Data on 中文AI术语词典https://terms-en.ai-term-hub.com/zh/tags/data/Recent content in Data on 中文AI术语词典Hugozh-cnSat, 18 Jul 2026 11:44:45 +0000样本复杂度https://terms-en.ai-term-hub.com/zh/terms/sample_complexity/Sat, 18 Jul 2026 11:32:54 +0000https://terms-en.ai-term-hub.com/zh/terms/sample_complexity/<h2 id="definition">Definition</h2> <p>在计算学习理论中，样本复杂度量化了有效训练模型所需的数据量。它平衡了模型容量与数据可用性之间的权衡，确保</p> <h3 id="summary">Summary</h3> <p>样本复杂度是指机器学习算法以高概率达到特定性能水平所需的训练样本数量。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>泛化误差</li> <li>训练数据规模</li> <li>收敛性</li> <li>防止过拟合</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>确定新模型的dataset需求</li> <li>比较不同学习算法的效率</li> <li>规划数据收集工作预算</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/vc%E7%BB%B4-vapnik-chervonenkis-dimension-%E8%A1%A1%E9%87%8F%E5%87%BD%E6%95%B0%E7%B1%BB%E5%A4%8D%E6%9D%82%E5%BA%A6%E7%9A%84%E6%8C%87%E6%A0%87/">VC维 (Vapnik-Chervonenkis dimension，衡量函数类复杂度的指标)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E5%81%8F%E5%B7%AE-%E6%96%B9%E5%B7%AE%E6%9D%83%E8%A1%A1-bias-variance-tradeoff-%E6%A8%A1%E5%9E%8B%E8%AF%AF%E5%B7%AE%E6%9D%A5%E6%BA%90%E7%9A%84%E5%B9%B3%E8%A1%A1/">偏差-方差权衡 (Bias-variance tradeoff，模型误差来源的平衡)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E6%B3%9B%E5%8C%96-generalization-%E6%A8%A1%E5%9E%8B%E5%AF%B9%E6%9C%AA%E8%A7%81%E6%95%B0%E6%8D%AE%E7%9A%84%E9%80%82%E5%BA%94%E8%83%BD%E5%8A%9B/">泛化 (Generalization，模型对未见数据的适应能力)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E6%95%B0%E6%8D%AE%E5%A2%9E%E5%BC%BA-data-augmentation-%E9%80%9A%E8%BF%87%E5%8F%98%E6%8D%A2%E5%A2%9E%E5%8A%A0%E8%AE%AD%E7%BB%83%E6%95%B0%E6%8D%AE%E5%A4%9A%E6%A0%B7%E6%80%A7%E7%9A%84%E6%8A%80%E6%9C%AF/">数据增强 (Data augmentation，通过变换增加训练数据多样性的技术)</a></li> </ul>知觉https://terms-en.ai-term-hub.com/zh/terms/percept/Sat, 18 Jul 2026 11:29:41 +0000https://terms-en.ai-term-hub.com/zh/terms/percept/<h2 id="definition">Definition</h2> <p>知觉是外部刺激经过感知系统处理后形成的内部表征。在人工智能中，这对应于从低级信号处理中输出的结构化数据</p> <h3 id="summary">Summary</h3> <p>由感知器处理后的感官输入所产生的心理表征或解释结果。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>表征</li> <li>解释</li> <li>语义含义</li> <li>数据抽象</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>目标检测结果</li> <li>语音识别转录文本</li> <li>医学影像诊断辅助</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/feature-vector-%E7%89%B9%E5%BE%81%E5%90%91%E9%87%8F/">Feature vector (特征向量)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/symbol-grounding-%E7%AC%A6%E5%8F%B7%E6%8E%A5%E5%9C%B0/">Symbol grounding (符号接地)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/cognitive-map-%E8%AE%A4%E7%9F%A5%E5%9C%B0%E5%9B%BE/">Cognitive map (认知地图)</a></li> </ul>标注数据https://terms-en.ai-term-hub.com/zh/terms/labeled_data/Sat, 18 Jul 2026 11:23:41 +0000https://terms-en.ai-term-hub.com/zh/terms/labeled_data/<h2 id="definition">Definition</h2> <p>标注数据由输入样本及其对应的真实标签组成，是监督机器学习的基础。它允许算法学习输入与输出之间的映射关系。</p> <h3 id="summary">Summary</h3> <p>在输入特征旁边提供正确输出或目标值的数据。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>监督学习</li> <li>真实标签</li> <li>标注</li> <li>目标变量</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>训练图像分类器</li> <li>构建语音识别系统</li> <li>金融领域的预测建模</li> </ul> <h2 id="code-example">Code Example</h2> <div class="highlight"><pre tabindex="0" style="color:#f8f8f2;background-color:#272822;-moz-tab-size:4;-o-tab-size:4;tab-size:4;"><code class="language-python" data-lang="python"><span style="display:flex;"><span><span style="color:#f92672">import</span> pandas <span style="color:#66d9ef">as</span> pd </span></span><span style="display:flex;"><span><span style="color:#75715e"># Example of loading labeled data</span> </span></span><span style="display:flex;"><span>df <span style="color:#f92672">=</span> pd<span style="color:#f92672">.