人工智能术语

人工智能

人工智能（AI）是指在机器中模拟人类智能，通过编程使其像人类一样思考和行动。这些智能机器可以通过处理大量的数据并从中学习，被训练来执行各种任务。人工智能系统可分为两大类：狭义或广义。狭义的人工智能系统被设计用来执行特定的任务，而一般的人工智能系统则被设计用来执行人类可以完成的任何智力任务。人工智能研究的最终目标是创建能够理解、思考和智能行动的系统，其方式与人类无异。

行动空间

代理人在强化学习问题中可以采取的所有可能行动的集合。

人工神经网络

一种机器学习算法，以人脑的结构和功能为模型，由多层相互连接的 "神经元 "组成，可以处理和传输信息。

自动编码器

一种用于降维和特征学习的神经网络，由一个编码器和一个解码器组成，分别学习压缩和重建数据。

捆绑

一种机器学习组合技术，其中多个模型在训练数据的不同随机子集上进行训练，并结合起来进行预测，目的是减少模型的方差并提高其泛化能力。

大数据

可以分析和使用的大型数据集，以获得洞察力并做出明智的决策。

增量

一种机器学习组合技术，将弱的学习者组合成强的学习者，目的是提高整体预测的准确性。

聊天工具GPT

OpenAI在其GPT3.5大型语言模型的基础上建立的一个聊天机器人，用公共数据进行训练。

分类

将数据归入预定的类别或群体的过程。

聚类

根据相似性或共同特征将数据点分组的过程。

认知性计算

计算机系统的发展，可以执行通常需要类似人类智慧的任务，如学习和解决问题。

计算机视觉

计算机解释和理解世界上的视觉数据的能力，如图像和视频。

卷积神经网络

一种专门为图像和视频识别任务设计的神经网络，使用卷积层来学习和识别数据中的模式。

交叉验证

一种模型评估技术，其中训练数据被分成多个褶皱，模型在每个褶皱上被训练和评估，以获得对其泛化性能的估计。

数据挖掘

从大型数据集中提取有用的模式和知识的过程。

决策树

一种类似于流程图的树状结构，用于根据一系列二元分割做出决策。

深度梦想

谷歌开发的一种图像生成技术，使用卷积神经网络，通过放大网络的特征来生成类似梦境的图像。

深度学习

机器学习的一个子领域，涉及训练多层神经网络，使其自行学习并做出决定。

降维

在保留尽可能多的信息的同时，减少数据集中的特征或维度的数量的过程。

折扣系数

强化学习算法中对未来奖励进行折现的因素，以平衡短期和长期奖励之间的权衡。

动态编程

一种解决优化问题的方法，将其分解为较小的子问题，并将这些子问题的解决方案存储在一个表格或数组中。

集合学习

一种机器学习技术，其中多个模型被训练并结合起来进行预测，目的是为了提高模型的整体性能。

情节

在强化学习问题中，代理人在达到最终状态之前所经历的状态、行动和奖励的序列。

进化计算

一组使用自然进化原理的算法，如繁殖、变异和选择，来寻找问题的解决方案。

专家系统

利用人工智能技术来模仿人类专家在特定领域的决策能力的计算机程序。

探索-利用的权衡

强化学习中探索新行动和利用已知好行动之间的矛盾，以平衡学习和代理的奖励最大化目标。

人脸识别

根据个人的面部特征进行识别和验证的过程。

特征工程

从原始数据中选择和创建信息量大的相关特征，以用于机器学习模型的过程。

特征选择

从较大的特征集中选择最相关的特征子集用于机器学习模型的过程。

微调

一种机器学习技术，包括在一个新的数据集上调整预训练模型的超参数或参数，以优化其在特定任务中的性能。微调通常用于相关任务的预训练模型，但新任务的可用数据有限，或者目标任务与原任务略有不同。

