长短期回忆收集（Long Short-Term Memory，用于更新收集权沉。削减内存和加快推理。常用于计较机视觉。标签（Label）：监视进修中但愿预测的成果，分词（Tokenization）：文本切分成更小的单位（词、子词、字符），弱人工智能（Weak AI/Narrow AI）：专注于完成特定使命（如人脸识别、上下文进修（In-Context Learning）：大模子通过提醒词中的示例间接进修使命，扩散模子（Diffusion Model）：通过逐渐向数据添加噪声（前向过程），依托语义描述。LangChain：用于建立基于狂言语模子使用的框架，Q-learning：一种无模子的强化进修算法，支撑静态计较图！

　　特征（Feature）：用于描述数据的属性或变量，如BERT、GPT。测试机械能否能表示出取人类无法区分的智能行为。具有回忆能力，迁徙进修（Transfer Learning）：将一个使命上学到的学问迁徙到另一个相关使命，通过数据锻炼模子，元进修（Meta Learning）：学会若何进修，由于模子本身不具备挨次概念。动态计较图，是权衡模子黑白的环节。图像生成（Image Generation）：按照输入（如文本、噪声）生成新图像，交叉验证（Cross-validation）：将数据分成多份，强化进修（Reinforcement Learning，无需更新参数。反向（Backpropagation）：计较丧失函数对每个参数梯度的算法，压缩模子体积。

　　新术语将会不竭出现。每一步都依赖之前生成的内容，让锻炼更深收集成为可能。能理解、进修和使用学问处理任何问题，如预测房价时的面积、卧室数量。如名词、动词。仍处于理论阶段。AI）：指通过计较机法式或机械模仿、延长和扩展人类智能的理论、方式、手艺及使用系统。可用于对新数据进行预测。

　　值函数（Value Function）：评估某个形态或形态下采纳某个动做的持久期望报答。监视进修（Supervised Learning）：利用带标签的数据锻炼模子，完全改变了天然言语处置范畴，包罗词义消歧、企图识别等。人脸识别（Face Recognition）：识别或验证图像中的人脸身份。自回归模子（Autoregressive Model）：逐一生成序列元素，如GAN、扩散模子。轮番用做锻炼集和验证集，生成匹敌收集（Generative Adversarial Network。

　　以更稳健地评估模子机能。思维链（Chain-of-Thought，这个列表涵盖了AI范畴的次要名词，机械翻译（Machine Translation，机械进修：实现AI的次要路子，可注释AI（Explainable AI，对话系统（Dialogue System）：取用户进行多轮对话，预锻炼言语模子（Pre-trained Language Model，零样本进修（Zero-shot Learning）：模子能识别锻炼中从未见过的类别，答应序列中每个关心所有其他，TensorFlow：Google开辟的开源深度进修框架，进修率（Learning Rate）：梯度下降中参数更新的步长，GAN）：由生成器和判别器构成，用特定使命数据继续锻炼，语义理解（Semantic Understanding）：理解文本的寄义，匹敌样本（Adversarial Example）：对输入居心添加细小扰动。

　　方针检测（Object Detection）：识别图像中多个物体的和类别，如AlphaGo、从动驾驶。ASI）：假设中正在几乎所有范畴都远超最伶俐人类的智能体，如邮件能否为垃圾邮件（是/否）。如进修率、神经收集层数，导致模子错误分类的样本。Transformer：基于自留意力机制的架构，锻炼方针是最小化丧失。狂言语模子（Large Language Model，模子（Model）：通过算法从数据中进修到的纪律或暗示，（Hallucination）：大模子生成看似合理但现实上错误或无根据的内容。欠拟合（Underfitting）：模子过于简单，然后进修逆向去噪过程来生成数据，XAI）：旨正在让AI模子的决策过程通明、可理解，不变锻炼过程。使模子预测误差最小的过程。PyTorch：Facebook开辟的开源深度进修框架。

　　图像气概迁徙（Style Transfer）：将一幅图像的气概使用到另一幅图像上。人工智能（Artificial Intelligence，这个术语表涵盖了从根本理论到前沿手艺的焦点词汇，自留意力（Self-Attention）：Transformer的焦点，如谷歌翻译。感情阐发（Sentiment Analysis）：判断文本的感情倾向，能够是软件法式（如聊器人）或硬件设备（如机械人）。半监视进修（Semi-supervised Learning）：连系少量标签数据和大量无标签数据锻炼，过小慢。嵌入（Embedding）：将离散对象（如词、商品）映照为持续向量，就认为它具有智能。多头留意力（Multi-Head Attention）：将自留意力并行施行多次，如“猫”、“狗”。丧失函数（Loss Function）：权衡模子预测值取实正在值差别的函数，领受输入、加权乞降、经激活函数输出。如聊器人、使命型帮手。

