霍普菲尔德神经网络(Hopfield neural network)是一种循环神经网络，由约翰·霍普菲尔

Als Hopfield-Netz bezeichnet man eine besondere Form eines künstlichen neuronalen Netzes, das sich von anderen künstlichen neuronalen Netzen dadurch unterscheidet, dass es ein Rekurrentes neuronales Netz ist, das symmetrisch gewichtete Verbindungen besitzt und als Assoziativspeicher dient, der stabile Zustände (Attraktoren) für Muster erkennt. Es erkennt gespeicherte Muster anhand von Ähnlichkeiten, indem es sich in einen stabilen Zustand bewegt, der einem bekannten Muster entspricht.

Es ist nach dem amerikanischen Wissenschaftler John Hopfield benannt, der das Modell 1982 bekannt machte.

Hopfield-Netze hatten ursprünglich eine bedeutende Rolle in der Entwicklung der neuronalen Netzwerke, da sie als frühes Modell für assoziative Speicher und Mustererkennung dienten und wichtige Erkenntnisse zur Energie-Minimierung in neuronalen Netzen lieferten. Heute sind sie weiterhin von Bedeutung als Grundlage für moderne Ansätze in der künstlichen Intelligenz und maschinellem Lernen, insbesondere in der Forschung über rekurrente Netze und Energie-basierte Modelle.

德在1982年发明。Hopfield网络是一种结合存储系统和二元系统的神经网络。它保证了向局部极小的收敛，但收敛到错误的局部极小值（local minimum），而非全局极小（global minimum）的情况也可能发生。霍普菲尔德网络也提供了模拟人类记忆的模型。

基因组学（英语：Genomics），或基因体学，是研究生物基因组和如何利用基因的一门学科。该学科提供基因组信息以及相关数据系统利用，试图解决生物，医学，和工业领域的重大问题。

基因组学是生物学的一个跨学科领域，主要研究基因组的结构、功能、进化、绘图和编辑。基因组是指生物体的整套 DNA，包括所有基因及其分层的三维结构配置。与研究单个基因及其在遗传中的作用的遗传学相比，基因组学旨在对生物体的所有基因及其相互关系和对生物体的影响进行集体表征和量化。反过来，蛋白质构成器官和组织等人体结构，控制化学反应，并在细胞间传递信号。基因组学还涉及基因组的测序和分析，通过使用高通量 DNA 测序和生物信息学来组合和分析整个基因组的功能和结构。

该领域还包括对基因组内（基因组内）现象的研究，如外显率（一个基因对另一个基因的影响）、多效性（一个基因影响多个性状）、杂合力（杂交活力）以及基因组内基因位点和等位基因之间的其他相互作用。

Die Genomik ist ein interdisziplinärer Bereich der Biologie, der sich mit der Struktur, Funktion, Evolution, Kartierung und Bearbeitung von Genomen befasst. Ein Genom ist der vollständige DNA-Satz eines Organismus, einschließlich aller seiner Gene sowie seiner hierarchischen, dreidimensionalen Strukturkonfiguration. Im Gegensatz zur Genetik, die sich auf die Untersuchung einzelner Gene und ihrer Rolle bei der Vererbung bezieht, zielt die Genomik auf die kollektive Charakterisierung und Quantifizierung aller Gene eines Organismus, ihrer Wechselbeziehungen und ihres Einflusses auf den Organismus ab. Gene können mit Hilfe von Enzymen und Botenmolekülen die Produktion von Proteinen steuern. Proteine wiederum bilden Körperstrukturen wie Organe und Gewebe, steuern chemische Reaktionen und übertragen Signale zwischen Zellen. Die Genomik umfasst auch die Sequenzierung und Analyse von Genomen durch den Einsatz von Hochdurchsatz-DNA-Sequenzierung und Bioinformatik, um die Funktion und Struktur ganzer Genome zusammenzustellen und zu analysieren. Die Fortschritte in der Genomik haben eine Revolution in der entdeckungsbasierten Forschung und der Systembiologie ausgelöst, die das Verständnis selbst der komplexesten biologischen Systeme wie des Gehirns erleichtert.

