I
独立同分布(independently and identically distributed，i.i.d)
从不会改变的分布中提取的数据，其中提取的每个值都不依赖于之前提取的值。i.i.d.是机器学习的理想状态，但在现实世界中几乎从未发现过。例如，某个网页的访问者在短时间内的分布可能为i.i.d.，即分布在短时间内没有变化，且一位用户的访问行为通常与另一位用户的访问行为无关。不过，如果将时间窗口扩大，网页访问者的分布可能呈现出季节性变化。
推断(inference）
在机器学习中，推断的过程通常为：通过将训练过的模型应用于无标签样本来做出预测。在统计学中，推断是指在某些观测数据条件下拟合分布参数的过程。
输入函数(input function)
在TensorFlow中，用于将输入数据返回Estimator的训练、评估或预测方法的函数。例如，训练输入函数用于返回训练集中的批次特征和标签。
输入层(inputlayer)
神经网络中的第一层（接收输入数据的层）。
实例（instance）
样本的同义词。
可解释性（interpretability）
模型的预测可解释的难易程度。深度模型通常不可解释，也就是说，很难对深度模型的不同层进行解释。相比之下，线性回归模型和宽度模型的可解释性通常要好得多。
评分者间一致性信度(inter-rateragreement)
一种衡量指标，用于衡量在执行某项任务时评分者达成一致的频率。如果评分者未达成一致，则可能需要改进任务说明。有时也称为注释者间一致性信度或评分者间可靠性信度。
迭代(iteration)
模型的权重在训练期间的一次更新。迭代包含计算参数在单个批量数据上的梯度损失。
K
Keras
一种热门的Python机器学习API。Keras能够在多种深度学习框架上运行，其中包括TensorFlow（在该框架上，Keras作为tf.keras提供）。
附录D 术语列表
457