Глоссарий искусственного интеллекта - Glossary of artificial intelligence

Этот глоссарий искусственного интеллекта список определений терминов и понятий, относящихся к изучению искусственный интеллект, его суб-дисциплины и связанные области. Связанные глоссарии включают Глоссарий информатики, Глоссарий робототехники, и Глоссарий машинного зрения.

А

абдуктивное логическое программирование (ALP): Платформа представления знаний высокого уровня, которая может использоваться для декларативного решения проблем на основе похищающие рассуждения. Он расширяется нормально логическое программирование позволяя некоторым предикатам быть не полностью определенными, объявленными как сокращаемые предикаты.
похищающие рассуждения: Форма логический вывод который начинается с наблюдения или набора наблюдений, а затем пытается найти самое простое и наиболее вероятное объяснение. Этот процесс, в отличие от дедуктивное мышление, дает правдоподобный вывод, но не положительно проверить Это.^[1] абдуктивный вывод,^[1] или ретродукция^[2]
абстрактный тип данных: А математическая модель за типы данных, где тип данных определяется своим поведением (семантика ) с точки зрения Пользователь данных, в частности, с точки зрения возможных значений, возможных операций с данными этого типа и поведения этих операций.
абстракция: Процесс удаления физических, пространственных или временных деталей^[3] или же атрибуты при изучении предметов или системы чтобы более внимательно относиться к другим интересующим деталям^[4]
ускоряющееся изменение: Ощущаемое увеличение скорости технологические изменения на протяжении всей истории, что может означать более быстрые и более глубокие изменения в будущем и может сопровождаться или не сопровождаться столь же глубокими социальными и культурными изменениями.
язык действия: Язык для указания системы перехода между состояниями, и обычно используется для создания формальные модели воздействия действий на мир.^[5] Языки действий обычно используются в искусственный интеллект и робототехника домены, где они описывают, как действия влияют на состояние систем с течением времени, и могут использоваться для автоматизированное планирование.
обучение модели действия: Область машинного обучения, связанная с созданием и модификацией знаний программного агента об эффектах и предпосылках действий, которые могут выполняться в его среде. Эти знания обычно представлены на языке описания действий, основанном на логике, и используются в качестве входных данных для автоматизированных планировщиков.
выбор действия: Способ описания самой основной проблемы интеллектуальных систем: что делать дальше. В искусственном интеллекте и вычислительной когнитивной науке «проблема выбора действия» обычно связана с интеллектуальными агентами и аниматами - искусственными системами, которые демонстрируют сложное поведение в агентской среде.
функция активации: В искусственные нейронные сети, функция активации узла определяет выход этого узла при заданном входе или наборе входов.
адаптивный алгоритм: Алгоритм, который меняет свое поведение во время выполнения, на основе априори определенный механизм или критерий вознаграждения.
система адаптивного нейро-нечеткого вывода (ANFIS): Типа искусственная нейронная сеть основанный на нечеткой системе Такаги – Сугено система вывода. Техника была разработана в начале 1990-х годов.^[6]^[7] Поскольку он объединяет как нейронные сети, так и нечеткая логика принципов, он может объединить преимущества обоих в одном рамки. Его система вывода соответствует набору нечетких IF – THEN правила которые обладают способностью к обучению приближению нелинейных функций.^[8] Следовательно, ANFIS считается универсальным оценщиком.^[9] Для более эффективного и оптимального использования ANFIS можно использовать лучшие параметры, полученные с помощью генетического алгоритма.^[10]^[11]
допустимая эвристика: В Информатика особенно в алгоритмы относится к Найти путь, а эвристическая функция считается допустимым, если он никогда не переоценивает стоимость достижения цели, т.е. стоимость, которую он оценивает для достижения цели, не превышает минимально возможную стоимость из текущей точки пути.^[12]
аффективные вычисления: Изучение и разработка систем и устройств, которые могут распознавать, интерпретировать, обрабатывать и моделировать человеческие влияет. Эффективные вычисления - это междисциплинарная область, охватывающая Информатика, психология, и наука о мышлении.^[13]^[14]
архитектура агента: А план за программные агенты и интеллектуальное управление системы, изображающие расположение компонентов. Архитектуры, реализованные интеллектуальные агенты упоминаются как когнитивные архитектуры.^[15]
AI-ускоритель: Класс микропроцессор^[16] или компьютерная система^[17] разработан как аппаратное ускорение за искусственный интеллект приложения, особенно искусственные нейронные сети, машинное зрение, и машинное обучение.
AI-полный: В области искусственного интеллекта самые сложные проблемы неофициально известны как AI-complete или AI-hard, подразумевая, что сложность этих вычислительных задач эквивалентна решению центральной проблемы искусственного интеллекта - делая компьютеры такими же умными, как люди, или же сильный ИИ.^[18] Назвать проблему AI-завершенной отражает отношение к тому, что она не может быть решена с помощью простого конкретного алгоритма.
алгоритм: Однозначное определение того, как решать класс проблем. Алгоритмы могут выполнять задачи расчета, обработки данных и автоматизированного обоснования.
алгоритмическая эффективность: Собственность алгоритм что относится к количеству вычислительные ресурсы используется алгоритмом. Алгоритм должен быть проанализированы для определения использования ресурсов, а эффективность алгоритма может быть измерена на основе использования различных ресурсов. Алгоритмическую эффективность можно рассматривать как аналог инженерной продуктивность для повторяющегося или непрерывного процесса.
алгоритмическая вероятность: В алгоритмическая теория информации алгоритмическая вероятность, также известная как вероятность Соломонова, представляет собой математический метод назначения априорной вероятности. вероятность к данному наблюдению. Это было изобретено Рэй Соломонов в 1960-е гг.^[19]
AlphaGo: А компьютерная программа что играет настольная игра Идти.^[20] Он был разработан Alphabet Inc. с Google DeepMind В Лондоне. AlphaGo имеет несколько версий, включая AlphaGo Zero, Мастер AlphaGo, AlphaGo Lee, так далее.^[21] В октябре 2015 года AlphaGo стала первой компьютер Go программа, чтобы победить человека профессиональный игрок в го без физические недостатки на полноразмерной доске 19 × 19.^[22]^[23]
окружающий интеллект (AmI): Электронная среда, чувствительная и реагирующая на присутствие людей.
анализ алгоритмов: Определение вычислительная сложность алгоритмов, то есть количество времени, хранилища и / или других ресурсов, необходимых для выполнить их. Обычно это включает определение функция который связывает длину входных данных алгоритма с количеством шагов, которые он делает (его временная сложность ) или количество используемых им мест хранения (его космическая сложность ).
аналитика: Обнаружение, интерпретация и передача значимых закономерностей в данных.
программирование набора ответов (ASP): Форма декларативное программирование ориентированы на сложные (в первую очередь NP-жесткий ) проблемы с поиском. Он основан на стабильная модель (набор ответов) семантика логическое программирование. В ASP проблемы поиска сводятся к вычислению стабильных моделей и решатели наборов ответов- программы генерации устойчивых моделей - используются для поиска.
алгоритм в любое время: An алгоритм которые могут вернуть действительное решение проблемы, даже если она была прервана до ее завершения.
интерфейс прикладного программирования (API): Набор определений подпрограмм, протоколы связи, и инструменты для создания программного обеспечения. В общем, это набор четко определенных методов связи между различными компонентами. Хороший API упрощает разработку компьютерная программа предоставляя все строительные блоки, которые затем собираются программист. API может быть для веб-системы, Операционная система, система базы данных, компьютерное оборудование или библиотека программного обеспечения.
приблизительное соответствие строк: Техника поиска струны что соответствует шаблон приблизительно (а не точно). Проблема приблизительного сопоставления строк обычно делится на две подзадачи: поиск приблизительного подстрока совпадает с заданной строкой и находит словарные строки, примерно соответствующие шаблону.
ошибка приближения: Несоответствие между точным значением и некоторым приближением к нему.
структура аргументации: Способ борьба с спорной информацией и делать из нее выводов. В рамках абстрактной аргументации^[24] Информация начального уровня - это набор абстрактных аргументов, которые, например, представляют данные или предложение. Конфликты между аргументами представлены бинарное отношение по набору аргументов. Конкретно, вы представляете структуру аргументации с ориентированный граф таким образом, что узлы являются аргументами, а стрелки представляют отношение атаки. Существуют некоторые расширения структуры Dung, например, структуры аргументации на основе логики.^[25] или системы аргументации, основанные на ценностях.^[26]
общий искусственный интеллект (AGI)
искусственная иммунная система (AIS): Класс вычислительно интеллектуальных, машинное обучение на основе правил системы, вдохновленные принципами и процессами позвоночных иммунная система. Алгоритмы обычно моделируются на основе характеристик иммунной системы: учусь и объем памяти для использования в решение проблем.
искусственный интеллект (AI): Любой интеллект продемонстрировано машины, в отличие от естественного интеллекта, проявляемого людьми и другими животными. В Информатика, Исследование AI определяется как исследование "интеллектуальные агенты ": любое устройство, которое воспринимает окружающую среду и предпринимает действия, которые увеличивают его шансы на успешное достижение своих целей.^[27] В просторечии термин «искусственный интеллект» применяется, когда машина имитирует «когнитивные» функции, которые люди связывают с другими. человеческие умы, например, «обучение» и «решение проблем».^[28]
Язык разметки искусственного интеллекта: An XML диалект для создания естественный язык программные агенты.
искусственная нейронная сеть (АННА): Любая вычислительная система, смутно вдохновленная биологические нейронные сети которые составляют животное мозги.
Ассоциация развития искусственного интеллекта (AAAI): Международное некоммерческое научное общество, посвященное продвижению исследований и ответственному использованию, искусственный интеллект. AAAI также стремится повысить общественное понимание искусственного интеллекта (ИИ), улучшить обучение и подготовку специалистов, занимающихся ИИ, и предоставить рекомендации для планировщиков исследований и спонсоров относительно важности и потенциала текущих разработок ИИ и будущих направлений.^[29]
асимптотическая вычислительная сложность: В теория сложности вычислений, асимптотическая вычислительная сложность - это использование асимптотический анализ для оценки вычислительной сложности алгоритмы и вычислительные проблемы, обычно связанные с использованием нотация большой O.
атрибуционное исчисление: Система логики и представления, определяемая Рышард С. Михальски. Он сочетает в себе элементы логика предикатов, пропозициональное исчисление, и многозначная логика. Атрибутивное исчисление обеспечивает формальный язык для естественная индукция, индуктивный процесс обучения, результаты которого имеют естественные для людей формы.
дополненная реальность (AR): Интерактивный опыт реальной среды, в которой объекты, которые находятся в реальном мире, «дополняются» сгенерированной компьютером перцептивной информацией, иногда с использованием нескольких сенсорных модальностей, включая визуальный, слуховой, тактильный, соматосенсорный, и обонятельный.^[30]^[31]
теория автоматов: Изучение абстрактные машины и автоматы, так же хорошо как вычислительные проблемы это можно решить с их помощью. Это теория в теоретическая информатика и дискретная математика (предмет изучения в обоих математика и Информатика ).
автоматизированное планирование и составление графиков: Филиал искусственный интеллект что касается реализации стратегии или последовательности действий, обычно для выполнения интеллектуальные агенты, автономные роботы и беспилотные автомобили. В отличие от классических контроль и классификация проблемы, решения сложны и должны быть обнаружены и оптимизированы в многомерном пространстве. Планирование также связано с теория принятия решений.^[32]
автоматическое рассуждение: Площадь Информатика и математическая логика посвященный пониманию различных аспектов рассуждение. Изучение автоматизированных рассуждений помогает производить компьютерные программы которые позволяют компьютерам полностью или почти полностью рассуждать автоматически. Хотя автоматизированное рассуждение считается подполем искусственный интеллект, он также связан с теоретическая информатика, и даже философия.
автономные вычисления (AC): В самоуправляемый Характеристики распределенных вычислений ресурсы, адаптируясь к непредсказуемым изменениям, скрывая при этом внутреннюю сложность для операторов и пользователей. По инициативе IBM В 2001 году эта инициатива в конечном итоге была направлена на разработку компьютерных систем, способных к самоуправлению, чтобы преодолеть быстро растущую сложность вычислений. управление системами, а также уменьшить барьер, который сложность создает для дальнейшего роста.^[33]
автономный автомобиль: А средство передвижения который способен ощущать окружающую среду и двигаться практически без человеческий вклад.^[34]^[35]^[36]
автономный робот: А робот который выполняет поведение или задачи с высокой степенью автономия. Автономная робототехника обычно рассматривается как подполе искусственный интеллект, робототехника, и информационная инженерия.^[37]

B

обратное распространение: Метод, используемый в искусственные нейронные сети для расчета градиента, необходимого для расчета веса для использования в сети.^[38] Обратное распространение - это сокращение для «обратного распространения ошибок», поскольку ошибка вычисляется на выходе и распределяется в обратном направлении по уровням сети. Обычно используется для тренировки глубокие нейронные сети,^[39] термин, относящийся к нейронным сетям с более чем одним скрытым слоем.^[40]
обратное распространение во времени (BPTT): Методика на основе градиента для тренировки определенных типов повторяющиеся нейронные сети. Его можно использовать для тренировки Сети Эльмана. Алгоритм был независимо разработан многочисленными исследователями.^[41]^[42]^[43]
обратная цепочка: An вывод метод, который в просторечии описывается как работа в обратном направлении от цели. Он используется в автоматические средства доказательства теорем, механизмы вывода, помощники доказательства, и другие искусственный интеллект Приложения.^[44]
модель-мешок слов: Упрощающее представление, используемое в обработка естественного языка и поиск информации (ИК). В этой модели текст (например, предложение или документ) представлен как сумка (мультимножество) слов, не обращая внимания на грамматику и даже порядок слов, но сохраняя множественность. Модель мешка слов также использовалась для компьютерное зрение.^[45] Модель набора слов обычно используется в методах классификация документов где (частота) появления каждого слова используется как особенность для обучения классификатор.^[46]
модель мешка слов в компьютерном зрении: В компьютерном зрении модель мешка слов (модель BoW) может быть применена к классификация изображений, обрабатывая особенности изображения как слова. В классификации документов мешок слов это разреженный вектор количества вхождений слов; то есть редкий гистограмма над словарным запасом. В компьютерное зрение, а мешок визуальных слов - вектор количества появлений словаря локальных характеристик изображения.
пакетная нормализация: Методика повышения производительности и стабильности искусственные нейронные сети. Это метод предоставления любому слою нейронной сети входных данных с нулевым средним / единичным отклонением.^[47] Пакетная нормализация была представлена в статье 2015 года.^[48]^[49] Он используется для нормализации входного слоя путем настройки и масштабирования активаций.^[50]
Байесовское программирование: Формализм и методология определения техники вероятностные модели и решать проблемы, когда доступно меньше необходимой информации.
алгоритм пчелы: На основе населения алгоритм поиска который был разработан Фамом, Ганбарзаде и др. в 2005 году.^[51] Он имитирует поведение семей медоносных пчел в поисках пищи. В своей базовой версии алгоритм выполняет своего рода поиск окрестностей в сочетании с глобальным поиском и может использоваться как для комбинаторная оптимизация и непрерывная оптимизация. Единственным условием применения алгоритма пчел является определение некоторого расстояния между решениями. Эффективность и особенности алгоритма пчел были доказаны в ряде исследований.^[52]^[53]^[54]^[55]
информатика поведения (BI): Информатика поведения для получения поведенческого интеллекта и понимания поведения.^[56]
дерево поведения (BT): А математическая модель из строить планы исполнение используется в Информатика, робототехника, Системы управления и видеоигры. Они описывают переключение между конечным набором задач в модульном виде. Их сила заключается в их способности создавать очень сложные задачи, состоящие из простых задач, не беспокоясь о том, как простые задачи реализуются. БТ имеют некоторое сходство с иерархические машины состояний с той ключевой разницей, что основным строительным блоком поведения является задача, а не состояние. Простота понимания человеком делает BT менее подверженными ошибкам и очень популярными в сообществе разработчиков игр. BT продемонстрировали способность обобщать несколько других архитектур управления.^[57]^[58]
программная модель убеждения-желания-намерения (BDI): Программная модель, разработанная для программирования интеллектуальные агенты. Внешне характеризуется реализацией агентского верования, желания и намерения, он фактически использует эти концепции для решения конкретной проблемы в программировании агентов. По сути, он обеспечивает механизм для разделения действий по выбору плана (из библиотеки планов или внешнего приложения-планировщика) от выполнения текущих активных планов. Следовательно, агенты BDI могут сбалансировать время, затрачиваемое на обдумывание планов (выбор того, что делать) и выполнение этих планов (выполнение). Третье действие, в первую очередь создание планов (планирование), выходит за рамки модели и предоставляется разработчику системы и программисту.
компромисс между смещением и дисперсией: В статистика и машинное обучение, компромисс смещения и дисперсии является свойством набора прогнозных моделей, в соответствии с которым модели с более низким предвзятость в параметр оценка иметь более высокий отклонение оценок параметров по образцы, наоборот.
большое количество данных: Термин, используемый для обозначения наборы данных слишком большие или сложные для традиционных обработка данных программное обеспечение адекватно разбираться. Данные с большим количеством наблюдений (строк) предлагают больше статистическая мощность, в то время как данные с более высокой сложностью (больше атрибутов или столбцов) могут привести к более высокому коэффициент ложного обнаружения.^[59]
Обозначение Big O: Математическая запись, описывающая ограничивающее поведение из функция когда аргумент стремится к определенному значению или бесконечности. Это член семейства обозначений, изобретенных Пол Бахманн,^[60] Эдмунд Ландау,^[61] и другие, вместе называемые обозначениями Бахмана – Ландау или асимптотическими обозначениями.
двоичное дерево: А дерево структура данных в котором каждый узел имеет не более двух дети, которые называются левый ребенок и правильный ребенок. А рекурсивное определение используя только теория множеств понятиями, что (непустое) двоичное дерево является кортеж (L, S, р), куда L и р бинарные деревья или пустой набор и S это одноэлементный набор.^[62] Некоторые авторы также допускают, чтобы двоичное дерево было пустым множеством.^[63]
система доски: An искусственный интеллект подход, основанный на классная архитектурная модель,^[64]^[65]^[66]^[67] где общая база знаний, «доска», итеративно обновляется разнородной группой источников специальных знаний, начиная со спецификации проблемы и заканчивая решением. Каждый источник знаний обновляет классную доску частичным решением, когда его внутренние ограничения соответствуют состоянию доски. Таким образом, специалисты вместе работают над решением проблемы.
Машина Больцмана: Тип стохастический рекуррентная нейронная сеть и Марковское случайное поле.^[68] Машины Больцмана можно рассматривать как стохастический, генеративный аналог Сети Хопфилда.
Проблема логической выполнимости: {{{содержание}}}
технология мозга: Технология, в которой используются новейшие разработки нейробиология. Термин был впервые введен Лабораторией искусственного интеллекта в Цюрих, Швейцария, в контексте РОБОЙ проект.^[69] Технологии мозга можно использовать в роботах,^[70] системы управления ноу-хау^[71] и любое другое приложение с возможностью самообучения. В частности, приложения Brain Technology позволяют визуализировать базовую архитектуру обучения, которую часто называют «картами ноу-хау».
фактор ветвления: В вычисление, древовидные структуры данных, и теория игры, количество дети на каждом узел, то превосходить. Если это значение неоднородно, средний коэффициент ветвления можно рассчитать.
перебор: Очень общий решение проблем техника и алгоритмическая парадигма который состоит из систематического перечисления всех возможных кандидатов для решения и проверки того, удовлетворяет ли каждый кандидат постановке задачи.