Das Feld umfasst auch Studien zu intragenomischen (genominternen) Phänomenen wie Epistase (Wirkung eines Gens auf ein anderes), Pleiotropie (ein Gen beeinflusst mehr als ein Merkmal), Heterosis (Hybridstärke) und andere Wechselwirkungen zwischen Loci und Allelen innerhalb des Genoms.

Das Themengebiet der Robotik (auch Robotertechnik) befasst sich mit dem Versuch, das Konzept der Interaktion mit der physischen Welt auf Prinzipien der Informationstechnik sowie auf eine technisch machbare Kinetik zu reduzieren. Der Begriff des „Roboters“ beschreibt dabei eine Entität, welche diese beiden Konzepte in sich vereint, indem sie die Interaktion mit der physischen Welt auf der Basis von Sensoren, Aktoren und Informationsverarbeitung umsetzt. Kernbereich der Robotik ist die Entwicklung und Steuerung solcher Roboter. Sie umfasst Teilgebiete der Informatik (insbesondere von Künstlicher Intelligenz), der Elektrotechnik und des Maschinenbaus. Ziel der Robotik ist es, durch Programmierung ein gesteuertes Zusammenarbeiten von Roboter-Elektronik und Roboter-Mechanik herzustellen.

机器人学（英语：robotics）是一项涵盖了机器人的设计、建造、运作、以及应用的跨领域科技^[1]，集合机械工程学、电机工程学、机械电子学、电子学、控制工程学、计算机工程学、软件工程学、资讯工程学、数学及生物工程学等领域。这些科技催生出能够取代人力的自动化机器，在危险境或制造工厂运作，或塑造成外表、行为、心智的仿人机器人。现今许多机器人都是受到自然界的启发，致力于仿生机器人学领域的发展。

Maschinelles Lernen (ML) ist ein Oberbegriff für die „künstliche“ Generierung von Wissen aus Erfahrung: Ein künstliches System lernt aus Beispielen und kann diese nach Beendigung der Lernphase verallgemeinern. Dazu bauen Algorithmen beim maschinellen Lernen ein statistisches Modell auf, das auf Trainingsdaten beruht und welches gegen die Testdaten getestet wird. Das heißt, es werden nicht einfach die Beispiele auswendig gelernt (siehe Überanpassung), sondern Muster und Gesetzmäßigkeiten in den Lerndaten erkannt. So kann das System auch unbekannte Daten beurteilen (Lerntransfer) oder aber am Lernen unbekannter Daten scheitern (Überanpassung; englisch overfitting).^[1][2] Aus dem weiten Spektrum möglicher Anwendungen seien hier genannt: automatisierte Diagnose­verfahren, Erkennung von Kreditkartenbetrug, Aktienmarkt­analysen, Klassifikation von Nukleotidsequenzen, Sprach- und Texterkennung sowie autonome Systeme.

Das Thema ist eng verwandt mit „Knowledge Discovery in Databases“ und „Data-Mining“, bei dem es jedoch vorwiegend um das Finden von neuen Mustern und Gesetzmäßigkeiten geht. Viele Algorithmen können für beide Zwecke verwendet werden. Methoden der „Knowledge Discovery in Databases“ können genutzt werden, um Lerndaten für „maschinelles Lernen“ zu produzieren oder vorzuverarbeiten. Im Gegenzug dazu finden Algorithmen aus dem maschinellen Lernen beim Data-Mining Anwendung. Zu unterscheiden ist der Begriff zudem von dem Begriff „Deep Learning“, welches nur eine mögliche Lernvariante mittels künstlicher neuronaler Netze darstellt.

Das Schließen von Daten auf (hypothetische) Modelle wird als Statistische Inferenz bezeichnet.

