概念词汇表：M¶
本页整理拼音首字母为 M 的中文概念词条。词条正文由单词源文件 include 生成。
机器学习¶
- 含义：机器学习使用数据或经验改进模型，用于预测、分类、生成或判断，而不是手写每一条规则。
- 为什么重要：它解释了 AI 为什么从显式写规则转向基于数据的模型改进，并自然连接到泛化和评估。
- 相关概念：
模型，训练，参数 - 中心 Section：
P1-3.2 - 出现 Section：
P1-1.3,P1-2.3
映射¶
- 含义：映射把一个键或源表示连接到某个值或目标表示。
- 为什么重要：映射把字典、标签转换、ID 元数据和 token 到索引的关系统一到“对应关系”这个概念下。
- 相关概念：
字典，键，值 - 中心 Section：
P2-8.3 - 出现 Section：
P2-8.4,P2-9.1
Markdown 单元格¶
- 含义：Markdown 单元格是在笔记本中写说明文本、标题、列表、公式和解释的单元格，不执行代码。
- 为什么重要：笔记本是计算文档，不只是代码运行器。Markdown 单元格保存意图、假设和解释。
- 相关概念：
笔记本，代码单元格，输出 - 中心 Section：
P2-10.1 - 出现 Section：
P2-10.3
掩码处理¶
- 含义：掩码处理会隐藏或替换敏感信息的一部分，使记录仍可用，同时不暴露完整危险值。
- 为什么重要：日志和评审样本需要可追踪性，但原始秘密和敏感值如果直接保存，会产生新的风险。
- 相关概念：
敏感信息，机密信息，日志，安全，评审 - 中心 Section：
P1-15.3 - 出现 Section：
P1-14.5,P1-16.2
矩阵¶
- 含义：矩阵是按行和列组织的二维数字排列。
- 为什么重要：矩阵是表格数据、小批量输入、权重和许多神经网络计算背后的基本形状。
- 相关概念：
向量，矩阵乘法，shape - 中心 Section：
P2-3.1 - 出现 Section：
P2-3.3,P2-11.3
矩阵乘法¶
- 含义：矩阵乘法把一个矩阵的行和另一个矩阵的列组合起来，生成新的值或表示。
- 为什么重要：它是把输入向量和权重结合成分数、输出或新表示的核心运算。
- 相关概念：
加权和，矩阵，线性变换 - 中心 Section：
P2-3.3 - 出现 Section：
P2-11.1
平均值¶
- 含义：平均值是把多个值相加再除以数量得到的中心摘要。
- 为什么重要：许多损失和摘要使用平均值，但单个中心值可能隐藏离散程度和异常值。
- 相关概念：
分布，方差，中位数 - 中心 Section：
P2-5.2 - 出现 Section：
P2-5.3,P2-5.4,P2-6.1
均方误差，MSE¶
- 含义：均方误差会平均预测值和真实值差异的平方，对大错误给出更重惩罚。
- 为什么重要：MSE 连接损失函数和评估指标，同时说明为什么大错误会主导摘要。
- 相关概念：
误差，损失函数，平均值 - 中心 Section：
P2-6.2 - 出现 Section：
P2-2.2,P2-15.1,P5-4.2
元数据¶
- 含义：元数据是描述文档或记录的信息，例如标题、日期、来源、权限、类型或位置。
- 为什么重要：搜索和检索不只需要语义相似性；最新性、权限、来源和文档类型也影响可用性。
- 相关概念：
向量数据库，过滤，来源追踪 - 中心 Section：
P1-13.4 - 出现 Section：
P1-13.2,P1-14.1,P6-11.2,P6-12.1,P6-12.2
方法¶
- 含义：方法是附着在对象上的函数式行为，通常以
value.method()调用。 - 为什么重要：它帮助读者理解
df.head()、model.fit()、text.lower()这样的对象方法调用。 - 相关概念：
函数，值，类型 - 中心 Section：
P2-8.5 - 出现 Section：
P2-8.6,P2-12.2
评估指标¶
- 含义：评估指标是用数字概括模型表现或某类错误的标准。
- 为什么重要：模型比较取决于指标奖励或遗漏什么，因此高分必须结合指标含义来读。
- 相关概念：
评估，准确率，召回率 - 中心 Section：
P4-6.1 - 出现 Section：
P4-6.2,P4-6.3,P4-6.4,P4-8.2,P4-10.2,P4-15.3
模型¶
- 含义：模型是为某个目的构造的简化计算形式。在 AI 中，它常指把输入映射为输出的学习结构，但不是整个应用或系统。
- 为什么重要：这个区分避免把模型行为和系统设计、输入设计、评审流程或产品质量混在一起。
- 相关概念：
输入，输出，系统，应用，编排，参数 - 中心 Section：
P1-4.1 - 出现 Section：
P1-14.1
模型上下文协议，MCP¶
- 含义：模型上下文协议是一种开放协议，用共同方式把 AI 应用连接到外部工具、资源和提示。
- 为什么重要：MCP 让智能体和 AI 应用系统中的外部能力发现与调用更一致。
- 相关概念：
工具，智能体，编排，资源，服务器，客户端 - 中心 Section：
P6-15.1 - 出现 Section：
P1-14.3,P1-14.4,P1-14.5,P6-15.2
模型选择¶
- 含义：模型选择是根据问题类型、数据状态、可解释性和成本缩小候选模型范围的过程。
- 为什么重要：它避免只按算法名气选模型，并让第一次实验顺序更明确。
- 相关概念：
任务定义，基准线，评估 - 中心 Section：
P4-8.1 - 出现 Section：
P4-3.2,P4-8.2,P4-9.1,P4-9.2,P4-9.3
多头注意力¶
- 含义：多头注意力用多个 attention head 读取 token 关系，再合并结果。
- 为什么重要：许多任务需要同时处理多种关系模式，多头结构增加了捕捉这些关系的能力。
- 相关概念：
自注意力，查询-键-值，Transformer - 中心 Section：
P5-13.3 - 出现 Section：
P6-4.3
多层神经网络¶
- 含义：多层神经网络堆叠多个计算层，使中间表示可以逐步变换。
- 为什么重要：它说明深度意味着分阶段表示变换，而不只是重复计算。
- 相关概念：
感知机，隐藏层，激活函数 - 中心 Section：
P5-2.1 - 出现 Section：
P5-2.2,P5-11.1