进行目标检测，只不过进行了部分的改进。
梯度下降法，是当今最流行的优化（optimization）算法，亦是至今最常用的优化神经网络的方法。本文旨在让你对不同的优化梯度下降法的算法有一个直观认识，以帮助你使用这些算法。我们首先会考察梯度下降法的各种变体，然后会简要地总结在训练（神经网络或是机器学习算法）的过程中可能遇到的挑战。
物理智能计算(Physical Intelligence Computing)，是指一些受自然界物理现象启发而设计出来的具有分布式智能行为特征的一类智能算法，出发点是基于物理中物质与通常组合优化问题之间的相似性，又是基于蒙特卡罗迭代求解策略的一种随机寻优算法。
群智能计算(Swarm Intelligence Computing)，又称群体智能计算或群集智能计算，是指一类受昆虫、兽群、鸟群和鱼群等的群体行为启发而设计出来的具有分布式智能行为特征的一些智能算法。群智能中的“群”指的是一组相互之间可以进行直接或间接通信的群体；“群智能”指的是无智能的群体通过合作表现出智能行为的特性。
人们常用“模糊计算”（Fuzzy Computing）笼统地代表诸如模糊系统、模糊语言、模糊推理、模糊逻辑、模糊控制、模糊遗传和模糊聚类等模糊应用领域中所用到的诸多算法及其理论。在这些应用系统中，广泛地应用了模糊集理论，并揉和了人工智能的其他手段，因此模糊计算也常常与人工智能相联系。
遗传算法(Genetic Algorithms)，也有人把它叫作进化算法(Evolutionary Algorithms)，是基于生物进化的“物竞天择，适者生存”理论发展起来的一种应用广泛且高效随机搜索与优化并举的智能算法，其主要特点是群体搜索策略和群体中个体之间的信息交换，不依赖于问题的梯度信息。遗传算法最初被研究的出发点不是为专门解决最优化问题而设计的，它与进化策略、进化规划共同构成了遗传算法的主要框架，都是为当时人工智能的发展服务的。
机器学习(Machine Learning)，人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，主要使用归纳、综合而不是演绎的方法研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是一门多领域的交叉学科，涉及到概率论、统计学、逼近论、凸分析、算法复杂度理论和计算机科学等诸多学科。