简介这份《人工智能重点词汇表》面向人工智能初学者、备考学生及需要梳理基础概念的从业者帮助读者快速建立AI核心术语的认知框架解决入门阶段概念零散、理解模糊的问题。资源包内含1个doc文档压缩包约29KB以纯文本词条形式集中呈现便于检索、打印与背诵。内容覆盖图灵试验、归结原理、命题与范式、Skolem标准形、子句集、一阶逻辑、置换与归类、支撑集、完全语义树与封闭语义树、不确定性推理、贝叶斯定理与贝叶斯网、知识表示、逻辑表示法、知识库与推理机、产生式系统、语义网络、框架与对象、正向反向及双向推理等核心概念逐条给出简明定义与要点说明。已有131人学习适合作为课程复习、考研备考或技术面试前的速查手册帮助读者在较短时间内串联起人工智能原理与知识表示的关键脉络。1. 一份「人工智能重点词汇表.doc」到底该装什么从期末复习到面试口径的统一如果你手里真有一份叫「人工智能重点词汇表.doc」的文件大概率不是从零开始学 AI而是被某个具体场景逼出来的可能是 hnu 人工智能期末前一周可能是人工智能导论课的结课论文也可能是转岗面试前想把术语口径统一一遍。我见过太多人把词汇表做成「名词 一句百度百科解释」的流水账背完还是不会用面试官问一句「你这个准确率是在什么分布上算的」就露馅。词汇表真正的价值不是让你认识词而是让你在三个场合能张口就来考试答题时能写出定义加适用边界写论文时能准确区分近义词面试时能把术语和工程决策挂钩。所以这份文档的组织逻辑应该是「分层 可检索 带反例」而不是按字母排序。下面我按自己整理过几版词汇表的经验讲清楚怎么把这份 doc 做成能反复用的东西而不是考完就删的临时文件。2. 词汇表的分层结构为什么按字母排序是最差的选择2.1 三层分类法基础概念、方法术语、工程指标一份能用的词汇表第一层要解决「这词属于哪个知识块」。我一般分三层基础概念如监督学习、损失函数、过拟合、方法术语如卷积、注意力机制、梯度下降、工程指标如准确率、召回率、F1、AUC、吞吐量。这样分的好处是复习时你能快速定位自己哪一层薄弱——很多人卡在工程指标层因为教材讲得少但面试和实际调参天天用。第二层是给每个词标注「近义词和易混词」。比如「准确率」和「精度」在中文里经常混用但 precision 和 accuracy 是两回事「参数」和「超参数」一字之差调参时搞混直接翻车。词汇表里必须有一列专门写「别和谁搞混」这比定义本身还值钱。第三层是「一句话工程含义」。定义是给考试用的工程含义是给干活用的。比如「过拟合」的定义是模型在训练集表现好、测试集差工程含义是「你的模型记住了噪声要么加数据要么加正则别急着换模型」。这一列写好了词汇表就从背诵材料变成了排查手册。2.2 用表格承载词汇条目字段设计与填写规范doc 里最实用的载体是表格不是段落。我一般用六列术语、英文、所属层、定义、易混词、工程含义。下面是一个可以直接抄的表格骨架用 Markdown 写方便后续转成 Word 或在线文档。术语英文所属层定义考试口径易混词工程含义干活口径过拟合Overfitting基础概念模型在训练集上误差小、在测试集上误差大欠拟合、泛化加数据、加正则、简化模型别盲目加层准确率Accuracy工程指标预测正确样本数占总样本数比例精确率、召回率类别不平衡时它会骗你先看混淆矩阵精确率Precision工程指标预测为正的样本中真正为正的比例准确率、召回率误报代价高时优先看它比如垃圾邮件拦截召回率Recall工程指标真正为正的样本中被预测为正的比例精确率、准确率漏报代价高时优先看它比如疾病筛查学习率Learning Rate方法术语控制参数更新步长的超参数批大小、动量太大震荡不收敛太小训练慢先试 1e-3 到 1e-5填表时有两条硬规矩。第一定义列必须能通过「闭卷默写」检验写不清楚说明你自己没懂。第二工程含义列必须带动作写「注意类别不平衡」没用要写「先看混淆矩阵再决定要不要换 F1」。我见过太多词汇表败在第二列全是形容词没有动词。2.3 给每个词打上「考试权重」和「面试权重」不是所有词都值得花同样时间。我会给每个词加两个 1 到 5 的评分考试权重和面试权重。比如「反向传播」考试权重 5、面试权重 3因为面试更爱问「你怎么调学习率」而不是推导链式法则「AUC」考试权重 2、面试权重 5因为实际项目里评估不平衡数据天天用。这两个分数直接决定你的复习顺序。