人工智能專業(yè)術(shù)語(yǔ)整合

人工智能專業(yè)術(shù)語(yǔ)整合A:算法（Algorithms）:一組用于人工智能、神經(jīng)網(wǎng)絡(luò)或其他機(jī)器的規(guī)則或指令，以幫助它自己學(xué)習(xí);分類、聚類、推薦和回歸是四種最常見(jiàn)的類型。人匚智能（ArtificiaIinte11igence）:機(jī)器模擬人類智力和行為做出決策、執(zhí)行任務(wù)的能力。人工神經(jīng)網(wǎng)絡(luò)（ANN）:這種學(xué)習(xí)模型，模擬人腦運(yùn)作，從而解決傳統(tǒng)計(jì)算機(jī)系統(tǒng)難以解決的任務(wù)。自主計(jì)算（Autonomiccomputing）:系統(tǒng)自適應(yīng)自我管理自身資源用于高級(jí)計(jì)算功能的能力，而無(wú)需用戶輸入。A/BTesting（A/B測(cè)試）一種受控的真實(shí)實(shí)驗(yàn)，用于比較系統(tǒng)或模型的兩個(gè)變體A和BoActivationFunction（激活函數(shù)）在人工神經(jīng)網(wǎng)絡(luò)的情境中，接受來(lái)自上一層的所有輸入的加權(quán)和并生成輸出值來(lái)激活下一層的函數(shù)。ActiveLearning（ActiveLearningStrategy）（主動(dòng)學(xué)習(xí)/主動(dòng)學(xué)習(xí)策略）半監(jiān)督機(jī)器學(xué)習(xí)的一種特殊情況，在這種情況下，學(xué)習(xí)代理能夠以交互的方式查詢數(shù)據(jù)庫(kù)（通常是人工標(biāo)注員），以獲取新數(shù)據(jù)點(diǎn)的標(biāo)簽。Algorithm（算法）一種關(guān)于如何解決某一類問(wèn)題的過(guò)程的明確規(guī)范，它能夠執(zhí)行計(jì)算、處理數(shù)據(jù)并進(jìn)行自動(dòng)推理。Annotation（標(biāo)注）附加到一條數(shù)據(jù)之上的元數(shù)據(jù)，通常由人工標(biāo)注員提供。AreallndertheCurve（AUC）（曲線下面積）機(jī)器學(xué)習(xí)中用于確定在多個(gè)使用的模型中哪個(gè)模型具有最高性能的一種方法。Artificiallntelligence（人工智能）機(jī)器模擬人類智力和行為做出決策、執(zhí)行任務(wù)的能力。ArtificialNeuralNetworks(人工神經(jīng)網(wǎng)絡(luò))由簡(jiǎn)單互聯(lián)單元(稱作神經(jīng)元)的連續(xù)層所構(gòu)成的一種架構(gòu)，這些單元與非線性激活函數(shù)交織在一起，會(huì)讓人模糊地聯(lián)想到動(dòng)物大腦中的神經(jīng)元。AssociationRuleLearning(關(guān)聯(lián)規(guī)則學(xué)習(xí))一種基于規(guī)則的機(jī)器學(xué)習(xí)方法，用于發(fā)現(xiàn)大型數(shù)據(jù)集中變量之間的關(guān)系。Autoencoder(自動(dòng)解碼器)一種人工神經(jīng)網(wǎng)絡(luò)，用于以無(wú)監(jiān)督、非線性的方式生成高效的數(shù)據(jù)表示，通常用于降低維度。AutomatedSpeechRecognition(自動(dòng)語(yǔ)音識(shí)別)計(jì)算語(yǔ)言學(xué)的一個(gè)子領(lǐng)域，主要是關(guān)于通過(guò)計(jì)算機(jī)識(shí)別和翻譯II語(yǔ)的方法。C：聊天機(jī)器人(Chatbots)：聊天機(jī)器人(簡(jiǎn)稱chatbot)通過(guò)文本對(duì)話、語(yǔ)音命令來(lái)模擬與人類用戶進(jìn)行對(duì)話。它們是有AI功能的計(jì)算機(jī)程序的常用界面。分類(Classification)：分類算法讓機(jī)器根據(jù)訓(xùn)練數(shù)據(jù)給數(shù)據(jù)點(diǎn)進(jìn)行分類。聚類分析(Clusteranalysis)：一種用于探索性數(shù)據(jù)分析的無(wú)監(jiān)督學(xué)習(xí)，查找數(shù)據(jù)中的隱藏模式或分組;群集的建立是通過(guò)歐氏距離(Euclidean)或概率距離等定義的相似性度量。