1. 机器学习（Machine Learning）:使用统计学和计算机 algorithms 从数据中学习和预测，而无需显式编程。
2. 深度学习（Deep Learning）:一种基于机器学习中的神经网络的算法。它模拟人脑，通过对大量数据进行训练，找到其中的规律。
3. 神经网络（Neural Network）:受生物神经元启发的算法结构，由连接的节点（神经元）构成，用于机器学习和深度学习。
4. 卷积神经网络（Convolutional Neural Network）:一种运用卷积操作的深度神经网络，用于图像识别、图像分类等视觉任务。
5. 递归神经网络（Recurrent Neural Network）:一种能够处理序列数据（语音、文本、视频等）的深度神经网络。
6. 长短期记忆网络（LSTM）:一种特殊的递归神经网络，可以更好地捕捉长期依赖关系，常用于语言模型和机器翻译等序列学习任务。
7. 词嵌入（Word Embedding）:单词转换成词向量的过程，用于表征词与词之间的关系。Word2vec 和 GloVe 是常用的词嵌入方法。
8. 强化学习（Reinforcement Learning）:一个软件代理通过与环境进行交互操作并获得到奖励或惩罚，学习如何做出最优决策的机器学习方法。
9. 迁移学习（Transfer Learning）:一门机器学习方法，运用源域的数据来促进目标域学习任务的表现。通常应用于深度学习领域。
10. 数据增强（Data Augmentation）:通过生成新的训练数据来扩充数据集，提高模型泛化能力。常用技术有图像翻转、随机裁剪、颜色变换等
11. 人工智能(Artificial Intelligence,AI):指通过计算机技术实现的智能行为和思维能力，包括机器学习、自然语言处理、计算机视觉等。
12. 机器人(Robot):一种能够自主执行任务的机械设备，通常用于工业生产、医疗护理等领域。
13. 自动驾驶汽车(Autonomous Vehicle,AV):一种能够自主驾驶的车辆，不需要人类干预。
14. 人工智障(Artificial Stupidity,AS):指由于设计缺陷或程序错误而导致人工智能系统做出愚蠢的行为或错误的决策。
15. 对抗性攻击(Adversarial Attack):一种针对人工智能系统的恶意攻击方式，通过故意制造对抗样本来欺骗系统。
深度学习路线
1. 学习计算机基础知识。包括数据结构与算法、操作系统、计算机网络、数据库等。这些是AI及深度学习的基石。
2. 学习数学基础。包括线性代数、概率论与数理统计、微积分等。这些数学工具在AI和深度学习中无处不在。
3. 学习机器学习基础。了解机器学习的基本概念、关键算法与模型,如线性回归、决策树、SVM、KNN、朴素贝叶斯等。这为深入深度学习打下基础。
4. 深入学习人工神经网络与深度学习。包括感知机、前馈神经网络、卷积神经网络、循环神经网络、生成对抗网络等。深度学习是AI领域最活跃和成功的分支。
5. 学习Python与深度学习框架。如TensorFlow、PyTorch、MXNet等。这些框架和库可以加速AI模型的开发与训练。
6. 学习自然语言处理。包括词袋模型、n-gram、LSTM、Transformer、BERT等。自然语言处理是AI领域最重要的方向之一。
7. 学习计算机视觉。包括卷积神经网络、目标检测、图像分类等。计算机视觉也是AI发展最成功的领域。
8. 持续关注行业前沿技术与应用。如强化学习、GAN、迁移学习等。并在实践中运用这些技术。
9. 不断实践与总结。通过实际项目去运用所学知识并不断练习和总结提高。这是成为专家的关键一步。