C

капсульная нейронная сеть (CapsNet): Система машинного обучения, которая является разновидностью искусственная нейронная сеть (ИНС), которые можно использовать для лучшего моделирования иерархических отношений. Этот подход представляет собой попытку более точно имитировать биологическую нейронную организацию.^[72]
аргументация по делу (CBR): В широком смысле это процесс решения новых проблем, основанный на решениях аналогичных прошлых проблем.
чат-бот: А компьютерная программа или искусственный интеллект который проводит беседа через слуховые или текстовые методы.^[73]
облачная робототехника: Поле робототехника который пытается задействовать облачные технологии, такие как облачные вычисления, облачное хранилище, и другие Интернет-технологии сосредоточены на преимуществах конвергентной инфраструктуры и общих сервисов для робототехники. При подключении к облаку роботы могут извлечь выгоду из мощных вычислительных, хранилищ и коммуникационных ресурсов современных Дата центр в облаке, который может обрабатывать и передавать информацию от различных роботов или агентов (других машин, интеллектуальных объектов, людей и т. д.). Люди также могут делегировать задачи роботам удаленно через сети. Технологии облачных вычислений позволяют наделить роботизированные системы мощными возможностями при одновременном сокращении затрат за счет облачных технологий. Таким образом, можно создавать легкие, недорогие и умные роботы с интеллектуальным «мозгом» в облаке. «Мозг» состоит из Дата центр, база знаний, планировщики задач, глубокое обучение, обработка информации, модели среды, коммуникационная поддержка и т. д.^[74]^[75]^[76]^[77]
кластерный анализ: Задача группировки набора объектов таким образом, чтобы объекты в одной группе (называемой кластером) были более похожи (в некотором смысле) друг на друга, чем на объекты в других группах (кластерах). Это основная задача исследовательского сбор данных, и обычная техника для статистический анализ данных, используется во многих областях, в том числе машинное обучение, распознавание образов, анализ изображений, поиск информации, биоинформатика, Сжатие данных, и компьютерная графика.
Паутина: Инкрементальная система для иерархической концептуальная кластеризация. COBWEB был изобретен профессором Дуглас Х. Фишер, в настоящее время учится в Университете Вандербильта.^[78]^[79] COBWEB постепенно организует наблюдения в дерево классификации. Каждый узел в дереве классификации представляет класс (концепцию) и помечен вероятностной концепцией, которая суммирует распределения значений атрибутов объектов, классифицированных в этом узле. Это дерево классификации можно использовать для прогнозирования отсутствующих атрибутов или класса нового объекта.^[80]
когнитивная архитектура: В Институт креативных технологий определяет когнитивную архитектуру как: «гипотезу о фиксированных структурах, которые обеспечивают разум, будь то в естественных или искусственных системах, и о том, как они работают вместе - в сочетании со знаниями и навыками, воплощенными в архитектуре - для обеспечения разумного поведения в разнообразных сложных средах. . "^[81]
когнитивные вычисления: В общем, термин когнитивные вычисления использовался для обозначения нового оборудования и / или программного обеспечения, которое имитирует функционирование из человеческий мозг^[82]^[83]^[84]^[85]^[86]^[87] и помогает улучшить процесс принятия решений людьми.^[88]^[89] В этом смысле CC - это новый тип вычислений, целью которого является создание более точных моделей того, как человеческий мозг /разум чувства причины, и реагирует на раздражитель.
наука о мышлении: Междисциплинарное научное исследование разум и его процессы.^[90]
комбинаторная оптимизация: В Исследование операций, Прикладная математика и теоретическая информатика, комбинаторная оптимизация - это тема, которая состоит из поиска оптимального объекта из конечный набор объектов.^[91]
комитет комитета: Тип искусственная нейронная сеть используя разделяй и властвуй стратегия, в которой ответы нескольких нейронных сетей (экспертов) объединяются в один ответ.^[92] Предполагается, что совокупная реакция машины комитета превосходит реакцию составляющих ее экспертов. Сравнивать ансамбли классификаторов.
здравый смысл: В искусственный интеллект Исследования, здравый смысл состоит из фактов о повседневном мире, таких как «Лимоны кислые», которые должны знать все люди. Первая программа ИИ, обращенная к здравому смыслу, была Советник в 1959 году Джоном Маккарти.^[93]
здравый смысл: Раздел искусственного интеллекта, связанный с моделированием способности человека делать предположения о типе и сущности обычных ситуаций, с которыми они сталкиваются каждый день.^[94]
вычислительная химия: Филиал химия который использует компьютерное моделирование для помощи в решении химических проблем.
теория сложности вычислений: Сосредоточен на классификации вычислительных задач в соответствии с присущей им сложностью и на связывании этих классов друг с другом. Вычислительная задача - это задача, решаемая компьютером. Вычислительная проблема решается механическим применением математических шагов, таких как алгоритм.
вычислительное творчество: Междисциплинарная деятельность, охватывающая области искусственный интеллект, когнитивная психология, философия, и искусство.
вычислительная кибернетика: Интеграция кибернетика и вычислительный интеллект техники.
вычислительный юмор: Филиал компьютерная лингвистика и искусственный интеллект который использует компьютеры в юмористические исследования.^[95]
вычислительный интеллект (CI): Обычно относится к способности компьютер узнать конкретную задачу из данных или экспериментального наблюдения.
теория вычислительного обучения: В Информатика, теория вычислительного обучения (или просто теория обучения) - это подполе искусственный интеллект посвящен изучению конструкции и анализа машинное обучение алгоритмы.^[96]
компьютерная лингвистика: An междисциплинарный область, связанная со статистическим или основанным на правилах моделированием естественный язык с вычислительной точки зрения, а также изучение соответствующих вычислительных подходов к лингвистическим вопросам.
вычислительная математика: Математические исследования в областях науки, в которых вычисление играет важную роль.
вычислительная нейробиология: Филиал нейробиология который использует математические модели, теоретический анализ и абстракции мозга, чтобы понять принципы, которые управляют разработка, структура, физиология, и когнитивные способности из нервная система.^[97]^[98]^[99]^[100]
вычислительная теория чисел: Изучение алгоритмы для выполнения теоретико-числовой вычисления.
вычислительная проблема: В теоретическая информатика, вычислительная задача - это математический объект представляющий собой набор вопросов, которые компьютеры может быть в состоянии решить.
вычислительная статистика: Интерфейс между статистика и Информатика.
автоматизированное проектирование (CAutoD): Автоматизация проектирования обычно относится к автоматизация проектирования электроники, или же Автоматизация проектирования который является Конфигуратор продукта. Расширение Системы автоматизированного проектирования (САПР), автоматизированное проектирование и автоматизированное проектирование^[101]^[102]^[103] связаны с более широким спектром приложений, таких как автомобилестроение, гражданское строительство,^[104]^[105]^[106]^[107] композитный материал дизайн, техника управления,^[108] динамичный идентификация системы и оптимизация,^[109] финансовый системы, промышленное оборудование, мехатроник системы, стальная конструкция,^[110] структурный оптимизация,^[111] и изобретение новых систем. Совсем недавно традиционное моделирование CAD было преобразовано в CAutoD благодаря биологическим мотивам. машинное обучение,^[112] включая эвристический методы поиска Такие как эволюционные вычисления,^[113]^[114] и рой интеллект алгоритмы.^[115]
компьютерное прослушивание (CA): Видеть машинное прослушивание.
Информатика: Теория, эксперименты и инженерия, лежащие в основе разработки и использования компьютеры. Это предполагает изучение алгоритмы которые обрабатывают, хранят и общаются цифровой Информация. А специалист в области информатики специализируется на теории вычислений и проектировании вычислительных систем.^[116]
компьютерное зрение: An междисциплинарная научная область это касается того, как сделать компьютеры, чтобы получить понимание высокого уровня от цифровые изображения или же ролики. С точки зрения инженерное дело, он стремится автоматизировать задачи, которые зрительная система человека сможет сделать.^[117]^[118]^[119]
дрейф концепции: В прогнозная аналитика и машинное обучение дрейф концепции означает, что статистические свойства целевой переменной, которую модель пытается предсказать, со временем изменяются непредвиденным образом. Это вызывает проблемы, потому что прогнозы становятся менее точными с течением времени.
коннекционизм: Подход в области наука о мышлении, который надеется объяснить умственный явления с использованием искусственные нейронные сети.^[120]
последовательная эвристика: При изучении проблемы поиска пути в искусственный интеллект, а эвристическая функция называется согласованным или монотонным, если его оценка всегда меньше или равна расчетному расстоянию от любой соседней вершины до цели, плюс стоимость достижения этого соседа.
условная модель с ограничениями (СКК): А машинное обучение и структура вывода, которая дополняет изучение условных (вероятностных или дискриминативных) моделей декларативными ограничениями.
программирование логики ограничений: Форма программирование в ограничениях, в котором логическое программирование расширен, чтобы включить концепции из удовлетворение ограничений. Программа логики ограничений - это логическая программа, которая содержит ограничения в теле предложений. Пример предложения, включающего ограничение: А(Икс,Y) :- Икс+Y>0, B(Икс), C(Y). В этом пункте Икс+Y>0 это ограничение; А (Х, У), В (Х), и C (Y) находятся литералы как в обычном логическом программировании. В этом пункте указано одно условие, при котором утверждение А (Х, У) держит: X + Y больше нуля и оба В (Х) и C (Y) верны.
программирование в ограничениях: А парадигма программирования в которой связи между переменные изложены в виде ограничения. Ограничения отличаются от обычных примитивы из императивное программирование языков, в которых они не определяют шаг или последовательность шагов для выполнения, а скорее свойства решения, которое необходимо найти.
сконструированный язык: Язык, чей фонология, грамматика, и словарный запас сознательно разработаны, а не разработаны естественно. Искусственные языки также могут называться искусственными, запланированными или изобретенными языками.^[121]
теория управления: В разработка систем управления это подполе математики, которая занимается управлением непрерывно работающими динамические системы в инженерных процессах и машинах. Цель состоит в том, чтобы разработать модель управления для управления такими системами с использованием управляющего воздействия оптимальным образом без задержка или превышение и обеспечение контроля стабильность.
сверточная нейронная сеть: В глубокое обучение, сверточная нейронная сеть (CNN или ConvNet) - это класс глубокие нейронные сети, чаще всего применяется для анализа визуальных образов. CNN используют вариант многослойные перцептроны разработан так, чтобы требовать минимального предварительная обработка.^[122] Они также известны как инвариантные к сдвигу или пространственно-инвариантные искусственные нейронные сети (SIANN), основанные на их архитектуре с разделяемыми весами и инвариантность перевода характеристики.^[123]^[124]
кроссовер: В генетические алгоритмы и эволюционные вычисления, а генетический оператор используется для объединения генетическая информация двух родителей, чтобы произвести новое потомство. Это один из способов стохастической генерации новых решения от существующего населения, и аналогично кроссовер что происходит во время половое размножение в биологических организмах. Решения также могут быть созданы клонирование существующее решение, которое аналогично бесполое размножение. Новые решения обычно мутировавший перед добавлением к населению.

D

Темный лес: А компьютер идти программа разработана Facebook, на основе глубокое обучение методы с использованием сверточная нейронная сеть. Его обновленная версия Darkfores2 сочетает в себе приемы своего предшественника с Поиск в дереве Монте-Карло.^[125]^[126] MCTS эффективно использует методы поиска по дереву, обычно используемые в компьютерных шахматных программах, и рандомизирует их.^[127] С обновлением система получила название Darkfmcts3.^[128]
Дартмутская мастерская: Летний исследовательский проект по искусственному интеллекту в Дартмуте - это название летнего семинара 1956 года, который сейчас рассматривается многими.^[129]^[130] (хотя не все^[131]) быть семенной мероприятие для искусственный интеллект как поле.
увеличение данных: Увеличение объема данных при анализе данных - это методы, используемые для увеличения объема данных. Это помогает уменьшить переоснащение при обучении машинное обучение.
слияние данных: Процесс интеграции нескольких источников данных для получения более согласованной, точной и полезной информации, чем та, которая предоставляется любым отдельным источником данных.^[132]
интеграция данных: Процесс совмещения данные находятся в разных источниках и предоставляют пользователям единое представление о них.^[133] Этот процесс становится важным в самых разных ситуациях, включая коммерческие (например, когда двум аналогичным компаниям необходимо объединить свои базы данных ) и научный (объединение результатов исследований разных биоинформатика репозитории, например) домены. Интеграция данных появляется с возрастающей частотой по мере увеличения объема (то есть большое количество данных ) и необходимость делиться существующими данными взрывается.^[134] Он стал предметом обширной теоретической работы, и многие открытые проблемы остаются нерешенными.
сбор данных: Процесс обнаружения закономерностей в больших наборах данных с использованием методов на пересечении машинного обучения, статистики и систем баз данных.
наука о данных: Междисциплинарная область, в которой используются научные методы, процессы, алгоритмы и системы для извлечения знание и идеи от данные в различных формах, как структурированных, так и неструктурированных,^[135]^[136] похожий на сбор данных. Наука о данных - это «концепция объединения статистики, анализа данных, машинного обучения и связанных с ними методов» с целью «понимания и анализа реальных явлений» с помощью данных.^[137] Он использует методы и теории, почерпнутые из многих областей в контексте математика, статистика, информационная наука, и Информатика.
набор данных: Коллекция данные. Чаще всего набор данных соответствует содержимому одного таблица базы данных, или единый статистический матрица данных, где каждый столбец таблицы представляет конкретную переменную, и каждый ряд соответствует данному члену рассматриваемого набора данных. В наборе данных перечислены значения для каждой из переменных, таких как высота и вес объекта, для каждого члена набора данных. Каждое значение называется датумом. Набор данных может содержать данные для одного или нескольких элементов, соответствующих количеству строк.
хранилище данных (DW или DWH): Система, используемая для составление отчетов и анализ данных.^[138] DW - это центральные хранилища интегрированных данных из одного или нескольких разрозненных источников. Они хранят текущие и исторические данные в одном месте^[139]
Лог данных: А декларативный логическое программирование язык, который синтаксически является подмножеством Пролог. Часто используется как язык запросов за дедуктивные базы данных. В последние годы Datalog нашел новое применение в интеграция данных, извлечение информации, сеть, программный анализ, безопасность, и облачные вычисления.^[140]
граница решения: В случае обратное распространение -основан искусственные нейронные сети или же перцептроны, тип границы принятия решения, который может изучить сеть, определяется количеством скрытых слоев, которые имеет сеть. Если у него нет скрытых слоев, он может изучать только линейные задачи. Если у него есть один скрытый слой, он может изучить любой непрерывная функция на компактные подмножества из р^п как показано Универсальная аппроксимационная теорема, таким образом, он может иметь произвольную границу решения.
система поддержки принятия решений (DSS): Aan информационная система который поддерживает бизнес или организацию принимать решение виды деятельности. DSS обслуживают уровни управления, операций и планирования организации (обычно среднего и высшего звена) и помогают людям принимать решения о проблемах, которые могут быстро изменяться и не так легко определить заранее, т. Е. неструктурированные и полуструктурированные задачи решения. Системы поддержки принятия решений могут быть либо полностью компьютеризированными, либо управляемыми человеком, либо их комбинацией.
теория принятия решений: Изучение аргументов, лежащих в основе агент выбор.^[141] Теорию принятия решений можно разделить на две части: нормативный теория принятия решений, которая дает советы о том, как сделать лучшие решения учитывая набор неуверенных убеждений и набор значения и описательная теория принятия решений, которая анализирует, как существующие, возможно, иррациональные агенты на самом деле принимают решения.
обучение по дереву решений: Использует Древо решений (как прогнозная модель ), чтобы перейти от наблюдений за предметом (представленных в ветвях) к заключениям о целевом значении предмета (представленных в листьях). Это один из подходов к прогнозному моделированию, используемых в статистика, сбор данных и машинное обучение.
декларативное программирование: А парадигма программирования - стиль построения структуры и элементов компьютерных программ - выражающий логику вычисление без описания его поток управления.^[142]
дедуктивный классификатор: Тип искусственный интеллект Механизм логического вывода. Он принимает в качестве входных данных набор объявлений в язык фреймов о такой области, как медицинские исследования или молекулярная биология. Например, имена классы, подклассы, свойства и ограничения на допустимые значения.
Темно-синий: был шахматный компьютер разработан IBM. Он известен тем, что был первой компьютерной шахматной системой, которая выиграла и шахматную партию, и шахматный матч против действующего чемпиона мира при обычном контроле времени.
глубокое обучение: Часть более широкой семьи машинное обучение методы, основанные на представления данных обучения, в отличие от алгоритмов для конкретных задач. Обучение может быть под наблюдением, полууправляемый, или же без присмотра.^[143]^[144]^[145]
DeepMind Technologies: А Британский искусственный интеллект компания, основанная в сентябре 2010 г., в настоящее время принадлежит Alphabet Inc. Компания базируется в Лондон, с исследовательскими центрами в Канада,^[146] Франция,^[147] и Соединенные Штаты. Приобретенный к Google в 2014 году компания создала нейронная сеть который учится играть видеоигры аналогично людям,^[148] также как и нейронная машина Тьюринга,^[149] или нейронная сеть, которая может иметь доступ к внешней памяти, как обычная Машина Тьюринга, в результате чего компьютер имитирует краткосрочная память человеческого мозга.^[150]^[151] В 2016 году компания попала в заголовки газет после того, как AlphaGo программа превзошла человека профессионально Идти игрок Ли Седол, чемпион мира, в матч из пяти игр, о котором был снят документальный фильм.^[152] Более общая программа, AlphaZero, обыграть самые мощные программы играя Идти, шахматы, и сёги (Японские шахматы) после нескольких дней игры против самого себя, используя обучение с подкреплением.^[153]
логика по умолчанию: А немонотонная логика предложено Раймонд Рейтер формализовать рассуждения с допущениями по умолчанию.
логика описания (DL): Семья формальных представление знаний языков. Многие ДО более выразительны, чем логика высказываний но менее выразительно, чем логика первого порядка. В отличие от последнего, основные проблемы рассуждений для DL (обычно) разрешимый, и для этих проблем были разработаны и внедрены эффективные процедуры принятия решений. Есть общая, пространственная, временная, пространственно-временная логика и логика нечеткого описания, и каждая логика описания имеет различный баланс между выразительностью DL и рассуждение сложность за счет поддержки различных наборов математических конструкторов.^[154]
развивающая робототехника (DevRob): Научная область, которая направлена на изучение механизмов развития, архитектуры и ограничений, которые позволяют на протяжении всей жизни и без ограничений изучать новые навыки и новые знания в воплощенных машины.
диагноз: Обеспокоен разработкой алгоритмов и методов, которые могут определять правильность поведения системы. Если система работает некорректно, алгоритм должен быть в состоянии максимально точно определить, какая часть системы выходит из строя и с каким типом неисправности сталкивается. Расчет основан на наблюдения, которые предоставляют информацию о текущем поведении.
диалоговая система: Компьютерная система с последовательной структурой, предназначенная для общения с человеком. В диалоговых системах используются текст, речь, графика, тактильные ощущения, жесты и другие режимы связи как на входном, так и на выходном канале.
уменьшение размерности: Процесс уменьшения количества рассматриваемых случайных величин^[155] путем получения набора основных переменных. Его можно разделить на выбор функции и извлечение признаков.^[156]
дискретная система: Любая система со счетным количеством состояний. Дискретные системы можно противопоставить непрерывным системам, которые также можно назвать аналоговыми системами. Конечная дискретная система часто моделируется направленным график и анализируется на корректность и сложность согласно вычислительная теория. Поскольку дискретные системы имеют счетное число состояний, они могут быть описаны точным образом. математические модели. А компьютер это конечный автомат это можно рассматривать как дискретную систему. Поскольку компьютеры часто используются для моделирования не только других дискретных систем, но и непрерывных систем, были разработаны методы для представления непрерывных систем реального мира как дискретных систем. Один из таких методов включает выборку непрерывного сигнала при дискретное время интервалы.
распределенный искусственный интеллект (DAI): Подполе искусственный интеллект исследование, посвященное разработке распределенных решений проблем. DAI тесно связан и является предшественником области мультиагентные системы.^[157]
динамическая эпистемическая логика (DEL): Логическая структура, связанная с изменением знаний и информации. Как правило, DEL сосредотачивается на ситуациях, связанных с несколькими агенты и изучает, как меняются их знания, когда События происходить.

E

жадное обучение: Метод обучения, при котором система пытается построить общую, независимую от ввода целевую функцию во время обучения системы, в отличие от ленивое обучение, где обобщение за пределами обучающих данных откладывается до тех пор, пока в систему не будет сделан запрос.^[158]
Тест Эберта: Тест, который определяет, синтезированный голос^[159]^[160] могу сказать шутить с достаточным умением заставить людей смех.^[161] Это было предложено Кинокритик Роджер Эберт на 2011 TED конференция как вызов разработчики программного обеспечения чтобы компьютерный голос мог управлять интонациями, доставкой, таймингом и интонациями говорящего человека.^[159] Тест похож на Тест Тьюринга предложено Алан Тьюринг в 1950 году как способ измерить способность компьютера проявлять разумное поведение, создавая производительность, неотличимую от человек.^[162]
сеть состояний эха (ESN): А рекуррентная нейронная сеть со скрытым слоем с редкими связями (обычно с подключением 1%). Связь и вес скрытых нейроны фиксированы и назначаются случайным образом. Веса выходных нейронов можно узнать, чтобы сеть могла (повторно) создавать определенные временные паттерны. Главный интерес этой сети заключается в том, что, хотя ее поведение является нелинейным, единственные веса, которые изменяются во время обучения, предназначены для синапсов, которые соединяют скрытые нейроны с выходными нейронами. Таким образом, функция ошибок квадратична по отношению к вектору параметров и может быть легко дифференцирована до линейной системы.^[163]^[164]
воплощенный агент: An интеллектуальный агент который взаимодействует с окружающей средой через физическое тело в этой среде. Агенты, которые представлены графически с телом, например человек или мультяшное животное, также называются воплощенными агентами, хотя они имеют только виртуальное, а не физическое воплощение.^[165]
воплощенная когнитивная наука: Междисциплинарная область исследований, цель которой - объяснить механизмы, лежащие в основе интеллектуального поведения. Он включает три основных методологии: 1) целостное моделирование психологических и биологических систем, которое рассматривает разум и тело как единое целое, 2) формирование общего набора общих принципов разумного поведения и 3) экспериментальное использование роботизированных агентов в контролируемой среде.
ошибочное обучение: Подрайон машинное обучение обеспокоен тем, как агент должен принять меры в среда чтобы свести к минимуму обратную связь с ошибками. Это тип обучение с подкреплением.
ансамблевое усреднение: В машинное обучение, особенно в создании искусственные нейронные сети усреднение по ансамблю - это процесс создания нескольких моделей и их комбинирования для получения желаемого результата, в отличие от создания только одной модели.
этика искусственного интеллекта: Часть этика технологий специально для искусственного интеллекта.
эволюционный алгоритм (EA): Подмножество эволюционные вычисления,^[166] общий популяционный метаэвристический оптимизация алгоритм. Советник использует механизмы, вдохновленные биологическая эволюция, Такие как воспроизведение, мутация, рекомбинация, и отбор. Возможные решения к проблема оптимизации играют роль индивидов в популяции, а фитнес-функция определяет качество решений (см. также функция потерь ). Эволюция популяции затем происходит после повторного применения вышеуказанных операторов.
эволюционные вычисления: Семья алгоритмы за глобальная оптимизация вдохновлен биологическая эволюция, а подполе искусственный интеллект и мягкие вычисления изучение этих алгоритмов. С технической точки зрения они представляют собой семью популяционных методом проб и ошибок решатели проблем с метаэвристический или же стохастическая оптимизация персонаж.
развивающаяся функция классификации (ECF): Развитие или развитие функций классификатора классификаторы используются для классификации и кластеризации в области машинное обучение и искусственный интеллект, обычно используется для интеллектуальный анализ потока данных задачи в динамичных и меняющихся средах.
экзистенциальный риск: Гипотеза о существенном прогрессе в общий искусственный интеллект (AGI) когда-нибудь может привести к человеческое вымирание или какой-то другой невосстановимый глобальная катастрофа.^[167]^[168]^[169]
экспертная система: Компьютерная система, имитирующая способность принимать решения эксперта-человека.^[170] Экспертные системы предназначены для решения сложных задач путем рассуждение через совокупности знаний, представленные в основном как если – то правила а не через обычные процессуальный кодекс.^[171]

