在麥肯錫工作法中，介紹了一種快速且系統了解一個行業的方法。即找出這個行業的100個關鍵詞，通過識別並掌握該行業的關鍵術語和關鍵概念，幫助從業者快速建立對行業的整體認識，抓住行業的核心特徵和發展趨勢。
作為一位AI從業者，我在學習AI的過程中也用了這個方法，非常有效，分享給大家。
1. 基礎概念
人工智慧（AI）：模擬人類智能的機器和軟體。
機器學習（ML）：使計算機能夠通過數據學習並做出預測或決策的技術。
深度學習（DL）：一種特殊的機器學習方法，使用多層神經網路模擬人類學習過程。
神經網路（NN）：受人腦啟發的計算系統，用於模式識別和數據分類。
監督學習：模型從標記的訓練數據中學習。
非監督學習：模型從未標記的數據中學習。
強化學習：模型通過試錯來學習如何達成目標。
自然語言處理（NLP）：使計算機能夠理解、解釋和生成人類語言的技術。
2. 技術和模型
生成對抗網路（GAN）：通過對抗過程訓練以生成新的、與真實數據相似的數據。
卷積神經網路（CNN）：一種深度學習架構，特別適用於處理圖像數據。
循環神經網路（RNN）：一種網路，適用於處理序列數據，如時間序列或自然語言。
變分自編碼器（VAE）：一種生成模型，用於學習數據的潛在表示。
長短期記憶網路（LSTM）：一種特殊的RNN，能夠學習長期依賴信息。
Transformer模型：一種基於自注意力機制的模型架構，對NLP領域產生了重大影響。
BERT（Bidirectional Encoder Representations from Transformers）：一種預訓練的深度學習模型，用於NLP任務。
3. 應用和服務
聊天機器人：能夠模擬人類對話的AI系統。
語音識別ASR：將語音轉換為文本的技術。
圖像識別：使計算機能夠識別和處理圖像中的對象。
推薦系統：根據用戶的歷史行為和偏好推薦內容或商品。
自動駕駛：使用AI進行環境感知和決策的技術，實現車輛自動駕駛。
機器人過程自動化（RPA）：使用軟體機器人自動化重複性業務流程。
4. 工具和平台
TensorFlow：由Google開發的開源機器學習框架。
PyTorch：一個開源的機器學習庫，廣泛用於計算機視覺和自然語言處理。
Keras：一個高級神經網路API，能夠運行在TensorFlow之上。
Scikit-learn：一個用於數據挖掘和數據分析的Python庫。
OpenAI GPT：一個先進的自然語言處理預訓練模型。
Apache Spark：一個用於大規模數據處理的統一分析引擎。
5. 概念和原則
數據科學：從結構化和非結構化數據中提取知識和見解的跨學科領域。
人工智慧倫理：研究AI系統設計、開發和部署中的道德問題。
模型泛化：模型對未見過的數據的適應能力。
過擬合與欠擬合：模型對訓練數據的過度適應和對訓練數據的不足適應。
解釋性和可解釋AI：使AI決策過程透明和可理解的能力。
6. 演算法和技術
決策樹：一種用於分類和回歸的模型，通過學習簡單決策規則推斷出目標值。
隨機森林：一種集成學習方法，通過構建多個決策樹來改善分類或回歸任務的性能。
梯度提升樹（GBT）：一種用於回歸和分類問題的強大的機器學習技術。
支持向量機（SVM）：一種廣泛用於分類任務的監督學習模型。
主成分分析（PCA）：一種統計技術，用於數據降維和特徵提取。
k-最近鄰（k-NN）：一種簡單的機器學習演算法，用於分類和回歸。
邏輯回歸：儘管名為回歸，但常用於分類問題，特別是二分類問題。
貝葉斯網路：一種概率圖模型，表示變數間的條件依賴關係。
序列到序列模型（Seq2Seq）：用於將一個序列轉換為另一個序列的模型，常用於機器翻譯。
自編碼器：一種用於無監督學習的神經網路，通過學習一個穩定的數據表示來進行數據壓縮。
7. 數據和處理
數據預處理：數據分析之前對數據進行清洗和格式化的過程。
特徵工程：選擇、修改和創建新的特徵來提高機器學習模型的性能。
批處理與實時處理：數據處理的兩種主要模式，分別處理存儲的數據和實時流入的數據。
數據增強：通過對現有數據進行修改來創建新的訓練樣本，常用於圖像和語音數據。
數據集分割：將數據分為訓練集、驗證集和測試集，以評估模型性能。
標註數據：為機器學習模型訓練提供的、已經標記了正確答案的數據。
數據泄露：訓練數據中包含了關於測試集的信息，可能導致過高估計模型性能。
特徵縮放：調整不同特徵的尺度，以促進模型的收斂，如歸一化和標準化。
8. 高級概念和趨勢
聯邦學習：一種分散式機器學習方法，允許模型在保持數據隱私的前提下進行訓練。
遷移學習：利用在一個任務上學到的知識，應用到另一個相關任務上。
元學習：設計演算法以使其能夠學習如何更有效地學習。
對抗性樣本：經過精心設計的輸入，用於欺騙AI模型做出錯誤決策。
解釋性AI（XAI）：提高AI決策透明度和可解釋性的技術和方法。
多任務學習：同時學習多個相關任務，以提高模型的泛化能力。
零樣本學習：使模型能夠識別在訓練階段未見過的類別。
弱監督學習：使用少量標註數據和大量未標註數據進行學習的方法。
模型壓縮：減小深度學習模型大小的技術，以減少計算資源需求和提高運行速度。
邊緣計算：將數據處理從中心化數據中心轉移到網路邊緣的設備，以減少延遲和帶寬使用。
9. 倫理和社會影響
演算法偏見：當AI系統的決策反映出對某些群體的不公平偏見時。
隱私保護：在收集、處理和存儲個人數據時保護個人隱私的措施。
AI治理：制定規則和標準來指導AI的開發和使用，確保其安全和公正。
人機協作：人類和AI系統在完成任務時的合作關係。
AI安全：確保AI系統的行為符合預期，防止意外或惡意行為造成的損害。
10. 行業應用
健康醫療AI：在診斷、治療計劃、患者監護等方面的應用。
金融科技AI：用於風險評估、欺詐檢測、投資策略等金融領域的應用。
智能製造：利用AI優化生產流程、質量控制和設備維護。
智慧城市：通過AI技術提升城市管理效率和居民生活質量。
教育技術：個性化學習路徑、自動評分和學習輔助工具的開發。
更多AI前沿資訊，AI學習交流，歡迎關注AI道上。
