1、根本观点人工智能 -Artificial Intelligence（AI）：指的是使打算机系统仿照人类智能行为的科学和工程领域。
算法-Algorithms：给AI、神经网络或其他机器供应的一套规则或指令，以帮助它自己学习; 分类、聚类、推举和回归是四种最盛行的算法类型。
机器学习-Machine Learning (ML) ： AI的一个分支，侧重于让打算机通过数据学习并做出决策或预测。
深度学习 -Deep Learning (DL) ： 一种分外的机器学习技能，利用类似于人脑的神经网络构造。
神经网络- Neural Network (NN) ： 一种受人脑构造启示的打算模型，用于处理繁芜的数据模式。
智能体 - Agent ：是指能够在环境中自主地感知、推理并采纳行动以实现特定目标的系统或实体。
天生式AI- Artificial Intelligence Generated Content（AIGC） ：指的是利用人工智能技能来天生内容，这是继用户天生内容（UGC）、专业天生内容（PGC）之后的新型内容生产办法。
大模型 - Large Model ：指规模较大的机器学习模型，这些模型拥有大量的参数，能够处理和学习繁芜的数据模式，像一个超级聪明的大脑，可以学习和处理许多不同的事情。
大措辞模型-Large Language Model（LLM）：紧张是用来处理笔墨，比如，帮我们写文章或翻译措辞的模型。
提示词-Prompt：用来勾引或引发人工智能系统进行特定相应的文本输入，相称于给AI的指令。
可以是问题、‌一段笔墨描述，‌乃至是一堆参数的笔墨描述，‌AI大措辞模型会根据Prompt供应的信息天生对应的文本、‌图片、‌***等。
提示词工程-Prompt Engineering：设计和优化输入提示（prompts）的过程。
这些提示是供应给AI模型的文本指令或问题，用以勾引模型天生特定的输出或实行特定的任务。
通过精心设计的提示词，可以显著提高AI模型的相应质量和干系性，使其更准确地知足用户的需求。
Token:大模型的文本处理最小单位、也是目前大部分AI系统的计费单位。
2、模型架构卷积神经网络-Convolutional Neural Network (CNN) ： 一种深度学习架构，常用于图像识别。
循环神经网络- Recurrent Neural Network (RNN) ：一种适宜处理序列数据的神经网络。
天生对抗网络-Generative Adversarial Network (GAN)： 一种由两个网络组成的模型，一个天生器和一个鉴别器，用于天生数据。
序列到序列-Sequence to Sequence (Seq2Seq) ：一种处理序列数据转换的模型，常用于机器翻译。
3、算法与技能自然措辞处理 - Natural Language Processing (NLP) ：使打算机能够理解、阐明和天生人类措辞的AI技能。
语音识别 - Speech Recognition：将语音转换成文本的技能。
图像识别 - Image Recognition：使打算机能够识别和分类图像中的物体的技能。
强化学习 - Reinforcement Learning (RL) ： 一种让打算机通过褒奖和惩罚学习最优行为的机器学习方法。
决策树 - Decision Tree ：一种用于分类和回归任务的树形模型。
支持向量机 - Support Vector Machine (SVM) ： 一种用于分类和回归的监督学习算法。
随机森林 - Random Forest： 一种集成学习方法，构建多个决策树并将它们的预测结果结合起来。
梯度低落 - Gradient Descent： 一种优化算法，用于最小化丢失函数。
集成学习 - Ensemble Learning： 结合多个模型的预测来提高整体性能的方法。
贝叶斯网络 - Bayesian Network： 表示变量之间概率关系的图形模型。
逻辑回归 - Logistic Regression ： 用于二分类问题的统计方法，输出概率。
朴素贝叶斯 - Naive Bayes ： 基于贝叶斯定理的大略概率分类器。
决策支持系统 - Decision Support System (DSS) ： 帮助决策者通过数据剖析做出决策的系统。
遗传算法 - Genetic Algorithm： 受自然选择启示的搜索算法，用于优化和搜索问题。
模糊逻辑 - Fuzzy Logic：处理不愿定性和模糊性的逻辑系统。
知识图谱 - Knowledge Graph ： 表示实体和它们之间关系的图形构造。
语义网络 - Semantic Network ： 表示观点和它们之间关系的网络。
推举系统 - Recommendation System： 根据用户的历史行为或偏好推举项目给用户的系统。
情绪剖析 - Sentiment Analysis ： 确定文本中表达的情绪方向的技能。
语义分割 - Semantic Segmentation ：将图像分割成多个区域，并为每个区域分配语义标签。
工具检测 - Object Detection ： 在图像或***中识别和定位工具的技能。
实体识别 - Named Entity Recognition (NER) ：识别文本中的特定实体，如人名、地点等。
依存关系解析 - Dependency Parsing ： 剖析句子中单词之间的依存关系。