</span>read_csv(<span style="color:#e6db74">&#39;train.csv&#39;</span>) </span></span><span style="display:flex;"><span>X <span style="color:#f92672">=</span> df<span style="color:#f92672">.</span>drop(<span style="color:#e6db74">&#39;label&#39;</span>, axis<span style="color:#f92672">=</span><span style="color:#ae81ff">1</span>) </span></span><span style="display:flex;"><span>y <span style="color:#f92672">=</span> df[<span style="color:#e6db74">&#39;label&#39;</span>] </span></span></code></pre></div><h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/unlabeled_data-%E6%9C%AA%E6%A0%87%E6%B3%A8%E6%95%B0%E6%8D%AE/">unlabeled_data (未标注数据)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/supervised_learning-%E7%9B%91%E7%9D%A3%E5%AD%A6%E4%B9%A0/">supervised_learning (监督学习)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/data_annotation-%E6%95%B0%E6%8D%AE%E6%A0%87%E6%B3%A8/">data_annotation (数据标注)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/training_set-%E8%AE%AD%E7%BB%83%E9%9B%86/">training_set (训练集)</a></li> </ul>知识截止期https://terms-en.ai-term-hub.com/zh/terms/knowledge_cutoff/Sat, 18 Jul 2026 11:23:05 +0000https://terms-en.ai-term-hub.com/zh/terms/knowledge_cutoff/<h2 id="definition">Definition</h2> <p>知识截止期定义了语言模型训练数据的时空边界。在此日期之后发生的任何信息、事件或发展，模型通常都不知晓。</p> <h3 id="summary">Summary</h3> <p>知识截止期是指语言模型未进行训练的具体日期，因此缺乏该日期之后发生的事件信息。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>训练数据</li> <li>时间局限性</li> <li>静态知识</li> <li>数据时效性</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>设定用户预期</li> <li>评估模型的时效性</li> <li>与搜索工具集成</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/training-data-%E8%AE%AD%E7%BB%83%E6%95%B0%E6%8D%AE/">Training Data (训练数据)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/web-search-%E7%BD%91%E9%A1%B5%E6%90%9C%E7%B4%A2/">Web Search (网页搜索)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/rag-%E6%A3%80%E7%B4%A2%E5%A2%9E%E5%BC%BA%E7%94%9F%E6%88%90/">RAG (检索增强生成)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/llm-limitations-%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B%E7%9A%84%E5%B1%80%E9%99%90%E6%80%A7/">LLM Limitations (大语言模型的局限性)</a></li> </ul>实例https://terms-en.ai-term-hub.com/zh/terms/instance/Sat, 18 Jul 2026 11:22:25 +0000https://terms-en.ai-term-hub.com/zh/terms/instance/<h2 id="definition">Definition</h2> <p>在机器学习中，实例指数据集中的一个具体示例。它由一组输入特征（属性）和潜在的目标标签组成。实例是基本单位。</p> <h3 id="summary">Summary</h3> <p>用于机器学习任务的单个数据样本或观测值，通常表示为特征向量。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>数据样本</li> <li>特征向量</li> <li>训练数据</li> <li>观测值</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>监督学习训练</li> <li>数据集划分</li> <li>异常检测示例</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E6%A0%B7%E6%9C%AC-sample/">样本 (Sample)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E4%BE%8B%E5%AD%90-example/">例子 (Example)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E7%89%B9%E5%BE%81-feature/">特征 (Feature)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E6%A0%87%E7%AD%BE-label/">标签 (Label)</a></li> </ul>实例选择https://terms-en.ai-term-hub.com/zh/terms/instance_selection/Sat, 18 Jul 2026 11:22:25 +0000https://terms-en.ai-term-hub.com/zh/terms/instance_selection/<h2 id="definition">Definition</h2> <p>实例选择旨在通过移除冗余或噪声数据点来提高计算效率和模型性能。与特征选择不同，它作用于数据集的行。其目标。</p> <h3 id="summary">Summary</h3> <p>一种预处理技术，通过选择代表性实例的子集来减小数据集的大小。