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。
遗传算法是计算数学中用于解决最优化的搜索算法，是进化算法的一种。进化算法最初是借鉴了进化生物学中的一些现象而发展起来的，这些现象包括遗传、突变、自然选择以及杂交等。
数字图像处理(Digital Image Processing)是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。数字图像处理的产生和迅速发展主要受三个因素的影响：一是计算机的发展；二是数学的发展（特别是离散数学理论的创立和完善）；三是广泛的农牧业、林业、环境、军事、工业和医学等方面的应用需求的增长。
当机器学习技术用于“关键任务”时，可接受的误差范围变得非常低。在我们用模型进行自动驾驶、协助医生等场景时，我们必须确保模型所做的预测是有效的.随着模糊系统成为我们生活中越来越重要的一部分，测量预测不确定性变得越来越重要。不过好消息是：有几种技术可以测量神经网络中的不确定性，其中一些非常容易实现！
在卷积神经网络(CNN)前向传播算法中，我们对CNN的前向传播算法做了总结，基于CNN前向传播算法的基础，我们下面就对CNN的反向传播算法做一个总结。在阅读本文前，建议先研究DNN的反向传播算法：深度神经网络（DNN）反向传播算法(BP)
图像处理，是对图像进行分析、加工、和处理，使其满足视觉、心理以及其他要求的技术。图像处理是信号处理在图像域上的一个应用，目前大多数的图像是以数字形式存储，因而图像处理很多情况下指数字图像处理。
奥地利符号计算研究所（简称RISC）的Christoph Koutschan博士在自己的页面上发布了一篇文章，提到他做了一个调查，参与者大多数是计算机科学家，他请这些科学家投票选出最重要的算法，以下是这次调查的结果，按照英文名称字母顺序排序。
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。