\chapter{附录8：关键术语表}

本附录按章节整理书中涉及的关键中英文术语。

\subsection{第二章}

{\def\LTcaptype{none} % do not increment counter
\begin{longtable}[]{@{}
  >{\raggedright\arraybackslash}p{(\linewidth - 4\tabcolsep) * \real{0.1635}}
  >{\raggedright\arraybackslash}p{(\linewidth - 4\tabcolsep) * \real{0.2921}}
  >{\raggedright\arraybackslash}p{(\linewidth - 4\tabcolsep) * \real{0.5444}}@{}}
\toprule\noalign{}
\begin{minipage}[b]{\linewidth}\raggedright
中文
\end{minipage} & \begin{minipage}[b]{\linewidth}\raggedright
英文
\end{minipage} & \begin{minipage}[b]{\linewidth}\raggedright
说明
\end{minipage} \\
\midrule\noalign{}
\endhead
\bottomrule\noalign{}
\endlastfoot
数据模态 & Data Modality & 信息的存在形式，如文本、图像、三维等 \\
线性回归 & Linear Regression & \(y = ax + b\) 形式的函数拟合 \\
多元回归 & Multiple Regression & 多输入变量的线性模型 \(y = \sum a_{i}x_{i} + b\) \\
多层感知机 & Multi-Layer Perceptron (MLP) & 最基础的前馈神经网络结构 \\
前向传播 & Forward Propagation & 数据从输入层到输出层的计算过程 \\
激活函数 & Activation Function & 引入非线性的函数，如ReLU、Sigmoid \\
损失函数 & Loss Function & 衡量预测值与真实值差距的函数 \\
反向传播 & Backpropagation & 利用链式法则计算梯度的算法 \\
梯度下降 & Gradient Descent & 沿梯度反方向更新参数的优化方法 \\
学习率 & Learning Rate & 梯度下降中控制参数更新步长的超参数 \\
权重 & Weight & 神经元之间连接的可学习参数 \\
偏置 & Bias & 调整输出基准的可学习参数 \\
特征工程 & Feature Engineering & 人工设计和提取数据特征的过程 \\
迁移学习 & Transfer Learning & 将一个任务学到的知识迁移到新任务 \\
基础模型 & Foundation Model & 在大规模数据上预训练的大型通用模型 \\
涌现能力 & Emergent Abilities & 模型规模大到一定程度后出现的新能力 \\
缩放定律 & Scaling Law & 模型性能与规模（数据量、参数量、计算量）之间的关系规律 \\
环境-智能体-任务 & Environment-Agent-Task & AI实践的三元框架：环境提供操作空间，智能体执行任务，任务定义目标 \\
Vibe Coding & Vibe Coding & 感觉驱动编程，用自然语言描述需求让AI生成代码的编程范式 \\
全连接层 & Fully Connected Layer & 每个神经元与上一层所有神经元相连的网络层 \\
预训练 & Pre-training & 在大规模数据上的初始训练阶段 \\
微调 & Fine-tuning & 在特定任务数据上对预训练模型进行适配训练 \\
\end{longtable}
}