聚類(Clustering)：聚類算法讓機(jī)器將數(shù)據(jù)點(diǎn)或項(xiàng)目分成具有相似特征的組。認(rèn)知計(jì)M(Cognitivecomputing):一種模仿人類人腦思維方式的計(jì)算模型。通過(guò)使用數(shù)據(jù)挖掘、自然語(yǔ)言處理和模式識(shí)別來(lái)進(jìn)行自學(xué)習(xí)(self-learning)。卷枳神經(jīng)網(wǎng)絡(luò)(CNN)：一種識(shí)別和處理圖像的神經(jīng)網(wǎng)絡(luò)。D：數(shù)據(jù)挖掘(Datamining)：通過(guò)查看數(shù)據(jù)集以發(fā)現(xiàn)和挖掘其中模式，從而進(jìn)一步使用數(shù)據(jù)。數(shù)據(jù)科學(xué)(Datascience)：結(jié)合統(tǒng)計(jì)、信息科學(xué)、計(jì)算機(jī)科學(xué)的科學(xué)方法、科學(xué)系統(tǒng)和科學(xué)過(guò)程的交叉學(xué)科，通過(guò)結(jié)構(gòu)化或非結(jié)構(gòu)化數(shù)據(jù)提供對(duì)現(xiàn)象的洞察。決策M(jìn)(Decisiontree)：一個(gè)基于分支的樹(shù)模型，繪制決策及其可能后果的模型圖，與流程圖類似。深度學(xué)習(xí)(Deeplearning)：機(jī)器通過(guò)由層疊信息層組成的人工神經(jīng)網(wǎng)絡(luò)自主模仿人類思維模式的能力。F：Fluent：一種可隨時(shí)間變化的條件。G：游戲AI(GameAI)：使用算法替代隨機(jī)性的一種適用于游戲的AI特定形式。這種計(jì)算行為用于非玩家角色(NPC),對(duì)于玩家的操作生成類似人類的智力和基于反應(yīng)的行為。K：知識(shí)工程(Knowledgeengineering):側(cè)重于建立以知識(shí)為基礎(chǔ)的系統(tǒng)，包括科學(xué)、技術(shù)和社會(huì)在內(nèi)的所有方面。M：機(jī)器智能(Machineintelligence):涵蓋機(jī)器學(xué)習(xí)、深度學(xué)習(xí)和占典學(xué)習(xí)算法在內(nèi)的總括術(shù)語(yǔ)。機(jī)器學(xué)習(xí)(Machinelearning)：人工智能的一個(gè)方面，專注于算法，允許機(jī)器在不經(jīng)過(guò)編程的情況下學(xué)習(xí)，并隨著新數(shù)據(jù)的攝入而改變。機(jī)器感知(Machineperception):系統(tǒng)接收和解釋來(lái)自外部世界數(shù)據(jù)的能力，類似于人類使用感官。這通常需要借助外接碘件完成，盡管軟件也同樣需要。N：自然語(yǔ)言處理(Naturallanguageprocessing):程序識(shí)別理解人類溝通的能力。R：循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)：一種理解順序信息、識(shí)別模式、并根據(jù)這些計(jì)算產(chǎn)生輸出的神經(jīng)網(wǎng)絡(luò)。監(jiān)督學(xué)習(xí)(Supervisedlearning):機(jī)器學(xué)習(xí)的一種，其輸出數(shù)據(jù)集訓(xùn)練機(jī)器產(chǎn)生所需的算法，如老師監(jiān)督學(xué)生；比無(wú)監(jiān)督學(xué)習(xí)更常見(jiàn)。群體行為(Swarmbehavior)：從數(shù)學(xué)建模者的角度來(lái)看，這是從個(gè)體遵循的簡(jiǎn)單規(guī)則衍生出的新生行為，不涉及任何集中協(xié)調(diào)。U：無(wú)監(jiān)督學(xué)Al(Unsupervisedlearning):一種機(jī)器學(xué)習(xí)算法，通過(guò)不帶標(biāo)簽響應(yīng)的輸入數(shù)據(jù)組成的數(shù)據(jù)集進(jìn)行推理。最常見(jiàn)的無(wú)監(jiān)督學(xué)習(xí)方法是聚類分析。算法步進(jìn)式的一套指令，計(jì)算機(jī)算法可以是簡(jiǎn)單的(如下午3點(diǎn)請(qǐng)發(fā)送一條提示信息)，也可以是復(fù)雜的(如識(shí)別行人)。