时间只剩三天就按两个权重之和从高到低背时间充裕再补低分项。这个做法比「从头背到尾」效率高得多也是我把词汇表从「资料」变成「工具」的关键一步。3. 把词汇表变成可检索文档Word 排版与自动化生成3.1 Word 里的三个必设项样式、交叉引用、导航窗格很多人把词汇表写成一篇长文结果找词靠 CtrlF改一个术语要翻十页。正确做法是用 Word 的「标题样式」给每个字母或每个分类建一级标题用「交叉引用」把易混词互相链接。这样导航窗格一开左边就是目录树点一下直接跳。具体操作选中「基础概念」这行应用「标题 1」样式选中「过拟合」这行应用「标题 2」样式。然后在「过拟合」条目里写「参见欠拟合」选中「欠拟合」用「插入 → 交叉引用」指向对应标题。这样改术语名时引用会自动更新不用手动找。还有一个必设项是「多级列表」把标题 1 绑定到「一、二、三」标题 2 绑定到「1.1、1.2」。这样整份文档的编号自动维护插入新词不会打乱顺序。这三项设完你的 doc 才算「可维护」否则改到第三版就成一锅粥。3.2 用 Python 从 CSV 批量生成词汇表 docx如果你要维护超过 100 个词手写 Word 是自虐。我一般用 CSV 存数据用 python-docx 生成 docx。下面这段代码可以直接跑前提是装好 python-docxpip install python-docx。# gen_glossary.py # 从 glossary.csv 生成带标题样式的词汇表 docx import csv from docx import Document from docx.shared import Pt doc Document() doc.add_heading(人工智能重点词汇表, level0) # CSV 列term,en,layer,definition,confusable,engineering with open(glossary.csv, encodingutf-8) as f: reader csv.DictReader(f) current_layer None for row in reader: # 按所属层分组每层建一个一级标题 if row[layer] ! current_layer: current_layer row[layer] doc.add_heading(current_layer, level1) # 每个术语建二级标题 doc.add_heading(f{row[term]}{row[en]}, level2) doc.add_paragraph(f定义{row[definition]}) doc.add_paragraph(f易混词{row[confusable]}) doc.add_paragraph(f工程含义{row[engineering]}) doc.save(人工智能重点词汇表.docx) print(生成完毕)逻辑说明脚本按layer字段分组同一层的词归到一个一级标题下每个词生成一个二级标题加三段正文。这样生成的 docx 自带导航结构Word 里打开就能用导航窗格跳转。参数说明glossary.csv的列名必须和代码里row[xxx]一致中文列名也行改代码即可。level1对应 Word 的「标题 1」level2对应「标题 2」如果你想要三级结构可以再加一层。编码必须用utf-8否则中文会乱码。这个脚本的好处是你只需要维护 CSV改一个词重新跑一遍就生成新 docx不用在 Word 里手动调格式。我一般还会在 CSV 里加exam_weight和interview_weight两列生成时按权重排序复习时从高到低看。3.3 检索增强给词汇表加同义词和拼音列中文术语检索有个坑你记得「召回率」但打成了「召回」或者只记得英文 recall。所以 CSV 里最好加一列「同义词/别名」用竖线分隔比如「召回率|查全率|recall」。生成 docx 时把这列也写进去CtrlF 就能命中。如果词汇表要给别人用还可以加拼音列。比如「卷积」的拼音是 juanji有人会打成「卷集」加拼音后搜 juanji 也能找到。这个做法在团队共享词汇表时特别有用新人不知道标准写法搜个大概也能定位。4. 避坑与常见问题词汇表维护中最容易翻车的五件事4.1 现象同一个词在不同章节定义不一致原因多人协作时各写各的或者自己改了一处忘了改另一处。 