在学习机器学习与深度学习之前、和AI相关的技术伙伴交流时，我们必须能听懂或看懂相关的名词：

样本

样本是指一条数据。为深度学习训练模型用的，可以是已标注的也可以是未标注的数据，来源可以是线上的也可以是线下的。

特征

特征是指：被观测对象中可测量特性，例如西瓜的颜色、瓜蒂、纹路、敲击声等；

特征向量

用一个 d 维向量表征一个样本的所有或部分特征；

标签(label)/真实值

样本特征对应的真实类型或者真实取值，即正确答案；

数据集(dataset)

多条样本组成的集合，是样本的集合。一般用于机器学习的数据集会分为：训练集、评估集、测试型。

训练集(train)

已指定用于模型训练的数据集；

评估集(eval)

用于在训练过程中周期性评估模型效果的数据集合；

测试集(test)

用于在训练完成后评估最终模型效果的数据集合；

模型

可以从数据中学习到的，可以实现特定功能/映射的函数；

误差/损失

样本真实值与预测值之间的误差；

预测值

样本输入模型后输出的结果；

模型训练

使用训练数据集对模型参数进行迭代更新的过程；

模型收敛

任意输入样本对应的预测结果与真实标签之间的误差稳定；

模型评估

使用测试数据和评估指标对训练完成的模型的效果进行评估的过程；

模型推理/预测

使用训练好的模型对数据进行预测的过程；

模型部署

使用服务加载训练好的模型，对外提供推理服务；