概念词汇表：Z¶
本页整理拼音首字母为 Z 的中文概念词条。词条正文由单词源文件 include 生成。
中心点¶
- 含义: 中心点是聚类的代表性中心位置，通常由分配到该聚类的点的平均位置计算出来。
- 为什么重要: 中心点是方便的摘要，但不能代表组内每一个样本。理解这个概念，才能在阅读中心型聚类结果时同时注意真实数据的分散程度和形状。
- 相关概念:
聚类簇(cluster),聚类(clustering),距离(distance) - 中心 Section:
P4-17.1 - 出现 Section:
资料许可(license)¶
- 含义：资料许可是在 AI 书籍和学习资料中，说明作品、代码、数据、图片等资料可以按什么条件使用的许可条件。公开可见和可以自由使用不是同一件事；复制、修改、分发、商业使用、署名要求可能各不相同。
- 为什么重要：制作 AI 书籍时，如果要直接使用或改写外部资料，就必须确认使用条件。理解许可，才能避免把“在网上能看到”“标了出处”“可以使用”混成同一句话。
- 相关概念：
版权(copyright),引用(quotation),训练数据(training data) - 核心 Section:
P1-15.2 - 出现 Section:
P6-21.1
专家系统¶
- 含义: 专家系统是把某个领域专家的判断写成规则和知识库，并用这些规则给出结论或建议的规则型 AI 系统。
- 为什么重要: 专家系统展示了规则型 AI 的力量和限制。它在范围清楚的领域中可以给出可解释的建议，但专家知识的输入、维护和例外处理成本很高。
- 相关概念:
规则式系统(rule-based system),知识库(knowledge base),知识表示(knowledge representation),推理引擎(inference engine) - 核心 Section:
P1-3.1 - 出现 Section:
P1-2.1,P1-2.2
最大似然估计(maximum likelihood estimation, MLE)¶
- 含义：maximum likelihood estimation 是选择一组参数，让观察到的数据在当前 model 下尽可能显得合理的估计方式。在 logistic regression 中，可以先读成选择能给正确 class 更高 probability 的参数。
- 为什么重要：它让 classification training 不只看
猜对了多少个 label，还会看给正确答案分配了多高的 probability。理解 MLE 后，也能把最大化 log-likelihood 和最小化 log loss 读成同一个学习目标的两个方向。 - 相关概念：
逻辑回归(logistic regression),对数损失(log loss),似然(likelihood) - 中心 Section：
P4-11.3 - 出现 Section：
P4-11.4
智能体状态(state)¶
- 含义: 智能体状态是对当前情况的表示，里面包含下一步行动选择所需要的信息。在强化学习里，它表示环境此刻的情况；在 AI 智能体执行语境里，也可以表示目前已经读到的资料、运行结果和中间判断。
- 为什么重要: 搜索、强化学习和 AI agent 执行都会根据当前状态选择下一步。这个概念能帮助读者区分
一次输入直接变成一次输出的问题，和随着中间情况不断更新而连续行动的问题。 - 相关概念:
行动(action),强化学习环境(reinforcement learning environment),强化学习策略(reinforcement learning policy),观察(observation) - 首次说明于:
P1-7.1 - 出现 Section:
P1-8.3,P1-14.3,P1-14.4,P1-14.5,P5-12.1,P5-12.2,P7-6.1,P7-6.2,P4-2.3
支持向量机(SVM, support vector machine)¶
- 含义：SVM 是一种分类模型，它寻找能分开不同类别的决策边界，并尽量让这个边界到最近样本的间隔更大。遇到非线性问题时，可以通过 kernel 改变特征空间，再在新的空间里读取边界。
- 为什么重要：SVM 让读者把
决策边界、间隔、kernel放在一起理解。初学者不应只把它当作一个要背的算法名，而应把它看成一种追问分类边界是否稳定的方式。 - 相关概念：
决策边界,间隔(margin),kernel,特征空间 - 中心 Section：
P4-13.1 - 出现 Section：
P4-13.2
支持证据¶
- 含义: 支持证据是支持、削弱或细化当前主张或判断的信息。
- 为什么重要: 理解它有助于把相近概念、执行边界和失败原因区分开。
- 相关概念:
不确定性(uncertainty),概率(probability),概率推理(probabilistic reasoning),出处追踪(provenance),人工监督(human oversight) - 核心 Section:
P1-12.3 - 出现 Section:
P1-6.2,P1-10.3,P7-5.1,P7-5.3
真实目标(true objective)¶
- 含义: true objective 是 reward、metric 或 proxy 想要代替表达的真实目标。在强化学习应用里，它可能是 clicks、speed 这类容易数字化指标背后的长期满意、安全或稳定性。
- 为什么重要: 如果 reward 数字和 true objective 不同，系统可能提高容易测量的数字，却伤害真正目标。这个概念是检查 reward design 和 reward hacking 的基准。
- 相关概念:
奖励设计(reward design),代理目标(proxy target),奖励黑客(reward hacking),目标函数(objective function) - 核心 Section:
P4-19.3 - 出现 Section:
张量¶
