人工智能领域包含了许多专业术语,以下是一些核心概念,对于理解AI至关重要:
-
Artificial Intelligence (AI) - 人工智能:研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的科学。
-
Machine Learning (ML) - 机器学习:AI的一个分支,使计算机能够在不进行明确编程的情况下从数据中学习并改进其执行任务的能力。
-
Deep Learning (DL) - 深度学习:一种特殊的机器学习技术,利用深层神经网络来学习数据的表示,特别适合处理复杂和高维度的数据。
-
Neural Network (NN) - 神经网络:受生物神经元结构启发的计算模型,用于识别模式和解决分类、回归等问题。
-
Natural Language Processing (NLP) - 自然语言处理:AI的一个领域,专注于让机器理解、解析和生成人类语言。
-
Computer Vision (CV) - 计算机视觉:使机器能“看”并理解图像和视频的技术,包括物体识别、场景理解等。
-
Generative Adversarial Networks (GANs) - 生成对抗网络:由两个网络组成(生成器和判别器),用于生成接近真实数据的新数据样本。
-
Reinforcement Learning (RL) - 强化学习:通过奖励或惩罚机制使代理学习如何在环境中采取行动以最大化某种累积奖励。
-
Supervised Learning - 监督学习:机器学习的一种形式,其中算法在带有标签的数据集上进行训练,以预测输出。
-
Unsupervised Learning - 无监督学习:没有标签的数据被用来发现数据中的结构或模式。
-
Semi-supervised Learning - 半监督学习:介于监督学习和无监督学习之间,使用部分标注的数据进行训练。
-
Transfer Learning - 迁移学习:将一个任务中学到的知识应用到另一个相关但不同的任务中,以减少训练时间和数据需求。
-
Feature Extraction - 特征提取:从原始数据中提取有用的特征,以便更好地进行机器学习任务。
-
Precision and Recall - 准确率和召回率:评估分类模型性能的两个重要指标,分别衡量正确预测的正例比例和所有实际正例被正确识别的比例。
-
Overfitting / Underfitting - 过拟合/欠拟合:过拟合指模型在训练数据上表现过好,以至于不能很好地泛化到未见数据;欠拟合则是模型过于简单,无法捕捉数据中的复杂模式。
这些术语仅是冰山一角,AI领域还包括众多其他概念和技术,如自动机器学习(AutoML)、联邦学习(Federated Learning)、元学习(Meta-Learning)等。