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，模型训练，参数 - 中心 Section：
P1-3.2 - 出现 Section：
P1-1.3,P4-1.1,P4-index,P1-2.3,P4-1.2,P4-2.1
目标¶
- 含义: 目标是监督学习中模型需要预测的答案列或目标值。它指出当前学习任务中哪一列是“要猜的答案”。
- 为什么重要: 原始表格不会自动定义学习问题。读者需要把输入特征和目标分开，避免把答案列或过于接近答案的信息放进输入。
- 相关概念:
特征,数据集,标签,任务定义 - 核心 Section:
P1-8.1 - 出现 Section:
P2-12.3,P3-1.1,P3-1.2,P3-2.2,P3-3.2,P3-9.1,P3-9.2,P3-9.3,P3-9.9,P3-9.11,P3-9.12,P4-2.1,P4-10.1
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，张量(tensor) - 中心 Section：
P2-3.1 - 出现 Section：
P2-3.3,P2-11.3,P4-7.2
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：
P2-1.1,P2-1.2,P2-2.2,P2-5.3,P2-5.4,P2-6.1,P2-15.1,P3-5.2,P4-6.3
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,P4-10.2
密度¶
- 含义: 密度表示数据点在特征空间的某个区域里聚得有多紧。
- 为什么重要: 聚类不一定都是圆形，也不一定大小均匀。密度能解释那些寻找稠密区域、把稀疏点留在外面的聚类方法。
- 相关概念:
聚类(clustering),距离(distance),相似度(similarity) - 中心 Section:
P4-17.1 - 出现 Section:
文档检索元数据(metadata)¶
- 含义：文档检索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，用来过滤、追踪或解释检索结果。
- 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,P6-12.2,P6-13.1,P6-13.2
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：
P2-6.2,P2-15.2,P4-3.1,P4-3.2,P4-4.1,P4-5.2,P4-6.2,P4-6.3,P4-6.4,P4-8.2,P4-8.3,P4-9.3,P4-10.2,P4-15.3,P5-4.1
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：
模型输入(model input)，模型输出(model output)，参数(parameter)，任务定义(task definition) - 中心 Section：
P1-4.1 - 出现 Section：
P1-14.1，P4-1.1,P4-1.2,P4-3.1
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AI 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：
工具使用(tool use)，AI 智能体(AI agent)，权限(permission)，最小权限(least privilege) - 中心 Section：
P6-16.1 - 出现 Section：
P1-14.3,P1-14.4,P1-14.5,P6-16.2
模型输入定义(model input)¶
- 含义：模型输入定义说明模型在一次计算中实际接收哪些信息。它不是整个外部世界或全部原始数据，而是被带入当前运行的值。
- 为什么重要：模型只能使用实际给它的证据。模型输入设计决定模型能看到哪些线索、看不到哪些线索，以及预处理或特征设计如何影响性能。
- 相关概念：
模型输出(model output)，数据(data)，模型(model)，特征(feature)，任务定义(task definition) - 中心 Section：
P1-4.2 - 出现 Section：
P1-4.1,P4-index,P3-5.3,P3-5.4,P4-4.1
模型输出定义(model output)¶
- 含义: 模型输出定义说明模型应该返回什么结果。它可以是数字、类别、句子、报告或候选列表。重点是，模型输出不只是最后看到的答案，也是在定义问题时决定的结果形式。
- 为什么重要: 同一个现实问题会因为模型输出定义不同而变成完全不同的建模任务。理解模型输出，才能把分类、回归、摘要、推荐和比较报告生成区分开，并看到评价标准也会随输出定义改变。
- 相关概念:
模型输入(model input),监督学习标签(supervised learning label),模型(model),输出结构(output structure),任务定义(task definition) - 核心 Section:
P1-4.2 - 出现 Section:
P1-8.1,P4-index,P1-10.1,P1-14.1,P1-14.3,P1-14.5,P1-15.3,P4-6.2,P5-3.6
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,P4-3.1,P4-4.1,P4-5.1,P4-7.2,P4-9.1,P4-9.2,P4-9.3
模型训练¶
- 含义：模型训练是使用过去案例和损失信号来调整模型内部值或判断规则的过程。
- 为什么重要：模型训练把“经验后表现变好”这一宽泛说法，具体连接到数据、损失、参数更新等可检查的步骤。
- 相关概念：
参数，模型，泛化，推理 - 中心 Section：
P1-3.2 - 出现 Section：
P1-4.1,P1-5.1,P2-15.2,P5-6.1,P5-6.2,P5-6.3,P5-6.4,P4-2.1
模型验证¶
- 含义: 模型验证是在开发过程中用于比较设置、预处理选择或模型选项的中间评估数据或流程。
- 为什么重要: 模型验证把模型选择阶段和最终测试阶段分开。理解模型验证后，读者可以区分“用来比较选择的位置”和“用来报告最终性能的位置”。
- 相关概念:
测试,数据泄漏,泛化,评估 - 核心 Section:
P4-4.2 - 出现 Section:
P2-12.3,P4-index,P4-4.1,P4-9.2,P4-15.3,P4-3.1,P4-3.2
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
敏感信息(sensitive information)¶
- 含义：如果暴露或被误用，可能伤害个人、组织或系统的信息。
- 为什么重要：它在 prompt、日志、检索文档和生成输出中都必须谨慎处理。
- 相关概念：可结合本页相邻词条和正文中的相关 Section 一起阅读。
- 中心 Section：
P1-15.3 - 出现 Section：
P1-10.3,P1-14.2,P1-16.2
目标函数(objective function)¶
- 含义：定义优化问题中要最小化或最大化什么量的函数。
- 为什么重要：它为优化提供具体目标，并把正在优化的目标和其他评估指标分开。
- 相关概念：可结合本页相邻词条和正文中的相关 Section 一起阅读。
- 中心 Section：
P2-6.2 - 出现 Section：
P2-6.1,P2-6.3,P2-15.2
目标检测(object detection)¶
- 含义：识别图像中有哪些对象以及它们位于哪里的一种计算机视觉任务。
- 为什么重要：它说明 AI 输出可以把分类和定位结合起来，而不只是给出一个标签名。
- 相关概念：可结合本页相邻词条和正文中的相关 Section 一起阅读。
- 中心 Section：
P1-9.2 - 出现 Section：
P1-9.3,P1-10.1,P5-11.1,P6-20.2