机器学习是人工智能的一个分支。人工智能的研究历史有着一条从以“推理”为重点，到以“知识”为重点，再到以“学习”为重点的自然、清晰的脉络。显然，机器学习是实现人工智能的一个途径之一，即以机器学习为手段，解决人工智能中的部分问题。机器学习在近30多年已发展为一门多领域科际集成，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。

机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论，机器学习与推断统计学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法（要防止错误累积）。很多推论问题属于非程序化決策，所以部分的机器学习研究是开发容易处理的近似算法。

机器学习已广泛应用于数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、游戏和机器人等领域。

Der Maschinenbau (auch als Maschinenwesen bezeichnet) ist eine klassische Ingenieurwissenschaft und erstreckt sich auf Entwicklung, Konstruktion und Produktion von Maschinen und Anlagen. Dazu zählen u. a.:

• Kraftmaschinen, (Dampfmaschine, Motor, Turbine),
• Arbeitsmaschinen (Gebläse, Pumpen, Verdichter)
• Werkzeugmaschinen, (Fräs-, Bohr-, Hobel- oder Schleifmaschine),
• Förderanlagen (Kran, Aufzugsanlage, Förderband, Seilbahn)
• Fahrzeugtechnik zu Land und Wasser
• Luft- und Raumfahrttechnik
• Sondermaschinen, Apparate, Geräte und des Rationalisierungsmittelbaus.
• Prüfen und überwachen von technischen Anlagen TÜV

Der Wirtschaftszweig Maschinenbau entstand aus dem Handwerk der Metallbearbeitung, Schmiede und Schlosser, u. a. durch Mühlenbauer.

机械工程（英语：Mechanical engineering）是一门涉及利用物理定律为机械系统作分析、设计、生产及维修的工程学科。

机械工程是众多工程学科中范围最广的一科。任何现代产业和工程领域都需要应用机械，例如：农业、林业、矿业等需要农业机械、 林业机械、矿业机械；冶金工程和化学工程需要冶金机械、化工机械；纺织和食品加工业需要纺织机械、食品加工机械；水利、土木建筑、道路和桥梁等工程需要工程机械；电力工程需要电力机械；交通运输业需要各种车辆、船舶、飞机等；各种商品的计量、包装、储存、装卸需要各种相应的工作机械。

各个工程领域的发展都要求机械工程有与之相适应的发展，都需要机械工程提供所必需的机械。某些机械的发明和完善，又导致新的工程技术和新的产业的出现和发展，例如：大型机械的成功制造，促成了电力系统的建立；火车的发明导致了铁路工程和铁路事业的兴起；内燃机、燃气轮机、火箭发动机等的发明和进步以及船舶、飞机和航空器的研制成功导致了航海工程、航海事业、航空工程和航空事业的兴起；高压设备（包括压缩机、反应器、密封技术等）的发展导致了许多新型合成化学工程的成功。机械工程就是在各方面不断提高的需求的压力下获得发展动力，同时又从各个学科和技术的进步中得到改进和创新能力。

奥托·弗莱德里克·吉迪昂·森贝克 ^[1]（瑞典语：Otto Fredrik Gideon Sundbäck，英语：Gideon Sundback，1880年4月24日—1954年6月21日，又译吉德昂·逊德巴克），是一位瑞典裔美国籍的电机工程师，将拉链改进为现代常见的样式，获有拉链的专利。^[2] 并在加拿大设立闪电扣件公司（Lightning Fastener Compan）以生产他所发明的拉链。1905年森贝克移民美国。

Otto Fredrik Gideon Sundbäck (nach seiner Übersiedelung in die USA Sundback; * 24. April 1880 in Ödestugu, Schweden; † 21. Juni 1954 in Meadville, Pennsylvania) war ein schwedisch-amerikanischer Maschinenbauingenieur und Erfinder, dessen bekannteste Entwicklung der moderne Reißverschluss ist.