馬爾可夫決策過程 (Markov decision process) 馬爾可夫決策過程是數學和計算機科學領域中用來描述在不確定和動態環境下決策問題的理論框架。它結合了馬爾可夫鏈的隨機狀態轉移特性與決策者（代理人）對行動的控制能力，形成一套可用於最佳策略求解的形式化模型。馬爾可夫決策過程是強化學習等智能決策算法的理論基礎，廣泛應用於機器人導航、自動駕駛、經濟學、資源管理等領域。
語言模型 (Language Model) 語言模型是一種用來描述自然語言中詞語或文本序列出現概率的統計模型。它能夠根據已有的語言資料計算詞語出現的可能性，預測下一個詞語或者判斷一段語句的合理性。語言模型是自然語言處理（NLP）領域的基礎，廣泛應用於語音識別、機器翻譯、智能問答、自動摘要、文本生成等多種場景。
知識表示 (Knowledge representation) 知識表示是人工智慧和認知科學領域中用於描述、組織和存儲人類知識的技術與方法。它的核心目標是將複雜的知識轉化為計算機可以理解和操作的形式，使得機器不僅能夠儲存知識，還能使用這些知識進行推理、學習和決策。換句話說，知識表示是人工智慧系統理解世界的基礎，使計算機能夠模擬和執行類似人類的智能行為。
K均值 (K-means) K均值是一種廣泛應用於數據分析和機器學習領域的無監督聚類算法，旨在將大量數據點劃分為事先指定的K個互不重疊的群組（聚類），使得同一群組內的數據點彼此間距離最小，而不同群組之間的距離最大。這種方法有助於發掘數據的內在結構和模式，應用於市場細分、圖像分割、客戶分類及異常檢測等場景。
圖像到圖像的翻譯（Image-to-Image Translation） 圖像到圖像的翻譯是一種先進的計算機視覺技術，旨在將一張圖像轉換成另一張具有特定風格或內容變換的圖像。這種技術不僅能夠改變圖像的外觀風格，還可以完成圖像間不同特徵的映射，如將素描換成彩色圖像、將白天場景轉換為夜晚、或是將衛星影像轉化為地圖等。圖像到圖像的翻譯技術打破了傳統被動圖像處理的界限，賦予計算機「創造性」和「轉換」視覺資訊的能力。
圖像分割 (Image segmentation) 圖像分割是計算機視覺領域中的重要任務，其目的是將數字圖像劃分為若干互相獨立且具有特定特徵的區域。這些區域內的像素在顏色、亮度、紋理等特性上具有高度一致性，而不同區域間則表現出明顯差異。通過圖像分割，可以更方便地定位圖像中的物體、邊界和感興趣區域，為後續的圖像分析、識別和理解提供基礎。
圖像檢索 (Image retrieval) 圖像檢索是一種計算機視覺技術，旨在根據用戶提供的查詢圖像，從大量存儲的圖像數據庫中快速、準確地找到與查詢圖像相似或相關的圖像。這種技術使得“以圖搜圖”成為可能，大幅提升了圖像管理、搜索和分析的效率，廣泛應用於電子商務、社交媒體、醫療診斷、監控安全等多種場景。
圖像生成 (Image generation) 圖像生成是利用計算機算法自動產生新的視覺內容的技術。這些生成的圖像可以是真實世界的照片、畫作、3D渲染，或者完全基於創意和想像的虛構圖案。圖像生成技術結合了計算機圖形學、深度學習和人工智慧，通過學習大量圖像數據中的規律，模擬人類創作過程，實現圖像的智能合成與創造。
圖像分類 (Image classification) 圖像分類是計算機視覺領域中的一個核心任務，旨在讓計算機自動識別和分類圖像中的內容，並將其歸屬於預先定義的類別。簡單來說，圖像分類系統會分析輸入的圖片，然後判斷圖片中代表的是哪一類物體或場景，比如「貓」、「狗」、「汽車」等。