F

быстрые и бережливые деревья: Тип дерево классификации. Деревья быстрого и экономного использования могут использоваться в качестве инструментов принятия решений, которые действуют как лексикографические классификаторы и, если требуется, связывают действие (решение) с каждым классом или категорией.^[172]
извлечение признаков: В машинное обучение, распознавание образов, и обработка изображений, извлечение признаков начинается с начального набора измеренных данных и строятся производные значения (Особенности ) призваны быть информативными и неизбыточными, облегчая последующие этапы обучения и обобщения, а в некоторых случаях приводящие к лучшей интерпретации человеком.
особенности обучения: В машинное обучение, изучение функций или обучение представлению^[173] представляет собой набор методов, которые позволяют системе автоматически обнаруживать представления, необходимые для обнаружения или классификации признаков из необработанных данных. Это заменяет руководство разработка функций и позволяет машине изучать функции и использовать их для выполнения конкретной задачи.
выбор функции: В машинное обучение и статистика, выбор функций, также известный как выбор переменных, выбор атрибутов или выбор подмножества переменных, представляет собой процесс выбора подмножества соответствующих Особенности (переменные, предикторы) для использования при построении модели.
федеративное обучение: Тип машинного обучения, который позволяет тренироваться на нескольких устройствах с децентрализованными данными, что помогает сохранить конфиденциальность отдельных пользователей и их данных.
логика первого порядка: Коллекция формальные системы используется в математика, философия, лингвистика, и Информатика. Логика первого порядка использует количественные переменные над нелогическими объектами и позволяет использовать предложения, содержащие переменные, так что вместо предложений, таких как Сократ мужчина можно иметь выражения в виде "существует X такое, что X является Сократ а Х - мужчина "и Существует квантификатор, а Икс это переменная.^[174] Это отличает его от логика высказываний, который не использует кванторы или отношения.^[175]
беглый: Состояние, которое может со временем измениться. В логических подходах к рассуждению о действиях беглых можно представить в логика первого порядка к предикаты иметь аргумент, который зависит от времени.
формальный язык: Набор слова чей буквы взяты из алфавит и есть правильно сформированный по определенному набору правил.
прямая цепочка: Один из двух основных методов рассуждения при использовании Механизм логического вывода и можно описать логически как повторное применение modus ponens. Прямая цепочка - популярная стратегия реализации для экспертные системы, бизнес и системы производственных правил. Противоположностью прямой цепочки является обратная цепочка. Прямая цепочка начинается с доступного данные и использует правила вывода для извлечения дополнительных данных (например, от конечного пользователя) до тех пор, пока Цель достигнуто. An Механизм логического вывода использование прямой цепочки ищет правила вывода, пока не найдет то, в котором предшествующий (Если предложение), как известно, верно. Когда такое правило найдено, двигатель может сделать вывод или сделать вывод о последующий (Затем предложение), в результате чего добавляется новый Информация своим данным.^[176]
Рамка: Искусственный интеллект структура данных используется для разделения знание на подструктуры, представляя "стереотипный ситуаций ". Фреймы - это основная структура данных, используемая в искусственном интеллекте. язык фреймов.
язык фреймов: Технология, используемая для представление знаний в искусственном интеллекте. Кадры хранятся как онтологии из наборы и подмножества концепции кадра. Они похожи на иерархии классов в объектно-ориентированные языки хотя их основные цели дизайна различны. Фреймы ориентированы на явное и интуитивно понятное представление знаний, а объекты - на инкапсуляция и скрытие информации. Фреймы возникли в результате исследований ИИ, а объекты - в основном в программная инженерия. Однако на практике методы и возможности фреймового и объектно-ориентированного языков существенно пересекаются.
проблема с рамой: Проблема поиска адекватных наборов аксиом для жизнеспособного описания среды роботов.^[177]
дружественный искусственный интеллект: Гипотетический общий искусственный интеллект (AGI), что положительно повлияет на человечество. Это часть этика искусственного интеллекта и тесно связан с машинная этика. В то время как машинная этика касается того, как должен вести себя агент с искусственным интеллектом, дружественные исследования искусственного интеллекта сосредоточены на том, как практически реализовать такое поведение и обеспечить его адекватное ограничение.
фьючерсные исследования: Изучение постулирования возможного, вероятного и предпочтительного фьючерсы и лежащие в их основе мировоззрения и мифы.^[178]
нечеткая система управления: А система контроля на основе нечеткая логика —А математический система, которая анализирует аналог входные значения в терминах логичный переменные, которые принимают непрерывные значения от 0 до 1, в отличие от классических или цифровой логика, которая работает с дискретными значениями 1 или 0 (истина или ложь соответственно).^[179]^[180]
нечеткая логика: Простая форма для многозначная логика, в которой ценности истины переменных может иметь любую степень "Правдивость", который может быть представлен любым действительным числом в диапазоне от 0 (как в случае полностью ложно) до 1 (как в случае полностью истины) включительно. Следовательно, он используется для обработки концепции частичной истины, где значение истинности может находиться в диапазоне между совершенно верно и полностью ложно. В отличие от Логическая логика, где истинные значения переменных могут иметь только целые значения 0 или 1.
нечеткое правило: Правило, используемое в системы нечеткой логики чтобы сделать вывод на основе входных переменных.
нечеткое множество: В классическом теория множеств, принадлежность элементов к набору оценивается в бинарных терминах в соответствии с двухвалентное состояние - элемент либо принадлежит, либо не принадлежит набору. Напротив, теория нечетких множеств позволяет постепенно оценивать принадлежность элементов к множеству; это описывается с помощью функция принадлежности оценивается в действительном единичном интервале [0, 1]. Нечеткие множества обобщают классические множества, так как индикаторные функции (он же характеристические функции) классических множеств являются частными случаями функций принадлежности нечетких множеств, если последние принимают только значения 0 или 1.^[181] В теории нечетких множеств классические двухвалентные множества обычно называют хрустящий наборы. Теория нечетких множеств может использоваться в широком диапазоне областей, в которых информация является неполной или неточной, например биоинформатика.^[182]

грамм

теория игры: Изучение математические модели стратегического взаимодействия между рациональными лицами, принимающими решения.^[183]
общая игра (GGP): Общая игра - это разработка программ искусственного интеллекта, позволяющих успешно запускать и играть в несколько игр.^[184]^[185]^[186]
порождающая состязательная сеть (GAN): Класс машинное обучение системы. Два нейронные сети соревноваться друг с другом в игра с нулевой суммой рамки.
генетический алгоритм (GA): А метаэвристический вдохновленный процессом естественный отбор что принадлежит к большему классу эволюционные алгоритмы (EA). Генетические алгоритмы обычно используются для создания высококачественных решений для оптимизация и проблемы с поиском полагаясь на био-вдохновленных операторов, таких как мутация, кроссовер и отбор.^[187]
генетический оператор: An оператор используется в генетические алгоритмы чтобы направить алгоритм к решению данной проблемы. Есть три основных типа операторов (мутация, кроссовер и отбор ), которые должны работать вместе друг с другом, чтобы алгоритм был успешным.
оптимизация роя светлячков: А рой интеллект оптимизация алгоритм на основе поведения светлячки (также известные как светлячки или молнии).
график (абстрактный тип данных): В Информатика, граф - это абстрактный тип данных это предназначено для реализации неориентированный граф и ориентированный граф концепции из математика; в частности, область теория графов.
граф (дискретная математика): В математике, а точнее в теория графов, граф - это структура, состоящая из набора объектов, в котором некоторые пары объектов в некотором смысле «связаны». Объекты соответствуют математическим абстракциям, называемым вершины (также называемый узлы или же точки) и каждая из связанных пар вершин называется край (также называемый дуга или же линия).^[188]
база данных графов (GDB): А база данных который использует структуры графа за семантические запросы с узлы, края, и свойства для представления и хранения данных. Ключевым понятием системы является график (или же край или же отношение), который напрямую связывает элементы данных в хранилище с набором узлов данных и ребер, представляющих отношения между узлами. Связи позволяют напрямую связывать данные в хранилище и во многих случаях получать их с помощью одной операции. В базах данных Graph отношения между данными являются приоритетными. Запрос отношений в базе данных графов выполняется быстро, поскольку они постоянно хранятся в самой базе данных. Отношения могут быть интуитивно визуализированы с помощью графовых баз данных, что делает их полезными для сильно взаимосвязанных данных.^[189]^[190]
теория графов: Изучение графики, которые представляют собой математические структуры, используемые для моделирования парных отношений между объектами.
обход графа: Процесс посещения (проверки и / или обновления) каждой вершины в график. Такие обходы классифицируются по порядку посещения вершин. Обход дерева является частным случаем обхода графа.

ЧАС

проблема остановки
эвристический: Техника, разработанная для решение проблемы быстрее, когда классические методы работают слишком медленно, или для поиска приближенного решения, когда классические методы не могут найти точное решение. Это достигается за счет оптимальности торговли, полноты, точность, или же точность для скорости. В каком-то смысле это можно считать ярлыком. Эвристическая функция, также называемая просто эвристикой, представляет собой функция это ранжирует альтернативы в алгоритмы поиска на каждом шаге ветвления на основе доступной информации, чтобы решить, за какой ветвью следовать. Например, это может приблизить точное решение.^[191]
скрытый слой: Внутренний слой нейронов в искусственная нейронная сеть, не предназначенный для ввода или вывода.
скрытый блок: Нейрон в скрытом слое в искусственная нейронная сеть.
гиперэвристический: А эвристический метод поиска, который стремится автоматизировать процесс выбора, комбинирования, генерации или адаптации нескольких более простых эвристик (или компонентов таких эвристик) для эффективного решения задач вычислительного поиска, часто за счет включения машинное обучение техники. Одним из мотивов изучения гиперэвристики является создание систем, которые могут обрабатывать классы проблем, а не решать только одну проблему.^[192]^[193]^[194]

я

Общество вычислительного интеллекта IEEE: А профессиональное общество из Институт инженеров по электротехнике и электронике (IEEE) с акцентом на «теорию, дизайн, применение и развитие биологически и лингвистически мотивированных вычислительных парадигм» с акцентом на нейронные сети, коннекционистские системы, генетические алгоритмы, эволюционное программирование, нечеткие системы и гибридные интеллектуальные системы, в которых содержатся эти парадигмы ».^[195]
постепенное обучение: Метод машинное обучение, в котором входные данные постоянно используются для расширения знаний существующей модели, то есть для дальнейшего обучения модели. Он представляет собой динамическую технику контролируемое обучение и обучение без учителя это может применяться, когда обучающие данные становятся доступными постепенно с течением времени или их размер выходит за пределы системной памяти. Алгоритмы, которые могут способствовать инкрементному обучению, известны как алгоритмы инкрементального машинного обучения.
Механизм логического вывода: Компонент системы, который применяет логические правила к базе знаний для вывода новой информации.
информационная интеграция (II): Объединение информации из разнородных источников с различными концептуальными, контекстными и типографскими представлениями. Он используется в сбор данных и консолидация данных из неструктурированных или полуструктурированных ресурсов. Обычно информационная интеграция относится к текстовым представлениям знаний, но иногда применяется к мультимедиа содержание. Слияние информации, что является родственным термином, включает объединение информации в новый набор информации для уменьшения избыточности и неопределенности.^[132]
Язык обработки информации (IPL): А язык программирования который включает функции, предназначенные для помощи с программами, которые выполняют простые действия по решению проблем, такие как списки, распределение динамической памяти, типы данных, рекурсия, функции как аргументы, генераторы и совместная многозадачность. IPL изобрела концепцию обработки списков, хотя и в язык ассемблера стиль.
усиление интеллекта (Я): Эффективное использование информационные технологии в увеличении человеческий интеллект.
интеллектуальный взрыв: Возможный исход строительства человечества общий искусственный интеллект (AGI). AGI будет способен к рекурсивному самосовершенствованию, что приведет к быстрому возникновению ASI (искусственный суперинтеллект ), пределы которых неизвестны, во время технологической сингулярности.
интеллектуальный агент (Я): An автономный субъект, который действует, направляя свою деятельность на достижение целей (т.е. агент ), по среда с использованием наблюдения с помощью датчиков и соответствующих исполнительных механизмов (т.е. это интеллектуально). Интеллектуальные агенты также могут учиться или используйте знание для достижения своих целей. Они могут быть очень простыми или очень сложный.
интеллектуальное управление: Класс контроль методы, использующие различные искусственный интеллект вычислительные подходы, такие как нейронные сети, Байесовская вероятность, нечеткая логика, машинное обучение, обучение с подкреплением, эволюционные вычисления и генетические алгоритмы.^[196]
умный личный помощник: А программный агент которые могут выполнять задачи или услуги для человека на основе словесных команд. Иногда термин "чат-бот "используется для обозначения виртуальных помощников, к которым обычно или специально обращается онлайн чат (или, в некоторых случаях, программы онлайн-чата, предназначенные исключительно для развлекательных целей). Некоторые виртуальные помощники могут интерпретировать человеческую речь и отвечать с помощью синтезированных голосов. Пользователи могут задавать вопросы своим помощникам, контролировать Домашняя автоматизация устройства и воспроизведение мультимедиа с помощью голоса, а также управление другими основными задачами, такими как электронная почта, списки дел и календари, с помощью устных команд.^[197]
интерпретация: Присвоение смысла символы из формальный язык. Многие официальные языки, используемые в математика, логика, и теоретическая информатика определены исключительно в синтаксический термины, и как таковые не имеют никакого значения, пока им не будет дано какое-то толкование. Общее изучение интерпретаций формальных языков называется формальная семантика.
внутренняя мотивация: An интеллектуальный агент имеет внутреннюю мотивацию к действию, если только информационное содержание опыта, полученного в результате действия, является мотивирующим фактором. Информационное содержание в этом контексте измеряется в теория информации смысл как количественная оценка неопределенности. Типичная внутренняя мотивация - это поиск необычных (неожиданных) ситуаций, в отличие от типичной внешней мотивации, такой как поиск пищи. Внутренне мотивированные искусственные агенты демонстрируют поведение, схожее с исследование и любопытство.^[198].
дерево проблем: Графическая разбивка вопроса, которая разбивает его на различные компоненты по вертикали и которая переходит в детали при чтении справа.^[199]^:47 Деревья задач полезны в решение проблем для выявления первопричин проблемы, а также для определения возможных решений. Они также служат отправной точкой, чтобы увидеть, как каждая часть вписывается в общую картину проблемы.^[200]

J

алгоритм дерева соединений: Метод, используемый в машинное обучение извлекать маргинализация в целом графики. По сути, это влечет за собой выполнение распространение веры на модифицированном графе, называемом дерево соединений. Граф называется деревом, потому что он разветвляется на разные разделы данных; узлы переменных - это ветви.^[201]

K

ядерный метод: В машинное обучение, методы ядра - это класс алгоритмов для анализ паттернов, самым известным участником которого является Машина опорных векторов (SVM). Общая задача анализа паттернов - найти и изучить общие типы отношений (например, кластеры, рейтинги, основные компоненты, корреляции, классификации ) в наборах данных.
KL-ONE: Известный представление знаний система в традициях семантические сети и кадры; то есть это язык фреймов. Система представляет собой попытку преодолеть семантическую нечеткость в представлениях семантической сети и явно представить концептуальную информацию в виде структурированной сети наследования.^[202]^[203]^[204]
приобретение знаний: Процесс, используемый для определения правил и онтологий, необходимых для система, основанная на знаниях. Фраза впервые была использована в сочетании с экспертные системы описать начальные задачи, связанные с разработкой экспертной системы, а именно поиск и опрос домен экспертов и фиксируют их знания через правила, объекты, и на основе кадра онтологии.
система, основанная на знаниях (KBS): А компьютерная программа который причины и использует база знаний к решать сложные проблемы. Этот термин широк и относится ко многим различным системам. Одна общая тема, которая объединяет все системы, основанные на знаниях, - это попытка явного представления знаний и система рассуждений что позволяет ему получать новые знания. Таким образом, система, основанная на знаниях, имеет две отличительные особенности: база знаний и Механизм логического вывода.
инженерия знаний (KE): Все технические, научные и социальные аспекты, связанные с созданием, обслуживанием и использованием системы, основанные на знаниях.
извлечение знаний: Создание знание из структурированных (реляционные базы данных, XML ) и неструктурированные (текст, документы, изображений ) источники. Полученные знания должны быть в машиночитаемом и машинно-интерпретируемом формате и должны представлять знания таким образом, чтобы облегчить вывод. Хотя методически он похож на извлечение информации (НЛП ) и ETL (хранилище данных), основным критерием является то, что результат извлечения выходит за рамки создания структурированной информации или преобразования в реляционная схема. Это требует либо повторного использования существующих формальное знание (повторное использование идентификаторов или онтологии ) или генерация схемы на основе исходных данных.
Формат обмена знаниями (КИФ): Компьютерный язык, разработанный для того, чтобы системы могли совместно использовать и повторно использовать информацию из системы, основанные на знаниях. KIF похож на языки фреймов Такие как KL-ONE и LOOM но в отличие от такого языка его основная роль не предназначена как структура для выражения или использования знаний, а скорее для обмена знаниями между системами. Дизайнеры KIF сравнили его с PostScript. PostScript не был разработан в первую очередь как язык для хранения документов и управления ими, а скорее как формат обмена для систем и устройств для совместного использования документов. Таким же образом KIF предназначен для облегчения обмена знаниями между различными системами, которые используют разные языки, формализмы, платформы и т. Д.
представление знаний и рассуждения (KR² или KR&R): Поле искусственный интеллект посвященный представлению информации о мире в форме, которую компьютерная система может использовать для решения сложных задач, таких как диагностика заболевания или же диалог на естественном языке. Представление знаний включает в себя выводы из психологии^[205] о том, как люди решают проблемы и представляют знания для проектирования формализмы это упростит проектирование и построение сложных систем. Представление знаний и рассуждения также включают выводы логика автоматизировать различные виды рассуждение, например, применение правил или отношения наборы и подмножества.^[206] Примеры формализмов представления знаний включают семантические сети, системная архитектура, кадры, правила и онтологии. Примеры автоматическое рассуждение двигатели включают механизмы вывода, средства доказательства теорем, и классификаторы.

L

ленивое обучение: В машинное обучение, ленивое обучение - это метод обучения, в котором обобщение данные обучения теоретически откладывается до тех пор, пока в систему не поступит запрос, в отличие от жадное обучение, где система пытается обобщить обучающие данные перед получением запросов.
Лисп (язык программирования) (LISP): Семья языки программирования с долгой историей и отличительной, полностью в скобках префиксная запись.^[207]
логическое программирование: Тип парадигма программирования который во многом основан на формальная логика. Любая программа, написанная на логике язык программирования представляет собой набор предложений в логической форме, выражающий факты и правила о некоторой проблемной области. Основные семейства языков логического программирования включают Пролог, программирование набора ответов (ASP) и Лог данных.
долговременная кратковременная память (LSTM): Искусственный рекуррентная нейронная сеть архитектура^[208] используется в области глубокое обучение. В отличие от стандартных нейронные сети с прямой связью, LSTM имеет обратную связь, что делает его «компьютером общего назначения» (то есть он может вычислять все, что Машина Тьюринга может).^[209] Он может обрабатывать не только отдельные точки данных (например, изображения), но и целые последовательности данных (например, речь или видео).

M

машинное зрение (MV): Технологии и методы, используемые для обеспечения автоматического контроля и анализа на основе изображений для таких приложений, как автоматический контроль, контроль над процессом, а также наведение роботов, обычно в промышленности. Машинное зрение - это термин, охватывающий большое количество технологий, программных и аппаратных продуктов, интегрированных систем, действий, методов и опыта. Машинное зрение как системная инженерия дисциплину можно считать отличной от компьютерное зрение, форма Информатика. Он пытается по-новому интегрировать существующие технологии и применять их для решения реальных проблем. Этот термин является распространенным для этих функций в средах промышленной автоматизации, но также используется для этих функций в других средах, таких как безопасность и управление транспортными средствами.
Цепь Маркова: А стохастическая модель описывая последовательность возможных событий, в которых вероятность каждого события зависит только от состояния, достигнутого в предыдущем событии.^[210]^[211]^[212]
Марковский процесс принятия решений (MDP): А дискретное время стохастический контроль процесс. Он обеспечивает математическую основу для моделирования принимать решение в ситуациях, когда результаты частично случайный и частично под контролем лица, принимающего решения. MDP полезны для изучения проблемы оптимизации решено через динамическое программирование и обучение с подкреплением.
математическая оптимизация: В математика, Информатика, и исследование операций, выбор лучшего элемента (по какому-либо критерию) из некоторого набора доступных альтернатив.^[213]
машинное обучение (Мл): В научные исследования из алгоритмы и статистические модели который Компьютерные системы использовать для эффективного выполнения конкретной задачи без использования явных инструкций, вместо этого полагаясь на шаблоны и логический вывод.
машинное прослушивание: Общая область изучения алгоритмы и системы для понимания звука машиной.^[214]^[215]
машинное восприятие: Способность компьютерной системы интерпретировать данные аналогично тому, как люди используют свои чувства для связи с окружающим миром.^[216]^[217]^[218]
конструкция механизма: Поле в экономика и теория игры это требует инженерное дело подход к проектированию экономических механизмов или стимулы, к желаемым целям, в стратегические настройки, где действуют игроки рационально. Поскольку она начинается в конце игры, а затем идет в обратном направлении, ее также называют теорией обратной игры. Он имеет широкое применение, от экономики и политики (рынки, аукционы, процедуры голосования) до сетевых систем (междоменная маршрутизация в Интернете, спонсируемые поисковые аукционы).
мехатроника: А мультидисциплинарный отрасль техники, которая фокусируется на разработке как электрические и механические системы, а также включает комбинацию робототехника, электроника, компьютер, телекоммуникации, системы, контроль, и товар инженерия.^[219]^[220]
реконструкция и моделирование метаболической сети: Позволяет глубже понять молекулярные механизмы конкретного организма. В частности, эти модели коррелируют геном с молекулярной физиологией.^[221]
метаэвристический: В Информатика и математическая оптимизация, метаэвристика - это более высокий уровень процедура или же эвристический предназначен для поиска, генерации или выбора эвристического (частичного алгоритм поиска ), который может обеспечить достаточно хорошее решение проблема оптимизации, особенно с неполной или несовершенной информацией или ограниченной вычислительной мощностью.^[222]^[223] Метаэвристика отбирает набор решений, который слишком велик для полной выборки.
проверка модели: В Информатика проверка модели или проверка свойств - это для данной модели системы исчерпывающая и автоматическая проверка того, соответствует ли эта модель заданному Технические характеристики. Обычно имеется в виду аппаратное или программное обеспечение, тогда как спецификация содержит требования безопасности, такие как отсутствие тупиковые ситуации и подобные критические состояния, которые могут вызвать крушение. Проверка модели - это метод автоматической проверки правильности свойств конечное состояние системы.
modus ponens: В логика высказываний, modus ponens это правило вывода.^[224] Его можно резюмировать как "п подразумевает Q и п Утверждается, что это правда, поэтому Q должно быть правдой ".
модус толленс: В логика высказываний, модус толленс это действительный форма аргумента и правило вывода. Это приложение общей истины, что если утверждение истинно, то и его контрапозитивный. Правило вывода модус толленс утверждает, что вывод из P влечет Q к отрицание Q означает отрицание P действует.
Поиск в дереве Монте-Карло: В Информатика, Поиск по дереву Монте-Карло (MCTS) является эвристический алгоритм поиска для некоторых видов процессы принятия решений.
многоагентная система (МАС): Компьютеризированная система, состоящая из множества взаимодействующих интеллектуальные агенты. Многоагентные системы могут решать проблемы, которые трудны или невозможны для отдельного агента или монолитная система решать. Разведка может включать методичный, функциональный, процедурный подходы, алгоритмический поиск или же обучение с подкреплением.
оптимизация нескольких роев: Вариант оптимизация роя частиц (PSO) основан на использовании нескольких под-роев вместо одного (стандартного) роя. Общий подход к оптимизации нескольких роев состоит в том, что каждый суб-рой фокусируется на определенном регионе, в то время как конкретный метод диверсификации решает, где и когда запускать суб-рой. Фреймворк с несколькими роями особенно подходит для оптимизации многомодальных задач, в которых существует несколько (локальных) оптимумов.
мутация: А генетический оператор используется для поддержания генетическое разнообразие от одного поколения населения генетический алгоритм хромосомы к следующему. Это аналог биологической мутация. Мутация изменяет одно или несколько значений гена в хромосоме по сравнению с исходным состоянием. При мутации решение может полностью отличаться от предыдущего. Следовательно, GA может прийти к лучшему решению, используя мутацию. Мутация происходит в процессе эволюции в соответствии с определяемой пользователем вероятностью мутации. Эта вероятность должна быть низкой. Если он установлен слишком высоко, поиск превратится в простой случайный поиск.
Mycin: Рано обратная цепочка экспертная система что использовал искусственный интеллект для выявления бактерий, вызывающих тяжелые инфекции, такие как бактериемия и менингит, и рекомендовать антибиотики, с дозировкой, скорректированной с учетом массы тела пациента - название происходит от самих антибиотиков, так как многие антибиотики имеют суффикс «-мицин». Система MYCIN также использовалась для диагностики заболеваний свертывания крови.