函数近似

在强化学习问题中，当状态或行动空间过大而无法明确表示时，使用一个函数来近似值函数或策略。

模糊逻辑

数学逻辑的一种形式，允许系统的输入和输出存在不确定性和不精确性。

GAN

一种生成模型，由两个相互竞争的神经网络组成，一个是生成器，一个是鉴别器，它们分别学习生成和识别合成数据。

生成式对抗网络

一种神经网络，由两个相互竞争的网络组成，一个生成器和一个鉴别器，分别学习生成和识别合成数据。

生成式模型

一种机器学习模型，学习数据的基本分布，并能从中生成新的、合成的样本。

遗传算法

一种搜索算法，使用自然进化的原理，如繁殖、变异和选择，来寻找问题的解决方案。

GPT

由OpenAI开发的一种大型语言模型，使用转化器架构和自我监督学习来生成类似人类的文本。

启发式方法

一种解决问题的方法，包括通过试错和从过去的经验中学习找到解决方案。

超参数调整

调整机器学习模型的参数的过程，这些参数是在训练前设置的，以提高其性能。

图像注解

用相关信息对图像进行标注或注释的过程，如物体类别或边界框。

图像说明

产生图像的自然语言描述的过程。

图像分类

将图像分配到一个或多个预定义的类别或等级的过程。

图像着色

为灰度图像添加颜色的过程。

图像增强

改善图像的视觉质量的过程，如增加其对比度或去除噪音。

图像生成

使用人工智能技术创建新的、合成的图像的过程。

图像预处理

准备使用的图像的过程

图像修复

修复或恢复退化或损坏的图像的过程。

图像检索

根据视觉内容从大型数据库中搜索和检索图像的过程。

图像分割

将图像分成多个区域或片段的过程，每个区域或片段代表不同的对象或背景。

图像到图像的翻译

将图像从一个领域转换到另一个领域的过程，如将一张照片翻译成一幅画或一幅素描。

推理

使用逻辑推理从前提推导出结论的过程。

绘画

修复或填补图像中受损或缺失部分的过程。

K-均值

一种无监督的机器学习算法，用于将数据点聚类到预定数量的聚类中。

知识表示

在计算机系统中对知识进行编码和存储的方式。

语言模型

人工智能中的语言模型是一种统计模型，用于预测语言中的单词或标记序列的可能性。语言模型通常用于自然语言处理任务中，以生成连贯和适当的文本。

大型语言模型

人工智能中的大型语言模型是一种统计模型，它在一个非常大的文本数据集上进行训练，并使用机器学习技术来学习语言的模式和结构。大型语言模型通常用于语言生成、机器翻译和文本分类等任务，能够生成具有高度连贯性和流畅性的类似人类的文本。

机器学习

一种使用大量数据训练算法的方法，允许算法在没有明确编程的情况下自行学习和改进。

马尔科夫决策过程

强化学习中使用的一种数学框架，用于模拟一个代理人在连续的、不确定的环境中的决策过程。

马尔科夫属性

马尔科夫决策过程中的状态的属性，即在目前的状态下，未来是独立于过去的。

马尔科夫奖励过程

一个只有奖励部分的马尔科夫决策过程，不涉及任何决策。

模型

模型是一个问题或一个系统的表示，可以用来进行预测、决策或学习数据的模式。模型是机器学习的一个基本部分，用于执行各种任务，如分类、回归、聚类或降维。可以使用各种机器学习算法对数据集进行训练，如监督学习、无监督学习或强化学习，以学习数据中的关系和模式，并根据它们做出预测或决策。