4、评估与优化丢失函数 - Loss Function ： 衡量模型预测与实际值差异的函数。
过拟合 - Overfitting ：模型在演习数据上表现很好，但在新数据上表现差的征象。
欠拟合 - Underfitting： 模型在演习数据上表现不敷，无法捕捉数据的基本趋势。
特色工程 - Feature Engineering ： 选择和转换数据特色以提高模型性能的过程。
5、数据处理数据洗濯 - Data Cleaning - 去除数据集中的缺点、重复或不完全的数据的过程。
特色选择 - Feature Selection - 从数据集中选择最干系的特色以提高模型性能的过程。
聚类 - Clustering - 将数据点分组，使得同一组内的数据点比其他组内的数据点更相似。
非常检测 - Anomaly Detection - 识别数据集中的非常或不屈常的模式。
6、模型演习端到端学习 - End-to-End Learning - 直接从输入到输出的模型演习方法。
迁移学习 - Transfer Learning - 将在一个任务上演习的模型运用到另一个干系任务上的方法。
微调 - Fine-tuning - 对预演习模型进行额外演习以适应新任务的过程。
超参数 - Hyperparameter - 模型演习前须要设置的参数，如学习率、迭代次数等。
批处理 - Batch Processing - 一次处理多个数据点的方法。
正则化 - Regularization - 减少过拟合的技能，如L1和L2正则化。
激活函数 - Activation Function - 在神经网络中引入非线性的函数，如ReLU、Sigmoid等。
反向传播 - Backpropagation - 一种用于演习神经网络的算法，通过梯度低落调度权重。
优化器 - Optimizer - 用于调度模型参数以最小化丢失的算法，如SGD、Adam等。
池化层 - Pooling Layer - 在卷积神经网络中用于降落特色维度的层。
数据增强 - Data Augmentation - 通过变换演习数据来增加数据多样性的技能。
天生模型 - Generative Model - 能够天生新数据实例的模型，如GAN。
判别模型 - Discriminative Model - 用于区分不同类别的数据的模型。
模型评估 - Model Evaluation - 评估模型性能的过程，利用指标如准确率、召回率等。
交叉验证 - Cross-Validation - 一种评估模型泛化能力的技能。
稠浊矩阵 - Confusion Matrix - 一个表格，用于展示分类模型的预测结果与实际标签的比拟。
精确度 - Precision - 在分类任务中，精确预测为正的样本占预测为正的样本的比例。
召回率 - Recall - 精确预测为正的样本占实际为正的样本的比例。
F1分数 - F1 Score - 精确度和召回率的调和均匀值，是评价模型性能的一个指标。
ROC曲线 - ROC Curve - 吸收者操作特色曲线，用于展示分类器在不同阈值下的性能。
AUC - Area Under the ROC Curve - ROC曲线下的面积，衡量分类器性能的指标。
主身分剖析 - Principal Component Analysis (PCA) - 一种降维技能，用于提取数据中最主要的特色。
奇异值分解 - Singular Value Decomposition (SVD) - 一种矩阵分解技能，用于降维和特色提取。
特色空间 - Feature Space - 数据表示的特色凑集构成的空间。
维度灾害 - Curse of Dimensionality - 随着特色数量的增加，数据点变得稀疏，导致模型性能低落。
7、模型支配与与运维模型支配 - Model Deployment - 将演习好的模型运用到实际环境中的过程。
API - Application Programming Interface - 运用程序接口，用于模型与运用程序之间的交互。
微做事架构 - Microservices Architecture - 一种将运用程序分解为小做事的架构，每个做事实现特定功能。
容器化 - Containerization - 将运用程序及其依赖项打包到容器中的技能，便于支配和扩展。
持续集成/持续支配 - Continuous Integration/Continuous Deployment (CI/CD) - 自动化测试和支配软件的方法。
版本掌握 - Version Control - 管理文件和目录历史记录的系统，如Git。
模型特色与伦理：模型监控 - Model Monitoring - 持续跟踪模型性能，确保其按预期事情。
模型漂移 - Model Drift - 模型性能随韶光低落的征象。
模型重新演习 - Model Retraining - 定期更新模型以适应新数据的过程。
模型可阐明性 - Model Explainability - 模型预测的可理解性，有助于理解模型决策。
黑箱模型 - Black Box Model - 难以理解其内部事情事理的模型。
白盒模型 - White Box Model - 可以完备理解其内部事情事理的模型。

以上便是七大类83个AI领域的专业术语，须要的赶紧收藏起来！