AI术语速查手册：从机器学习到深度学习，一文搞懂所有核心概念

AI术语速查手册：从机器学习到深度学习，一文搞懂所有核心概念

刚入行那会儿，我最怕的就是开会。产品经理和算法工程师讨论需求，满嘴都是“过拟合”、“梯度下降”、“Transformer”，我坐在旁边只能频频点头，假装听懂了，实际上脑子里一团浆糊。回家查资料，要么是过于学术化的论文，要么是零散的知识点，很难和手头的项目联系起来。后来我发现，理解这些术语最好的方式，不是死记硬背定义，而是把它们放到具体的开发场景里。当你用PyTorch写一个图像分类模型，被“损失函数”报错卡住时，这个概念就再也不会忘记了。

这份手册就是为你——可能是刚转型的开发者、需要与技术团队高效沟通的产品经理，或是任何对AI实践感兴趣的学习者——准备的。它不会像教科书一样按字母顺序罗列概念，而是模拟一次真实的AI项目开发流程。从数据准备、模型构建、训练调优到部署评估，你会在每个关键节点遇到那些“拦路虎”般的专业词汇。我们将结合简明的代码片段和实际场景，拆解它们到底是什么意思，以及你下一步该怎么做。准备好了吗？让我们从最基础的“原料”开始。

1. 数据准备与特征工程：模型的“食材”处理

在AI的世界里，有一句老话：垃圾进，垃圾出。你给模型喂什么数据，很大程度上决定了它能产出什么结果。因此，项目的第一步，也是最耗费精力的一步，往往不是写模型结构，而是和数据打交道。这里你会遇到几个核心家族：数据本身、特征，以及处理它们的工程方法。

首先，你得明确手头数据的“身份”。根据是否有标签，数据可以分为：

• 有标签数据：每条数据都带有明确的“答案”。例如，一张猫的图片被打上了“cat”的标签。这主要用于监督学习，目标是让模型学会从输入到输出的映射关系。
• 无标签数据：只有数据本身，没有预设的答案。比如一大堆未分类的新闻文章。这常用于无监督学习，目标是让模型自己发现数据中的内在结构或模式，比如进行聚类或降维。

拿到数据