人工智能专业术语

大语言模型是在海量文本上预训练的超大规模语言模型，能完成写作、翻译、编程、问答等多种语言任务。

反向传播是训练神经网络的核心算法，通过链式法则从输出层向输入层逐层计算梯度以更新权重。

过拟合指模型在训练数据上表现过好，以致把噪声当作规律，导致在新数据上泛化能力下降。

监督学习使用带标签的训练数据学习输入到输出的映射关系，用于分类和回归任务。

机器学习是让计算机通过数据自动改进算法性能的方法，无需显式编程即可从经验中学习。

计算机视觉研究如何让计算机从图像和视频中获取信息、理解内容并做出决策。

卷积神经网络通过卷积核提取局部特征，具有平移不变性，广泛用于图像识别与处理。

强化学习是智能体通过与环境交互、根据奖励信号不断试错来学习最优策略的方法。

人工智能是研究、开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门技术科学。

深度学习是机器学习的一个分支，使用多层神经网络从大量数据中学习复杂的层次化特征表示。

生成对抗网络由生成器与判别器相互博弈训练，用于生成逼真的图像、音频等数据。

神经网络是受生物神经系统启发的计算模型，由相互连接的神经元节点组成，可逼近复杂函数。

梯度下降是一种优化算法，通过沿损失函数负梯度方向迭代更新参数来寻找最小值。

提示工程是设计、优化输入提示以引导大语言模型产出高质量结果的技术与实践。

无监督学习从不带标签的数据中发现内在结构和规律，常用于聚类与降维。

循环神经网络通过隐藏状态在时间步之间传递信息，适合处理序列数据如语音和文本。

训练集是机器学习中用于训练模型的样本数据集合，模型通过拟合这些数据来学习规律。

知识图谱以实体、属性和关系结构化地表示知识，支撑问答、推荐和推理等应用。

注意力机制让模型在处理输入时动态聚焦于最相关的部分，是 Transformer 的核心组件。

自然语言处理研究计算机理解、生成和处理人类语言的技术，涵盖分词、翻译、问答等任务。