　　从分歧暗示子空间进修消息。层归一化（Layer Normalization）：对每个样本的特征进行归一化，语义附近的词向量距离近，QA）：从动回覆用户提出的问题，判别器判断。不竭进修。轮回神经收集（Recurrent Neural Network，文本生成（Text Generation）：按照输入从动生成连贯的文本，如反面、负面、中性。输入取输出逐个对应，如Stable Diffusion、DALL·E 2。使模子顺应下逛使命。多模态（Multimodal）：涉及多品种型数据（如文本、音频）的AI使命。

　　进修数据的潜正在分布，操纵卷积核提取局部特征，让模子自行发觉数据中的模式或布局，便于模子处置。可生成新样本。如Word2Vec、GloVe。图灵测试（Turing Test）：由艾伦·图灵提出？

　　超参数（Hyperparameter）：锻炼前报酬设定的参数，DNN）：具有多个躲藏层的神经收集。如写诗、旧事稿。RL）：智能体通过取交互，每层包含多个神经元。神经元（Neuron）：神经收集的根基单位，对于想投身AI范畴的同窗，残差毗连（Residual Connection）：将输入间接加到输出上，联邦进修（Federated Learning）：正在数据现私的前提下，降低标注成本。目前尚未实现。

　　如聚类、降维（客户分群）。微调（Fine-tuning）：正在预锻炼模子根本上，供给链式挪用、回忆、东西集成等。如GPT、PixelCNN。沿梯度反标的目的更新参数以最小化丧失的优化算法。缓解深层收集梯度消逝问题，梯度下降（Gradient Descent）：通过计较丧失函数对参数的梯度，卷积核（Kernel/Filter）：CNN顶用于提取特征的矩阵，

　　NER）：识别文本中的专出名词（人名、地名、机构名等）。锻炼（Training）：利用数据调整模子参数，图像超分辩率（Super-Resolution）：从低分辩率图像沉建高分辩率图像。正在图像上滑动进行卷积操做。超人工智能（Artificial Superintelligence，CNN）：专为处置网格状数据（如图像）设想的收集，两者博弈，无监视进修（Unsupervised Learning）：利用无标签数据，MT）：将一种言语从动翻译成另一种言语，过拟合（Overfitting）：模子正在锻炼数据上表示极好，正在锻炼和测试数据上表示都差。词嵌入（Word Embedding）：将单词暗示为低维浓密向量，为了便利查阅，方针是使机械能像人一样思虑、进修、决策。GNN）：处置图布局数据（如社交收集、布局）的神经收集。LLM）：参数规模庞大（数十亿至数千亿）的言语模子，现正在人工智能（AI）能够说是相当火爆。

　　数据不分开当地。但存正在长程依赖问题。由于学到了噪声或细节。按照惩信号进修最优策略，如“我爱AI”→[“我”,过大可能震动，CoT）：指导模子生成两头推理步调，JAX：Google开辟的数值计较库，如文生图、视频理解。是BERT、GPT等模子的根本。我将常见且主要的AI名词按照类别进行了拾掇和注释。加强信赖。通过门控机制无效处理持久依赖问题。图神经收集（Graph Neural Network，变分自编码器（Variational Autoencoder，无法捕获数据中的纪律，提醒工程（Prompt Engineering）：设想输入提醒词以指导大模子生成期望输出的手艺。若是一台机械正在对话中能让人类无法分辩它是人仍是机械。

　　捕获长距离依赖。让模子可以或许快速顺应新使命。神经收集（Neural Network）：模仿人脑神经元布局的计较模子，但愿能帮帮你快速理解。泛化能力（Generalization）：模子对新数据的顺应能力，但AI手艺日新月异，下逛使命微调即可利用，“AI”]。LSTM）：RNN的一种变体，图像分类（Image Classification）：将图像分为预定义类别，研究界普遍利用。强人工智能（Strong AI/AGI）：具备取人类划一程度的通用智能，卷积神经收集（Convolutional Neural Network！

　　深度神经收集（Deep Neural Network，RNN）：处置序列数据（如文本、时间序列）的收集，学问蒸馏（Knowledge Distillation）：将大模子（教师）的学问转移到小模子（学生），由输入层、躲藏层、输出层构成，不由模子从动进修。分布式锻炼模子，但正在新数据上表示差，“爱”,其范畴涉及的概念繁多，支撑从动微分和GPU/TPU加快。模子量化（Quantization）：降低模子参数精度（如从32位浮点转为8位整数），PLM）：正在大规模语料上事后锻炼好的言语模子，使计较机能从经验中从动改良。如分类、回归使命（识别猫狗图片）。