AI 产品经理核心专业术语解析
人工智能领域的快速发展要求产品经理具备扎实的技术理解能力。掌握核心术语有助于准确评估技术可行性、与算法团队高效沟通以及制定合理的产品路线图。本文整理了机器学习、深度学习、自然语言处理等十大领域的 100 个关键术语，旨在帮助从业者建立系统的知识框架。
一、机器学习与数据科学
1. 监督学习（Supervised Learning）
模型通过带标签的数据集进行训练，学习输入特征 X 与输出标签 Y 之间的关系。适用于预测和分类任务。
2. 无监督学习（Unsupervised Learning）
不使用带标签数据，模型自行发现数据中的模式或结构。常见任务包括聚类、降维和异常检测。
3. 强化学习（Reinforcement Learning）
代理通过与环境互动学习采取行动，目标是最大化累积奖励。常用于游戏、机器人控制等领域。
4. 半监督学习（Semi-Supervised Learning）
结合少量标记数据和大量未标记数据，改善模型性能，解决标注成本高的问题。
5. 迁移学习（Transfer Learning）
将一个领域的知识转移到另一个相关领域，加速学习并提高性能，通常涉及预训练模型。
6. 特征工程（Feature Engineering）
选择和构造有助于模型预测的输入变量，包括特征选择、构造和缩放，直接影响模型效果。
7. 数据预处理（Data Preprocessing）
清洗、转换和标准化数据的过程，包括去噪、填补缺失值等，是建模前的关键步骤。
8. 降维（Dimensionality Reduction）
减少特征数量同时保留重要信息，常用方法包括主成分分析（PCA）、t-SNE 等。
9. 过拟合（Overfitting）
模型对训练数据过于敏感，无法泛化到新数据。可通过正则化、早停等手段缓解。
10. 欠拟合（Underfitting）
模型过于简单，无法捕捉数据模式。解决方法包括增加模型复杂度或优化特征工程。
11. 交叉验证（Cross Validation）
评估模型性能的技术，将数据集分块多次重复训练和验证，确保结果稳健。
12. 回归分析（Regression Analysis）
预测连续值输出的统计方法，常用线性回归、多元回归等。
13. 分类（Classification）
将输入数据分配到预定义类别的任务，常用逻辑回归、支持向量机等算法。
14. 聚类（Clustering）
将数据点分组，使组内相似度高、组间相似度低，如 K 均值聚类。
15. 决策树（Decision Tree）
树形结构模型，内部节点表示属性测试，分支代表结果，叶子节点代表类别或输出。
16. 随机森林（Random Forest）
由多个决策树组成的集成模型，通过投票或平均提高准确性和鲁棒性。
17. 支持向量机（SVM）
寻找超平面最大化分类间隔的监督学习模型，适用于高维空间分类。
18. 朴素贝叶斯（Naive Bayes）
基于贝叶斯定理的分类算法，假设特征相互独立，计算效率高。
19. 逻辑回归（Logistic Regression）
用于二分类的概率统计方法，使用 Sigmoid 函数将线性组合转换为概率值。
