AI 词汇表
人工智能完整词典
卷积神经网络
专门用于处理图像和空间数据的深度学习架构。使用卷积层自动提取层次特征。
深度强化学习
将强化学习与深度神经网络相结合。使智能体能够在复杂环境中学习最优策略。
自然语言处理
人工智能领域，使机器能够理解、解释和生成人类语言。包括情感分析、翻译和文本生成。
推荐系统
根据用户的偏好和行为为用户建议相关内容的算法。广泛用于电子商务、流媒体和社交媒体。
计算机视觉
使计算机能够解释和理解图像和视频的视觉内容。应用：物体检测、面部识别、医学分析。
监督学习
一种学习方法，模型从带标签的数据中学习以进行预测。包括分类和回归。
无监督学习
无标签数据挖掘技术，用于发现隐藏结构。主要包括聚类和降维。
循环神经网络
一种为处理序列数据而设计的深度学习架构。内部内存可以捕获时间依赖关系。
Transformer和注意力架构
基于注意力机制处理序列的革命性架构。是像GPT和BERT这样的现代语言模型的基础。
迁移学习
一种重用在大数据上预训练的模型来完成特定任务的技术。极大地减少了对数据和训练时间的需求。
特征工程
为机器学习模型创建和选择最优变量的过程。直接影响算法性能的关键步骤。
交叉验证与模型评估
用于严格评估机器学习模型性能的统计技术。对于避免过拟合并确保泛化能力至关重要。
大数据与分布式计算
用于处理海量数据的基础设施和算法。使用Spark、Hadoop等框架进行并行计算。
探索性数据分析
初始分析阶段，旨在发现数据中的模式、异常和关系。结合统计方法与可视化技术。
在线学习与流式处理
针对实时连续数据的自适应学习方法。模型无需完整重新训练即可增量更新。
联邦学习
一种分布式方法，在设备上本地进行训练，无需集中数据。保护用户隐私。
人工智能的可解释性与可阐释性
一套用于理解和解释人工智能模型决策的技术。对于自主系统的信任和监管至关重要。
多智能体强化学习
强化学习的扩展，多个智能体同时学习，通常处于竞争或合作状态。应用于游戏、机器人和经济学领域。
检索增强生成（RAG）
结合文档检索与文本生成的架构。提高大型语言模型的准确性并减少幻觉。
大型语言模型
在巨大文本语料库上预训练的大规模神经网络。具备高级自然语言理解和生成能力。
Traitement du Signal et Séries Temporelles
Techniques spécialisées pour analyser des données séquentielles et temporelles. Applications en finance, IoT et prévisions météorologiques.
元学习
学会学习：模型能够发现如何快速适应新任务，仅需少量示例。也称为少样本学习。
异常检测
识别显著偏离正常的模式或观察。在安全、金融和预测性维护中至关重要。
图神经网络
一种专门处理图结构数据的深度学习架构。应用于社交网络、分子和推荐系统。
MLOps与AI工业化
适用于机器学习模型生命周期的DevOps实践。自动化部署、监控以及生产环境中AI系统的更新。
AutoML 与机器学习自动化
自动化完整机器学习模型创建流程的系统。降低了所需的专业知识，并加速了人工智能解决方案的开发。
边缘AI和嵌入式人工智能
将AI模型直接部署在终端设备上。降低延迟、保护隐私和离线运行。
人工智能伦理与算法偏见
研究人工智能系统的道德和社会影响。检测并减轻偏见，以确保公平和非歧视。
安全与隐私保护的机器学习
保护模型和数据免受对抗攻击的技术。包括同态加密和差分隐私。
Apprentissage par Renforcement Classique
Ensemble des méthodes fondamentales d'apprentissage par renforcement incluant Q-learning, SARSA, et les méthodes de programmation dynamique pour la prise de décision séquentielle.
Arbres de Décision et Méthodes d'Ensemble
Techniques basées sur les structures arborescentes comme Random Forest, Gradient Boosting, et XGBoost pour la classification et la régression robustes.
Machines à Vecteurs de Support
Algorithmes d'apprentissage supervisé utilisant des hyperplans pour la classification maximisant la marge entre les classes, avec extensions aux noyaux non-linéaires.
Modèles Génératifs Avancés
Ensemble des techniques de génération de données incluant GANs, VAEs, modèles de diffusion, et auto-encodeurs pour la création synthétique de contenu.
Intelligence Artificielle Symbolique
Approche de l'IA basée sur la manipulation de symboles et règles logiques, incluant les systèmes experts et le raisonnement déductif.
Algorithmes Évolutionnaires
Méthodes d'optimisation inspirées de l'évolution naturelle incluant algorithmes génétiques, stratégies d'évolution, et programmation génétique.
Apprentissage Semi-Supervisé
Techniques combinant données étiquetées et non étiquetées pour améliorer les performances des modèles lorsque les données étiquetées sont rares.
Apprentissage par Contraste
Paradigme d'apprentissage auto-supervisé basé sur la comparaison de paires d'exemples pour apprendre des représentations discriminatives.
Réseaux Bayésiens
Modèles graphiques probabilistes représentant les dépendances conditionnelles entre variables pour l'inférence et la prise de décision sous incertitude.
Réduction de Dimensionnalité
Ensemble des techniques (ACP, t-SNE, UMAP) pour réduire la complexité des données tout en préservant l'information pertinente.
主动学习
模型智能选择需要标注的样本，以在有限标注预算下优化学习效果的策略。
变化检测
用于识别数据分布转变并持续使模型适应新场景的技术。
自监督学习
一种范式，从未标记数据中自动生成标签，以在代理任务上预训练模型。
群体智能
受社会性昆虫群体行为启发的优化与分布式问题解决方法。
脉冲神经网络
模拟生物神经元时间通信的神经形态模型，实现更高效且生物启发式的计算。
增量学习
模型能够持续学习新数据而不会忘记先前获得的知识的能力。
模型量化
通过降低神经网络权重的精度来优化内存和计算的神经网络压缩技术。
因果学习
研究数据中因果关系以提升模型泛化能力和鲁棒性的领域。
对抗攻击与防御
研究人工智能模型对恶意扰动的脆弱性并开发保护技术。
IA Quantique
Intersection de l'informatique quantique et de l'IA exploitant les phénomènes quantiques pour accélérer les algorithmes d'apprentissage.
模仿学习
智能体通过模仿专家示范来学习的技术，不需要明确的奖励。