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>数据缩减</li> <li>去噪</li> <li>代表性子集</li> <li>计算效率</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>大规模数据集预处理</li> <li>加速最近邻搜索</li> <li>清理不平衡数据集</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E6%95%B0%E6%8D%AE%E9%87%87%E6%A0%B7-data-sampling/">数据采样 (Data sampling)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E6%AC%A0%E9%87%87%E6%A0%B7-under-sampling/">欠采样 (Under-sampling)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E5%8E%8B%E7%BC%A9%E6%9C%80%E8%BF%91%E9%82%BB-condensed-nearest-neighbor/">压缩最近邻 (Condensed Nearest Neighbor)</a></li> </ul>特征https://terms-en.ai-term-hub.com/zh/terms/feature/Sat, 18 Jul 2026 11:17:01 +0000https://terms-en.ai-term-hub.com/zh/terms/feature/<h2 id="definition">Definition</h2> <p>在机器学习中，特征是描述数据集中某个实例的独特属性或变量。特征可以是数值型、类别型或文本型，它们构成了机器学习模型的基本输入要素。</p> <h3 id="summary">Summary</h3> <p>被观察现象的单个可测量属性或特征，作为机器学习模型的输入数据。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>输入变量</li> <li>属性</li> <li>数据集列</li> <li>机器学习输入</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>预测建模输入</li> <li>数据分析与可视化</li> <li>特征选择流程</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E7%89%B9%E5%BE%81%E5%B7%A5%E7%A8%8B/">特征工程</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E6%A0%87%E7%AD%BE/">标签</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E6%95%B0%E6%8D%AE%E9%9B%86/">数据集</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E5%8F%98%E9%87%8F/">变量</a></li> </ul>来源https://terms-en.ai-term-hub.com/zh/terms/source/Sat, 18 Jul 2026 10:54:51 +0000https://terms-en.ai-term-hub.com/zh/terms/source/<h2 id="definition">Definition</h2> <p>在AI语境中，“来源”通常指训练数据集、开源库或预训练模型权重的出处。追踪来源对于可复现性、许可合规性等至关重要。</p> <h3 id="summary">Summary</h3> <p>指在AI开发和部署中使用的数据、代码或模型的起源。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>数据溯源</li> <li>开源</li> <li>输入流</li> <li>可复现性</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>审计训练数据以检测偏见</li> <li>管理模型版本控制</li> <li>引用开源依赖项</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/dataset-%E6%95%B0%E6%8D%AE%E9%9B%86/">Dataset (数据集)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/repository-%E4%BB%93%E5%BA%93/">Repository (仓库)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/provenance-%E6%BA%AF%E6%BA%90/">Provenance (溯源)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/input-%E8%BE%93%E5%85%A5/">Input (输入)</a></li> </ul>帖子https://terms-en.ai-term-hub.com/zh/terms/post/Sat, 18 Jul 2026 10:53:51 +0000https://terms-en.ai-term-hub.com/zh/terms/post/<h2 id="definition">Definition</h2> <p>在数字通信和AI数据语境中，“帖子”指在线分享的离散内容单元。它是训练自然语言处理模型、情感分析以及理解用户交互模式的主要数据来源。</p> <h3 id="summary">Summary</h3> <p>发布的内容片段，通常位于博客、社交媒体平台或论坛上，代表用户生成的信息或评论。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>用户生成内容</li> <li>NLP数据源</li> <li>社交媒体</li> <li>情感分析</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>基于对话数据训练聊天机器人</li> <li>通过情感分析分析公众舆论</li> <li>检测社交信息流中的垃圾邮件或假新闻</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/content-%E5%86%85%E5%AE%B9/">Content (内容)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/blog-%E5%8D%9A%E5%AE%A2/">Blog (博客)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/forum-%E8%AE%BA%E5%9D%9B/">Forum (论坛)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/dataset-%E6%95%B0%E6%8D%AE%E9%9B%86/">Dataset (数据集)</a></li> </ul>流https://terms-en.ai-term-hub.com/zh/terms/flow/Sat, 18 Jul 2026 10:51:19 +0000https://terms-en.ai-term-hub.com/zh/terms/flow/<h2 id="definition">Definition</h2> <p>数据流涵盖了数据在AI系统中从摄入到最终输出的路径，包括预处理、特征提取、模型推理和后处理。高效的数据流管理对于系统性能至关重要。</p> <h3 id="summary">Summary</h3> <p>数据流描述了信息在AI处理管道的各个阶段中的移动和转换。