一、區塊鏈
區塊鏈源于比特幣，比特幣交易系統背后的技術就是用的區塊鏈技術，相對于現實社會中，賬本往往掌握在少數人手中，比如會計等，賬本是集中的，而比特幣交易中每個人手中都有一份賬本，交易系統每次通過一定的獎勵機制安排一個網絡用戶來記錄賬本，記錄完成后會公布賬本，因為賬本傳播的方式是p2p也就點到點的方式，所以賬本是分布式賬本，如果有人像篡改賬本，那就要修改所有賬本，所以賬本具有公開透明，賬目可靠，去中心化等特點， 區塊鏈技術從本質上講，它是一個共享數據庫，存儲于其中的數據或信息，具有“不可偽造”“全程留痕”“可以追溯”“公開透明”“集體維護”等特征，區塊鏈在金融，支付等方面有非常大的前景。
二、機器學習
從實踐的角度來說，機器學習就是讓計算機利用已有的數據，通過訓練產生模型，然后利用模型來預測的一種方法。 機器學習的一個主要目的就是把人類思考歸納經驗的過程轉化為計算機通過對數據的處理計算得出模型的過程。經過計算機得出的模型能夠以近似于人的方式解決很多靈活復雜的問題。機器學習的本質是統計，他的處理過程是通過歸納思想得出的相關性結論。機器學習里面有很多經典算法，比如回歸算法，人工神經網絡，svm（支持向量機）等等，機器學習的應用領域十分廣泛例如：數據挖掘、計算機視覺、自然語言處理、語音識別等等
三、回歸算法
回歸算法是監督型算法的一種，通過數據來建立模型，再利用這個模型對數據進行處理的算法。線性回歸旨在尋找到一根線，這個線到達所有樣本點的距離的和是最小的。常用在預測和分類領域。
四、人工神經網絡
人工神經網絡就是對人腦神經網絡進行模仿，有神經元，層，網絡三個部分組成，整個人工神經網絡包含一系列基本的神經元通過權重相互連接。他由輸入層，隱藏層和輸出層組成，輸入層就是采集各種不同的特征信息，隱藏層用于分析，輸出層輸出結果。人工神經網絡模仿人的思維， 可以實現自動診斷、問題求解，解決傳統方法所不能或難以解決的問題，而目前有人工神經網絡發展而來的深度學習非常火爆。
五、支持向量機
支持向量機是一個很好的線性分類的技術，分類的策略就是讓間隔最大化，對于線性不可分的問題，它設法將輸入空間升維，以求在高維空間中問題變得線性可分或接近線性可分。
六、強化學習
強化學習是機器學習中的一個領域，強調如何基于環境而行動，以取得最大化的預期利益。它的本質是解決問題，讓計算機自動進行決策，并且可以做連續決策。它主要包含四個元素，agent（智能體），環境狀態，行動，獎勵, 強化學習的目標就是獲得最多的累計獎勵。強化學習會在沒有任何標簽的情況下，通過先嘗試做出一些行為得到一個結果，通過這個結果是對還是錯的反饋，調整之前的行為，就這樣不斷的調整，算法能夠學習到在什么樣的情況下選擇什么樣的行為可以得到最好的結果。（常用的算法就是 Q ，SARSA），應用領域像無人駕駛，自然語言處理等方面使用十分廣泛。
七、網絡空間安全
信息安全側重于技術，網絡安全側重于設施，網絡空間安全既側重技術，又側重設施，還包括了用戶以及用戶操作行為，網絡用戶所引起的輿論安全等也屬于網絡空間安全的范疇之中，網絡中的各種惡意操作。與信息安全與網絡安全相比，他們主要關注于技術層面的安全屬性，而網絡空間安全還包括了社會層面的安全屬性。
八、云計算
云計算是分布式計算的一種，指的是通過網絡將巨大的計算處理程序分成無數個小程序，通過系統進行處理和分析得到這些小程序結果再返回給用戶。云就是網絡，云計算就是一種提供資源的網絡，使用者可以按照需求量使用這種服務支持向量機 邏輯回歸，可以不斷的擴展。
九、霧計算
霧計算將數據、數據處理和應用程序集中在網絡邊緣的設備中，而不像云計算那樣將它們幾乎全部保存在云中，數據的存儲及處理更依賴本地設備。和云計算相比延遲更短。
十、深度學習
深度學習是機器學習研究中的一個新的領域，它的目的在于建立可以模擬人腦進行分析學習的神經網絡，它模仿人腦的機制來解釋數據，最終目標是讓機器能夠像人一樣具有分析學習能力，能夠識別文字、圖像和聲音等數據，是傳統人工神經網絡的發展，深度學習的系統是一個包括輸入層、隱藏層、輸出層的多層網絡，只有相鄰層節點之間有連接，而同一層以及跨層節點之間相互無連接的，是高度數據依賴型的算法，需要花大量的時間來訓練，相對于機器學習，深度學習可以自動地找出這個分類問題的所需要的重要特征。它的性能通常隨著數據量的增加而不斷增強。深度學習的經典算法如卷積神經網絡，生成對抗網絡都是典型的深度學習算法，應用領域也非常廣泛，比如計算機視覺，自動駕駛等。
十一、卷積神經網絡
卷積神經網絡主要是由卷積層，池化層，全連接層組成，卷積層就是保留圖片的特征，池化層是把數據進行特征選擇和信息過濾，全連接層就是根據不同任務輸出我們想要的結果。卷積神經網絡的價值是能夠將大數據量的圖片有效的降維成小數據量，能夠保留圖片的特征。
十二、生成對抗網絡
生成對抗網絡主要是有生成、判別和對抗三個部分組成，生成器隨機產生內容支持向量機 邏輯回歸，判別器對產生的內容進行判別，以圖片為例子的話，就是把生成器隨機產生圖片，把假圖片和真圖片給判別器識別，讓判別器學會判斷真假，判別器完成了學習，再指導生成器，比如那些特征是真圖片有的，然后生成器越來越能生成更加真實的圖片，直到判別器識別不出來真假圖片。相比較傳統的模型，生成對抗神經網絡存在兩個不同的網絡，而不是單一的網絡，并且訓練方式采用的是對抗訓練方式，一種無監督的學習方式訓練，生成對抗網絡的應用領域也非常廣泛，比圖像生成，數據增強等領域。
聲明：所有名詞的內容均為我個人理解總結，語句通俗易懂，供初學者參考了解，如有錯誤的地方還請指正，圖片刪。
