1. 机器学习（Machine Learning）： 使打算机能够通过数据学习并改进其性能的技能。

2. 深度学习（Deep Learning）： 一种机器学习技能，模拟人脑神经网络构造，处理大量繁芜数据。

3. 神经网络（Neural Networks）： 由人工神经元组成的网络构造，用于仿照人类大脑的处理办法。

4. 自然措辞处理（Natural Language Processing, NLP）： 使打算机能够理解、阐明和天生人类措辞的技能。

5. 打算机视觉（Computer Vision）： 使打算机能够从图像或***中识别和处理视觉信息的技能。

6. 强化学习（Reinforcement Learning）： 一种机器学习方法，通过褒奖和惩罚来演习算法做出决策。

7. 算法（Algorithm）： 用于办理特定问题的一系列打算步骤。

8. 数据挖掘（Data Mining）： 从大量数据中提取有用信息和模式的过程。

9. 预测剖析（Predictive Analytics）： 利用历史数据来预测未来事宜的方法。

10. 监督学习（Supervised Learning）： 一种机器学习方法，算法从标记的演习数据中学习。

11. 无监督学习（Unsupervised Learning）： 一种机器学习方法，算法从未标记的数据中学习。

12. 语义剖析（Semantic Analysis）： 在NLP中，理解和解释文本意义的过程。

13. 机器感知（Machine Perception）： 让机器通过传感器仿照人类的感知能力，如视觉和听觉。

14. 知识图谱（Knowledge Graph）： 构造化的知识库，用于存储实体之间的关系和属性。

15. 卷积神经网络（Convolutional Neural Networks, CNNs）： 一种深度学习网络，特殊适用于处理图像数据。

16. 循环神经网络（Recurrent Neural Networks, RNNs）： 一种神经网络，适用于处理序列数据，如韶光序列或自然措辞。

17. 天生对抗网络（Generative Adversarial Networks, GANs）： 由两个神经网络组成的系统，一个天生数据，另一个评估数据。

18. 迁移学习（Transfer Learning）： 将从一个任务学到的知识运用到另一个但干系的任务。

19. 模型泛化（Model Generalization）： 指模型对新、未见过的数据的处理能力。

20. 人工智能伦理（AI Ethics）： 研究和解决人工智能技能干系的道德和法律问题。

这些观点构成了人工智能领域的根本，覆盖了从基本理论到详细技能，再到伦理和社会影响的各个方面。