模型部署

使机器学习模型可在生产环境中使用的过程，如将其部署到网络服务器或将其集成到一个应用程序中。

模型评估

使用准确性、精确性和召回率等指标，衡量机器学习模型在特定任务上的表现的过程。

模型选择

在一组候选模型中为给定任务选择最佳模型的过程。

蒙特卡洛方法

一种强化学习算法，使用随机抽样来估计价值函数或最优策略。

多臂匪徒

一种强化学习问题，代理人必须在一组行动中进行选择，每个行动都有一个未知的奖励分布，并通过试验和错误学习哪些行动是最有价值的。

天真贝叶斯分类器

一种机器学习算法，用于基于概率贝叶斯定理的分类任务。

自然语言处理

计算机理解、解释和生成人类语言的能力。

神经网络

一种机器学习算法，以人脑的结构和功能为模型，由多层相互连接的 "神经元 "组成，可以处理和传输信息。

归一化

将一个特征或数据集的值缩放到一个共同的范围，如[0，1]或[-1，1]的过程。

物体检测

在图像或视频中识别和定位物体的过程。

本体论

表示特定知识领域内的关系和类别的系统。

最优策略

强化学习问题中预期累积奖励最大化的策略。

最佳价值函数

与强化学习问题中的最优策略相对应的价值函数。

过度拟合

机器学习模型在训练数据上表现良好，但在新的、未见过的数据上表现不佳的情况，原因是过于复杂，与训练数据中的噪声相适应。

模式识别

识别数据中的模式或规律性的能力。

计划

确定一个行动方案以实现特定目标的过程。

策略迭代

一种强化学习算法，包括交替评估当前策略，并根据学到的价值函数对其进行改进。

预处理

准备用于机器学习模型的数据的过程，包括清洗、转换和缩放数据。

Q-learning

一种强化学习算法，学习行动价值函数，也称为Q函数，它估计了给定状态下每个行动的预期未来奖励。

推理

基于证据和逻辑论证得出结论的过程。

递归神经网络

一种专门设计用于处理连续数据的神经网络，使用反馈连接使网络记住并利用过去的信息。

回归

一种机器学习技术，用于根据一组输入特征预测一个连续的数值。

强化学习

一种机器学习，代理人通过与环境的互动和接受奖励或惩罚的行动，通过试验和错误进行学习。

从人类反馈中强化学习

一种机器学习技术，其中人工智能（AI）系统从人类用户或训练者提供的反馈或奖励中学习。

奖赏功能

在强化学习问题中，定义代理人对其行为的奖励或惩罚的函数。

机器人学

对机器人和自动化的研究和应用。

SARSA

一种强化学习算法，使用预期奖励和下一个行动的价值来学习行动价值函数，而不是像Q-learning中的最终奖励。

语义网

万维网的一个扩展，使机器能够理解网络上数据的含义。

稳定扩散 Stable Diffusion

稳定扩散是一种基于深度学习的文本到图像模型，可以根据文本描述生成高度详细的图像。

标准化

将一个特征或数据集的值转化为具有零平均值和单位方差的过程。

状态空间

强化学习问题中所有可能状态的集合。

状态转换

在强化学习问题中，根据行动和环境的过渡概率，代理人从一个状态到另一个状态的移动。

风格转移

将一幅图像的风格转移到另一幅图像，同时保留第二幅图像的内容的过程。

超分辨率

通过填补缺失的细节来提高图像或视频的分辨率的过程。

支持向量机

一种用于分类和回归任务的机器学习算法。

时差学习

一种强化学习算法，使用时差误差，即估计的和实际的未来奖励之间的差异，来更新行动值函数。

文本到图像模型

一种机器学习系统，根据自然语言描述生成图像。

训练

训练是指从数据中学习以提高模型或系统的性能的过程。训练是机器学习的一个基本部分，包括用数据集喂养一个模型，并调整其参数或权重，以优化其对特定任务的性能。

轨迹

强化学习问题中代理人所遵循的状态和行动序列。

转移学习

一种机器学习技术，在一个任务上训练的模型被微调或调整为一个相关的任务。

欠拟合

机器学习模型在训练和新的、未见过的数据上都表现不佳的情况，由于过于简单，无法捕捉到数据中的潜在模式。

价值迭代

一种强化学习算法，包括迭代改进价值函数，直到它收敛到最佳价值函数。

变量自动编码器

一种生成模型，由一个编码网络和一个解码网络组成，前者将输入数据映射为潜像，后者将潜像映射回原始数据空间。