总结了机器学习、神经网络、大模型等技术术语，点击可进入对应的维基条目，进入维基内容后，还可以根据其中的相关词条进行扩展。
产品经理只需要对它们有梗概的了解，基本就能听懂研发同事的一般表述了。
个别维基条目为空，自行GPT即可。
- 线性回归 (LR)
- 逻辑回归 (LogR)
- 多项式回归 (PR)
- Lasso 回归
- Ridge 回归
- 弹性网络 (Elastic Net)
- 决策树 (DT)
- 随机森林 (RF)
- 梯度提升树 (GBT)
- XGBoost
- LightGBM
- CatBoost
- 支持向量机 (SVM)
- 朴素贝叶斯 (NB)
- K 最近邻 (KNN)
- 主成分分析 (PCA)
- 独立成分分析 (ICA)
- 线性判别分析 (LDA)
- t-分布邻近嵌入 (t-SNE)
- 高斯混合模型 (GMM)
- 聚类分析 (CA)
- K 均值聚类 (K-means)
- DBSCAN
- HDBSCAN
- 层次聚类 (HC)
- GAN (生成对抗网络)
- CGAN
- DCGAN
- WGAN (Wasserstein GAN)
- StyleGAN
- CycleGAN
- VAE (变分自编码器)
- GPT (生成式预训练模型)
- BERT
- Transformer
- LSTM (长短期记忆网络)
- GRU (门控循环单元)
- RNN (循环神经网络)
- CNN (卷积神经网络)
- AlexNet
- VGG
- GoogLeNet
- ResNet
- MobileNet
- EfficientNet
- Inception
- DeepDream
- 深度信念网络 (DBN)
- 自动编码器 (AE)
- 强化学习 (RL)
- Q-learning
- SARSA
- DDPG
- A3C
- SAC
- 时序差分学习 (TD)
- Actor-Critic
- 对抗训练 (Adversarial Training)
- 梯度下降 (GD)
- 随机梯度下降 (SGD)
- 批量梯度下降 (BGD)
- Adam
- RMSprop
- AdaGrad
- AdaDelta
- Nadam
- 交叉熵损失函数 (Cross-Entropy Loss)
- 均方误差损失函数 (Mean Squared Error Loss)
- KL 散度损失函数 (KL Divergence Loss)
- Hinge 损失函数
- 感知器 (Perceptron)
- RBF 神经网络
- Hopfield 网络
- Boltzmann 机
- 深度强化学习 (DRL)
- 自监督学习 (Self-supervised Learning)
- 迁移学习 (Transfer Learning)
- 泛化对抗网络 (GAN)
- 对抗生成网络 (GAN)
- 训练生成网络 (TGAN)
- CycleGAN
- 深度生成模型 (DLGM)
- 自动编码器生成对抗网络 (AEGAN)
- [分布式自编码器 (DAE)](https://zh.wikipedia.org/wiki/%E5%88%86%E
- 分布式自编码器 (DAE)
- 网络激活优化器 (NAO)
- 自编码器 (Autoencoder)
- VQ-VAE
- LSTM-VAE
- 卷积自编码器 (CAE)
- GAN 自编码器 (GANAE)
- U-Net
- 深度 Q 网络 (DQN)
- 双重 DQN (DDQN)
- 优先回放 DQN (Prioritized Experience Replay DQN)
- 多智能体 DQN (Multi-agent DQN)
- 深度确定性策略梯度 (DDPG)
- 感知器 (Perceptron)
- 稀疏自编码器 (SAE)
- 稀疏表示分类 (SRC)
- 深度信念网络 (DBN)
- 支持向量机 (SVM)
- 集成学习 (Ensemble Learning)
- 随机森林 (Random Forest)
- 极限梯度提升树 (XGBoost)
- AdaBoost
- 梯度提升机 (Gradient Boosting Machine)
- Stacking
- 贝叶斯优化器 (Bayesian Optimization)
- 贝叶斯网络 (Bayesian Network)
- EM 算法 (Expectation-Maximization Algorithm)
- 高斯过程 (Gaussian Process)
- 马尔科夫链蒙特卡洛 (MCMC)
- 强化学习 (Reinforcement Learning)
- 无监督学习 (Unsupervised Learning)
- 半监督学习 (Semi-supervised Learning)
- 监督学习 (Supervised Learning)
- 迁移学习 (Transfer Learning)
- 维数约简 (Dimensionality Reduction)
- 特征选择 (Feature Selection)
- 特征提取 (Feature Extraction)
- 正则化 (Regularization)
- 标准化 (Normalization)
- 聚类 (Clustering)
- 分类 (Classification)
- 回归 (Regression)
- 降维 (Dimensionality Reduction)
- 特征映射 (Feature Mapping)
- 神经网络 (Neural Network)
- 神经元 (Neuron)
- 激活函数 (Activation Function)
- 损失函数 (Loss Function)
- 优化器 (Optimizer)
- 学习率 (Learning Rate)
- 批次大小 (Batch Size)
- 迭代次数 (Epoch)
- 超参数 (Hyperparameter)
- 模型评估 (Model Evaluation)
- 交叉验证 (Cross Validation)
- 混淆矩阵 (Confusion Matrix)
- ROC 曲线 (ROC Curve)
- AUC 值 (AUC Value)
- 精确度 (Precision)
- 召回率 (Recall)
- F1 分数 (F1 Score)
- 模型解释 (Model Interpretability)
- 特征重要性 (Feature Importance)
- 局部解释 (Local Explanation)
- 全局解释 (Global Explanation)
- 机器学习管道 (Machine Learning Pipeline)
- 一键生成模型 (AutoML)
- 超参数优化 (Hyperparameter Tuning)
- FFT
- 拉普拉斯变换
- z变换
- 傅里叶变换
- 短时傅里叶变换 (STFT)
- IIR
- FIR
- 卡尔曼滤波
- DIP算法
- 小波变换