解决定义只保留一份「主条目」其他位置用交叉引用指向主条目禁止复制粘贴定义。Word 里用「插入 → 交叉引用」CSV 方案里用唯一 ID 关联。4.2 现象词汇表越写越长复习时根本看不完原因把「相关词」也收进来边界失控。 解决定一条收录标准——只收「考试会考、面试会问、干活会用」的词三者占一个才收。纯历史名词、已淘汰方法单独放「附录」不占主表。4.3 现象工程含义列写成空话比如「要注意调参」原因写的时候没想清楚具体动作。 解决强制自己写「先看什么指标再改什么参数预期什么变化」。写不出具体动作说明这个词你还没真正用过先标记待补别硬写。4.4 现象docx 生成后中文乱码或样式丢失原因CSV 编码不是 utf-8或者 python-docx 版本不兼容。 解决CSV 用 utf-8-sig 保存Excel 导出时选「CSV UTF-8」python-docx 用 pip 装最新版。生成后先打开检查前三条确认样式和中文都正常再批量用。4.5 现象词汇表更新后旧版被误用原因文件名没版本号或者共享目录里新旧混放。 解决文件名带日期如人工智能重点词汇表_20250601.docx共享时只保留最新版旧版移到 archive 子目录。CSV 源文件用 git 管理每次改动有记录出问题能回滚。5. 进阶用法把词汇表变成自测题库和面试口径卡词汇表做到这一步已经能应付期末和日常查阅。但如果你想让它产生更大价值可以再往前推一步自动生成自测题。原理很简单把「定义」列挖空变成填空题把「易混词」列做成选择题干扰项。下面这段代码在上一版基础上加一个导出题库的功能。# gen_quiz.py # 从 glossary.csv 生成填空题和选择题 import csv, random with open(glossary.csv, encodingutf-8) as f: rows list(csv.DictReader(f)) # 填空题挖掉定义中的关键词 with open(quiz_fill.md, w, encodingutf-8) as out: for r in rows: blanked r[definition].replace(r[term], ____) out.write(f1. {blanked}答案{r[term]}\n) # 选择题用同层其他词做干扰项 with open(quiz_choice.md, w, encodingutf-8) as out: for r in rows: same_layer [x[term] for x in rows if x[layer] r[layer] and x[term] ! r[term]] distractors random.sample(same_layer, min(3, len(same_layer))) options distractors [r[term]] random.shuffle(options) out.write(f题干{r[definition]}\n) for i, opt in enumerate(options): out.write(f {ABCD[i]}. {opt}\n) out.write(f答案{r[term]}\n\n)逻辑说明填空题直接把术语从定义里替换成下划线适合快速自测。选择题从同一层里随机抽三个干扰项保证难度适中——跨层抽词太容易排除同层抽词才有区分度。参数说明min(3, len(same_layer))防止同层词不足三个时报错。如果你想要更难的题可以把干扰项改成「易混词」列里的词而不是同层随机词。生成的 Markdown 可以直接导入 Anki 或打印出来。除了自测词汇表还能当面试口径卡用。面试前把「工程含义」列过一遍每个词准备一个自己项目里的例子。比如被问到「过拟合」不要背定义直接说「我上次做图像分类训练集 99% 测试集 70%后来加了数据增强和 dropout测试集提到 85%」。这种回答比背定义有说服力得多。我自己维护这份词汇表最大的教训是第一版总想求全收了三百多个词结果复习时一个都没记住。后来砍到八十个核心词每个词都逼自己写工程含义反而在期末和面试里都用上了。词汇表不是越厚越好是每个词都能张口就来才好。希望帮到你。本文还有配套的精品资源点击获取
