人工智能 常见术语和概念

术语	解释
AI（人工智能）	指模拟人类智能的技术，使机器能够执行需要人类智能的任务，如学习、推理、自我修正等。
ML（机器学习）	AI 的一个分支，指让机器通过数据学习并做出预测或决策的方法，而无需明确编程。
DL（深度学习）	机器学习的一个子集，使用被称为神经网络的算法，尤其是深层神经网络，从大量数据中学习。
NLP（自然语言处理）	使计算机能够理解、解释和生成人类语言的 AI 分支。
CV（计算机视觉）	使计算机能够从图像或多维数据中理解和解释视觉信息的科学。
ANN（人工神经网络）	由相互连接的节点或神经元组成的计算系统，模拟人脑解决问题。
CNN（卷积神经网络）	一种深度学习算法，特别适用于处理具有网格结构的数据，如图像。
RNN（循环神经网络）	一种处理序列数据的神经网络，能够利用其内部状态（记忆）处理输入序列。
GAN（生成对抗网络）	由两个神经网络组成，通过相互对抗来提高生成的数据质量。
RL（强化学习）	一种让机器通过试错来学习特定任务的最佳策略的算法。
BERT（双向编码器表示从 Transformer）	一个预训练 NLP 模型，用于理解自然语言文本。
GPT（生成预训练 Transformer）	一个自然语言处理模型，专注于生成文本。
Transformer	一种深度学习模型，广泛用于处理序列数据，尤其是在 NLP 领域。
RAG（检索增强生成）	结合了检索和生成的技术，用于提升自然语言生成的准确性和相关性。
Zero-shot learning	学习模型如何在没有见过任何训练数据的情况下解决任务的能力。
Few-shot learning	指让模型仅使用极少量的训练样本来学习任务的能力。

术语	解释
LSTM（长短期记忆）	一种特殊的 RNN，能够学习长期依赖信息，常用于序列数据的处理。
GRU（门控循环单元）	LSTM 的一种变体，用于序列数据的建模，但结构更简单。
Autoencoder	一种无监督的神经网络，用于数据编码的有效表示。
Reinforcement Learning	一种机器学习方法，通过奖励和惩罚机制来训练模型。
Supervised Learning	一种机器学习任务，模型从标注数据中学习。
Unsupervised Learning	一种机器学习任务，模型从未标注数据中学习。
Semi-supervised Learning	介于监督学习和无监督学习之间，模型从部分标注的数据中学习。
Transfer Learning	将从一个任务学到的知识应用到另一个相关任务的方法。
Federated Learning	一种机器学习设置，模型在多个边缘设备上分布式训练，不共享数据。
Attention Mechanism	使模型能够在处理信息时，关注到更重要部分的技术。
Transformer	一种基于自注意力机制的模型架构，广泛用于处理序列数据。
Sequence-to-Sequence	一种模型架构，用于将一个序列转换为另一个序列，如机器翻译。
Word Embedding	将单词或短语从词汇表映射到向量的一种技术。
Entity Recognition	从文本中识别具有特定意义的实体（如人名、地点等）。
Sentiment Analysis	确定文本的情感倾向，如正面、负面或中性。
Chatbots	设计用于模拟人与人之间对话的 AI 系统。
Generative Models	能够生成新数据实例的模型，如 GAN。
Bias and Variance	机器学习模型的两种主要误差来源，偏差与方差。
Hyperparameter Tuning	选择一组最优的超参数，以提高模型的性能。
Cross-validation	一种评估模型性能的技术，通过在不同的数据子集上训练和测试模型。
Natural Language Understanding (NLU)	让计算机理解、解释和生成人类语言的过程。
Natural Language Generation (NLG)	自动生成人类语言文本的过程。
Object Detection	在图像中识别对象的位置及类别的技术。
Image Segmentation	将图像分割成多个部分或对象的过程。
Edge Computing	数据在产生源头附近处理，而不是在中心或云中处理。

术语	解释
Multi-task Learning	一种学习策略，旨在同时解决多个相关任务，共享表示以提高效率和性能。
Anomaly Detection	识别数据集中的异常或不寻常模式的过程。
Dimensionality Reduction	减少数据集中变量数量的过程，用于提高算法效率并改善性能。
Feature Engineering	创建新的输入特征或修改现有特征以提高机器学习模型性能的过程。
Ensemble Learning	结合多个模型来改善预测性能的技术，如随机森林和梯度提升。
Overfitting	一个模型在训练数据上学得太好，以至于泛化到新数据上时性能下降。
Underfitting	模型无法在训练数据上获得足够的学习，也无法捕捉数据的基本结构。
Precision and Recall	在分类任务中，精确度和召回率是衡量模型性能的重要指标。
F1 Score	精确度和召回率的调和平均数，用于衡量模型的整体性能。
Regularization	一种减少模型过拟合的技术，通过添加一个惩罚项到损失函数。
Activation Functions	在神经网络中，激活函数决定了一个节点是否应该被激活，帮助网络学习复杂的模式。
Backpropagation	一种训练人工神经网络的算法，通过计算损失函数相对于网络参数的梯度来更新权重。
Data Augmentation	通过对原始数据进行变化生成新数据的技术，以增强模型的泛化能力。
Model Deployment	将训练好的模型部署到生产环境中，以便对新数据做出预测。
Ethics in AI	讨论和指导人工智能的发展和应用，确保技术被负责任地使用的原则和标准。
Explainable AI (XAI)	提高机器学习模型的可解释性，以便人类理解模型的决策过程。
Data Imbalance	在数据集中，一些类别的样本远多于其他类别，可能影响模型性能。
Synthetic Data	通过算法生成的数据，用于训练模型，特别是在真实数据不足或难以获取的情况下。
Bias in AI	指模型在预测时系统性偏离真实值，可能由不平衡的数据或错误的模型假设引起。
Meta-learning	也称为“学习如何学习”，旨在设计模型能够快速适应新任务的技术。
Reinforcement Learning	通过与环境的交互，采取行动以最大化某种累积奖励的学习方法。
Graph Neural Networks (GNNs)	用于处理图结构数据的神经网络，如社交网络、分子结构等。
Quantum Machine Learning	结合量子计算和机器学习，以期在特定任务上提供超越传统算法的性能。
Bias-Variance Tradeoff	描述模型复杂度与泛化能力之间的关系，