N

наивный байесовский классификатор: В машинное обучение, наивные байесовские классификаторы - это семейство простых вероятностные классификаторы на основе применения Теорема Байеса с сильным (наивным) независимость предположения между функциями.
наивная семантика: Подход, используемый в информатике для представление базовых знаний о конкретной области и использовался в таких приложениях, как представление значения предложений естественного языка в приложениях искусственного интеллекта. В общих условиях этот термин использовался для обозначения использования ограниченного хранилища общепринятых знаний о конкретной области в мире и применялся к таким областям, как разработка схем данных на основе знаний.^[225]
привязка имени: В языках программирования привязка имен - это ассоциация сущностей (данных и / или кода) с идентификаторы.^[226] Идентификатор, связанный с объектом, называется ссылка этот объект. Машинные языки не имеют встроенного понятия идентификаторов, но привязки имя-объект как услуга и нотация для программиста реализованы языками программирования. Связывание тесно связано с обзор, поскольку область видимости определяет, какие имена связаны с какими объектами - в каких местах программного кода (лексически ) и в каком из возможных путей выполнения (временно ). Использование идентификатора я бы в контексте, который устанавливает привязку для я бы называется обязательным (или определяющим) вхождением. Во всех других случаях (например, в выражениях, назначениях и вызовах подпрограмм) идентификатор обозначает то, к чему он привязан; такие случаи называются прикладными случаями.
признание названного лица (NER): Подзадача извлечение информации который стремится найти и классифицировать названный объект упоминания в неструктурированный текст в заранее определенные категории, такие как имена людей, организации, местоположения, медицинские коды, выражения времени, количества, денежные значения, проценты и т. д.
именованный граф: Ключевое понятие Семантическая сеть архитектура, в которой набор Структура описания ресурсов заявления (a график ) идентифицируются с помощью URI,^[227] позволяя делать описания этого набора утверждений, таких как контекст, информация о происхождении или другие подобные метаданные. Именованные графы - это простое расширение модели данных RDF.^[228] с помощью которых можно создавать графики, но в модели отсутствуют эффективные средства их различения после публикации на Интернет в целом.
генерация естественного языка (NLG): Программный процесс, преобразующий структурированные данные в контент на простом английском языке. Его можно использовать для создания подробного содержимого для организаций, чтобы автоматизировать настраиваемые отчеты, а также для создания настраиваемого содержимого для веб-приложений или мобильных приложений. Его также можно использовать для создания коротких фрагментов текста в интерактивных беседах ( чат-бот ), который может быть даже прочитан вслух текст в речь система.
обработка естественного языка (НЛП): Подраздел информатики, информационной инженерии и искусственного интеллекта, связанный с взаимодействием между компьютерами и человеческими (естественными) языками, в частности, как программировать компьютеры для обработки и анализа больших объемов естественный язык данные.
программирование на естественном языке: An онтология -сопровождаемый способ программирование с точки зрения естественный язык предложения, например английский.^[229]
сетевой мотив: Все сети, включая биологические сети, социальные сети, технологические сети (например, компьютерные сети и электрические цепи) и другие, могут быть представлены как графики, которые включают большое количество подграфов. Одним из важных локальных свойств сетей являются так называемые сетевые мотивы, которые определяются как повторяющиеся и повторяющиеся. статистически значимый подграфы или шаблоны.
нейронный машинный перевод (Не более): Подход к машинный перевод который использует большой искусственная нейронная сеть для прогнозирования вероятности последовательности слов, обычно моделируя целые предложения в единой интегрированной модели.
нейронная машина Тьюринга (NTM): А рекуррентная нейронная сеть модель. НТМ объединяют нечеткие сопоставление с образцом возможности нейронные сети с алгоритмический сила программируемые компьютеры. NTM имеет контроллер нейронной сети, связанный с внешняя память ресурсы, с которыми он взаимодействует через механизмы внимания. Взаимодействия с памятью можно дифференцировать от начала до конца, что позволяет оптимизировать их с помощью градиентный спуск.^[230] НТМ с долговременная кратковременная память (LSTM) сетевой контроллер может выводить простые алгоритмы, такие как копирование, сортировка и ассоциативный вызов, только на основе примеров.^[231]
нервно-нечеткий: Комбинации искусственные нейронные сети и нечеткая логика.
нейрокибернетика: Прямой канал связи между усиленным или проводным мозг и внешнее устройство. BCI отличается от нейромодуляция в том, что он обеспечивает двунаправленный поток информации. BCI часто направлены на исследование, отображение, помощь, улучшение или восстановление когнитивных или сенсомоторных функций человека.^[232]
нейроморфная инженерия: Концепция, описывающая использование очень крупномасштабная интеграция (СБИС) системы, содержащие электронные аналоговые схемы имитировать нейробиологические структуры нервной системы.^[233] В последнее время термин нейроморфный используется для описания аналоговых, цифровых, смешанных аналогово-цифровых СБИС и программных систем, реализующих модели нейронные системы (за восприятие, блок управления двигателем, или же мультисенсорная интеграция ). Реализация нейроморфных вычислений на аппаратном уровне может быть реализована на основе оксидов. мемристоры,^[234] спинтронные воспоминания,^[235] пороговые выключатели и транзисторы.^[236]^[237]^[238]^[239]
узел: Базовая единица структура данных, например связанный список или же дерево структура данных. Узлы содержат данные а также может ссылаться на другие узлы. Связи между узлами часто реализуются указатели.
недетерминированный алгоритм: An алгоритм которые даже для одного и того же входа могут демонстрировать разное поведение при разных прогонах, в отличие от детерминированный алгоритм.
новый AI: Nouvelle AI отличается от классический ИИ стремясь производить роботов с уровнем интеллекта, подобным насекомым. Исследователи полагают, что интеллект может естественным образом возникать из простого поведения, поскольку эти интеллекты взаимодействуют с «реальным миром», вместо того, чтобы использовать сконструированные миры, которые символический ИИ обычно должен был запрограммировать в них.^[240]
НП: В теория сложности вычислений, NP (недетерминированное полиномиальное время) является класс сложности используется для классификации проблемы решения. НП - это набор проблем решения, для которых проблемные экземпляры, где ответ "да", есть доказательства проверяемый в полиномиальное время.^[241]^{[Примечание 1]}
NP-полнота: В теория сложности вычислений, проблема является NP-полной, когда ее можно решить ограниченным классом поиск грубой силы алгоритмов, и его можно использовать для моделирования любой другой проблемы с помощью аналогичного алгоритма. Точнее, каждый вход в задачу должен быть связан с набором решений полиномиальной длины, справедливость которых можно быстро проверить (в полиномиальное время^[242]), так что вывод для любого ввода будет «да», если набор решений не пуст, и «нет», если он пуст.
NP-твердость: В теория сложности вычислений, определяющее свойство класса проблем, которые, неформально, «по крайней мере так же сложны, как самые сложные проблемы в NP». Простым примером NP-сложной задачи является проблема суммы подмножества.

О

бритва Оккама: Принцип решения проблем, который гласит, что при представлении конкурирующих гипотезы которые делают одинаковые прогнозы, следует выбирать решение с наименьшим количеством предположений;^[243] принцип не предназначен для фильтрации гипотез, которые делают разные прогнозы. Идея приписывается англичанам. Францисканский монах Уильям Оккам (c. 1287–1347), а схоластический философ и теолог.
автономное обучение
онлайн-машинное обучение: Метод машинное обучение в котором данные становятся доступными в последовательном порядке и используются для обновления лучшего предсказателя будущих данных на каждом шаге, в отличие от методов пакетного обучения, которые генерируют лучший предсказатель путем обучения сразу на всем наборе обучающих данных. Онлайн-обучение - это распространенный метод, используемый в областях машинного обучения, где с вычислительной точки зрения невозможно обучить весь набор данных, что требует вне ядра алгоритмы. Он также используется в ситуациях, когда алгоритму необходимо динамически адаптироваться к новым шаблонам в данных, или когда сами данные создаются как функция времени.
онтологическое обучение: Автоматическое или полуавтоматическое создание онтологии, включая извлечение соответствующих домена термины и отношения между концепции что эти термины представляют собой корпус текста на естественном языке, и кодируя их язык онтологии для легкого поиска.
OpenAI: Коммерческая корпорация OpenAI LP, чья головная организация это некоммерческая организация OpenAI Inc.^[244] который проводит исследования в области искусственный интеллект (AI) с заявленной целью продвигать и развивать дружелюбный ИИ таким образом, чтобы принести пользу человечеству в целом.
OpenCog: Проект, направленный на создание Открытый исходный код фреймворк искусственного интеллекта. OpenCog Prime - это архитектура для роботов и виртуальных воплощенное познание который определяет набор взаимодействующих компонентов, предназначенных для создания человеческого эквивалента общий искусственный интеллект (AGI) как возникающее явление всей системы.^[245]
Открытый разум, здравый смысл: Проект искусственного интеллекта на базе Массачусетский Институт Технологий (Массачусетский технологический институт) Медиа-лаборатория чьей целью является создание и использование большого база знаний здравого смысла благодаря вкладу многих тысяч людей в Интернете.
программное обеспечение с открытым исходным кодом (OSS): Тип компьютерное программное обеспечение в котором исходный код выпущен под лицензия в которой Авторские права владелец предоставляет пользователям права на изучение, изменение и распространять программное обеспечение кому угодно и для любых целей.^[246] Открытый исходный код программного обеспечения может быть разработан в совместный публичный образ. Программное обеспечение с открытым исходным кодом - яркий пример открытое сотрудничество.^[247]

п

редукция частичного порядка: Техника уменьшения размера пространство состояний быть обысканным проверка модели или же автоматизированное планирование и составление графиков алгоритм. Он использует коммутативность одновременно выполняемых переходы, которые приводят к одному и тому же состоянию при выполнении в разных порядках.
частично наблюдаемый марковский процесс принятия решений (POMDP): Обобщение Марковский процесс принятия решений (MDP). POMDP моделирует процесс принятия решения агентом, в котором предполагается, что динамика системы определяется MDP, но агент не может напрямую наблюдать за базовым состоянием. Вместо этого он должен поддерживать распределение вероятностей по набору возможных состояний на основе набора наблюдений и вероятностей наблюдений, а также лежащего в основе MDP.
оптимизация роя частиц (PSO): Вычислительный метод, который оптимизирует проблема итеративно пытаясь улучшить возможное решение относительно данного показателя качества. Он решает проблему, имея множество вариантов решений, которые здесь называются частицы, и перемещая эти частицы в поисковое пространство в соответствии с простым математические формулы по положению и скорости частицы. На движение каждой частицы влияет ее местное наиболее известное положение, но оно также направляется к наиболее известным позициям в пространстве поиска, которые обновляются по мере того, как другие частицы находят лучшие позиции. Ожидается, что это подтолкнет рой к лучшим решениям.
Найти путь: Построение с помощью компьютерного приложения кратчайшего маршрута между двумя точками. Это более практичный вариант на решение лабиринтов. Эта область исследований в значительной степени основана на Алгоритм Дейкстры для поиска кратчайшего пути на взвешенный график.
распознавание образов: Обеспокоен автоматическим обнаружением закономерностей в данных с помощью компьютерных алгоритмов и использованием этих закономерностей для принятия таких действий, как классификация данных по различным категориям.^[248]
логика предикатов: Коллекция формальные системы используется в математика, философия, лингвистика, и Информатика. Логика первого порядка использует количественные переменные над нелогическими объектами и позволяет использовать предложения, содержащие переменные, так что вместо предложений, таких как Сократ мужчина можно иметь выражения в форме «существует x такое, что x - это Сократ, а x - человек» и Существует квантификатор, а Икс это переменная.^[174] Это отличает его от логика высказываний, который не использует кванторы или связи;^[249] в этом смысле логика высказываний является основой логики первого порядка.
прогнозная аналитика: Различные статистические методы от сбор данных, прогнозное моделирование, и машинное обучение, которые анализируют текущие и исторические факты, чтобы делать прогнозы о будущих или других неизвестных событиях.^[250]^[251]
Анализ главных компонентов (PCA): Статистическая процедура, использующая ортогональное преобразование для преобразования набора наблюдений возможно коррелированных переменных (сущностей, каждая из которых принимает различные числовые значения) в набор значений линейно некоррелированный переменные, называемые главными компонентами. Это преобразование определяется таким образом, что первый главный компонент имеет наибольшую возможную отклонение (то есть учитывает как можно большую вариативность данных), и каждый последующий компонент, в свою очередь, имеет наивысшую возможную вариативность при ограничении, что это ортогональный к предыдущим компонентам. Результирующие векторы (каждый из которых линейная комбинация переменных и содержащий п наблюдения) являются некоррелированными ортогональный базис. PCA чувствителен к относительному масштабированию исходных переменных.
принцип рациональности: Принцип, изобретенный Карл Р. Поппер в своей Гарвардской лекции 1963 года и опубликованной в его книге Миф о структуре.^[252] Это связано с тем, что он назвал «логикой ситуации» в Economica статья 1944/1945 г., опубликованная позже в его книге Бедность историзма.^[253] Согласно принципу рациональности Поппера, агенты действуют наиболее адекватно объективной ситуации. Это идеализированная концепция человеческого поведения, которую он использовал в своей модели поведения. ситуационный анализ.
вероятностное программирование (ПП): А парадигма программирования в котором вероятностные модели указаны, и вывод для этих моделей выполняется автоматически.^[254] Он представляет собой попытку объединить вероятностное моделирование и традиционное универсальное программирование, чтобы сделать первое проще и более широко применимым.^[255]^[256] Его можно использовать для создания систем, которые помогают принимать решения в условиях неопределенности. Языки программирования, используемые для вероятностного программирования, называются «вероятностными языками программирования» (PPL).
производственная система
язык программирования: А формальный язык, который включает набор инструкций которые производят различные виды выход. Языки программирования используются в компьютерное программирование реализовать алгоритмы.
Пролог: А логическое программирование язык, связанный с искусственным интеллектом и компьютерная лингвистика.^[257]^[258]^[259] Пролог уходит корнями в логика первого порядка, а формальная логика, и в отличие от многих других языки программирования, Prolog предназначен в первую очередь как декларативный язык программирования: логика программы выражается в терминах отношений, представленных в виде фактов и правила. Вычисление инициируется запуском запрос над этими отношениями.^[260]
пропозициональное исчисление: Филиал логика который имеет дело с предложения (которое может быть истинным или ложным) и поток аргументов. Сложные предложения образуются путем соединения предложений логические связки. Предложения без логических связок называются атомарными предложениями. В отличие от логика первого порядка логика высказываний не имеет дело с нелогическими объектами, предикатами о них или кванторами. Однако весь механизм логики высказываний включен в логику первого и более высокого порядка. В этом смысле логика высказываний является основой логики первого и высшего порядка.
Python: An интерпретированный, высокий уровень, общее назначение язык программирования сделано Гвидо ван Россум и впервые выпущен в 1991 году. Философия дизайна Python подчеркивает читаемость кода с его заметным использованием значительный пробел. Его языковые конструкции и объектно-ориентированный Подход направлен на то, чтобы помочь программистам писать понятный, логичный код для небольших и крупных проектов.^[261]

Q

проблема квалификации: В философии и искусственном интеллекте (особенно системы, основанные на знаниях ) проблема квалификации связана с невозможностью включения в список все из предварительные условия требуется, чтобы действие в реальном мире имело желаемый эффект.^[262]^[263] Это можно было бы представить как как бороться с вещами, которые мешают мне достичь желаемого результата. Он сильно связан с и напротив сторона разветвления из проблема с рамой.^[262]
квантификатор: В логика, количественная оценка указывает количество образцов в область дискурса которые удовлетворяют открытая формула. Два наиболее распространенных квантора означают "для всех " и "Существует ". Например, в арифметике кванторы позволяют сказать, что натуральные числа существуют вечно, написав, что для всех n (где n - натуральное число), есть другое число (скажем, преемник n), которое на единицу больше n.
квантовые вычисления: Использование квантово-механический явления Такие как суперпозиция и запутанность выполнять вычисление. Квантовый компьютер используется для выполнения таких вычислений, которые могут быть реализованы теоретически или физически.^[264]^:I-5
язык запросов: Языки запросов или языки запросов данных (DQL): компьютерные языки используется для запросов в базы данных и информационные системы. В целом языки запросов можно классифицировать по тому, являются ли они языками запросов к базам данных или языки запросов информационного поиска. Разница в том, что язык запросов к базе данных пытается дать фактические ответы на фактические вопросы, в то время как язык запросов поиска информации пытается найти документы, содержащие информацию, относящуюся к области запроса.

р

Язык программирования R: А язык программирования и бесплатно программное обеспечение среда для статистические вычисления и графика, поддерживаемая Фондом R для статистических вычислений.^[265] Язык R широко используется среди статистики и майнеры данных для развития статистическое программное обеспечение^[266] и анализ данных.^[267]
сеть радиальных базисных функций: В области математическое моделирование сеть радиальных базисных функций искусственная нейронная сеть который использует радиальные базисные функции в качестве функции активации. Выход сети - это линейная комбинация радиальных базисных функций входов и параметров нейрона. Сети радиальных базисных функций имеют множество применений, в том числе аппроксимация функции, прогнозирование временных рядов, классификация, и система контроль. Впервые они были сформулированы в статье 1988 г. Брумхедом и Лоу, исследователями из Royal Signals и радарное учреждение.^[268]^[269]^[270]
случайный лес: An ансамблевое обучение метод для классификация, регресс и другие задачи, которые работают путем построения множества деревья решений во время обучения и вывода класса, который является Режим классов (классификация) или среднее предсказание (регрессия) отдельных деревьев.^[271]^[272] Леса случайных решений корректируют привычку деревьев решений переоснащение к их Обучающий набор.^[273]
система рассуждений: В информационные технологии система рассуждений - это программная система который генерирует выводы из имеющихся знание с помощью логичный такие методы, как вычет и индукция. Системы рассуждений играют важную роль в реализации искусственного интеллекта и системы, основанные на знаниях.
рекуррентная нейронная сеть (RNN): Класс искусственные нейронные сети где связи между узлами образуют ориентированный граф во временной последовательности. Это позволяет ему демонстрировать динамическое поведение во времени. В отличие от нейронные сети с прямой связью, RNN могут использовать свое внутреннее состояние (память) для обработки последовательностей входных данных. Это делает их применимыми к таким задачам, как несегментированные, связанные распознавание почерка^[274] или же распознавание речи.^[275]^[276]
исчисление региональных подключений
обучение с подкреплением (RL): Площадь машинное обучение озабочен тем, как программные агенты должен взять действия в среде, чтобы максимизировать некоторое понятие кумулятивного вознаграждения. Обучение с подкреплением - одна из трех основных парадигм машинного обучения, наряду с контролируемое обучение и обучение без учителя. Оно отличается от обучения с учителем тем, что не требуется представлять помеченные пары ввода / вывода и не нужно явно корректировать неоптимальные действия. Вместо этого основное внимание уделяется поиску баланса между исследованием (неизведанной территории) и эксплуатацией (текущих знаний).^[277]
пластовые вычисления: Каркас для вычислений, который можно рассматривать как расширение нейронные сети.^[278] Обычно входной сигнал подается в фиксированный (случайный) динамическая система называется резервуар а динамика коллектора отображает ввод в более высокое измерение. Тогда простой зачитать Механизм обучен считывать состояние резервуара и отображать его на желаемый результат. Главное преимущество в том, что обучение выполняется только на этапе считывания, а резервуар фиксируется. Машины с жидким состоянием^[279] и эхо-сети^[280] два основных типа пластовых вычислений.^[281]
Структура описания ресурсов (RDF): Семья Консорциум World Wide Web (W3C) технические характеристики^[282] изначально проектировался как метаданные модель данных. Он стал использоваться в качестве общего метода концептуального описания или моделирования информации, реализованной в веб-ресурсы, используя различные синтаксические обозначения и сериализация данных форматы. Он также используется в управление знаниями Приложения.
ограниченная машина Больцмана (RBM): А генеративный стохастический искусственная нейронная сеть что может узнать распределение вероятностей над своим набором входов.
Алгоритм Rete: А сопоставление с образцом алгоритм для реализации системы на основе правил. Алгоритм был разработан для эффективного применения многих правила или шаблоны для многих объектов, или факты, в база знаний. Он используется для определения того, какое из правил системы должно срабатывать, на основе его хранилища данных, его фактов.
робототехника: Междисциплинарная отрасль науки и техники, включающая машиностроение, электроинженерия, информационная инженерия, Информатика, и другие. Робототехника занимается проектированием, изготовлением, эксплуатацией и использованием роботы, а также Компьютерные системы для их контроля, сенсорная обратная связь, и обработка информации.
система на основе правил: В Информатика, система, основанная на правилах, используется для хранения знаний и манипулирования ими для полезной интерпретации информации. Он часто используется в приложениях и исследованиях искусственного интеллекта. Обычно термин система, основанная на правилах применяется к системам, включающим наборы правил, созданные человеком или специально подобранные. Системы на основе правил, построенные с использованием автоматического вывода правил, такие как машинное обучение на основе правил, обычно исключаются из этого типа системы.