简介这份《人工智能重点词汇表》面向人工智能初学者、备考学生及需要梳理基础概念的从业者帮助读者快速建立AI核心术语的认知框架解决入门阶段概念零散、理解模糊的问题。资源包内含1个doc文档压缩包约29KB以纯文本词条形式集中呈现便于检索、打印与背诵。内容覆盖图灵试验、归结原理、命题与范式、Skolem标准形、子句集、一阶逻辑、置换与归类、支撑集、完全语义树与封闭语义树、不确定性推理、贝叶斯定理与贝叶斯网、知识表示、逻辑表示法、知识库与推理机、产生式系统、语义网络、框架与对象、正向反向及双向推理等核心概念逐条给出简明定义与要点说明。已有131人学习适合作为课程复习、考研备考或技术面试前的速查手册帮助读者在较短时间内串联起人工智能原理与知识表示的关键脉络。1. 一份「人工智能重点词汇表.doc」到底该装什么从期末复习到面试口径的统一如果你手里真有一份叫「人工智能重点词汇表.doc」的文件大概率不是从零开始学 AI而是被某个具体场景逼出来的可能是 hnu 人工智能期末前一周可能是人工智能导论课的结课论文也可能是转岗面试前想把术语口径统一一遍。我见过太多人把词汇表做成「名词 一句百度百科解释」的流水账背完还是不会用面试官问一句「你这个准确率是在什么分布上算的」就露馅。词汇表真正的价值不是让你认识词而是让你在三个场合能张口就来考试答题时能写出定义加适用边界写论文时能准确区分近义词面试时能把术语和工程决策挂钩。所以这份文档的组织逻辑应该是「分层 可检索 带反例」而不是按字母排序。下面我按自己整理过几版词汇表的经验讲清楚怎么把这份 doc 做成能反复用的东西而不是考完就删的临时文件。2. 词汇表的分层结构为什么按字母排序是最差的选择2.1 三层分类法基础概念、方法术语、工程指标一份能用的词汇表第一层要解决「这词属于哪个知识块」。我一般分三层基础概念如监督学习、损失函数、过拟合、方法术语如卷积、注意力机制、梯度下降、工程指标如准确率、召回率、F1、AUC、吞吐量。这样分的好处是复习时你能快速定位自己哪一层薄弱——很多人卡在工程指标层因为教材讲得少但面试和实际调参天天用。第二层是给每个词标注「近义词和易混词」。比如「准确率」和「精度」在中文里经常混用但 precision 和 accuracy 是两回事「参数」和「超参数」一字之差调参时搞混直接翻车。词汇表里必须有一列专门写「别和谁搞混」这比定义本身还值钱。第三层是「一句话工程含义」。定义是给考试用的工程含义是给干活用的。比如「过拟合」的定义是模型在训练集表现好、测试集差工程含义是「你的模型记住了噪声要么加数据要么加正则别急着换模型」。这一列写好了词汇表就从背诵材料变成了排查手册。2.2 用表格承载词汇条目字段设计与填写规范doc 里最实用的载体是表格不是段落。我一般用六列术语、英文、所属层、定义、易混词、工程含义。下面是一个可以直接抄的表格骨架用 Markdown 写方便后续转成 Word 或在线文档。术语英文所属层定义考试口径易混词工程含义干活口径过拟合Overfitting基础概念模型在训练集上误差小、在测试集上误差大欠拟合、泛化加数据、加正则、简化模型别盲目加层准确率Accuracy工程指标预测正确样本数占总样本数比例精确率、召回率类别不平衡时它会骗你先看混淆矩阵精确率Precision工程指标预测为正的样本中真正为正的比例准确率、召回率误报代价高时优先看它比如垃圾邮件拦截召回率Recall工程指标真正为正的样本中被预测为正的比例精确率、准确率漏报代价高时优先看它比如疾病筛查学习率Learning Rate方法术语控制参数更新步长的超参数批大小、动量太大震荡不收敛太小训练慢先试 1e-3 到 1e-5填表时有两条硬规矩。第一定义列必须能通过「闭卷默写」检验写不清楚说明你自己没懂。第二工程含义列必须带动作写「注意类别不平衡」没用要写「先看混淆矩阵再决定要不要换 F1」。我见过太多词汇表败在第二列全是形容词没有动词。2.3 给每个词打上「考试权重」和「面试权重」不是所有词都值得花同样时间。我会给每个词加两个 1 到 5 的评分考试权重和面试权重。比如「反向传播」考试权重 5、面试权重 3因为面试更爱问「你怎么调学习率」而不是推导链式法则「AUC」考试权重 2、面试权重 5因为实际项目里评估不平衡数据天天用。这两个分数直接决定你的复习顺序。