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>管道架构</li> <li>数据移动</li> <li>处理阶段</li> <li>系统集成</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>流处理系统</li> <li>ETL管道设计</li> <li>微服务通信</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/pipeline-%E7%AE%A1%E9%81%93/">Pipeline (管道)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/data-ingestion-%E6%95%B0%E6%8D%AE%E6%91%84%E5%85%A5/">Data Ingestion (数据摄入)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/architecture-%E6%9E%B6%E6%9E%84/">Architecture (架构)</a></li> </ul>广泛的https://terms-en.ai-term-hub.com/zh/terms/extensive/Sat, 18 Jul 2026 10:51:07 +0000https://terms-en.ai-term-hub.com/zh/terms/extensive/<h2 id="definition">Definition</h2> <p>“广泛”指人工智能操作的规模和全面性，例如大规模数据集、广泛的评估套件或沉重的计算负载。广泛的数据集确保模型的泛化能力和鲁棒性。</p> <h3 id="summary">Summary</h3> <p>描述涵盖大范围、大容量或大量场景的人工智能数据集、计算或评估。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>规模</li> <li>全面性</li> <li>体量</li> <li>覆盖范围</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>在数百万张图像上进行训练</li> <li>在服务器负载上运行压力测试</li> <li>进行广泛的安全审计</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/large-scale-%E5%A4%A7%E8%A7%84%E6%A8%A1/">Large-scale (大规模)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/comprehensive-%E7%BB%BC%E5%90%88%E7%9A%84/">Comprehensive (综合的)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/dataset-%E6%95%B0%E6%8D%AE%E9%9B%86/">Dataset (数据集)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/robustness-%E9%B2%81%E6%A3%92%E6%80%A7/">Robustness (鲁棒性)</a></li> </ul>证据https://terms-en.ai-term-hub.com/zh/terms/evidence/Sat, 18 Jul 2026 10:51:07 +0000https://terms-en.ai-term-hub.com/zh/terms/evidence/<h2 id="definition">Definition</h2> <p>在人工智能领域，证据指的是实证数据、统计结果或可观察的结果，用于证实关于模型行为、准确性或有效性的主张。它作为模型评估和决策制定的基础。</p> <h3 id="summary">Summary</h3> <p>用于支持假设或验证人工智能模型性能的数据或信息。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>实证数据</li> <li>验证指标</li> <li>统计显著性</li> <li>证明</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>测试阶段的模型验证</li> <li>功能性能的A/B测试</li> <li>AI伦理领域的科学研究</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/data-%E6%95%B0%E6%8D%AE/">Data (数据)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/metrics-%E6%8C%87%E6%A0%87/">Metrics (指标)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/verification-%E9%AA%8C%E8%AF%81/">Verification (验证)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/ground-truth-%E5%9C%B0%E9%9D%A2%E7%9C%9F%E5%80%BC/">Ground Truth (地面真值)</a></li> </ul>英语https://terms-en.ai-term-hub.com/zh/terms/english/Sat, 18 Jul 2026 10:50:55 +0000https://terms-en.ai-term-hub.com/zh/terms/english/<h2 id="definition">Definition</h2> <p>虽然主要是一种人类语言，但在人工智能语境中，“英语”代表了NLP研究中最普遍的语言领域，这是因为数字文本数据的丰富性。大多数基础模型（如BERT、GPT系列）主要在英语语料库上进行预训练，这使得英语成为评估语言理解、生成和翻译性能的标准参考语言。然而，这也引发了关于数据偏见和语言多样性的讨论。</p> <h3 id="summary">Summary</h3> <p>英语是一种自然语言，作为许多自然语言处理（NLP）模型的主要基准数据集和目标输出。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>自然语言处理</li> <li>数据偏见</li> <li>迁移学习</li> <li>语言多样性</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>预训练大型语言模型</li> <li>评估机器翻译系统</li> <li>测试情感分析的准确性</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/nlp-%E8%87%AA%E7%84%B6%E8%AF%AD%E8%A8%80%E5%A4%84%E7%90%86/">NLP (自然语言处理)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/tokenization-%E5%88%86%E8%AF%8D/">Tokenization (分词)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/corpus-%E8%AF%AD%E6%96%99%E5%BA%93/">Corpus (语料库)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/multilingual-%E5%A4%9A%E8%AF%AD%E8%A8%80/">Multilingual (多语言)</a></li> </ul>