AI 词汇集

• 神经网络(Neural Network): 由节点(模型参数)和连接(权重)组成的网络结构，用于机器学习与深度学习。

• 深度学习(Deep Learning): 使用包含多隐藏层神经网络进行表征学习的机器学习方法。

• 机器学习(Machine Learning): 使用统计学和算法从数据中学习，然后对新的数据做出预测或决策。

• 强化学习(Reinforcement Learning): 通过与环境的相互作用来学习的机器学习方法，着重在决策与控制层面。

• 监督学习(Supervised Learning): 使用带标签的数据集训练模型，然后对新数据进行预测。主要方法有分类与回归。

• 无监督学习(Unsupervised Learning): 使用未标记的数据集找到隐藏的数据模式或聚类。主要方法有聚类与降维。

• 度量学习(Metric Learning): 学习一个函数将实例映射到向量空间中，使得向量空间中的距离反映实例之间的相似度。

• 迁移学习(Transfer Learning): 利用在一个任务上学到的知识来帮助学习另一个相关任务。

• 特征工程(Feature Engineering): 从原始数据中派生出有用的特征和观测变量。这是机器学习的重要步骤。

• 计算机视觉(Computer Vision): 利用计算机识别和理解图像与视频的技术。

• 自然语言处理(NLP): 利用计算机解析、生成和理解人类语言的技术。

• 推荐系统(Recommender System): 提供个性化的项目推荐给用户。

• 结构化学习与图学习(Graph Learning): 对包含结构化数据(如图)的预测建模任务进行机器学习。

• PyTorch: 是一个GPU 加速的张量计算框架。其功能可以通过常用的 Python 库扩展，如 NumPy 和 SciPy。

• Transformers: 是 Google 于 2017 年提出的一种基于注意力机制的神经网络结构。它广泛应用于机器翻译、文本生成、语音识别等自然语言处理任务中，并取得了很好的效果。Transformers 提供了数以千计的预训练模型，支持 100 多种语言的文本分类、信息抽取、问答、摘要、翻译、文本生成。它的宗旨是让最先进的 NLP 技术人人易用。Transformers 提供了便于快速下载和使用的API，让你可以把预训练模型用在给定文本、在你的数据集上微调然后通过 model hub 与社区共享。同时，每个定义的 Python 模块均完全独立，方便修改和快速研究实验。Transformers 支持三个最热门的深度学习库： Jax, PyTorch 以及 TensorFlow — 并与之无缝整合。你可以直接使用一个框架训练你的模型然后用另一个加载和推理。

未完待续！