S

выполнимость: В математическая логика, выполнимость и срок действия являются элементарными понятиями семантика. А формула является удовлетворительный если можно найти интерпретация (модель ), что делает формулу верной.^[283] Формула действительный если все интерпретации делают формулу верной. Противоположности этих понятий - невыполнимость и недействительность, то есть формула неудовлетворительный если ни одна из интерпретаций не делает формулу истинной, и инвалид если такая интерпретация делает формулу ложной. Эти четыре понятия связаны друг с другом точно так же, как и Аристотель с квадрат оппозиции.
алгоритм поиска: Любой алгоритм который решает проблема поиска, а именно для получения информации, хранящейся в некоторой структуре данных или вычисленной в пространство поиска из проблемная область, либо с дискретные или непрерывные значения.
отбор: Этап генетический алгоритм в котором отдельные геномы выбираются из популяции для последующего разведения (с использованием оператор кроссовера ).
самоуправление: Процесс, с помощью которого компьютерные системы управляют своей работой без вмешательства человека.
семантическая сеть: А база знаний что представляет семантический отношения между концепции в сети. Это часто используется как форма представление знаний. Это направленный или же неориентированный граф состоящий из вершины, которые представляют концепции, и края, которые представляют семантические отношения между понятиями,^[284] отображение или подключение семантические поля.
семантический рассуждающий: Часть программного обеспечения, способная сделать вывод логические следствия из набора утвержденных фактов или аксиомы. Понятие семантического рассуждающего обобщает понятие семантического аргумента. Механизм логического вывода, предоставляя более богатый набор механизмов для работы. В правила вывода обычно указываются с помощью язык онтологии, и часто логика описания язык. Многие рассуждающие используют логика предикатов первого порядка проводить рассуждения; вывод обычно осуществляется прямая цепочка и обратная цепочка.
семантический запрос: Позволяет выполнять запросы и аналитику ассоциативных и контекстуальный природа. Семантические запросы позволяют извлекать как явно, так и неявно полученную информацию на основе синтаксической, семантической и структурной информации, содержащейся в данных. Они предназначены для получения точных результатов (возможно, четкого выделения одного единственного элемента информации) или для ответа на более расплывчатые и широко открытые вопросы с помощью сопоставление с образцом и цифровое мышление.
семантика: В теория языков программирования семантика - это область, связанная со строгим математическим изучением значения языки программирования. Это делается путем оценки значения синтаксически действительный струны определяется конкретным языком программирования, показывая задействованные вычисления. В таком случае, если оценка будет синтаксически недопустимой строкой, результатом будет невычисление. Семантика описывает процессы, которым следует компьютер при выполнении программы на этом конкретном языке. Это можно показать, описав взаимосвязь между вводом и выводом программы или объяснив, как программа будет выполняться на определенном Платформа, следовательно, создавая модель вычисления.
сенсор слияния: Сочетание сенсорный данные или данные, полученные из разрозненных источников, так что в результате Информация имеет меньшую неопределенность, чем это было бы возможно при индивидуальном использовании этих источников.
логика разделения: Расширение Логика Хоара, способ рассуждать о программах. Язык утверждений логики разделения - это частный случай логика сгруппированных выводов (BI).^[285]
изучение подобия: Площадь охраняемых машинное обучение в искусственном интеллекте. Это тесно связано с регресс и классификация, но цель состоит в том, чтобы извлечь уроки из функции подобия, которая измеряет, насколько похожи или связаны два объекта. Он имеет приложения в рейтинг, в системы рекомендаций, визуальное отслеживание личности, проверка лица и проверка говорящего.
имитация отжига (SA): А вероятностный метод для приближения глобальный оптимум данного функция. В частности, это метаэвристический приблизить глобальная оптимизация в большом пространство поиска для проблема оптимизации.
ситуативный подход: В исследованиях искусственного интеллекта ситуативный подход создает агентов, которые предназначены для эффективного поведения в своей среде. Это требует разработки ИИ «снизу вверх», сосредоточив внимание на основных перцептивных и моторных навыках, необходимых для выживания. При ситуативном подходе абстрактному мышлению или навыкам решения проблем уделяется гораздо меньше внимания.
ситуационное исчисление: А логика формализм, предназначенный для представления и рассуждения о динамических областях.
Выборочное линейное разрешение с определенным предложением: Базовый правило вывода используется в логическое программирование. Это уточнение разрешающая способность, что одновременно звук и опровержение полный за Роговые оговорки.
программного обеспечения: Коллекция данные или же компьютер инструкции, которые говорят компьютеру, как работать. Это в отличие от физическое оборудование, из которого построена система и фактически выполняет работу. В Информатика и программная инженерия, компьютерное программное обеспечение - это все Информация обработано Компьютерные системы, программы и данные. Компьютерное программное обеспечение включает компьютерные программы, библиотеки и связанные неисполняемые данные, Такие как онлайн-документация или же цифровые СМИ.
программная инженерия: Применение инженерное дело к разработка из программного обеспечения систематическим методом.^[286]^[287]^[288]
пространственно-временные рассуждения: Область искусственного интеллекта, основанная на Информатика, наука о мышлении, и когнитивная психология. Теоретическая цель - с познавательной стороны - включает представление и рассуждение пространственно-временного знания в уме. Прикладная цель - со стороны вычислений - включает разработку высокоуровневых систем управления автоматами для навигация и понимание времени и пространства.
SPARQL: An Язык запросов RDF -это семантический язык запросов за базы данных - возможность извлекать данные, хранящиеся в Структура описания ресурсов (RDF) формат.^[289]^[290]
распознавание речи: Междисциплинарное подразделение компьютерная лингвистика которая разрабатывает методологии и технологии, позволяющие распознавать и перевод разговорной речи в текст с помощью компьютеров. Это также известно как автоматическое распознавание речи (ASR), компьютерное распознавание речи или преобразование речи в текст (STT). Он включает в себя знания и исследования в лингвистика, Информатика, и электротехника поля.
пиковая нейронная сеть (SNN): An искусственная нейронная сеть который более точно имитирует естественную нейронную сеть.^[291] В добавление к нейронный и синаптический государства, SNN включают понятие времени в свои Операционная модель.
государственный: В информационные технологии и Информатика, программа описывается как сохраняющая состояние, если она предназначена для запоминания предыдущих событий или действий пользователя;^[292] запомненная информация называется состоянием системы.
статистическая классификация: В машинное обучение и статистика, классификация - это проблема определения того, к какому из набора категории (субпопуляции) новое наблюдение принадлежит на основе Обучающий набор данных, содержащих наблюдения (или экземпляры), принадлежность к категории которых известна. Примеры: присвоение данного адреса электронной почты «спам» или «не спам» класс и постановка диагноза данному пациенту на основании наблюдаемых характеристик пациента (пол, артериальное давление, наличие или отсутствие определенных симптомов и т. д.). Классификация - это пример распознавание образов.
статистическое реляционное обучение (SRL): Поддисциплина искусственного интеллекта и машинное обучение это связано с модели предметной области которые демонстрируют как неуверенность (с которыми можно справиться с помощью статистических методов) и сложные, реляционный структура.^[293]^[294] Обратите внимание, что в литературе SRL иногда называют реляционным машинным обучением (RML). Обычно представление знаний формализмы, разработанные при использовании SRL (подмножество) логика первого порядка для описания реляционных свойств домена в общем виде (универсальная количественная оценка ) и опираться на вероятностные графические модели (Такие как Байесовские сети или же Марковские сети ) для моделирования неопределенности; некоторые также основываются на методах индуктивное логическое программирование.
стохастическая оптимизация (ТАК): Любой оптимизация метод который генерирует и использует случайные переменные. Для стохастических задач случайные величины появляются в формулировке самой задачи оптимизации, которая включает случайные целевые функции или случайные ограничения. К методам стохастической оптимизации также относятся методы со случайными итерациями. Некоторые методы стохастической оптимизации используют случайные итерации для решения стохастических задач, объединяя оба значения стохастической оптимизации.^[295] Методы стохастической оптимизации обобщают детерминированный методы для детерминированных задач.
стохастический семантический анализ: Подход, использованный в Информатика как семантический компонент понимание естественного языка. Стохастические модели обычно используют определение сегментов слов в качестве основных семантических единиц для семантических моделей, а в некоторых случаях включают двухуровневый подход.^[296]
Решение проблем Стэнфордского исследовательского института (ПОЛОСЫ)
Эксперт предметной области
сверхразум: Гипотетический агент который обладает интеллект намного превосходящий самый яркий и большинство одаренный человеческие умы. Суперинтеллект может также относиться к свойству систем решения проблем (например, сверхразумных переводчиков языков или инженеров) независимо от того, воплощены ли эти интеллектуальные компетенции высокого уровня в агентах, действующих в физическом мире. Суперинтеллект может быть создан или не создан интеллектуальный взрыв и быть связанным с технологическая особенность.
контролируемое обучение: В машинное обучение задача изучения функции, которая отображает вход в выход на основе примеров пар вход-выход.^[297] Он выводит функцию из маркированный данные обучения состоящий из набора примеры обучения.^[298] В обучении с учителем каждый пример представляет собой пара состоящий из входного объекта (обычно вектора) и желаемого выходного значения (также называемого контрольный сигнал). Алгоритм обучения с учителем анализирует данные обучения и выдает предполагаемую функцию, которую можно использовать для отображения новых примеров. Оптимальный сценарий позволит алгоритму правильно определять метки классов для невидимых экземпляров. Это требует от алгоритма обучения «разумного» обобщения обучающих данных на невидимые ситуации (см. индуктивное смещение ).
машины опорных векторов: В машинное обучение, опорные векторные машины (SVM, также опорные векторные сети^[299]) находятся контролируемое обучение модели с соответствующим обучением алгоритмы которые анализируют данные, используемые для классификация и регрессивный анализ.
рой интеллект (SI): В коллективное поведение из децентрализованный, самоорганизованный системы, естественные или искусственные. Выражение было введено в контексте клеточных робототехнических систем.^[300]
символический искусственный интеллект: Срок сбора всех методов в искусственный интеллект исследования, основанные на высокоуровневых «символических» (удобочитаемых) представлениях проблем, логика, и поиск.
синтетический интеллект (SI): Альтернативный термин для искусственный интеллект который подчеркивает, что интеллект машин не обязательно должен быть имитацией или каким-либо образом искусственным; это может быть подлинная форма интеллекта.^[301]^[302]
системная нейробиология: Поддисциплина нейробиология и системная биология который изучает структуру и функции нейронных цепей и систем. Это обобщающий термин, охватывающий ряд областей исследования, связанных с тем, как нервные клетки вести себя, когда соединены вместе, чтобы сформировать нервные пути, нейронные цепи, и больше сети мозга.

Т

технологическая особенность: А гипотетический точка в будущем, когда технологический рост станет неконтролируемым и необратимым, что приведет к непостижимым изменениям в человеческой цивилизации.^[303]^[304]^[305]
обучение разнице во времени: Класс безмодельный обучение с подкреплением методы, которые учатся самонастройка от текущей оценки функции цены. Эти методы взяты из среды, например Методы Монте-Карло, и выполнять обновления на основе текущих оценок, например динамическое программирование методы.^[306]
теория тензорных сетей: Теория мозг функция (особенно мозжечок ), которая представляет собой математическую модель трансформация сенсорного пространство-время координаты в моторные координаты и наоборот мозжечком нейронные сети. Теория развивалась как геометризация функции мозга (особенно Центральная нервная система ) с помощью тензоры.^[307]^[308]
TensorFlow: А свободный и Открытый исходный код библиотека программного обеспечения за поток данных и дифференцируемый программирование для множества задач. Это символьная математическая библиотека, которая также используется для машинное обучение такие приложения, как нейронные сети.^[309]
теоретическая информатика (TCS): Подмножество общих Информатика и математика который фокусируется на более математических темах вычислений и включает теория вычислений.
теория вычислений: В теоретическая информатика и математика, теория вычислений - это раздел, посвященный тому, насколько эффективно задачи могут быть решены на модель вычисления, используя алгоритм. Поле делится на три основные ветви: теория автоматов и языки, теория вычислимости, и теория сложности вычислений, которые связаны вопросом: «Каковы фундаментальные возможности и ограничения компьютеров?».^[310]
Выборка Томпсона: А эвристический для выбора действий, которые решают дилемму разведки-эксплуатации в многорукий бандит проблема. Он заключается в выборе действия, которое максимизирует ожидаемую награду по отношению к случайно выбранному убеждению.^[311]^[312]
временная сложность: В вычислительная сложность который описывает количество времени, необходимое для запуска алгоритм. Сложность по времени обычно оценивается путем подсчета количества элементарных операций, выполняемых алгоритмом, предполагая, что каждая элементарная операция требует фиксированного количества времени для выполнения. Таким образом, количество затраченного времени и количество элементарных операций, выполняемых алгоритмом, различаются не более чем на a постоянный коэффициент.
трансгуманизм: Международный философское движение который выступает за преобразование состояние человека путем разработки и предоставления широкодоступных сложных технологий для значительного улучшить человека интеллект и физиология.^[313]^[314]
переходная система: В теоретическая информатика, переходная система - это понятие, используемое при изучении вычисление. Он используется для описания потенциального поведения дискретные системы. Это состоит из состояния и переходы между состояниями, которые могут быть помечены метками, выбранными из набора; один и тот же ярлык может появляться более чем на одном переходе. Если набор меток одиночка, система практически не имеет меток, и возможно более простое определение без меток.
обход дерева: Форма обход графа и относится к процессу посещения (проверки и / или обновления) каждого узла в древовидная структура данных, ровно один раз. Такие обходы классифицируются по порядку посещения узлов.
истинная количественная логическая формула: В теория сложности вычислений, язык TQBF - это формальный язык состоящий из истинных количественных булевых формул. (Полностью) количественная булева формула - это формула в количественно логика высказываний где каждая переменная определена количественно (или граница ), используя либо экзистенциальный или же универсальный кванторы в начале предложения. Такая формула эквивалентна истинному или ложному (поскольку нет свободный переменные). Если такая формула истинна, то эта формула написана на языке TQBF. Он также известен как QSAT (количественно СИДЕЛ ).
Машина Тьюринга
Тест Тьюринга: Тест способности машины проявлять разумное поведение, эквивалентное или неотличимое от человеческого поведения, разработанный Алан Тьюринг в 1950 г. Тьюринг предложил, чтобы оценщик судить разговоры на естественном языке между человеком и машиной, созданной для генерации человеческих реакций. Оценщик должен знать, что один из двух участников беседы - это машина, и все участники будут отделены друг от друга. Разговор будет ограничен текстовым каналом, например компьютерная клавиатура и экран поэтому результат не будет зависеть от способности машины преобразовывать слова в речь.^[315] Если оценщик не может достоверно отличить машину от человека, считается, что машина выдержала испытание. Результаты теста не зависят от способности машины давать правильные ответы на вопросы, а зависят только от того, насколько точно ее ответы напоминают ответы человека.
система типов: В языки программирования, набор правил, который назначает свойство, называемое тип к различным конструкциям компьютерная программа, Такие как переменные, выражения, функции, или же модули.^[316] Эти типы формализуют и применяют неявные категории, которые программист использует для алгебраические типы данных, структуры данных или другие компоненты (например, «строка», «массив с плавающей запятой», «функция, возвращающая логическое значение»). Основная цель системы типов - уменьшить возможности для ошибки в компьютерных программах^[317] определяя интерфейсы между различными частями компьютерной программы, а затем проверка того, что части были соединены согласованным образом. Эта проверка может происходить статически (при время компиляции ), динамически (при время выполнения ), или как сочетание статической и динамической проверки. Системы типов имеют и другие цели, такие как выражение бизнес-правил, включение определенных оптимизаций компилятора, разрешение множественная отправка, предоставляя форму документации и т. д.

U

обучение без учителя: Тип самоорганизации Hebbian обучение это помогает находить ранее неизвестные шаблоны в наборе данных без ранее существовавших меток. Он также известен как самоорганизация и позволяет моделировать плотности вероятности заданных входов.^[318] Это одна из трех основных категорий машинного обучения, наряду с под наблюдением и обучение с подкреплением. Также было описано полу-контролируемое обучение, которое представляет собой гибридизацию контролируемых и неконтролируемых методов.

V

блок обработки изображений (ВПУ): Тип микропроцессор предназначен для ускоряться машинное зрение задачи.^[319]^[320]Выравнивание ценностей завершено - аналогично AI-полный проблема, полная проблема выравнивания ценностей - это проблема, в которой Проблема управления AI необходимо полностью решить, чтобы решить эту проблему.^{[нужна цитата ]}

W

Watson: А вопросно-ответный компьютерная система, способная отвечать на вопросы, заданные в естественный язык,^[321] разработан в IBM проект DeepQA, выполненный исследовательской группой во главе с главный следователь Дэвид Ферруччи.^[322] Уотсон был назван в честь первого генерального директора IBM, промышленника. Томас Дж. Ватсон.^[323]^[324]
слабый ИИ: Искусственный интеллект который сосредоточен на одной узкой задаче.^[325]^[326]^[327]
Консорциум World Wide Web (W3C): Главный международный организация стандартов для Всемирная паутина (сокращенно WWW или W3).

Смотрите также

Искусственный интеллект

Примечания

^ полиномиальное время относится к тому, насколько быстро растет количество операций, необходимых для алгоритма, по сравнению с размером проблемы. Следовательно, это показатель эффективности алгоритма.

[Josephson-1] а ^б Например: Джозефсон, Джон Р .; Джозефсон, Сьюзан Г., ред. (1994). Абдуктивный вывод: вычисления, философия, технологии. Кембридж, Великобритания; Нью-Йорк: Издательство Кембриджского университета. Дои:10.1017 / CBO9780511530128. ISBN 978-0521434614. OCLC 28149683.

[2] "Retroduction | website = Commens - Digital Companion to C. S. Peirce | publisher = Mats Bergman, Sami Paavola & João Queiroz | access-date = 2014-08-24 | Dictionary | Commens".

[3] Колберн, Тимоти; Шут, Гэри (5 июня 2007 г.). «Абстракция в информатике». Умы и машины. 17 (2): 169–184. Дои:10.1007 / s11023-007-9061-7. ISSN 0924-6495. S2CID 5927969.

[4] Крамер, Джефф (1 апреля 2007 г.). «Является ли абстракция ключом к вычислениям?». Коммуникации ACM. 50 (4): 36–42. CiteSeerX 10.1.1.120.6776. Дои:10.1145/1232743.1232745. ISSN 0001-0782. S2CID 12481509.

[5] Михаил Гельфонд, Владимир Лифшиц (1998) "Языки действий ", Linköping Электронные статьи по информатике и информатике, том 3, номер 16.

[6] Джанг, Джих-Шинг Р. (1991). Нечеткое моделирование с использованием обобщенных нейронных сетей и алгоритма фильтра Калмана (PDF). Труды 9-й Национальной конференции по искусственному интеллекту, Анахайм, Калифорния, США, 14–19 июля. 2. С. 762–767.

[7] Jang, J.-S.R. (1993). «ANFIS: система нечеткого вывода на основе адаптивных сетей». IEEE Transactions по системам, человеку и кибернетике. 23 (3): 665–685. Дои:10.1109/21.256541. S2CID 14345934.

[8] Абрахам, А. (2005), «Адаптация системы нечеткого вывода с использованием нейронного обучения», в Недже, Надия; Де Маседо Мурель, Луиза (ред.), Разработка нечетких систем: теория и практика, Исследования в области нечеткости и мягких вычислений, 181, Германия: Springer Verlag, стр. 53–83, CiteSeerX 10.1.1.161.6135, Дои:10.1007/11339366_3, ISBN 978-3-540-25322-8

[9] Джанг, Сан, Мизутани (1997) - Нейро-нечеткие и мягкие вычисления - Прентис Холл, стр 335–368, ISBN 0-13-261066-3

[10] Тахмасеби, П. (2012). «Гибридный нейросети-нечеткая логико-генетический алгоритм для оценки успеваемости». Компьютеры и науки о Земле. 42: 18–27. Bibcode:2012CG ..... 42 ... 18 т. Дои:10.1016 / j.cageo.2012.02.004. ЧВК 4268588. PMID 25540468.

[11] Тахмасеби, П. (2010). «Сравнение оптимизированной нейронной сети с нечеткой логикой для оценки содержания руды». Австралийский журнал фундаментальных и прикладных наук. 4: 764–772.

[12] Рассел, С.Дж .; Норвиг П. (2002). Искусственный интеллект: современный подход. Прентис Холл. ISBN 978-0-13-790395-5.

[TaoTan-13] Тао, Цзяньхуа; Тиениу Тан (2005). «Аффективные вычисления: обзор». Эффективные вычисления и интеллектуальное взаимодействие. LNCS 3784. Springer. С. 981–995. Дои:10.1007/11573548.

[14] Эль Калиуби, Рана (ноябрь – декабрь 2017 г.). «Нам нужны компьютеры с сочувствием». Обзор технологий. 120 (6). п. 8. Архивировано из оригинал 7 июля 2018 г.. Получено 6 ноября 2018.

[15] Сравнение архитектур агентов В архиве 27 августа 2008 г. Wayback Machine

[16] «Intel представляет Movidius Compute Stick USB AI Accelerator». 21 июля 2017. Архивировано с оригинал 11 августа 2017 г.. Получено 28 ноября 2018.

[17] «Inspurs представляет GX4 AI Accelerator». 21 июня 2017.

