常用AI术语归类

基础概念

• 人工智能（Artificial Intelligence, AI）：使机器表现出类似人类智能的技术和方法。
• 机器学习（Machine Learning, ML）：让计算机通过数据自动学习和改进的技术。
• 深度学习（Deep Learning, DL）：基于多层神经网络的机器学习方法。
• 神经网络（Neural Network, NN）：模仿人脑神经元结构的计算模型。
• 数据集（Dataset）：用于训练和测试模型的数据集合。

机器学习相关术语

• 监督学习（Supervised Learning）：利用带标签数据训练模型的方法。
• 无监督学习（Unsupervised Learning）：利用无标签数据发现数据结构的方法。
• 半监督学习（Semi-supervised Learning）：结合少量有标签和大量无标签数据进行学习的方法。
• 强化学习（Reinforcement Learning, RL）：通过奖励和惩罚机制让智能体学习策略的方法。
• 特征（Feature）：用于描述数据的属性或变量。
• 标签（Label）：数据对应的目标输出或分类。

深度学习相关术语

• 卷积神经网络（Convolutional Neural Network, CNN）：常用于图像处理的神经网络结构。
• 循环神经网络（Recurrent Neural Network, RNN）：适合处理序列数据的神经网络结构。
• 生成对抗网络（Generative Adversarial Network, GAN）：由生成器和判别器组成的生成模型。
• 自注意力机制（Self-Attention Mechanism）：模型在处理序列时关注不同位置的信息机制。
• 变换器（Transformer）：基于自注意力机制的深度学习模型，广泛用于NLP。

自然语言处理（NLP）相关术语

• 自然语言处理（Natural Language Processing, NLP）：让计算机理解和处理人类语言的技术。
• 词嵌入（Word Embedding）：将词语转换为向量表示的方法。
• 分词（Tokenization）：将文本切分为词或子词的过程。
• 命名实体识别（Named Entity Recognition, NER）：识别文本中专有名词的任务。
• 文本生成（Text Generation）：自动生成自然语言文本的技术。

训练与评估相关术语

• 损失函数（Loss Function）：衡量模型预测与真实值差异的函数。
• 优化器（Optimizer）：用于调整模型参数以最小化损失函数的算法。
• 过拟合（Overfitting）：模型在训练集上表现好但在新数据上表现差的现象。
• 欠拟合（Underfitting）：模型无法很好地拟合训练数据的现象。
• 准确率（Accuracy）：预测正确的样本占总样本的比例。
• 召回率（Recall）：正确预测的正样本占所有正样本的比例。
• 精确率（Precision）：正确预测的正样本占所有预测为正样本的比例。
• F1分数（F1 Score）：精确率和召回率的调和平均数。

其他常见术语

• 大语言模型（Large Language Model, LLM）：参数量巨大的自然语言处理模型，如GPT、BERT等。
• 推理（Inference）：使用训练好的模型对新数据进行预测的过程。
• 微调（Fine-tuning）：在预训练模型基础上针对特定任务进行再训练。
• 迁移学习（Transfer Learning）：将已有模型知识应用到新任务的学习方法。
• 开源（Open Source）：源代码公开、可自由使用和修改的软件。

本文将持续补充更多AI相关术语，欢迎留言交流！