时间只剩三天就按两个权重之和从高到低背时间充裕再补低分项。这个做法比「从头背到尾」效率高得多也是我把词汇表从「资料」变成「工具」的关键一步。3. 把词汇表变成可检索文档Word 排版与自动化生成3.1 Word 里的三个必设项样式、交叉引用、导航窗格很多人把词汇表写成一篇长文结果找词靠 CtrlF改一个术语要翻十页。正确做法是用 Word 的「标题样式」给每个字母或每个分类建一级标题用「交叉引用」把易混词互相链接。这样导航窗格一开左边就是目录树点一下直接跳。具体操作选中「基础概念」这行应用「标题 1」样式选中「过拟合」这行应用「标题 2」样式。然后在「过拟合」条目里写「参见欠拟合」选中「欠拟合」用「插入 → 交叉引用」指向对应标题。这样改术语名时引用会自动更新不用手动找。还有一个必设项是「多级列表」把标题 1 绑定到「一、二、三」标题 2 绑定到「1.1、1.2」。这样整份文档的编号自动维护插入新词不会打乱顺序。这三项设完你的 doc 才算「可维护」否则改到第三版就成一锅粥。3.2 用 Python 从 CSV 批量生成词汇表 docx如果你要维护超过 100 个词手写 Word 是自虐。我一般用 CSV 存数据用 python-docx 生成 docx。下面这段代码可以直接跑前提是装好 python-docxpip install python-docx。# gen_glossary.py # 从 glossary.csv 生成带标题样式的词汇表 docx import csv from docx import Document from docx.shared import Pt doc Document() doc.add_heading(人工智能重点词汇表, level0) # CSV 列term,en,layer,definition,confusable,engineering with open(glossary.csv, encodingutf-8) as f: reader csv.DictReader(f) current_layer None for row in reader: # 按所属层分组每层建一个一级标题 if row[layer] ! current_layer: current_layer row[layer] doc.add_heading(current_layer, level1) # 每个术语建二级标题 doc.add_heading(f{row[term]}{row[en]}, level2) doc.add_paragraph(f定义{row[definition]}) doc.add_paragraph(f易混词{row[confusable]}) doc.add_paragraph(f工程含义{row[engineering]}) doc.save(人工智能重点词汇表.docx) print(生成完毕)逻辑说明脚本按layer字段分组同一层的词归到一个一级标题下每个词生成一个二级标题加三段正文。这样生成的 docx 自带导航结构Word 里打开就能用导航窗格跳转。参数说明glossary.csv的列名必须和代码里row[xxx]一致中文列名也行改代码即可。level1对应 Word 的「标题 1」level2对应「标题 2」如果你想要三级结构可以再加一层。编码必须用utf-8否则中文会乱码。这个脚本的好处是你只需要维护 CSV改一个词重新跑一遍就生成新 docx不用在 Word 里手动调格式。我一般还会在 CSV 里加exam_weight和interview_weight两列生成时按权重排序复习时从高到低看。3.3 检索增强给词汇表加同义词和拼音列中文术语检索有个坑你记得「召回率」但打成了「召回」或者只记得英文 recall。所以 CSV 里最好加一列「同义词/别名」用竖线分隔比如「召回率|查全率|recall」。生成 docx 时把这列也写进去CtrlF 就能命中。如果词汇表要给别人用还可以加拼音列。比如「卷积」的拼音是 juanji有人会打成「卷集」加拼音后搜 juanji 也能找到。这个做法在团队共享词汇表时特别有用新人不知道标准写法搜个大概也能定位。4. 避坑与常见问题词汇表维护中最容易翻车的五件事4.1 现象同一个词在不同章节定义不一致原因多人协作时各写各的或者自己改了一处忘了改另一处。 