以下是一份较为全面的AI关键字一览表：
基础概念
- 人工智能（Artificial Intelligence，AI）：通过计算机程序或机器模拟人类智能的过程，包括视觉感知、语音识别、决策制定和语言翻译等能力。
- 机器学习（Machine Learning，ML）：AI的一个分支，侧重于开发算法，让计算机系统从数据中学习并改进其性能。
- 深度学习（Deep Learning，DL）：机器学习的一个子集，使用多层神经网络来模拟人类大脑处理信息的方式。
- 神经网络（Neural Network）：受人脑结构启发的计算模型，由大量互联的节点（或“神经元”）组成。
- 通用人工智能（Artificial General Intelligence，AGI）：具有广泛认知能力的AI，能够在多个领域内执行任何智能任务，与人类智能相当。
- 狭义人工智能（Artificial Narrow Intelligence，ANI）：设计用于执行特定任务的AI系统，如语音识别或图像识别，但不具有广泛的认知能力。
数据处理与特征工程
- 数据增强（Data Augmentation）：通过技术手段改变训练数据，增加数据的多样性和量，用于提高模型的泛化能力。
- 特征工程（Feature Engineering）：从原始数据中选择、修改或创建新特征，以提高模型性能的过程。
- 特征选择（Feature Selection）：从数据集中选择对模型预测最有用的特征。
- 数据不平衡（Data Imbalance）：在数据集中，某些类的样本数量远多于其他类的样本。
- 异常检测（Anomaly Detection）：在数据中识别异常或不寻常的模式。
模型架构与训练
- 卷积神经网络（Convolutional Neural Network，CNN）：专门用于处理具有类似网格结构的数据的神经网络，常用于图像和视频识别、图像分类等领域。
- 循环神经网络（Recurrent Neural Network，RNN）：适用于序列数据的神经网络，能处理不同长度的输入序列。
- 长短期记忆网络（Long Short-Term Memory，LSTM）：一种特殊类型的RNN，擅长学习长期依赖信息。
- 生成对抗网络（Generative Adversarial Network，GAN）：通过生成器和鉴别器的对抗过程提高生成质量的模型。
- 变分自编码器（Variational Autoencoder，VAE）：通过编码和解码过程学习数据的有效表示的模型。
- Transformer：基于注意力机制，能够并行处理序列数据的模型架构。
- BERT（Bidirectional Encoder Representations from Transformers）：使用Transformer预训练的方法改善语言模型。
- GPT（Generative Pre-trained Transformer）：一个自回归模型，通过预训练和微调来生成文本。
训练优化与评估
- 反向传播（Backpropagation）：在神经网络中用来更新模型权重的算法。
- 梯度下降（Gradient Descent）：优化神经网络权重的算法，通过计算损失函数的梯度并更新权重。
- 批量标准化（Batch Normalization）：在训练过程中对每个小批量数据进行标准化，以改善网络的训练速度和性能。
- 激活函数（Activation Functions）：在神经网络中添加非线性的函数，如ReLU、Sigmoid和Tanh。
- 超参数调优（Hyperparameter Tuning）：优化过程中调整模型的参数，如学习率、层数、隐藏单元数等。
- 交叉熵损失（Cross-entropy Loss）：用于分类任务中的损失函数，测量预测与真实标签的概率分布之间的差异。
应用与行业趋势
- 自然语言处理（Natural Language Processing，NLP）：用于理解和生成人类语言的AI技术。
- 计算机视觉（Computer Vision）：用于从图像和视频中获取信息的AI技术。
- 语音识别（Speech Recognition）：将语音转换为文本的技术。
- 合成数据生成（Synthetic Data Generation）：使用算法生成非真实数据，用于训练模型。
- AI伦理（AI Ethics）：研究和确定AI技术的道德规范和实践。