[Shapiro92-18] Шапиро, Стюарт С. (1992). Искусственный интеллект В Стюарте С. Шапиро (ред.), Энциклопедия искусственного интеллекта (Второе издание, стр. 54–57). Нью-Йорк: Джон Вили. (Раздел 4 посвящен «Задачи, выполняемые AI».)

[19] Соломонов Р. "Предварительный отчет по общей теории индуктивного вывода ", Отчет V-131, Zator Co., Кембридж, Массачусетс (редакция отчета от 4 февраля 1960 г., ноябрь 1960 г.).

[20] «Искусственный интеллект: AlphaGo от Google превосходит мастера го Ли Седола». Новости BBC. 12 марта 2016 г.. Получено 17 марта 2016.

[21] "AlphaGo | DeepMind". DeepMind.

[googlego-22] «Блог исследований: AlphaGo: освоение древней игры го с помощью машинного обучения». Блог Google Research. 27 января 2016 г.

[bbcgo-23] «Google совершает« прорыв »в области искусственного интеллекта, победив чемпиона по го». Новости BBC. 27 января 2016 г.

[24] См. Навоз (1995)

[25] См. Беснард и Хантер (2001)

[26] см. Bench-Capon (2002)

[Definition_of_AI-27] Определение ИИ как исследования интеллектуальные агенты:
Пул, Макворт и Гебель, 1998 г., п. 1, который предоставляет версию, используемую в этой статье. Обратите внимание, что они используют термин «вычислительный интеллект» как синоним искусственного интеллекта.
Рассел и Норвиг (2003) (которые предпочитают термин «рациональный агент») и пишут: «В настоящее время взгляд на всех агентов широко используется в этой области» (Рассел и Норвиг, 2003 г., п. 55).
Нильссон 1998
Легг и Хаттер 2007.

[28] Пул, Макворт и Гебель, 1998 г., п. 1, который предоставляет версию, используемую в этой статье. Обратите внимание, что они используют термин «вычислительный интеллект» как синоним искусственного интеллекта.

[29] Рассел и Норвиг (2003) (которые предпочитают термин «рациональный агент») и пишут: «В настоящее время взгляд на всех агентов широко используется в этой области» (Рассел и Норвиг, 2003 г., п. 55).

[30] Нильссон 1998

[31] Легг и Хаттер 2007.

[FOOTNOTERussellNorvig20092-28] Рассел и Норвиг 2009, п. 2.

[29] «Корпоративный устав AAAI».

[30] «Долгая история дополненной реальности». HuffPost. 15 мая 2016.

[31] Шуффель, Патрик (2017). Краткий сборник финансовых технологий. Фрибург: Школа менеджмента Фрибург / Швейцария. Архивировано из оригинал 24 октября 2017 г.. Получено 8 декабря 2018.

[32] Галлаб, Малик; Nau, Dana S .; Траверсо, Паоло (2004), Автоматизированное планирование: теория и практика, Морган Кауфманн, ISBN 978-1-55860-856-6

[Kephart-33] Kephart, J.O .; Шахматы, Д. (2003), "Видение автономных вычислений", Компьютер, 36: 41–52, CiteSeerX 10.1.1.70.613, Дои:10.1109 / MC.2003.1160055

[34] Гериг, Стефан К .; Штейн, Фритьоф Дж. (1999). Счет и картография с использованием стереовидения для автоматизированного автомобиля. Международная конференция IEEE / RSJ по интеллектуальным роботам и системам. 3. Кёнджу. С. 1507–1512. Дои:10.1109 / IROS.1999.811692. ISBN 0-7803-5184-3.

[35] "Беспилотный автомобиль Uber убил женщину в Аризоне, переходящую улицу". Рейтер. 20 марта 2018.

[thrun2010toward-36] Трун, Себастьян (2010). «К роботизированным машинам». Коммуникации ACM. 53 (4): 99–106. Дои:10.1145/1721654.1721679. S2CID 207177792.

[37] "Информационная инженерия Главная / Главная страница". Оксфордский университет. Получено 3 октября 2018.

[38] Гудфеллоу, Ян; Бенхио, Йошуа; Курвиль, Аарон (2016) Глубокое обучение. MIT Press. п. 196. ISBN 9780262035613

[39] Нильсен, Майкл А. (2015). "Глава 6". Нейронные сети и глубокое обучение.

[40] «Глубокие сети: обзор - Ufldl». ufldl.stanford.edu. Получено 4 августа 2017.

[41] Мозер, М. К. (1995). «Сфокусированный алгоритм обратного распространения ошибки для распознавания временных образов». В Chauvin, Y .; Румелхарт, Д. (ред.). Обратное распространение: теория, архитектуры и приложения. Хиллсдейл, Нью-Джерси: Лоуренс Эрлбаум Ассошиэйтс. стр. 137–169. Получено 21 августа 2017.

[42] Робинсон, А. Дж. И Фолсайд, Ф. (1987). Сеть динамического распространения ошибок, управляемая коммунальными предприятиями (Технический отчет). Кембриджский университет, инженерный факультет. CUED / F-INFENG / TR.1.

[43] Вербос, Пол Дж. (1988). «Обобщение обратного распространения ошибки применительно к повторяющейся модели газового рынка». Нейронные сети. 1 (4): 339–356. Дои:10.1016 / 0893-6080 (88) 90007-х.

[44] Фейгенбаум, Эдвард (1988). Расцвет экспертной компании. Times Books. п.317. ISBN 978-0-8129-1731-4.

[sivic-45] Сивич, Йозеф (апрель 2009 г.). «Эффективный визуальный поиск видео, транслируемого как текстовый поиск» (PDF). IEEE Transactions по анализу шаблонов и машинному анализу. 31 (4): 591–605. CiteSeerX 10.1.1.174.6841. Дои:10.1109 / TPAMI.2008.111. PMID 19229077. S2CID 9899337.

[46] МакТир и др., 2016 г., стр. 167.

[47] «Понимание обратного прохода через уровень пакетной нормализации». kratzert.github.io. Получено 24 апреля 2018.

[48] Иоффе, Сергей; Сегеди, Кристиан (2015). «Пакетная нормализация: ускорение глубокого обучения сети за счет уменьшения внутреннего ковариатного сдвига». arXiv:1502.03167. Bibcode:2015arXiv150203167I. Цитировать журнал требует | журнал = (помощь)

[49] «Глоссарий глубокого обучения: пакетная нормализация». medium.com. 27 июня 2017 г.. Получено 24 апреля 2018.

[50] «Пакетная нормализация в нейронных сетях». todatascience.com. 20 октября 2017 г.. Получено 24 апреля 2018.

[Pham_&_al,_2005-51] Фам Д.Т., Ганбарзаде А., Коч Э., Отри С., Рахим С. и Заиди М. Алгоритм пчел. Техническая записка, Технологический центр, Кардиффский университет, Великобритания, 2005 г.

[Pham_&_Castellani,_2009-52] Фам, Д.Т., Кастеллани, М. (2009), Алгоритм пчел - моделирование собирательского поведения для решения задач непрерывной оптимизации. Proc. ImechE, Часть C, 223 (12), 2919-2938.

[53] Pham, D.T .; Кастеллани, М. (2014). «Бенчмаркинг и сравнение природных алгоритмов непрерывной оптимизации на основе популяции». Мягкие вычисления. 18 (5): 871–903. Дои:10.1007 / s00500-013-1104-9. S2CID 35138140.

[54] Фам, Дык Чыонг; Кастеллани, Марко (2015). «Сравнительное исследование алгоритма пчел как инструмента для оптимизации функций». Cogent Engineering. 2. Дои:10.1080/23311916.2015.1091540.

[Nasrinpour_&_Massah_&_Teshnehlab_2017-55] Nasrinpour, H.R .; Massah Bavani, A .; Тешнехлаб, М. (2017). «Алгоритм сгруппированных пчел: сгруппированная версия алгоритма пчел». Компьютеры. 6 (1): 5. Дои:10.3390 / компьютеры6010005.

[56] Цао, Лунбин (2010). «Углубленное понимание и использование поведения: подход к поведенческой информатике». Информационная наука. 180 (17): 3067–3085. arXiv:2007.15516. Дои:10.1016 / j.ins.2010.03.025. S2CID 7400761.

[Colledanchise_TRO16-57] Колледанчайз Микеле и Огрен Петтер 2016. Как деревья поведения модулируют гибридные системы управления и обобщают последовательности последовательного поведения, архитектуру подчинения и деревья решений. В IEEE Transactions on Robotics vol.PP, no.99, pp.1-18 (2016).

[Colledanchise_BOOK17-58] Колледжиз Микеле и Огрен Петтер 2017. Деревья поведения в робототехнике и искусственном интеллекте: введение.

[59] Брер, Том (июль 2016). «Статистический анализ власти и современный« кризис »социальных наук». Журнал маркетинговой аналитики. 4 (2–3): 61–65. Дои:10.1057 / с41270-016-0001-3. ISSN 2050-3318.

[Bachmann-60] Бахманн, Пауль (1894). Analytische Zahlentheorie [Аналитическая теория чисел] (на немецком). 2. Лейпциг: Тойбнер.

[Landau-61] Ландау, Эдмунд (1909). Handbuch der Lehre von der Verteilung der Primzahlen [Справочник по теории распределения простых чисел] (на немецком). Лейпциг: Б. Г. Тойбнер. п. 883.

[GarnierTaylor2009-62] Джон, Тейлор (2009). Гарнье, Роуэн (ред.). Дискретная математика: доказательства, структуры и приложения, третье издание. CRC Press. п. 620. ISBN 978-1-4398-1280-8.

[Skiena2009-63] Скиена, Стивен С (2009). Руководство по разработке алгоритмов. Springer Science & Business Media. п. 77. ISBN 978-1-84800-070-4.

[64] Эрман, Л. Д .; Hayes-Roth, F .; Lesser, V. R .; Редди, Д. Р. (1980). «Система понимания речи Hearsay-II: интеграция знаний для устранения неопределенности». Опросы ACM Computing. 12 (2): 213. Дои:10.1145/356810.356816. S2CID 118556.

[65] Коркилл, Дэниел Д. (сентябрь 1991 г.). "Blackboard Systems" (PDF). AI эксперт. 6 (9): 40–47.

[66] * Нии, Х. Йенни (1986). Системы Blackboard (PDF) (Технический отчет). Департамент компьютерных наук Стэнфордского университета. STAN-CS-86-1123. Получено 12 апреля 2013.

[67] Хейс-Рот, Б. (1985). «Архитектура доски для управления». Искусственный интеллект. 26 (3): 251–321. Дои:10.1016/0004-3702(85)90063-3.

[68] Хинтон, Джеффри Э. (24 мая 2007 г.). «Машина Больцмана». Scholarpedia. 2 (5): 1668. Bibcode:2007SchpJ ... 2.1668H. Дои:10.4249 / scholarpedia.1668. ISSN 1941-6016.

[69] NZZ- Die Zangengeburt eines möglichen Stammvaters. Интернет сайт Neue Zürcher Zeitung. Посещено 16 августа 2013 г.

[70] Официальная домашняя страница Робой В архиве 2013-08-03 в Wayback Machine. Сайт Робой. Посещено 16 августа 2013 г.

[71] Официальная домашняя страница Starmind. Сайт Starmind. Посещено 16 августа 2013 г.

[72] Сабур, Сара; Фросст, Николай; Хинтон, Джеффри Э. (26 октября 2017 г.). «Динамическая маршрутизация между капсулами». arXiv:1710.09829 [cs.CV ].

[target-73] "Что такое чат-бот?". techtarget.com. Получено 30 января 2017.

[RASrobot-74] Сивера, Хавьер; Чокарли, Матей; Айдемир, Альпер; Бекрис, Костас; Сарма, Санджай (2015). «Специальный выпуск гостевой редакции по облачной робототехнике и автоматизации». IEEE Transactions по науке и технике автоматизации. 12 (2): 396–397. Дои:10.1109 / TASE.2015.2409511. S2CID 16080778.

[75] "Робо-Земля - Технические новости". Робо Земля.

[kengoldberg-76] Гольдберг, Кен. «Облачная робототехника и автоматизация».

[sites.google.com-77] Ли, Р. «Облачная робототехника - облачные вычисления для роботов». Получено 7 декабря 2014.

[78] Фишер, Дуглас (1987). «Приобретение знаний посредством постепенной концептуальной кластеризации». Машинное обучение. 2 (2): 139–172. Дои:10.1007 / BF00114265.

[79] Фишер, Дуглас Х. (июль 1987 г.). «Улучшение вывода через концептуальную кластеризацию». Материалы конференций AAAI 1987 г.. Конференция AAAI. Сиэтл, Вашингтон. С. 461–465.

[80] Иба, Уильям; Лэнгли, Пэт (27 января 2011 г.). «Паутинные модели категоризации и формирования вероятностных концепций». В Pothos, Emmanuel M .; Уиллс, Энди Дж. (Ред.). Формальные подходы к категоризации. Кембридж: Издательство Кембриджского университета. С. 253–273. ISBN 9780521190480.

[81] Посетите веб-сайт ICT: http://cogarch.ict.usc.edu/

[82] «Hewlett Packard Labs».

[83] Тердиман, Дэниел (2014). Процессор TrueNorth от IBM имитирует человеческий мозг.http://www.cnet.com/news/ibms-truenorth-processor-mimics-the-human-brain/

[84] Рыцарь, Шон (2011). IBM представляет чипы для когнитивных вычислений, имитирующие человеческий мозг TechSpot: 18 августа 2011 г., 12:00

[85] Хэмилл, Джаспер (2013). Когнитивные вычисления: IBM представляет программное обеспечение для своих мозговых чипов SyNAPSE Реестр: 8 августа 2013 г.

[Denning-86] Деннинг., П.Дж. (2014). «Серфинг в будущее». Коммуникации ACM. 57 (3): 26–29. Дои:10.1145/2566967. S2CID 20681733.

[87] Людвиг, Ларс (2013). «Расширенная искусственная память. К целостной когнитивной теории памяти и технологий» (pdf). Технический университет Кайзерслаутерна. Получено 7 февраля 2017. Цитировать журнал требует | журнал = (помощь)

[88] «Исследования в HP Labs».

[89] «Автоматизация сложных рабочих процессов с помощью тактических когнитивных вычислений: Coseer». thesiliconreview.com. Получено 31 июля 2017.

[90] Когнитивная наука - это междисциплинарная область исследователей из лингвистики, психологии, нейробиологии, философии, информатики и антропологии, которые стремятся понять разум. Как мы учимся: спросите ученого-когнитивиста

[91] Шрайвер, Александр (1 февраля 2006 г.). Курс комбинаторной оптимизации (PDF), страница 1.

[92] ХАЙКИН, С. Нейронные сети - всеобъемлющий фундамент. Второе издание. Пирсон Прентис Холл: 1999.

[93] «ПРОГРАММЫ С ОБЩИМ СМЫСЛОМ». www-formal.stanford.edu. Получено 11 апреля 2018.

[94] Дэвис, Эрнест; Маркус, Гэри (2015). «Здравый смысл». Коммуникации ACM. Vol. 58 нет. 9. С. 92–103. Дои:10.1145/2701413.

[95] Hulstijn, J, and Nijholt, A. (ред.). Материалы международного семинара по вычислительному юмору. Номер 12 на семинарах Twente по языковым технологиям, Энсхеде, Нидерланды. Университет Твенте, 1996 г.

[ACL-96] «ACL - Ассоциация вычислительного обучения».

[97] Траппенберг, Томас П. (2002). Основы вычислительной нейробиологии. США: Oxford University Press Inc., стр. 1. ISBN 978-0-19-851582-1.

[98] Что такое вычислительная нейробиология? Патрисия С. Черчленд, Кристоф Кох, Терренс Дж. Сейновски. in Computational Neuroscience pp.46-55. Под редакцией Эрика Л. Шварца. 1993. MIT Press «Архивная копия». Архивировано из оригинал 4 июня 2011 г.. Получено 11 июн 2009.CS1 maint: заархивированная копия как заголовок (связь)

[99] «Теоретическая неврология». MIT Press. Архивировано из оригинал 31 мая 2018 г.. Получено 24 мая 2018.

[100] Герстнер, В .; Kistler, W .; Naud, R .; Панински, Л. (2014). Нейронная динамика. Кембридж, Великобритания: Издательство Кембриджского университета. ISBN 9781107447615.

[IBM-101] Каменцкий, Л.А .; Лю, К.-Н. (1963). «Автоматизированный компьютерный дизайн логики распознавания мульти шрифтов». Журнал исследований и разработок IBM. 7 (1): 2. Дои:10.1147 / ряд 71.0002.

[102] Брнчик, М. (2000). «Компьютерная автоматизация проектирования и компьютерная автоматизация производства». Phys Med Rehabil Clin N Am. 11 (3): 701–13. Дои:10.1016 / с 1047-9651 (18) 30806-4. PMID 10989487.

[103] Li, Y .; и другие. (2004). «CAutoCSD - Эволюционный поиск и оптимизация позволили проектировать компьютерную автоматизированную систему управления. Абстрактные ". Международный журнал автоматизации и вычислений. 1 (1): 76–88. Дои:10.1007 / s11633-004-0076-8. S2CID 55417415. Внешняя ссылка в | название = (помощь)

[104] Крамер, GJE; Грирсон, Д.Е. (1989). «Компьютерное автоматизированное проектирование конструкций при динамических нагрузках». Компьютеры и конструкции. 32 (2): 313–325. Дои:10.1016/0045-7949(89)90043-6.

[105] Moharrami, H; Грирсон, Д.Е. (1993). «Автоматизированное проектирование железобетонных конструкций». Журнал структурной инженерии. 119 (7): 2036–2058. Дои:10.1061 / (восхождение) 0733-9445 (1993) 119: 7 (2036).

[106] Сюй, L; Грирсон, Д.Е. (1993). «Автоматизированное компьютерное проектирование полужестких стальных конструкций». Журнал структурной инженерии. 119 (6): 1740–1760. Дои:10.1061 / (восхождение) 0733-9445 (1993) 119: 6 (1740).

[107] Барсан, GM; Динсореану М. (1997). Компьютерное автоматизированное проектирование на основе критериев структурных характеристик, Конференция Mouchel Centenary по инновациям в гражданском и строительном строительстве, 19–21 августа, КЕМБРИДЖ, АНГЛИЯ, ИННОВАЦИИ В ГРАЖДАНСКОМ И СТРОИТЕЛЬСТВЕ, 167–172

[108] Ли, Юнь (1996). «Генетический алгоритм автоматизированного подхода к проектированию систем управления скользящим режимом». Международный журнал контроля. 63 (4): 721–739. Дои:10.1080/00207179608921865.

[109] Ли, Юнь; Чви Ким, Нг; Чен Кей, Тан (1995). «Автоматизация проектирования линейных и нелинейных систем управления эволюционными вычислениями» (PDF). Объемы разбирательств МФБ. 28 (16): 85–90. Дои:10.1016 / S1474-6670 (17) 45158-5.

[110] Барсан, Г.М., (1995) Компьютерное автоматизированное проектирование полужестких стальных каркасов в соответствии с EUROCODE-3, Nordic Steel Construction Conference 95, JUN 19-21, 787-794

[111] Грей, Гэри Дж .; Мюррей-Смит, Дэвид Дж .; Ли, Юнь; и другие. (1998). «Идентификация структуры нелинейной модели с использованием генетического программирования» (PDF). Инженерная практика управления. 6 (11): 1341–1352. Дои:10.1016 / s0967-0661 (98) 00087-2.

[112] Жан, З.Х. и др. (2011). Эволюционные вычисления встречаются с машинным обучением: обзор, журнал IEEE Computational Intelligence Magazine, 6 (4), 68-75.

[113] Грегори С. Хорнби (2003). Генеративные представления для компьютерно-автоматизированных систем проектирования, NASA Ames Research Center, Mail Stop 269-3, Moffett Field, CA 94035-1000

[114] Дж. Клун и Х. Липсон (2011). Развитие трехмерных объектов с генеративным кодированием, вдохновленное биологией развития. Труды Европейской конференции по искусственной жизни. 2011 г.

[115] Zhan, Z.H .; и другие. (2009). «Адаптивная оптимизация роя частиц» (PDF). IEEE Transactions по системам, человеку и кибернетике, часть B (кибернетика). 39 (6): 1362–1381. Дои:10.1109 / tsmcb.2009.2015956. PMID 19362911. S2CID 11191625.

[116] «Поиск WordNet - 3.1». Wordnetweb.princeton.edu. Получено 14 мая 2012.

[117] Дана Х. Баллард; Кристофер М. Браун (1982). Компьютерное зрение. Прентис Холл. ISBN 0-13-165316-4.

[118] Хуанг, Т. (1996-11-19). Вандони, Карло, Э, изд. Компьютерное зрение: эволюция и перспективы (PDF). 19-я вычислительная школа ЦЕРН. Женева: ЦЕРН. С. 21–25. Дои:10.5170 / CERN-1996-008.21. ISBN 978-9290830955.

[119] Милана Сонька; Вацлав Главац; Роджер Бойл (2008). Обработка изображений, анализ и машинное зрение. Томсон. ISBN 0-495-08252-X.

[120] Гарсон, Джеймс (27 ноября 2018 г.). Залта, Эдвард Н. (ред.). Стэнфордская энциклопедия философии. Лаборатория метафизических исследований, Стэнфордский университет - через Стэнфордскую энциклопедию философии.

[121] «Иштар из Бельгии в Белград». Европейский вещательный союз. Получено 19 мая 2013.

[LeCun-122] ЛеКун, Янн. «LeNet-5, сверточные нейронные сети». Получено 16 ноября 2013.

[123] Чжан, Вэй (1988). «Сдвиг-инвариантная нейронная сеть распознавания образов и ее оптическая архитектура». Материалы ежегодной конференции Японского общества прикладной физики.

[124] Чжан, Вэй (1990). «Модель параллельной распределенной обработки с локальными пространственно-инвариантными взаимосвязями и ее оптическая архитектура». Прикладная оптика. 29 (32): 4790–7. Bibcode:1990ApOpt..29.4790Z. Дои:10.1364 / AO.29.004790. PMID 20577468.

[facebook-paper2-125] Тиан, Юаньдун; Чжу, Ян (2015). «Лучший компьютерный игрок с нейронной сетью и долгосрочным прогнозированием». arXiv:1511.06410v1 [cs.LG ].