解决定义只保留一份「主条目」其他位置用交叉引用指向主条目禁止复制粘贴定义。Word 里用「插入 → 交叉引用」CSV 方案里用唯一 ID 关联。4.2 现象词汇表越写越长复习时根本看不完原因把「相关词」也收进来边界失控。 解决定一条收录标准——只收「考试会考、面试会问、干活会用」的词三者占一个才收。纯历史名词、已淘汰方法单独放「附录」不占主表。4.3 现象工程含义列写成空话比如「要注意调参」原因写的时候没想清楚具体动作。 解决强制自己写「先看什么指标再改什么参数预期什么变化」。写不出具体动作说明这个词你还没真正用过先标记待补别硬写。4.4 现象docx 生成后中文乱码或样式丢失原因CSV 编码不是 utf-8或者 python-docx 版本不兼容。 解决CSV 用 utf-8-sig 保存Excel 导出时选「CSV UTF-8」python-docx 用 pip 装最新版。生成后先打开检查前三条确认样式和中文都正常再批量用。4.5 现象词汇表更新后旧版被误用原因文件名没版本号或者共享目录里新旧混放。 解决文件名带日期如人工智能重点词汇表_20250601.docx共享时只保留最新版旧版移到 archive 子目录。CSV 源文件用 git 管理每次改动有记录出问题能回滚。5. 进阶用法把词汇表变成自测题库和面试口径卡词汇表做到这一步已经能应付期末和日常查阅。但如果你想让它产生更大价值可以再往前推一步自动生成自测题。原理很简单把「定义」列挖空变成填空题把「易混词」列做成选择题干扰项。下面这段代码在上一版基础上加一个导出题库的功能。# gen_quiz.py # 从 glossary.csv 生成填空题和选择题 import csv, random with open(glossary.csv, encodingutf-8) as f: rows list(csv.DictReader(f)) # 填空题挖掉定义中的关键词 with open(quiz_fill.md, w, encodingutf-8) as out: for r in rows: blanked r[definition].replace(r[term], ____) out.write(f1. {blanked}答案{r[term]}\n) # 选择题用同层其他词做干扰项 with open(quiz_choice.md, w, encodingutf-8) as out: for r in rows: same_layer [x[term] for x in rows if x[layer] r[layer] and x[term] ! r[term]] distractors random.sample(same_layer, min(3, len(same_layer))) options distractors [r[term]] random.shuffle(options) out.write(f题干{r[definition]}\n) for i, opt in enumerate(options): out.write(f {ABCD[i]}. {opt}\n) out.write(f答案{r[term]}\n\n)逻辑说明填空题直接把术语从定义里替换成下划线适合快速自测。选择题从同一层里随机抽三个干扰项保证难度适中——跨层抽词太容易排除同层抽词才有区分度。参数说明min(3, len(same_layer))防止同层词不足三个时报错。如果你想要更难的题可以把干扰项改成「易混词」列里的词而不是同层随机词。生成的 Markdown 可以直接导入 Anki 或打印出来。除了自测词汇表还能当面试口径卡用。面试前把「工程含义」列过一遍每个词准备一个自己项目里的例子。比如被问到「过拟合」不要背定义直接说「我上次做图像分类训练集 99% 测试集 70%后来加了数据增强和 dropout测试集提到 85%」。这种回答比背定义有说服力得多。我自己维护这份词汇表最大的教训是第一版总想求全收了三百多个词结果复习时一个都没记住。后来砍到八十个核心词每个词都逼自己写工程含义反而在期末和面试里都用上了。词汇表不是越厚越好是每个词都能张口就来才好。希望帮到你。本文还有配套的精品资源点击获取
