【AI基础学习系列】八、机器学习常见名词汇总
（2026年最新整理版，适合入门到中级学习者）
机器学习（Machine Learning）作为AI的核心支柱，术语非常多。下面我按逻辑分类汇总了最核心、最常考、最实用的 80+ 个 关键名词（中英对照 + 通俗解释 + 2025-2026年新热词标注）。
建议：先掌握前三类（基础概念 + 学习范式 + 模型类型），再看评估 & 优化，最后看高级/前沿。
一、基础概念（必背15个）
| 序号 | 英文术语 | 中文 | 通俗解释（一句话） |
|---|---|---|---|
| 1 | Artificial Intelligence (AI) | 人工智能 | 让机器像人一样“聪明”地做事（大类） |
| 2 | Machine Learning (ML) | 机器学习 | 通过数据自动学习规律，不用写死规则（AI最重要的实现方式） |
| 3 | Deep Learning (DL) | 深度学习 | 用很多层神经网络来学习（ML的子集，靠算力吃饭） |
| 4 | Feature | 特征 | 输入数据的“有用属性”（如图片的像素、文字的词向量） |
| 5 | Label / Target / Ground Truth | 标签 / 目标值 | 我们希望模型预测的正确答案 |
| 6 | Training Set / Validation Set / Test Set | 训练集 / 验证集 / 测试集 | 学习用的 / 调参用的 / 最终考试用的 |
| 7 | Overfitting | 过拟合 | 模型把训练数据背下来了，但新数据傻眼（死记硬背型学霸） |
| 8 | Underfitting | 欠拟合 | 模型太简单，连训练数据都学不好（学渣） |
| 9 | Generalization | 泛化能力 | 模型在新数据上的表现（我们真正关心的） |
| 10 | Bias | 偏差 | 模型太简单导致的系统性错误 |
| 11 | Variance | 方差 | 模型对数据微小变化很敏感（太复杂导致） |
| 12 | Bias-Variance Tradeoff | 偏差-方差权衡 | 简单模型偏差大、方差小；复杂模型反之 |
| 13 | Hyperparameter | 超参数 | 训练前人为设定的（如学习率、层数、树深度） |
| 14 | Parameter | 参数 | 训练过程中模型自己学的（如权重、偏置） |
| 15 | Embedding | 嵌入 / 向量表示 | 把离散东西（如词、用户ID）变成连续向量（一切皆向量时代的核心） |
二、三大学习范式（最重要分类）
| 类型 | 英文 | 中文 | 数据是否有标签？ | 典型任务 | 代表算法/模型 |
|---|---|---|---|---|---|
| 监督学习 | Supervised Learning | 监督学习 | 有 | 分类、回归 | 线性回归、决策树、SVM、神经网络 |
| 无监督学习 | Unsupervised Learning | 无监督学习 | 无 | 聚类、降维、异常检测 | K-Means、PCA、DBSCAN、AutoEncoder |
| 强化学习 | Reinforcement Learning (RL) | 强化学习 | 无（有奖励） | 玩游戏、下棋、机器人控制 | Q-Learning、DQN、PPO、AlphaGo核心 |
| 自监督学习 | Self-Supervised Learning | 自监督学习 | 伪标签（自己造） | 预训练大模型 | BERT的MLM、SimCLR、MAE（2025主流） |
| 半监督学习 | Semi-Supervised Learning | 半监督学习 | 少量有 + 大量无 | 标签贵的时候用 | Pseudo-Labeling、Mean Teacher |
2026补充：现在大模型时代，自监督 + 监督微调（SFT） + RLHF 几乎成了标准 pipeline。
三、常见模型 / 算法家族（高频考点）
| 类别 | 代表模型/算法 | 核心一句话说明 | 2025-2026 热度 |
|---|---|---|---|
| 经典线性模型 | Linear Regression, Logistic Regression | 最简单、最可解释 | ★★☆ |
| 树模型 | Decision Tree, Random Forest, XGBoost, LightGBM, CatBoost | 工业界最爱，特征工程之王 | ★★★★★ |
| SVM | Support Vector Machine | 找最大间隔超平面（小数据时代很强） | ★★☆ |
| 神经网络基础 | MLP (多层感知机), CNN, RNN/LSTM/GRU | 深度学习的起点 | ★★★★☆ |
| Transformer家族 | Transformer, BERT, GPT, T5, LLaMA, Qwen, GLM | 自注意力机制，统治2020年后NLP和多模态 | ★★★★★ |
| 生成模型 | GAN, VAE, Diffusion Models (DDPM), Stable Diffusion, Sora | 从噪声生成逼真数据 | ★★★★★ |
| 推荐系统 | Collaborative Filtering, Wide&Deep, DeepFM, DIN/DIEN | 用户-物品交互建模 | ★★★★☆ |
四、评估指标（面试/论文必问）
分类任务
- Accuracy（准确率）：最直观，但不平衡数据骗人
- Precision（精确率）：预测为正的里面有多少真正
- Recall（召回率）：所有真正里面找回了多少
- F1-Score：Precision和Recall的调和平均（最常用平衡指标）
- AUC-ROC / AUC-PR：衡量排序能力（越接近1越好）
- Confusion Matrix（混淆矩阵）：直观展示每类错成啥样
回归任务
- MSE / RMSE（均方误差 / 根均方误差）
- MAE（平均绝对误差）
- R²（决定系数）：越接近1越好
生成任务（2025-2026主流）
- BLEU / ROUGE / METEOR（机器翻译/文本生成）
- FID / IS（图像生成）
- CLIP Score / ImageReward（文生图对齐度）
- Human Eval / MT-Bench（大模型主观质量）
五、训练 & 优化技巧（工程必备）
- Gradient Descent（梯度下降）及其变种：SGD, Momentum, Adam, AdamW（最常用）
- Learning Rate（学习率） & Scheduler（衰减策略）
- Batch Size（批大小）：越大越稳定但吃显存
- Early Stopping（早停）
- Dropout / Batch Normalization / Layer Normalization
- Data Augmentation（数据增强）
- Transfer Learning（迁移学习） / Fine-tuning（微调）
- Pre-training（预训练） → SFT（监督微调） → RLHF / PPO / DPO / DMPO（对齐阶段）
六、2025-2026 新热词（大模型时代必知）
- LLM（Large Language Model）大语言模型
- MoE（Mixture of Experts）专家混合
- LoRA / QLoRA（高效微调）
- RAG（Retrieval-Augmented Generation）检索增强生成
- Chain-of-Thought（CoT）思维链
- Few-shot / Zero-shot / In-context Learning
- Scaling Law（缩放定律）
- Multimodal / Vision-Language Model（VLM）
- Agent / AI Agent（智能体）
- Alignment（对齐） & Jailbreak（越狱）
这份列表覆盖了机器学习面试/论文/项目中最常出现的 80%+ 名词。建议你：
- 先把前三类背熟（基础+范式+模型）
- 每个指标都能手画公式和混淆矩阵
- 能用自己的话解释过拟合/欠拟合、Bias-Variance、Transformer为什么牛
你现在学到哪一步了？是刚入门想系统背术语，还是已经在做项目/调模型了？或者准备面试想针对某个方向（如CV、NLP、推荐、大模型）再深化？告诉我，我可以给你更针对性的扩展 + 例题。
