AI入门1:关键概念-CSDN博客

本文链接：https://blog.csdn.net/lizz861109/article/details/146102114

1. 基础概念

AI（Artificial Intelligence，人工智能）
模拟人类智能的机器系统，具备学习、推理、决策等能力。
Machine Learning（机器学习，ML）
让计算机通过数据自动学习规律，无需显式编程。例如：垃圾邮件分类、商品推荐。
Deep Learning（深度学习）
基于神经网络的机器学习方法，擅长处理图像、语音等复杂数据。典型应用：人脸识别、自动驾驶。
Neural Network（神经网络）
模拟人脑神经元结构的计算模型，通过多层节点提取数据特征。

2. 核心技术

Natural Language Processing（NLP，自然语言处理）
让机器理解、生成人类语言的技术。应用场景：聊天机器人、翻译系统。
Large Language Model (LLM, 大语言模型)
基于海量文本数据训练的深层神经网络模型，如 GPT、BERT 等，能够理解并生成自然语言，支持复杂对话和内容创作。
Computer Vision（CV，计算机视觉）
使机器能“看懂”图像或视频。应用：医学影像分析、安防监控。
Reinforcement Learning（强化学习）
通过试错和奖励机制训练智能体。典型例子：AlphaGo、机器人控制。
Generative Adversarial Network（GAN，生成对抗网络）
由生成器和判别器组成的对抗系统，用于生成逼真数据（如Deepfake）。
Prompt Engineering (提示词工程)
在使用大语言模型时，通过设计有效的提示语（prompt）来引导模型生成所需输出的技术，近年来成为热门技能。
Transfer Learning (迁移学习)
将一个领域学到的知识迁移到另一个相关领域，以减少数据需求和训练时间的技术方法。
Multimodal (多模态)
指 AI 系统能同时处理多种数据类型（如文字、图像、语音）的能力，提高跨领域应用的灵活性和效果。
Parameters (参数)
模型内部通过训练自动学习并调整的数值（例如神经网络中的权重和偏置）。
Hyperparameters(超参数)
在训练前需要手动设置的配置项，如学习率、网络层数等，对模型训练效果有重要影响。

3. 数据相关

Big Data（大数据）
海量、高增长、多样化的数据集合，是AI模型的训练基础。
Data Mining（数据挖掘）
从数据中提取隐藏规律的技术，常用于用户行为分析、市场预测。
Labeling（数据标注）
为数据添加标签（如标记图片中的物体），供监督学习模型训练使用。

4. 模型与算法

Supervised Learning（监督学习）
使用带标签的数据训练模型，如预测房价、疾病诊断。
Unsupervised Learning（无监督学习）
从无标签数据中发现模式，如客户分群、异常检测。
Transfer Learning（迁移学习）
将已训练模型的知识迁移到新任务，节省训练资源。例如：用ImageNet预训练模型做医学图像分类。
Transformer
基于自注意力机制的模型架构，革新了NLP领域（如GPT、BERT）。

5. 应用场景

Autonomous Driving（自动驾驶）
通过AI实现车辆自主行驶，核心技术包括传感器融合、路径规划。
Recommendation System（推荐系统）
根据用户行为推荐内容，如抖音视频推荐、电商商品推荐。
Large Language Model（大模型）
参数量巨大的预训练模型（如GPT-4），具备多任务处理能力。

6. 行业术语

AGI（Artificial General Intelligence，通用人工智能）
具备人类水平的多领域智能，尚未实现。
AIoT（人工智能物联网）
AI与物联网结合，如智能家居、工业设备预测性维护。
Edge AI（边缘AI）
在本地设备（而非云端）运行AI模型，降低延迟，保护隐私。
MaaS（Model as a Service，模型即服务）
通过API提供预训练模型，如OpenAI的GPT接口。
Agent (智能体)
能够感知环境、作出决策并采取行动的自主 AI 系统，如自动驾驶汽车中的控制模块或聊天机器人。
Expert System (专家系统)
AI 的早期形式，模拟人类专家的决策过程，用于解决特定领域问题，如医疗诊断系统等。
AIGC (AI-Generated Content, AI生成内容)
利用 AI 技术生成的各种内容（文本、图像、视频等），近年来在内容创作和营销等领域获得广泛应用。