反向傳播許多神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式，找出輸出結(jié)果與所需輸出結(jié)果之間的差異，然后按照?qǐng)?zhí)行的相反順序調(diào)整計(jì)算。黑匣子對(duì)深度學(xué)習(xí)系統(tǒng)的一種描述。它們接受輸入并提供輸出，但發(fā)生在這兩者之間的計(jì)算過(guò)程對(duì)人類來(lái)說(shuō)并不容易理解。深度學(xué)習(xí)多層次神經(jīng)網(wǎng)絡(luò)對(duì)漸次發(fā)展抽彖模式敏感的一種學(xué)習(xí)方式。例如，在解析照片時(shí)，神經(jīng)網(wǎng)絡(luò)的多層層次可能首先對(duì)圖形邊緣做出響應(yīng)，然后是狗的爪子，最后是狗。專家系統(tǒng)人工智能的一種表現(xiàn)形式，試圖復(fù)制人類在某一領(lǐng)域的專門知識(shí)，如醫(yī)學(xué)診斷，并結(jié)合了應(yīng)用這些知識(shí)的一整套手編程序。機(jī)器學(xué)習(xí)技術(shù)正在逐漸取代手編程序。生成性對(duì)抗網(wǎng)絡(luò)一對(duì)共同訓(xùn)練的神經(jīng)網(wǎng)絡(luò)，產(chǎn)生真實(shí)的新數(shù)據(jù)并在競(jìng)爭(zhēng)中得到提高。一個(gè)神經(jīng)網(wǎng)絡(luò)創(chuàng)建新的實(shí)例（例如畢加索作品的鷹品），另一個(gè)神經(jīng)網(wǎng)絡(luò)的任務(wù)就是檢測(cè)發(fā)現(xiàn)屬品。機(jī)器學(xué)習(xí)在沒(méi)有明確指令的情況下，使用在數(shù)據(jù)中尋找特定模式的算法。例如，某個(gè)系統(tǒng)的任務(wù)可能是學(xué)習(xí)如何在圖像的輸入特性與標(biāo)簽的輸出特性之間建立起關(guān)聯(lián)關(guān)系。自然語(yǔ)言處理計(jì)算機(jī)“理解”I】頭或書面語(yǔ)言的過(guò)程。它必須分析詞匯、語(yǔ)法和意圖，并考慮到語(yǔ)言使用中的一些變化。這一過(guò)程往往涉及機(jī)器學(xué)習(xí)。神經(jīng)網(wǎng)絡(luò)用于機(jī)器學(xué)習(xí)的高度抽彖和簡(jiǎn)化的人腦模型。一層單元接收一段輸入（例如照片中的像素）,對(duì)它們進(jìn)行簡(jiǎn)單的計(jì)算，并將結(jié)果傳遞給下一層單元，最后一層則是答案。神經(jīng)形態(tài)芯片專門設(shè)計(jì)發(fā)揮神經(jīng)網(wǎng)絡(luò)作用的計(jì)算機(jī)芯片。它可以是模擬式的、數(shù)字式的，也可以是這兩者結(jié)合的組合式的。感知機(jī)20世紀(jì)50年代發(fā)展起來(lái)的一種早期神經(jīng)網(wǎng)絡(luò)，這種模擬人類視神經(jīng)控制系統(tǒng)的圖形識(shí)別機(jī)在當(dāng)時(shí)人受歡迎，但后來(lái)卻顯示出其局限性，在之后的一些年里抑制了研究人員對(duì)神經(jīng)網(wǎng)絡(luò)的興趣。強(qiáng)化學(xué)習(xí)機(jī)器學(xué)習(xí)的一種類型，通過(guò)抽彖目標(biāo)學(xué)習(xí)算法，例如“在電子游戲中獲得高分”或“有效管理一個(gè)工廠”。在訓(xùn)練過(guò)程中，每一項(xiàng)嘗試都基于對(duì)目標(biāo)的貢獻(xiàn)進(jìn)行評(píng)估。強(qiáng)人工智能與人類一樣聰明和成熟的人工智能。有人說(shuō)這是不可能的。目前的人工智能還很弱，或者說(shuō)擅長(zhǎng)的范圍還很狹窄。例如，它會(huì)下棋或會(huì)開(kāi)車，但同時(shí)缺乏常識(shí)。監(jiān)督式學(xué)習(xí)機(jī)器學(xué)習(xí)的一種類型，在訓(xùn)練過(guò)程中算法將其輸出與正確輸出進(jìn)行比較。而在無(wú)監(jiān)督學(xué)習(xí)中，算法只在一組數(shù)據(jù)中尋找特定模式。谷歌張量流圖谷歌開(kāi)發(fā)的一組用于深度學(xué)習(xí)的軟件工具。它是開(kāi)源的，意味著任何人都可以使用它或?qū)λM(jìn)行改進(jìn)。類似的項(xiàng)目還有火炬/r