ADK.wang AI & 软件技术百科

无监督学习是一种无需人工标注标签，通过数据内在结构自动发现模式、聚类或降维的机器学习范式，是解决非结构化数据探索的核心技术。

生成对抗网络（GAN）是一种由生成器与判别器构成的博弈式深度学习框架，通过零和博弈机制驱动模型不断迭代，实现从随机噪声到高质量合成数据的复杂生成任务。

长短时记忆网络（LSTM）是一种专为解决循环神经网络中梯度消失问题而设计的特殊变体，通过引入门控机制实现长距离依赖信息的精准捕捉与高效传递。

循环神经网络（RNN）是一种专为处理序列数据设计的深度学习模型，通过内部循环连接机制将当前时刻输出反馈至下一时刻输入，从而有效捕捉数据中的时间依赖关系与动态模式。

反向传播（Backpropagation）是深度学习中用于训练神经网络的核心算法，通过链式法则高效计算损失函数对网络参数的梯度，指导模型迭代优化。

高斯混合模型是一种基于多个高斯分布加权叠加的概率生成模型，通过参数学习实现数据聚类、密度估计及异常检测，是处理非高斯分布数据的核心算法。

K-means 是一种基于迭代优化的无监督学习聚类算法，通过随机初始化质心并反复执行数据分配与质心更新，将多维数据划分为 K 个簇，旨在最小化簇内方差。

特征工程是机器学习中将原始数据转化为模型可理解的高价值输入的关键预处理过程，通过提取、构建、选择及转换特征，直接决定模型性能上限，其贡献率常占整体效果的 60%-70%。

自然语言是人类社会随文化演化而形成的非形式化符号系统，具备高度歧义性与表达灵活性，是机器学习领域构建通用人工智能与智能交互的核心数据基础。

贝叶斯优化是一种基于概率代理模型的黑箱函数全局优化策略，通过智能平衡探索与利用，高效解决高成本、无解析表达式的超参数调优问题。

在机器学习与算法领域，External Criterion（准则）指用于评估模型性能、验证算法有效性或指导超参数调优的客观量化标准与基准，是连接理论模型与真实世界应用的关键度量标尺。

马尔可夫链是一种具备“无记忆性”的离散时间随机过程，其核心特征在于系统下一时刻的状态概率分布仅由当前状态唯一决定，与历史路径无关。

深度卷积神经网络是一种专为处理网格状数据（如图像）设计的深度学习架构，通过卷积层提取局部特征并配合池化层实现降维，是计算机视觉领域的基石技术。

False Negative（假阴性）是二分类问题中模型将实际属于正类的样本错误预测为负类的情况，代表漏检错误，直接导致召回率下降。

False Positive 指在二分类问题中，模型将实际为负类的样本错误预测为正类的现象，是评估机器学习系统性能与可靠性时的核心指标之一。

真阴性（True Negative, TN）是二分类模型评估中的核心指标，指模型正确预测为负类的样本数量，用于量化模型在识别非目标对象时的准确性。

真阳性（True Positive）是二分类模型评估中的核心指标，指模型正确地将实际为正的样本预测为正，直接衡量算法在识别目标类别时的精准度与召回能力。

贝叶斯网络是一种基于有向无环图结构的概率图模型，通过条件概率分布量化变量间的依赖关系，实现从观测证据到隐藏状态的后验概率推理与因果推断。

通用语言理解是指机器能够像人类一样，跨越语言障碍进行跨模态、跨文化的深度语义理解与生成，是构建下一代通用人工智能（AGI）的核心认知能力。

人工智能研究院是由高校、政府或企业设立的专注于人工智能基础研究、核心技术攻关及产业应用转化的综合性科研机构。

参数服务器是一种专为分布式机器学习训练设计的架构模式，通过集中存储模型参数并分发梯度，有效解决了大规模数据并行训练中的通信瓶颈与内存限制问题。

质量中心是物理学中描述多质点系统质量分布的假想点，其位置由各质点质量加权平均决定，是分析系统平动惯性与受力响应的核心几何基准。

Chief Executive Officer（首席执行官）是企业的最高行政决策者与战略总负责人，在机器学习领域主要指主导 AI 技术路线规划、资源调配及伦理治理的核心领导者角色。

在机器学习与算法领域，Layer（层）指神经网络中按顺序排列的节点集合，负责特定特征提取或变换，是构建深度模型的基础结构单元。