人工智能常用英文缩写.pdf

⼈⼯智能常⽤英⽂缩写 时时刻刻保持⼀颗不断学习的⼼，要做⼀个有⼼⼈！ ⼈⼯智能⾏业涉及到的英⽂缩写颇多，现总结如下。会不断保持更新，敬请各位⼩伙伴们关注~谢谢⼤家！ 前⽅⾼能！！！ 前⽅⾼能！！！ ⼈⼯智能常⽤英⽂缩写 ⼀、科普篇： NLP：Natural Language Processing，⾃然语⾔处理； CV：Computer Vision，计算机视觉； BI：Business Intelligence，商业智能； RS：Recommender Systems，推荐系统； DS：Data Science，数据科学； KG：Knowledge Graph，知识图谱； KDD：Knowledge Discovery in Database，知识发现； ICDM：International Conference on Data Mining，国际数据挖掘⼤会； CVPR：Computer Vision and Pattern Recognition，计算机视觉与模式识别⼤会； ILSVRC：ImageNet Large Scale Visual Recongition Challenge，⼤规模图像识别⼤赛； ⼆、机器学习篇： TP：True Positive，真正类； FN：False Negative，假反类； FP：False Positive，假正类； TN：True Negative，真反类； AUC：Area Under Curve，曲线下⾯积； ROC：Receiver Operating Characteristic，受试者⼯作特征曲线； ROI：Return On Investment，投资回报⽐；Region Of Interest，感兴趣区域； MAE：Mean Absolute Error，平均绝对误差； MSE：Mean Square Error，均⽅误差； RMSE：Root Mean Square Error，均⽅根误差； MLE：Maximum Likelihood Estimation，最⼤似然估计； MAP：Maximum A Posterior Estimation，最⼤后验估计； SSR：Sum of Squares for Regression，回归平⽅和； SSE：Sum of Squares for Error，残差平⽅和； SST：Sum of Squares for Total，总偏差平⽅和（SST = SSR + SSE）； DT：Decision Tree，决策树； RF：Random Forest，随机森林； CART：Classification And Regression Tree，分类回归树算法； MDL：Minimum Description Length，最⼩描述长度； REP：Reduced Error Ouring，错误率降低剪枝； RBF：Radial Basis Function，径向基函数； PCA：Principal Component Analysis，主成分分析（⼀种常⽤的⽆监督学习⽅法，属于降维⽅法）； SVM：Support Vector Machine，⽀持向量机（⼀种⼆分类模型）； TF-IDF：Term Frequency-Inverse Document Frequency，词频-逆向⽂档频率； LFM：Latent Factor Model，隐语义模型； LSA：Latent Semantic Analysis，潜在语义分析（⼀种⽆监督学习⽅法）； PLSA：Probabilistic Latent Semantic Analysis，概率潜在语义分析模型（⼀种⽆监督学习⽅法）； LDA：Latent Dirichlet Allocation，潜在狄利克雷分配（⼀种⽂档主题⽣成模型），Linear Discriminant Analysis，线性判别分析； QDA：Quadratic Discriminant Analysis，⼆次判别分析； LE：Laplacian Eigenmaps，拉普拉斯特征映射； LLE：Locally Linear Embedding，局部线性嵌⼊； VSM：Vector Space Model，向量空间模型； KNN：K-Nearest Neighbor，K最近邻分类算法； ANN：Approximate Nearest Neighbor，近似最近邻算法； MRF：Markov Random Field，马尔可夫随机场； HMM：Hidden Markov Model，隐马尔可夫模型（⼀种⽣成模型）； EM：Expectation Maximization algorithm，期望极⼤算法，简称E 在人工智能领域，我们经常遇到各种英文缩写，这些缩写代表了不同的概念和技术。下面将对其中的关键术语进行详细解释： 1. NLP (Natural Language Processing)：自然语言处理是AI的一个子领域，专注于使计算机理解和生成人类语言，涉及文本分析、语音识别和机器翻译等。 2. CV (Computer Vision)：计算机视觉研究如何让计算机“看”并理解图像和视频，包括图像识别、目标检测和图像分割等技术。 3. BI (Business Intelligence)：商业智能是一种数据分析方法，用于收集、处理和生成有助于企业决策的信息。 4. RS (Recommender Systems)：推荐系统通过分析用户行为和偏好，为用户提供个性化的产品或服务建议。 5. DS (Data Science)：数据科学是结合统计学、计算机科学和领域知识的学科，旨在从数据中提取有价值的信息和洞察。 6. KG (Knowledge Graph)：知识图谱是一种结构化的知识表示形式，用于存储实体和实体之间的关系，帮助理解和推理信息。 7. KDD (Knowledge Discovery in Databases)：数据库中的知识发现是数据挖掘过程的一部分，旨在从大量数据中发现有用的知识。 8. ICDM (International Conference on Data Mining)：国际数据挖掘大会是一个重要的学术会议，专注于数据挖掘领域的最新研究成果。 9. CVPR (Computer Vision and Pattern Recognition)：计算机视觉与模式识别大会是计算机视觉领域的顶级会议，展示最新的技术进展。 10. ILSVRC (ImageNet Large Scale Visual Recognition Challenge)：大规模图像识别挑战赛是评估计算机视觉模型性能的基准竞赛。 在机器学习领域： 1. TP/FN/FP/TN：真阳性/假阴性/假阳性/真阴性是分类任务中的基本概念，用于评估模型的性能。 2. AUC (Area Under Curve)：曲线下面积，通常指的是ROC曲线下的面积，衡量二分类模型的性能。 3. ROC (Receiver Operating Characteristic)：受试者工作特征曲线，展示了不同阈值下真阳性率与假阳性率的关系。 4. ROI (Return On Investment)：投资回报率，衡量投资的效率。 5. MAE/MSE/RMSE：平均绝对误差、均方误差和均方根误差是评估回归模型预测效果的指标。 6. MLE/MAP：最大似然估计和最大后验估计是参数估计的方法。 7. SSR/SSE/SST：回归平方和、误差平方和和总平方和，用于评估回归模型拟合度。 8. DT/RF/CART：决策树、随机森林和分类回归树是常见的监督学习模型。 9. MDL/REP/RBF：最小描述长度、错误率降低剪枝和径向基函数分别涉及模型复杂度控制、决策树修剪和核函数选择。 10. PCA：主成分分析，用于降维和特征提取。 11. SVM (Support Vector Machine)：支持向量机，一种有效的二分类和多分类模型，尤其适用于小样本和高维数据。 12. TF-IDF：词频-逆文档频率，是文本特征表示的重要方法。 13. LFM/LDA/LSA/PLSA：隐语义模型、潜在狄利克雷分配、潜在语义分析和概率潜在语义分析，主要用于文本主题建模。 14. KNN (K-Nearest Neighbor)：K最近邻算法，基于实例的学习方法。 15. ANN (Approximate Nearest Neighbor)：近似最近邻搜索算法，用于快速查找数据集中的相似项。 16. MRF/Markov Random Field：马尔可夫随机场，常用于图像分析和计算机图形学。 17. HMM (Hidden Markov Model)：隐马尔可夫模型，用于序列数据的建模，如语音识别和生物信息学。 18. EM (Expectation Maximization)：期望最大化算法，用于估计含有隐变量的概率模型。 以上是人工智能和机器学习领域中的一些关键缩写及其含义，这些知识构成了现代AI技术的基础。随着技术的发展，新的缩写和概念不断涌现，持续学习是适应这一快速变化领域的关键。