AI名词百科：基础篇①

AI名词百科14小时前更新 FuturX-Editor

77 0 2

AI智库导航-aiguide.cc为您提供最新的AI新闻资讯和最新的AI工具推荐，在这里你可以获得用于营销的AI聊天机器人、AI在商业管理中的应用、用于数据分析的AI工具、机器学习模型、面向企业的AI解决方案、AI在商业客户服务中的应用、AI和自动化工具等。

一、核心概念

人工智能（AI）
- 解释：让机器模拟人类智能行为的技术，分为弱AI（如语音助手）和强AI（理论未实现）。
- 来源：1956年达特茅斯会议首次提出。
- 图片：AI系统架构图
机器学习（ML）
- 解释：计算机通过数据自动学习规律，无需显式编程，分为监督/无监督/强化学习。
- 来源：Arthur Samuel 1959年提出。
- 图片：机器学习流程示意图（数据→模型→预测）
深度学习（DL）
- 解释：机器学习分支，使用多层神经网络处理复杂数据（如图像、语音）。
- 来源：Geoffrey Hinton 2006年提出深度信念网络（DBN）。
- 图片：深度神经网络架构图
神经网络（Neural Network）
- 解释：模仿生物神经元结构的算法，由输入层、隐藏层、输出层组成。
- 来源：1943年McCulloch-Pitts神经元模型。
- 图片：多层感知机（MLP）结构示意图
自然语言处理（NLP）
- 解释：让计算机理解、生成人类语言，如机器翻译、情感分析。
- 来源：1950年代初期机器翻译研究。
计算机视觉（CV）
- 解释：使机器“看懂”图像和视频，如目标检测、人脸识别。
- 来源：1960年代MIT视觉研究。
强化学习（RL）
- 解释：通过“试错+奖励”机制训练机器，如AlphaGo。
- 来源：1980年代Richard Sutton等人研究。
生成式AI
- 解释：创造新内容（文本、图像），如ChatGPT、DALL-E。
- 来源：2014年Ian Goodfellow提出生成对抗网络（GAN）。
大语言模型（LLM）
- 解释：基于海量文本训练的深度学习模型，如GPT-4、Claude。
- 来源：2017年Transformer架构奠定基础。
提示工程
- 解释：设计输入指令引导AI生成准确输出，如优化ChatGPT的prompt。
- 来源：2020年OpenAI提出Few-Shot Learning。

二、算法与模型

卷积神经网络（CNN）
- 解释：专门处理图像数据，通过卷积层提取特征，如LeNet-5、AlexNet。
- 来源：1998年Yann LeCun提出LeNet-5。
循环神经网络（RNN）
- 解释：处理序列数据，如文本、语音，通过循环连接捕捉时间依赖。
- 来源：1980年代Hopfield网络。
长短时记忆网络（LSTM）
- 解释：改进RNN的梯度消失问题，通过门控机制控制信息流。
- 来源：1997年Sepp Hochreiter和Jürgen Schmidhuber提出。
Transformer
- 解释：基于自注意力机制，并行处理长序列，如BERT、GPT。
- 来源：2017年Vaswani等人论文《Attention Is All You Need》。
BERT
- 解释：双向Transformer模型，用于NLP任务，如问答、文本分类。
- 来源：2018年Google论文《BERT: Pre-training of Deep Bidirectional Transformers》。
ResNet
- 解释：残差网络，通过跳跃连接解决深层网络退化问题。
- 来源：2015年何凯明等人提出。
YOLO
- 解释：实时目标检测算法，端到端预测边界框和类别。
- 来源：2016年Joseph Redmon提出。
支持向量机（SVM）
- 解释：分类算法，寻找最优超平面分离数据，适用于小样本。
- 来源：1995年Corinna Cortes和Vladimir Vapnik提出。
随机森林
- 解释：集成学习算法，通过多棵决策树投票分类。
- 来源：1995年Leo Breiman提出。
梯度下降
- 解释：优化算法，通过最小化损失函数更新模型参数。
- 来源：19世纪末Augustin-Louis Cauchy提出。

三、工具与框架

TensorFlow
- 解释：Google开源深度学习框架，支持CPU/GPU加速。
- 来源：2015年Google发布。
PyTorch
- 解释：动态图框架，灵活易用，受研究人员青睐。
- 来源：2016年Facebook发布。
Keras
- 解释：简化深度学习开发的高级API，可运行于TensorFlow/PyTorch。
- 来源：2015年Francois Chollet开发。
Scikit-learn
- 解释：Python机器学习库，包含分类、回归等经典算法。
- 来源：2007年David Cournapeau发起。
OpenCV
- 解释：计算机视觉库，支持图像/视频处理、特征提取。
- 来源：1999年Intel开发。

四、评估与优化

准确率（Accuracy）
- 解释：分类正确样本占比，公式：(TP+TN)/(TP+TN+FP+FN)。
- 来源：统计学基础指标。
均方误差（MSE）
- 解释：回归任务中预测值与真实值差的平方均值。
- 来源：统计学损失函数。
过拟合（Overfitting）
- 解释：模型在训练数据上表现好，但泛化能力差。
- 来源：机器学习经典问题。
正则化（Regularization）
- 解释：防止过拟合，如L1/L2正则化、Dropout。
- 来源：1970年代Tikhonov提出。
反向传播（Backpropagation）
- 解释：计算梯度并更新神经网络参数的算法。
- 来源：1970年代Paul Werbos提出。

五、伦理与安全

数据偏见（Bias）
- 解释：训练数据存在不公平倾向，导致模型决策偏差。
- 来源：2016年COMPAS算法歧视事件。
对抗攻击（Adversarial Attack）
- 解释：通过微小扰动使模型误判，如FGSM攻击。
- 来源：2013年Szegedy等人研究。
可解释性AI（XAI）
- 解释：使AI决策透明化，如LIME、SHAP。
- 来源：2017年DARPA XAI计划。
隐私保护（Privacy Protection）
- 解释：防止数据泄露，如差分隐私、联邦学习。
- 来源：2006年 Cynthia Dwork提出差分隐私。
伦理准则（Ethics Guidelines）
- 解释：规范AI开发与应用，如欧盟AI法案、Asilomar AI原则。
- 来源：2017年Asilomar会议制定。