[126] "Как исследователи искусственного интеллекта Facebook создали революционный движок Go". Обзор технологий MIT. 4 декабря 2015 г.. Получено 3 февраля 2016.

[127] «Facebook AI Go Player становится умнее с нейронной сетью и долгосрочным прогнозом, чтобы справиться с самой сложной игрой в мире». Tech Times. 28 января 2016 г.. Получено 24 апреля 2016.

[:2-128] «Игрок в го с искусственным интеллектом от Facebook становится умнее». VentureBeat. 27 января 2016 г.. Получено 24 апреля 2016.

[129] Соломонов Р. Дж. Временная шкала искусственного интеллекта; Размышления о социальных эффектах, Управление человеческими системами, Том 5 1985, стр. 149-153

[130] Мур, Дж., Конференция по искусственному интеллекту Дартмутского колледжа: следующие пятьдесят лет, AI Magazine, Vol 27, No., 4, Pp. 87-9, 2006 г.

[131] Клайн, Рональд Р., Кибернетика, исследования автоматов и Дартмутская конференция по искусственному интеллекту, IEEE Annals of the History of Computing, октябрь – декабрь 2011 г., IEEE Computer Society

[dca-132] а ^б Хагигхат, Мохаммад; Абдель-Мотталеб, Мохамед; Алхалаби, Уэди (2016). «Дискриминантный корреляционный анализ: объединение уровней функций в реальном времени для мультимодального биометрического распознавания». IEEE Transactions по информационной криминалистике и безопасности. 11 (9): 1984–1996. Дои:10.1109 / TIFS.2016.2569061. S2CID 15624506.

[refone-133] Лензерини, Маурицио (2002). «Интеграция данных: теоретическая перспектива» (PDF). Бобы 2002. С. 233–246.

[DataExplode-134] Лейн, Фредерик (2006). «IDC: World создала 161 миллиард гигабайт данных в 2006 году».

[135] Дхар, В. (2013). «Наука о данных и прогнозирование». Коммуникации ACM. 56 (12): 64–73. Дои:10.1145/2500499. S2CID 6107147.

[136] Лик, Джефф (12 декабря 2013 г.). «Ключевое слово в« Data Science »- это не данные, это наука». Просто статистика.

[Hayashi-137] Хаяси, Чикио (1 января 1998 г.). «Что такое наука о данных? Основные концепции и эвристический пример». В Хаяси, Чикио; Ядзима, Кейджи; Бок, Ханс-Германн; Осуми, Нобору; Танака, Ютака; Баба, Ясумаса (ред.). Наука о данных, классификация и связанные методы. Исследования в области классификации, анализа данных и организации знаний. Springer Japan. С. 40–51. Дои:10.1007/978-4-431-65950-1_3. ISBN 9784431702085.

[138] Дедич, Недим; Станье, Клэр (2016). Хаммуди, Слиман; Мациашек, Лешек; Миссикофф, Мишель М. Миссикофф; Кэмп, Оливье; Кордейро, Хосе (ред.). Оценка проблем многоязычия при разработке хранилищ данных. Международная конференция по корпоративным информационным системам, 25–28 апреля 2016 г., Рим, Италия (PDF). Материалы 18-й Международной конференции по корпоративным информационным системам (ICEIS 2016). 1. SciTePress. С. 196–206. Дои:10.5220/0005858401960206. ISBN 978-989-758-187-8.

[rjmetrics-139] «9 причин провала проектов хранилищ данных». blog.rjmetrics.com. 4 декабря 2014 г.. Получено 30 апреля 2017.

[140] Хуанг; Зеленый; Лоо, «Даталог и новые приложения», SIGMOD 2011 (PDF), Калифорнийский университет в Дэвисе.

[141] Стил, Кэти и Стефанссон, Х. Орри, «Теория принятия решений», Стэнфордская энциклопедия философии (издание зима 2015 г.), Эдвард Н. Залта (ред.), URL = [1]

[142] Ллойд, Дж. У., Практические преимущества декларативного программирования

[143] Bengio, Y .; Courville, A .; Винсент, П. (2013). «Репрезентативное обучение: обзор и новые перспективы». IEEE Transactions по анализу шаблонов и машинному анализу. 35 (8): 1798–1828. arXiv:1206.5538. Дои:10.1109 / тпами.2013.50. PMID 23787338. S2CID 393948.

[144] Шмидхубер, Дж (2015). «Глубокое обучение в нейронных сетях: обзор». Нейронные сети. 61: 85–117. arXiv:1404.7828. Дои:10.1016 / j.neunet.2014.09.003. PMID 25462637. S2CID 11715509.

[145] Бенхио, Йошуа; ЛеКун, Янн; Хинтон, Джеффри (2015). «Глубокое обучение». Природа. 521 (7553): 436–444. Bibcode:2015Натура.521..436L. Дои:10.1038 / природа14539. PMID 26017442. S2CID 3074096.

[146] «О нас | DeepMind». DeepMind.

[147] «Возвращение в Париж | DeepMind». DeepMind.

[arxiv_medium-148] «Последний прорыв в области искусственного интеллекта, сделанный DeepMind до того, как это купила Google». Физика arXiv Блог. 29 января 2014 г.. Получено 12 октября 2014.

[arxiv-149] Могилы, Алексей; Уэйн, Грег; Данихелка, Иво (2014). «Нейронные машины Тьюринга». arXiv:1410.5401 [cs.NE ].

[150] Лучшее за 2014 год: секретный стартап DeepMind от Google представляет «нейронную машину Тьюринга», Обзор технологий MIT

[DNCnature2016-151] Могилы, Алексей; Уэйн, Грег; Рейнольдс, Малькольм; Харли, Тим; Данихелка, Иво; Грабска-Барвинска, Агнешка; Кольменарехо, Серхио Гомес; Грефенстетт, Эдвард; Рамальо, Тьяго (12 октября 2016 г.). «Гибридные вычисления с использованием нейронной сети с динамической внешней памятью». Природа. 538 (7626): 471–476. Bibcode:2016Натура.538..471Г. Дои:10.1038 / природа20101. ISSN 1476-4687. PMID 27732574. S2CID 205251479.

[152] Кох, Грег (29 сентября 2017 г.), AlphaGo, Иоаннис Антоноглу, Лукас Бейкер, Ник Бостром, получено 9 января 2018

[153] Сильвер, Дэвид; Хуберт, Томас; Шриттвизер, Джулиан; Антоноглоу, Иоаннис; Лай, Мэтью; Гез, Артур; Ланкто, Марк; Сифре, Лоран; Кумаран, Дхаршан; Грэпель, Тор; Лилликрап, Тимоти; Симонян, Карен; Хассабис, Демис (5 декабря 2017 г.). «Освоение шахмат и сёги путем самостоятельной игры с использованием общего алгоритма обучения с подкреплением». arXiv:1712.01815 [cs.AI ].

[154] Сикос, Лесли Ф. (2017). Описание логики в мультимедийных рассуждениях. Чам: Издательство Springer International. Дои:10.1007/978-3-319-54066-5. ISBN 978-3-319-54066-5. S2CID 3180114.

[155] Roweis, S.T .; Саул, Л. К. (2000). «Снижение нелинейной размерности локально линейным вложением». Наука. 290 (5500): 2323–2326. Bibcode:2000Sci ... 290.2323R. CiteSeerX 10.1.1.111.3313. Дои:10.1126 / science.290.5500.2323. PMID 11125150.

[156] Pudil, P .; Нововичова, J. (1998). «Новые методы выбора подмножества признаков с учетом знаний о проблеме». В Лю, Хуань; Мотода, Хироши (ред.). Извлечение, построение и выбор функций. стр.101. Дои:10.1007/978-1-4615-5725-8_7. ISBN 978-1-4613-7622-4.

[157] Демазо, Ив и Дж.П. Мюллер, ред. Децентрализованный AI. Vol. 2. Эльзевир, 1990.

[158] Хендрикс, Ирис; Ван ден Бош, Антал (Октябрь 2005 г.). «Гибридные алгоритмы с классификацией на основе экземпляров». Машинное обучение: ECML2005. Springer. С. 158–169. ISBN 9783540292432.

[twsL35-159] а ^б Остров, Адам (5 марта 2011 г.). «Вдохновляющая цифровая трансформация Роджера Эберта». Mashable Entertainment. Получено 12 сентября 2011. С помощью своей жены, двух коллег и MacBook с Алексом, который он использует для создания своего компьютеризированного голоса, знаменитый кинокритик Роджер Эберт выступил с заключительным докладом на конференции TED в пятницу в Лонг-Бич, Калифорния ...

[twsL34-160] Ли, Дженнифер (7 марта 2011 г.). «Роджер Эберт проверяет свои голосовые связки и комедийная постановка». Нью-Йорк Таймс. Получено 12 сентября 2011. Теперь, возможно, существует тест Эберта, способ увидеть, может ли синтезированный голос доставить юмор с учетом времени, чтобы рассмешить аудиторию ... Он предложил тест Эберта как способ оценить человечность синтезированного голоса.

[twsL41-161] «Вдохновляющая цифровая трансформация Роджера Эберта». Технические новости. 5 марта 2011. Архивировано с оригинал 25 марта 2011 г.. Получено 12 сентября 2011. Между тем технология, которая позволяет Эберту «говорить», продолжает улучшаться - например, добавляются более реалистичные перегибы для вопросительных и восклицательных знаков. В тесте, который Эберт назвал «тестом Эберта» для компьютерных голосов,

[twsL37-162] Пастернак, Алекс (18 апреля 2011 г.). «MacBook, возможно, дал Роджеру Эберту его голос, но iPod спас ему жизнь (видео)». Материнская плата. Архивировано из оригинал 6 сентября 2011 г.. Получено 12 сентября 2011. Он называет это «тестом Эберта» в честь стандарта ИИ Тьюринга ...

[163] Джегер, Герберт; Хаас, Харальд (2004). «Использование нелинейности: прогнозирование хаотических систем и экономия энергии при беспроводной связи» (PDF). Наука. 304 (5667): 78–80. Bibcode:2004 Наука ... 304 ... 78J. Дои:10.1126 / science.1091277. PMID 15064413. S2CID 2184251.

[164] Герберт Джегер (2007) Сеть состояния эха. Scholarpedia.

[165] Серенко, Александр; Бонтис, Ник; Детлор, Брайан (2007). «Внедрение конечными пользователями анимированных интерфейсных агентов в повседневные рабочие приложения» (PDF). Поведение и информационные технологии. 26 (2): 119–132. Дои:10.1080/01449290500260538. S2CID 2175427.

[EVOALG-166] Вихарь П.А. (2016). «Эволюционные алгоритмы: критический обзор и его перспективы на будущее». Труды Международной конференции по глобальным тенденциям в обработке сигналов, информационных вычислениях и коммуникации 2016 г. (ICGTSPICC). Jalgaon, 2016, стр. 261-265: 261–265. Дои:10.1109 / ICGTSPICC.2016.7955308. ISBN 978-1-5090-0467-6. S2CID 22100336.

[aima-167] Рассел, Стюарт; Норвиг, Питер (2009). «26.3: Этика и риски развития искусственного интеллекта». Искусственный интеллект: современный подход. Прентис Холл. ISBN 978-0-13-604259-4.

[168] Бостром, Ник (2002). «Экзистенциальные риски». Журнал эволюции и технологий. 9 (1): 1–31.

[169] «Шпаргалка по вашему искусственному интеллекту». Шифер. 1 апреля 2016 г.. Получено 16 мая 2016.

[Jackson1998-170] Джексон, Питер (1998), Введение в экспертные системы (3-е изд.), Эддисон Уэсли, стр. 2, ISBN 978-0-201-87686-4

[171] «Обычное программирование». Журнал ПК. Получено 15 сентября 2013.

[naive-172] Мартиньон, Лаура; Витауч, Оливер; Такэдзава, Масанори; Форстер, Малькольм. «Наивный и все же просвещенный: от естественных частот к быстрым и экономным деревьям решений», опубликовано в Мышление: Психологические взгляды на рассуждения, суждения и принятие решений (Дэвид Хардман и Лора Макки; редакторы), Чичестер: John Wiley & Sons, 2003.

[pami-173] Bengio, Y .; Courville, A .; Винсент, П. (2013). «Репрезентативное обучение: обзор и новые перспективы». IEEE Transactions по анализу шаблонов и машинному анализу. 35 (8): 1798–1828. arXiv:1206.5538. Дои:10.1109 / тпами.2013.50. PMID 23787338. S2CID 393948.

[auto-174] а ^б Ходжсон, доктор Дж. П. Э., "Логика первого порядка", Университет Святого Иосифа, Филадельфия, 1995.

[175] Хьюз, Г. Э., & Крессвелл, М. Дж., Новое введение в модальную логику (Лондон: Рутледж, 1996), стр.161.

[176] Фейгенбаум, Эдвард (1988). Расцвет экспертной компании. Times Books. п.318. ISBN 978-0-8129-1731-4.

[177] Хейс, Патрик. «Проблема фрейма и связанные с ней проблемы в искусственном интеллекте» (PDF). Эдинбургский университет. Цитировать журнал требует | журнал = (помощь)

[Sardar,_Z._2010_pp._177-178] Сардар, З (2010). «Тезка: фьючерсы; исследования будущего; футурология; футуристический; предвидение - что в имени?». Фьючерсы. 42 (3): 177–184. Дои:10.1016 / j.futures.2009.11.001.

[Pedrycz-179] Педрич, Витольд (1993). Нечеткое управление и нечеткие системы (2-е изд.). Research Studies Press Ltd.

[Hájek-180] Гайек, Петр (1998). Метаматематика нечеткой логики (4-е изд.). Springer Science & Business Media.

[:0-181] Д. Дюбуа и Х. Прад (1988) Нечеткие множества и системы. Academic Press, Нью-Йорк.

[182] Лян, Лили Р .; Лу, Шийонг; Ван, Сюэна; Лу, Йи; Мандал, Винай; Патаксил, Доррелин; Кумар, Дипак (2006). «FM-тест: основанный на теории нечетких множеств подход к анализу данных дифференциальной экспрессии генов». BMC Биоинформатика. 7: S7. Дои:10.1186 / 1471-2105-7-S4-S7. ЧВК 1780132. PMID 17217525.

[Myerson-183] Майерсон, Роджер Б. (1991). Теория игр: анализ конфликта, Издательство Гарвардского университета, стр.1. Ссылки для предварительного просмотра глав, стр. vii – xi.

[184] Пелл, Барни (1992). Х. ван ден Херик; Л. Аллис (ред.). «Метагейм: новый вызов для игр и обучения» [Эвристическое программирование в искусственном интеллекте 3 - третья компьютерная олимпиада] (PDF). Эллис-Хорвуд. Цитировать журнал требует | журнал = (помощь)

[pellfirst-185] Пелл, Барни (1996). «Стратегический игрок в метагейм для общих шахматных игр». Вычислительный интеллект. 12 (1): 177–198. Дои:10.1111 / j.1467-8640.1996.tb00258.x. ISSN 1467-8640. S2CID 996006.

[ggppell-186] Дженесерет, Майкл; С любовью, Натаниэль; Пелл, Барни (15 июня 2005 г.). «Общие правила игры: Обзор соревнований AAAI». Журнал AI. 26 (2): 62. Дои:10.1609 / aimag.v26i2.1813. ISSN 2371-9621.

[FOOTNOTEMitchell19962-187] Митчелл 1996, п. 2.

[188] Трюдо, Ричард Дж. (1993). Введение в теорию графов (Исправленное, расширенное переиздание. Ред.). Нью-Йорк: Dover Pub. п. 19. ISBN 978-0-486-67870-2. Получено 8 августа 2012. Граф - это объект, состоящий из двух множеств, называемых его набор вершин и это набор кромок.

[189] Юн, Бён-Ха; Ким, Сон-Кю; Ким, Сон-Ён (март 2017 г.). «Использование графической базы данных для интеграции разнородных биологических данных». Геномика и информатика. 15 (1): 19–27. Дои:10.5808 / GI.2017.15.1.19. ISSN 1598-866X. ЧВК 5389944. PMID 28416946.

[190] Бурбакис, Николаос Г. (1998). Искусственный интеллект и автоматизация. World Scientific. п. 381. ISBN 9789810226374. Получено 20 апреля 2018.

[191] Перл, Иудея (1984). Эвристика: стратегии интеллектуального поиска для решения компьютерных проблем. США: Эддисон-Уэсли Паб. Co., Inc., Рединг, Массачусетс. п.3. Bibcode:1985 его книга ..... P. OSTI 5127296.

[192] Э. К. Берк, Э. Харт, Дж. Кендалл, Дж. Ньюолл, П. Росс и С. Шуленбург, Гиперэвристика: новое направление в современной поисковой технологии, Справочник по метаэвристике (Ф. Гловер и Г. Кохенбергер, ред.), Kluwer, 2003, стр. 457– 474.

[Ross05-193] Росс, Гиперэвристика, методологии поиска: вводные учебные пособия по методам оптимизации и поддержки принятия решений (Э. К. Берк и Дж. Кендалл, ред.), Springer, 2005, стр. 529-556.

[Ozcan08-194] Ozcan, E .; Билгин, Б .; Коркмаз, Э. Э. (2008). «Комплексный анализ гиперэвристики». Интеллектуальный анализ данных. 12 (1): 3–23. Дои:10.3233 / ida-2008-12102.

[IEEE_CIS_Scope-195] «Объем IEEE CIS». Архивировано из оригинал 4 июня 2016 г.. Получено 18 марта 2019.

[196] «Управление процессами обработки - производственные лаборатории Purdue ME». engineering.purdue.edu.

[197] Хой, Мэтью Б. (2018). «Alexa, Siri, Cortana и другие: введение в голосовые помощники». Медицинские справочные службы ежеквартально. 37 (1): 81–88. Дои:10.1080/02763869.2018.1404391. PMID 29327988. S2CID 30809087.

[198] Аудейер, Пьер-Ив; Каплан, Фредерик (2008). «Как мы можем определить внутреннюю мотивацию?». Proc. 8-й конф. по эпигенетической робототехнике. 5. С. 29–31.

[199] Шевалье, Арно (2016). «Стратегическое мышление в решении сложных задач». Оксфорд; Нью-Йорк: Oxford University Press. Дои:10.1093 / acprof: oso / 9780190463908.001.0001. ISBN 9780190463908. OCLC 940455195. S2CID 157255130. Цитировать журнал требует | журнал = (помощь)

[200] «Стратегия выживания: деревья проблем». Лондон: Правительство Соединенного Королевства. Июль 2004 г. Архивировано с оригинал 17 февраля 2012 г.. Получено 6 октября 2018.CS1 maint: ref = harv (связь) Также доступно в Формат PDF.

[:1-201] Паскин, Марк. «Краткий курс графических моделей» (PDF). Стэнфорд.

[202] Вудс, В. А.; Шмольце, Дж. Г. (1992). «Семья KL-ONE». Компьютеры и математика с приложениями. 23 (2–5): 133. Дои:10.1016/0898-1221(92)90139-9.

[203] Брахман, Р. Дж.; Шмольце, Дж. Г. (1985). «Обзор системы представления знаний KL-ONE» (PDF). Наука о мышлении. 9 (2): 171. Дои:10.1207 / s15516709cog0902_1.

[204] Duce, D.A .; Рингленд, Г.А. (1988). Подходы к представлению знаний, введение. Research Studies Press, Ltd. ISBN 978-0-86380-064-1.

[205] Шэнк, Роджер; Роберт Абельсон (1977). Сценарии, планы, цели и понимание: исследование структур человеческого знания. Lawrence Erlbaum Associates, Inc.

[206] «Представление знаний в нейронных сетях - deepMinds». deepMinds. 16 августа 2018 г.. Получено 16 августа 2018.

[207] Рейли, Эдвин Д. (2003). Основные этапы развития информатики и информационных технологий. Издательская группа «Гринвуд». стр.156 –157. ISBN 978-1-57356-521-9.

[208] Хохрайтер, Зепп; Шмидхубер, Юрген (1997). «Долговременная кратковременная память». Нейронные вычисления. 9 (8): 1735–1780. Дои:10.1162 / neco.1997.9.8.1735. PMID 9377276. S2CID 1915014.

[Siegelmann92-209] Siegelmann, Hava T .; Зонтаг, Эдуардо Д. (1992). О вычислительной мощности нейронных сетей. ACM. КОЛТ 92 года. С. 440–449. Дои:10.1145/130385.130432. ISBN 978-0897914970. S2CID 207165680.

[210] Гагнюк, Пол А. (2017). Цепи Маркова: от теории к реализации и экспериментам. США, Нью-Джерси: John Wiley & Sons. С. 1–235. ISBN 978-1-119-38755-8.

[211] "Цепь Маркова | Определение цепи Маркова в английском языке по Оксфордским словарям". Оксфордские словари | английский. Получено 14 декабря 2017.

[212] Определение на Brilliant.org "Brilliant Math and Science Wiki". Дата обращения 12 мая 2019.

[213] "Природа математического программирования В архиве 2014-03-05 в Wayback Machine," Глоссарий математического программирования, INFORMS Computing Society.

[214] Ван, Вену (1 июля 2010 г.). Машинное прослушивание: принципы, алгоритмы и системы. IGI Global. ISBN 9781615209194 - через igi-global.com.

[215] «Машинное прослушивание: принципы, алгоритмы и системы» (PDF).

[216] Малкольм Татум (3 октября 2012 г.). «Что такое машинное восприятие».

[217] Александр Серов (29 января 2013 г.). «Субъективная реальность и сильный искусственный интеллект» (PDF).

[218] «Лаборатория машинного восприятия и когнитивной робототехники». ccs.fau.edu. Получено 18 июн 2016.

[219] «Что такое мехатроника?». Информация для потенциальных студентов. Университет Ватерлоо. Архивировано из оригинал 6 октября 2011 г.. Получено 30 мая 2011.

[CZU-220] "Мехатроника (Bc., Ing., PhD.)". Получено 15 апреля 2011.

[Franke_2005-221] Франке; Siezen, Teusink (2005). «Реконструкция метаболической сети бактерии из ее генома». Тенденции в микробиологии. 13 (11): 550–558. Дои:10.1016 / j.tim.2005.09.001. PMID 16169729.

