AI 相关术语大全（一）

AI 相关术语大全

1. 基础术语

• AI（Artificial Intelligence，人工智能）：让机器模拟人类智能的技术。
• ML（Machine Learning，机器学习）：让机器从数据中学习模式，不依赖硬编码规则。
• DL（Deep Learning，深度学习）：基于神经网络的机器学习方法，能够学习复杂特征。
• Big Data（大数据）：用于训练 AI 模型的大规模数据集。
• Algorithm（算法）：用于训练 AI 的数学计算方法。
• NLP（Natural Language Processing，自然语言处理）：让机器理解、生成和处理人类语言的技术，包括机器翻译、语音识别、文本分析等（如 BERT、GPT）。
• CV（Computer Vision，计算机视觉）：让计算机处理、分析和理解图像或视频的技术，包括目标检测、图像分类等（如 CNN、YOLO）。
• RL（Reinforcement Learning，强化学习）：让智能体通过试错学习最优策略的 AI 方法，应用于机器人、游戏 AI、自动驾驶等（如 Q-learning、PPO）。

---

2. 机器学习（ML）

• Supervised Learning（监督学习）：训练数据带有标签，如分类、回归任务。
• Unsupervised Learning（无监督学习）：训练数据无标签，如聚类、降维任务。
• Semi-supervised Learning（半监督学习）：部分数据带标签，部分无标签。
• Reinforcement Learning（强化学习，RL）：智能体通过试错学习最佳策略。
• Feature Engineering（特征工程）：选择和转换数据特征以提高模型表现。
• Overfitting（过拟合）：模型在训练集表现好，但泛化能力差。
• Underfitting（欠拟合）：模型过于简单，无法学习数据中的模式。
• Cross-validation（交叉验证）：用于评估模型性能的技术。

---

3. 深度学习（DL）

• Neural Network（神经网络）：模拟人脑神经元的计算架构。
• CNN（Convolutional Neural Network，卷积神经网络）：擅长处理图像任务的网络结构。
• RNN（Recurrent Neural Network，循环神经网络）：适用于序列数据（如文本、语音）。
• LSTM（Long Short-Term Memory，长短时记忆网络）：一种改进的 RNN，能长期记忆。
• Transformer（变换器）：NLP 领域的主流架构，GPT、BERT 等模型的基础。
• GAN（Generative Adversarial Network，对抗生成网络）：生成数据（如 Deepfake）。

---

4. 自然语言处理（NLP）

• Tokenization（分词）：把文本拆分成最小的词或子词单元。
• Embedding（嵌入）：将文本转换成向量（如 Word2Vec、BERT embedding）。
• Attention（注意力机制）：让模型关注重要的输入部分（Transformer 关键技术）。
• NER（Named Entity Recognition，命名实体识别）：识别文本中的专有名词，如人名、地点。
• Sentiment Analysis（情感分析）：判断文本的情绪倾向（积极/消极）。
• Text Generation（文本生成）：如 GPT 生成文章。

---

5. 计算机视觉（CV）

• Object Detection（目标检测）：检测图像中的物体及其位置。
• Segmentation（图像分割）：像素级分类，如语义分割、实例分割。
• OCR（Optical Character Recognition，光学字符识别）：从图像中提取文字。
• GANs（生成对抗网络）：用于图像生成（如 AI 绘画）。
• Style Transfer（风格迁移）：把一张图片的风格应用到另一张图片上。

---

6. 强化学习（RL）

• Agent（智能体）：在环境中学习和行动的实体。
• Environment（环境）：智能体与之交互的世界。
• Reward（奖励）：智能体根据行动获得的反馈。
• Policy（策略）：智能体决定行动的规则。
• Q-Learning：一种无模型强化学习方法。
• Deep Q-Network（DQN）：结合深度学习的 Q-Learning 方法。

---

7. 其他

• Bias（偏差）：模型预测与真实值之间的系统性误差。
• Variance（方差）：模型对数据变化的敏感程度，高方差可能导致过拟合。
• Gradient Descent（梯度下降）：用于优化模型的算法。
• Backpropagation（反向传播）：神经网络训练时的核心方法。
• Epoch（训练轮数）：模型遍历数据集的次数。
• Batch Size（批量大小）：每次训练时处理的数据量。
• Fine-tuning（微调）：在预训练模型的基础上优化特定任务。