一、区块链

        区块链源于比特币，比特币交易系统背后的技术就是用的区块链技术，相对于现实社会中，账本往往掌握在少数人手中，比如会计等，账本是集中的，而比特币交易中每个人手中都有一份账本，交易系统每次通过一定的奖励机制安排一个网络用户来记录账本，记录完成后会公布账本，因为账本传播的方式是p2p也就点到点的方式，所以账本是分布式账本，如果有人像篡改账本，那就要修改所有账本，所以账本具有公开透明，账目可靠，去中心化等特点， 区块链技术从本质上讲，它是一个共享数据库，存储于其中的数据或信息，具有“不可伪造”“全程留痕”“可以追溯”“公开透明”“集体维护”等特征，区块链在金融，支付等方面有非常大的前景。

二、机器学习

        从实践的角度来说，机器学习就是让计算机利用已有的数据，通过训练产生模型，然后利用模型来预测的一种方法。 机器学习的一个主要目的就是把人类思考归纳经验的过程转化为计算机通过对数据的处理计算得出模型的过程。经过计算机得出的模型能够以近似于人的方式解决很多灵活复杂的问题。机器学习的本质是统计，他的处理过程是通过归纳思想得出的相关性结论。机器学习里面有很多经典算法，比如回归算法，人工神经网络，svm（支持向量机）等等，机器学习的应用领域十分广泛例如：数据挖掘、计算机视觉、自然语言处理、语音识别等等

三、回归算法

        回归算法是监督型算法的一种，通过数据来建立模型，再利用这个模型对数据进行处理的算法。线性回归旨在寻找到一根线，这个线到达所有样本点的距离的和是最小的。常用在预测和分类领域。

四、人工神经网络

        人工神经网络就是对人脑神经网络进行模仿，有神经元，层，网络三个部分组成，整个人工神经网络包含一系列基本的神经元通过权重相互连接。他由输入层，隐藏层和输出层组成，输入层就是采集各种不同的特征信息，隐藏层用于分析，输出层输出结果。人工神经网络模仿人的思维， 可以实现自动诊断、问题求解，解决传统方法所不能或难以解决的问题，而目前有人工神经网络发展而来的深度学习非常火爆。

五、支持向量机

        支持向量机是一个很好的线性分类的技术，分类的策略就是让间隔最大化，对于线性不可分的问题，它设法将输入空间升维，以求在高维空间中问题变得线性可分或接近线性可分。

六、强化学习

        强化学习是机器学习中的一个领域，强调如何基于环境而行动，以取得最大化的预期利益。它的本质是解决问题，让计算机自动进行决策，并且可以做连续决策。它主要包含四个元素，agent（智能体），环境状态，行动，奖励, 强化学习的目标就是获得最多的累计奖励。强化学习会在没有任何标签的情况下，通过先尝试做出一些行为得到一个结果，通过这个结果是对还是错的反馈，调整之前的行为，就这样不断的调整，算法能够学习到在什么样的情况下选择什么样的行为可以得到最好的结果。（常用的算法就是 Q learning，SARSA），应用领域像无人驾驶，自然语言处理等方面使用十分广泛。

七、网络空间安全

        信息安全侧重于技术，网络安全侧重于设施，网络空间安全既侧重技术，又侧重设施，还包括了用户以及用户操作行为，网络用户所引起的舆论安全等也属于网络空间安全的范畴之中，网络中的各种恶意操作。与信息安全与网络安全相比，他们主要关注于技术层面的安全属性，而网络空间安全还包括了社会层面的安全属性。

八、云计算

        云计算是分布式计算的一种，指的是通过网络将巨大的计算处理程序分成无数个小程序，通过系统进行处理和分析得到这些小程序结果再返回给用户。云就是网络，云计算就是一种提供资源的网络，使用者可以按照需求量使用这种服务，可以不断的扩展。

九、雾计算

        雾计算将数据、数据处理和应用程序集中在网络边缘的设备中，而不像云计算那样将它们几乎全部保存在云中，数据的存储及处理更依赖本地设备。和云计算相比延迟更短。

十、深度学习

        深度学习是机器学习研究中的一个新的领域，它的目的在于建立可以模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据，是传统人工神经网络的发展，深度学习的系统是一个包括输入层、隐藏层、输出层的多层网络，只有相邻层节点之间有连接，而同一层以及跨层节点之间相互无连接的，是高度数据依赖型的算法，需要花大量的时间来训练，相对于机器学习，深度学习可以自动地找出这个分类问题的所需要的重要特征。它的性能通常随着数据量的增加而不断增强。深度学习的经典算法如卷积神经网络，生成对抗网络都是典型的深度学习算法，应用领域也非常广泛，比如计算机视觉，自动驾驶等。

十一、卷积神经网络

        卷积神经网络主要是由卷积层，池化层，全连接层组成，卷积层就是保留图片的特征，池化层是把数据进行特征选择和信息过滤，全连接层就是根据不同任务输出我们想要的结果。卷积神经网络的价值是能够将大数据量的图片有效的降维成小数据量，能够保留图片的特征。

十二、生成对抗网络

        生成对抗网络主要是有生成、判别和对抗三个部分组成，生成器随机产生内容，判别器对产生的内容进行判别，以图片为例子的话，就是把生成器随机产生图片，把假图片和真图片给判别器识别，让判别器学会判断真假，判别器完成了学习，再指导生成器，比如那些特征是真图片有的，然后生成器越来越能生成更加真实的图片，直到判别器识别不出来真假图片。相比较传统的模型，生成对抗神经网络存在两个不同的网络，而不是单一的网络，并且训练方式采用的是对抗训练方式，一种无监督的学习方式训练，生成对抗网络的应用领域也非常广泛，比图像生成，数据增强等领域。

声明：所有名词的内容均为我个人理解总结，语句通俗易懂，供初学者参考了解，如有错误的地方还请指正，图片删。