- 含义: 张量是包含标量、向量、矩阵在内的多维数字数组，是深度学习用来存放输入、中间表示和输出的通用计算单位。
- 为什么重要: 图像、文本、音频和表格数据表面上很不一样，但在学习框架里通常都会变成 tensor 来计算。理解 tensor，才能按 shape 和轴来阅读模型输入、batch、隐藏表示和输出。
- 相关概念:
标量(scalar),向量(vector),矩阵(matrix) - 核心 Section:
P5-9.2 - 出现 Section:
P2-1.1,P2-1.2,P5-9.1,P5-10.1,P5-summary
self-attention¶
- 含义: self-attention 是让同一序列中的每个 token 根据其他 token 重新更新自己表示的 attention 机制。
- 为什么重要: self-attention 让模型在一个序列内部直接比较 token 之间的关系，而不必只依赖一步一步传递的隐藏状态。它是 Transformer 的核心机制之一。
- 相关概念:
注意力(attention),查询-键-值(QKV),Transformer 架构(Transformer) - 核心 Section:
P5-13.2 - 出现 Section:
P1-11.3,P5-13.3,P5-14.1,P5-14.2,P6-4.1
自动微分(automatic differentiation)¶
- 含义: 自动微分是一种让程序记录计算步骤，并利用这些记录自动计算导数的方法。它不是让人手动展开一个大公式，而是沿着实际执行过的运算来组织梯度。
- 为什么重要: 它是深度学习框架执行反向传播的实际基础。理解自动微分之后，就能看出梯度是如何通过计算路径、中间值和局部求导规则被组织起来的。
- 相关概念:
计算图(computation graph),反向传播(backpropagation),梯度(gradient) - 核心 Section:
P5-5.2
召回率¶
- 含义：召回率是实际正类案例中，被模型成功预测为正类的比例。
- 为什么重要：当漏报成本很高时，召回率尤其重要。它帮助读者发现模型是否漏掉了本该找到的案例，尤其适合正类稀少但重要的场景。
- 相关概念：
精确率，准确率，混淆矩阵，假阴性 - 中心 Section：
P1-13.4 - 出现 Section：
P4-4.1,P4-4.2,P4-6.1,P4-6.4,P4-8.1,P4-8.2,P4-8.3
正则化(regularization)¶
- 含义：正则化是在学习过程中加入约束或额外成本，让 model 不只贴紧 training data，而是更偏好简单、稳定、可泛化的解。它不是单纯让训练误差最低，而是让过度复杂或不稳定的解变得不那么有吸引力。训练时临时让部分节点输出或连接失效，是一种代表性的正则化策略。
- 为什么重要：model 可能在 training data 上分数很高，却在新数据上失败。正则化让学习同时包含两个问题：一方面要拟合数据，另一方面要避免没有必要的复杂解。比如不鼓励过大的 weight 或过度敏感的模式，训练分数可能稍微低一些，但 generalization 反而更好。
- 相关概念：
过拟合(overfitting),泛化(generalization),模型验证(model validation) - 核心 Section：
P5-8.1 - 出现 Section：
P4-5.1,P4-11.5,P5-8.2
总体(population)¶
- 含义：统计问题最终关心的完整群体或集合。
- 为什么重要：它很重要，因为大多数分析使用样本，所以读者必须追问样本代表的更大总体是什么。
- 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：
P2-5.3 - 出现 Section：
P2-5.4,P2-6.1
自回归模型(autoregressive model)¶
- 含义：根据序列中先前的值来生成或预测下一个值的模型。
- 为什么重要：它是理解语言模型和序列模型的重要入口，因为每个新输出都会依赖已经产生的内容。
- 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
指数函数(exponential function)¶
- 含义：变量出现在指数位置、产生乘法式增长或衰减的函数。
- 为什么重要：它会反复出现在概率、优化、神经网络以及 log/exp 变换中。
- 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：
P2-2.4
智能体工具使用(tool use)¶
- 含义：AI 智能体调用外部工具、API、文件或服务来获取信息或执行动作的模式。
- 为什么重要：它把只生成文本的模型和能通过受控外部操作行动的系统区分开。
- 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：
P1-14.2 - 出现 Section：
P1-14.3,P1-14.4,P1-14.5,P1-14.6,P6-10.3,P6-14.1,P6-14.2,P6-15.1,P7-6.1,P7-6.2
置信区间(confidence interval)¶
- 含义：根据样本数据计算出的一个区间，用来在特定程序下表示估计值周围的不确定性。
- 为什么重要：它防止把单个估计值读成精确答案，并把样本量、不确定性和解释强度连接起来。
- 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：
P2-5.5
转换性使用(transformative use)¶
- 含义：增加新的目的、意义或性质，而不是仅仅替代原作的使用。
- 为什么重要：它在版权讨论中很重要，但必须放在具体语境中判断，不能自动假定成立。
- 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：
P1-15.2