[222] Balamurugan, R .; Натараджан, A.M .; Премалата, К. (2015). "Оптимизация звездной массы черных дыр для бикластеризации данных экспрессии генов микрочипов". Прикладной искусственный интеллект в международном журнале. 29 (4): 353–381. Дои:10.1080/08839514.2015.1016391. S2CID 44624424.

[223] Бьянки, Леонора; Дориго, Марко; Мария Гамбарделла, Лука; Gutjahr, Уолтер Дж. (2009). «Обзор метаэвристики для стохастической комбинаторной оптимизации» (PDF). Естественные вычисления. 8 (2): 239–287. Дои:10.1007 / s11047-008-9098-4. S2CID 9141490.

[224] Герберт Б. Эндертон, 2001, Математическое введение в логику, второе издание. Эндертон: 110, Harcourt Academic Press, Burlington MA, ISBN 978-0-12-238452-3.

[225] '^ "Наивная семантика для поддержки автоматизированного проектирования баз данных ", IEEE Transactions по разработке знаний и данных, Том 14, выпуск 1 (январь 2002 г.), авторы В. К. Стори, Р. К. Гольдштейн и Х. Ульрих

[tkac08-226] Использование раннего и позднего связывания в автоматизации, Microsoft, 11 мая 2007 г., получено 11 мая 2009

[227] строго говоря, URIRef

[228] ttp://www.w3.org/TR/PR-rdf-syntax/ "Модель описания ресурсов (RDF) и спецификация синтаксиса"

[229] Миллер, Лэнс А. "Программирование на естественном языке: стили, стратегии и контрасты". IBM Systems Journal 20.2 (1981): 184–215.

[MyUser_Https:_May_17_2016c-230] "Deep Minds: интервью с Алексом Грейвсом и Кораем Кавукчуоглу из Google". Получено 17 мая 2016.

[231] Грейвс, Алекс; Уэйн, Грег; Данихелка, Иво (2014). «Нейронные машины Тьюринга». arXiv: 1410.5401 [cs.NE].

[Krucoff_584-232] Крукофф, Макс О .; Рахимпур, Шервин; Slutzky, Marc W .; Эдгертон, В. Реджи; Тернер, Деннис А. (1 января 2016 г.). «Улучшение восстановления нервной системы с помощью нейробиологии, обучения нейронному интерфейсу и нейрореабилитации». Границы неврологии. 10: 584. Дои:10.3389 / fnins.2016.00584. ЧВК 5186786. PMID 28082858.

[233] Мид, Карвер (1990). «Нейроморфные электронные системы» (PDF). Труды IEEE. 78 (10): 1629–1636. CiteSeerX 10.1.1.161.9762. Дои:10.1109/5.58356.

[Maan_1–13-234] Maan, A. K .; Джаядеви, Д. А .; Джеймс, А. П. (1 января 2016 г.). «Обзор мемристических пороговых логических схем». Транзакции IEEE в нейронных сетях и обучающих системах. PP (99): 1734–1746. arXiv:1604.07121. Bibcode:2016arXiv160407121M. Дои:10.1109 / TNNLS.2016.2547842. ISSN 2162-237X. PMID 27164608. S2CID 1798273.

[235] "Обзор спинтронных архитектур для обработки в памяти и нейронных сетей ", JSA, 2018

[236] Чжоу, ты; Раманатан, С. (1 августа 2015 г.). «Память Мотта и нейроморфные устройства». Труды IEEE. 103 (8): 1289–1310. Дои:10.1109 / JPROC.2015.2431914. ISSN 0018-9219. S2CID 11347598.

[237] Монро, Д. (2014). «Нейроморфные вычисления готовятся к (действительно) большому времени». Коммуникации ACM. 57 (6): 13–15. Дои:10.1145/2601069. S2CID 20051102.

[238] Zhao, W. S .; Agnus, G .; Дерике, В .; Filoramo, A .; Bourgoin, J. -P .; Гамрат, К. (2010). «Каркасная архитектура на основе нанотрубок: к нейроморфным вычислениям». Нанотехнологии. 21 (17): 175202. Bibcode:2010Nanot..21q5202Z. Дои:10.1088/0957-4484/21/17/175202. PMID 20368686.

[humanbrainproject-239] The Human Brain Project SP 9: нейроморфная вычислительная платформа на YouTube

[240] Коупленд, Джек (май 2000 г.). «Что такое искусственный интеллект?». AlanTuring.net. Получено 7 ноября 2015.

[kleinberg2006-241] Клейнберг, Джон; Тардос, Ева (2006). Разработка алгоритма (2-е изд.). Эддисон-Уэсли. п.464. ISBN 0-321-37291-3.

[243] Кобэм, Алан (1965). «Внутренняя вычислительная сложность функций». Proc. Логика, методология и философия науки II. Северная Голландия.

[244] "Что такое бритва Оккама?". math.ucr.edu. Получено 1 июня 2019.

[245] «OpenAI переходит от некоммерческой деятельности к« максимальной прибыли »для привлечения капитала». TechCrunch. Проверено 10 мая 2019.

[246] "OpenCog: Общий искусственный интеллект с открытым исходным кодом для виртуальных миров | Новости CyberTech". 6 марта 2009 г. Архивировано 6 марта 2009 г.. Получено 1 октября 2016.CS1 maint: BOT: статус исходного URL-адреса неизвестен (связь)

[247] Сен-Лоран, Эндрю М. (2008). Общие сведения о лицензировании открытого исходного кода и бесплатного программного обеспечения. O'Reilly Media. п. 4. ISBN 9780596553951.

[Open_Collaboration-248] Levine, Sheen S .; Приетула, Майкл Дж. (30 декабря 2013 г.). «Открытое сотрудничество для инноваций: принципы и эффективность». Организационная наука. 25 (5): 1414–1433. arXiv:1406.7541. Дои:10.1287 / orsc.2013.0872. ISSN 1047-7039. S2CID 6583883.

[249] Епископ, Кристофер М. (2006). Распознавание образов и машинное обучение (PDF). Springer. п. vii. Распознавание образов берет свое начало в инженерии, тогда как машинное обучение выросло из информатики. Однако эту деятельность можно рассматривать как две стороны одной и той же области, и вместе они претерпели существенное развитие за последние десять лет.

[250] Хьюз, Г. Э., & Крессвелл, М. Дж., Новое введение в модальную логику (Лондон: Рутледж, 1996), стр.161.

[Nyce-251] Найс, Чарльз (2007), Официальный документ по прогнозной аналитике (PDF), Американский институт страховых компаний по страхованию от несчастных случаев / Страховой институт Америки, стр. 1

[Eckerson-252] Экерсон, Уэйн (10 мая 2007 г.), Увеличение стоимости инвестиций в хранилище данных, Институт хранилищ данных

[253] Карл Р. Поппер, Миф о каркасе, Лондон (Рутледж) 1994, гл. 8.

[254] Карл Р. Поппер, Бедность историзма, Лондон (Рутледж) 1960, гл. iv, разд. 31.

[physorg-255] «Вероятностное программирование делает в 50 строк кода то, что раньше занимало тысячи». Phys.org. 13 апреля 2015 г.. Получено 13 апреля 2015.

[256] «Вероятностное программирование». probabilistic-programming.org. Архивировано из оригинал 10 января 2016 г.. Получено 31 июля 2019.

[Pfeffer2014-257] Пфеффер, Авром (2014), Практическое вероятностное программирование, Manning Publications. стр.28. ISBN 978-1 6172-9233-0

[Clocksin2003-258] Clocksin, Уильям Ф .; Меллиш, Кристофер С. (2003). Программирование на Прологе. Берлин; Нью-Йорк: Springer-Verlag. ISBN 978-3-540-00678-7.

[Bratko2012-259] Братко, Иван (2012). Пролог для искусственного интеллекта (4-е изд.). Харлоу, Англия; Нью-Йорк: Эддисон Уэсли. ISBN 978-0-321-41746-6.

[Covington1994-260] Ковингтон, Майкл А. (1994). Обработка естественного языка для программистов на Прологе. Энглвуд Клиффс, Нью-Джерси: Prentice Hall. ISBN 978-0-13-629213-5.

[261] Ллойд, Дж. У. (1984). Основы логического программирования. Берлин: Springer-Verlag. ISBN 978-3-540-13299-8.

[262] Кульман, Дэйв. «Книга по Python: начало Python, продвинутые Python и упражнения на Python». Раздел 1.1. Архивировано из оригинального (PDF) 23 июня 2012 года.

[reiter-263] а ^б Райтер, Раймонд (2001). Знания в действии: логические основы спецификации и реализации динамических систем. Кембридж, Массачусетс: MIT Press. стр.20 –22. ISBN 9780262527002.

[264] Тильшер, Майкл (сентябрь 2001 г.). «Квалификационная проблема: решение проблемы аномальных моделей». Искусственный интеллект. 131 (1–2): 1–37. Дои:10.1016 / S0004-3702 (01) 00131-X.

[2018Report-265] Ворчая, Эмили; Горовиц, Марк, ред. (2019). Квантовые вычисления: прогресс и перспективы (2018). Вашингтон, округ Колумбия: Национальная академия прессы. п. I-5. Дои:10.17226/25196. ISBN 978-0-309-47969-1. OCLC 1081001288.

[266] Язык R и средаХорник, Курт (4 октября 2017 г.). "R FAQ". Комплексная сеть архивов R. 2.1 Что такое R?. Получено 6 августа 2018.R FoundationХорник, Курт (4 октября 2017 г.). "R FAQ". Комплексная сеть архивов R. 2.13 Что такое R Foundation?. Получено 6 августа 2018.Команда R Core просит авторов, которые используют R в своем анализе данных, процитировать программное обеспечение, используя: R Core Team (2016). R: Язык и среда для статистических вычислений. R Фонд статистических вычислений, Вена, Австрия. URL http://www.R-project.org/.

[267] широко используемыйФокс, Джон и Андерсен, Роберт (январь 2005 г.). «Использование среды статистических вычислений R для преподавания на курсах социальной статистики» (PDF). Департамент социологии, Университет Макмастера. Получено 6 августа 2018. Цитировать журнал требует | журнал = (помощь)Вэнс, Эшли (6 января 2009 г.). «Аналитики данных, очарованные силой R». Нью-Йорк Таймс. Получено 6 августа 2018. R - это также название популярного языка программирования, используемого растущим числом аналитиков данных в корпорациях и академических кругах. Он становится их lingua franca ...

[268] Вэнс, Эшли (6 января 2009 г.). «Аналитики данных, очарованные силой R». Нью-Йорк Таймс. Получено 6 августа 2018. R - это также название популярного языка программирования, используемого растущим числом аналитиков данных в корпорациях и академических кругах. Он становится их lingua franca ...

[269] Broomhead, D. S .; Лоу, Дэвид (1988). Радиальные базисные функции, функциональная интерполяция с несколькими переменными и адаптивные сети (Технический отчет). RSRE. 4148.

[270] Broomhead, D. S .; Лоу, Дэвид (1988). «Многопараметрическая функциональная интерполяция и адаптивные сети» (PDF). Сложные системы. 2: 321–355.

[271] Швенкер, Фридхельм; Kestler, Hans A .; Пальма, Гюнтер (2001). «Три этапа обучения для сетей с радиальной базисной функцией». Нейронные сети. 14 (4–5): 439–458. Дои:10.1016 / s0893-6080 (01) 00027-2. PMID 11411631.

[272] Хо, Тин Кам (1995). Леса произвольного решения (PDF). Труды 3-й Международной конференции по анализу и распознаванию документов, Монреаль, Квебек, 14–16 августа 1995 г. С. 278–282. Архивировано из оригинального (PDF) 17 апреля 2016 года. Дата обращения 5 июня 2016 года.

[273] Хо, Т.К. (1998). «Метод случайного подпространства для построения решающих лесов». IEEE Transactions по анализу шаблонов и машинному анализу. 20 (8): 832–844. Дои:10.1109/34.709601.

[274] Хасти, Тревор; Тибширани, Роберт; Фридман, Джером (2008). Элементы статистического обучения (2-е изд.). Springer. ISBN 0-387-95284-5.

[275] Graves, A .; Liwicki, M .; Fernandez, S .; Bertolami, R .; Bunke, H .; Шмидхубер, Дж. (2009). «Новая система коннекционистов для улучшенного распознавания рукописного ввода» (PDF). IEEE Transactions по анализу шаблонов и машинному анализу. 31 (5): 855–868. CiteSeerX 10.1.1.139.4502. Дои:10.1109 / тпами.2008.137. PMID 19299860. S2CID 14635907.

[sak2014-276] Сак, хасим; Старший, Андрей; Бофэ, Франсуаза (2014). «Рекуррентные архитектуры нейронных сетей с кратковременной памятью для крупномасштабного акустического моделирования» (PDF). Архивировано из оригинал (PDF) 24 апреля 2018 г.. Получено 6 августа 2019.

[liwu2015-277] Ли, Сянган; У, Сихун (15 октября 2014 г.). «Построение глубоких рекуррентных нейронных сетей на основе кратковременной памяти для распознавания речи с большим словарным запасом». arXiv:1410.4281 [cs.CL ].

[kaelbling-278] Kaelbling, Лесли П.; Литтман, Майкл Л.; Мур, Эндрю В. (1996). «Обучение с подкреплением: обзор». Журнал исследований искусственного интеллекта. 4: 237–285. arXiv:cs / 9605103. Дои:10.1613 / jair.301. S2CID 1708582. Архивировано из оригинал 20 ноября 2001 г.CS1 maint: ref = harv (связь)

[279] Шраувен, Бенджамин, Дэвид Верстратен, и Ян Ван Кампенхаут. «Обзор резервуарных вычислений: теория, приложения и реализации». Труды Европейского симпозиума по искусственным нейронным сетям ESANN 2007, стр. 471-482.

[280] Масса, Вольфганг; Nachtschlaeger, T .; Маркрам, Х. (2002). «Вычисления в реальном времени без стабильных состояний: новая структура для нейронных вычислений на основе возмущений». Нейронные вычисления. 14 (11): 2531–2560. Дои:10.1162/089976602760407955. PMID 12433288. S2CID 1045112.

[281] Джагер, Герберт, «Подход эхо-состояния к анализу и обучению рекуррентных нейронных сетей». Технический отчет 154 (2001), Немецкий национальный исследовательский центр информационных технологий.

[282] Сеть состояния эха, Scholarpedia

[283] «Хронология стандартов XML и семантической сети W3C» (PDF). 4 февраля 2012 г.

[284] См., Например, Boolos and Jeffrey, 1974, глава 11.

[Sowa-285] Сова, Джон Ф. (1987). «Семантические сети». В Шапиро, Стюарт С. (ред.). Энциклопедия искусственного интеллекта. Получено 29 апреля 2008.

[bi-286] О'Хирн, П. У .; Пим, Д. Дж. (Июнь 1999 г.). «Логика сгруппированных следствий». Бюллетень символической логики. 5 (2): 215–244. CiteSeerX 10.1.1.27.4742. Дои:10.2307/421090. JSTOR 421090.

[BoDu04-287] Абран и др. 2004 г., стр. 1–1

[288] "Компьютерные дипломы и карьера". ACM. 2007. Архивировано с оригинал 17 июня 2011 г.. Получено 23 ноября 2010.

[289] Лапланте, Филипп (2007). Что каждый инженер должен знать о разработке программного обеспечения. Бока-Ратон: CRC. ISBN 978-0-8493-7228-5. Получено 21 января 2011.

[290] Рапоза, Джим (2 мая 2006 г.). «SPARQL заставит Интернет сиять». eWeek. Получено 17 января 2007.

[291] Сегаран, Тоби; Эванс, Колин; Тейлор, Джейми (2009). Программирование семантической сети. O’Reilly Media, Inc., 1005 Gravenstein Highway North, Севастополь, Калифорния 95472. стр.84. ISBN 978-0-596-15381-6.

[Maas_1996-292] Маасс, Вольфганг (1997). «Сети пиковых нейронов: третье поколение моделей нейронных сетей». Нейронные сети. 10 (9): 1659–1671. Дои:10.1016 / S0893-6080 (97) 00011-7. ISSN 0893-6080.

[293] «Что такое безгражданство? - Определение с сайта WhatIs.com». techtarget.com.

[Getoor2007-294] Лиз Гетур и Бен Таскар: Введение в статистическое реляционное обучение, MIT Press, 2007 г.

[295] Райан А. Росси, Люк К. Макдауэлл, Дэвид В. Аха и Дженнифер Невилл "Преобразование данных графика для статистического реляционного обучения. " Журнал исследований искусственного интеллекта (JAIR), Том 45 (2012), стр. 363-441.

[spall2003-296] Сполл, Дж. К. (2003). Введение в стохастический поиск и оптимизацию. Вайли. ISBN 978-0-471-33052-3.

[297] Понимание языка с использованием двухуровневых стохастических моделей Ф. Пла и др., 2001 г., Springer Lecture Notes по информатике ISBN 978-3-540-42557-1

[298] Стюарт Дж. Рассел, Питер Норвиг (2010) Искусственный интеллект: современный подход, Третье издание, Прентис Холл ISBN 9780136042594.

[299] Мехриар Мохри, Афшин Ростамизаде, Амит Талвалкар (2012) Основы машинного обучения, MIT Press ISBN 9780262018258.

[300] Кортес, Коринна; Вапник, Владимир Н (1995). «Поддержка-вектор сети». Машинное обучение. 20 (3): 273–297. Дои:10.1007 / BF00994018.

[301] Beni, G .; Ван Дж. (1993). "Swarm Intelligence в сотовых робототехнических системах". Продолжить. Продвинутый семинар НАТО по роботам и биологическим системам, Тоскана, Италия, 26–30 июня (1989 г.). С. 703–712. Дои:10.1007/978-3-642-58069-7_38. ISBN 978-3-642-63461-1.

[FOOTNOTEHaugeland1985255-302] Хогеланд 1985, п. 255.

[FOOTNOTEPooleMackworthGoebbel19981-303] Пул, Макворт и Геббель 1998 г., п. 1.

[304] «Сборник источников, определяющих» особенность"". singularitysymposium.com. Получено 17 апреля 2019.

[Singularity_hypotheses-305] Eden, Amnon H .; Мур, Джеймс Х. (2012). Гипотезы сингулярности: научная и философская оценка. Дордрехт: Спрингер. стр.1 –2. ISBN 9783642325601.

[306] Кадвалладр, Кэрол (2014). "Роботы собираются подняться? Новый технический директор Google так считает ... " Хранитель. Guardian News and Media Limited.

[RSutton-1998-307] Саттон, Ричард и Эндрю Барто (1998). Обучение с подкреплением. MIT Press. ISBN 978-0-585-02445-5. Архивировано из оригинал 30 марта 2017 г.

[Neuroscience1980-Pellionisz-308] Pellionisz, A .; Ллинас, Р. (1980). «Тензорный подход к геометрии функции мозга: координация мозжечка с помощью метрического тензора» (PDF). Неврология. 5 (7): 1125––1136. Дои:10.1016/0306-4522(80)90191-8. PMID 6967569. S2CID 17303132.

[Neuroscience1985-Pellionisz-309] Pellionisz, A .; Ллинас, Р. (1985). «Тензорная сетевая теория метаорганизации функциональных геометрий в центральной нервной системе». Неврология. 16 (2): 245–273. Дои:10.1016/0306-4522(85)90001-6. PMID 4080158. S2CID 10747593.

[YoutubeClip-310] «TensorFlow: машинное обучение с открытым исходным кодом» «Это программное обеспечение для машинного обучения, которое используется для различных задач восприятия и понимания языка» - Джеффри Дин, минута 0:47 / 2:17 из ролика YouTube

[Sipser-3rd-311] Сипсер, Майкл (2013). Введение в теорию вычислений 3-й. Cengage Learning. ISBN 978-1-133-18779-0. центральные области теории вычислений: автоматы, вычислимость и сложность. (Страница 1)

[312] Томпсон, Уильям Р. (1933). «О вероятности того, что одна неизвестная вероятность превосходит другую с учетом свидетельств двух образцов». Биометрика. 25 (3–4): 285–294. Дои:10.1093 / biomet / 25.3-4.285.

[313] Руссо, Даниэль Дж .; Ван Рой, Бенджамин; Казеруни, Аббас; Осбанд, Ян; Вэнь, Чжэн (2018). «Учебное пособие по отбору образцов Томпсона». Основы и тенденции в машинном обучении. 11 (1): 1–96. arXiv:1707.02038. Дои:10.1561/2200000070. S2CID 3929917.

[Mercer-314] Мерсер, Кальвин. Религия и трансгуманизм: неизвестное будущее человеческого совершенствования. Praeger.

[Bostrom_2005-315] Бостром, Ник (2005). «История трансгуманистической мысли» (PDF). Журнал эволюции и технологий. Получено 21 февраля 2006.

[316] Первоначально Тьюринг предложил телетайп, одна из немногих текстовых коммуникационных систем, доступных в 1950 году. (Тьюринг 1950, п. 433)

[FOOTNOTEPierce20021-317] Пирс 2002, п. 1: «Система типов - это управляемый синтаксический метод для доказательства отсутствия определенного поведения программы путем классификации фраз по типам вычисляемых ими значений».

[FOOTNOTECardelli20041-318] Карделли 2004, п. 1: «Основная цель системы типов - предотвращать возникновение ошибок выполнения во время выполнения программы».

[Hinton99a-319] Хинтон, Джеффри; Сейновски, Терренс (1999). Обучение без учителя: основы нейронных вычислений. MIT Press. ISBN 978-0262581684.

[320] Коланер, Сет; Хамрик, Мэтью (3 января 2016 г.). «Третий тип процессора для AR / VR: Movidius 'Myriad 2 VPU». Оборудование Тома.

[321] Банерже, Прасид (28 марта 2016 г.). «Возникновение VPU: взгляд на машины». Digit.in.

[ibm-322] «Проект DeepQA: часто задаваемые вопросы». IBM. Получено 11 февраля 2011.

[323] Ферруччи, Дэвид; Левас, Энтони; Багчи, Сугато; Гондек, Давид; Мюллер, Эрик Т. (1 июня 2013 г.). "Ватсон: вне опасности!". Искусственный интеллект. 199: 93–105. Дои:10.1016 / j.artint.2012.06.009.

[NYT_20110208-324] Хейл, Майк (8 февраля 2011 г.). «Актеры и их роли за 300 долларов, HAL? HAL!». Нью-Йорк Таймс. Получено 11 февраля 2011.

[325] «Проект DeepQA». IBM Research. Получено 18 февраля 2011.

[326] 9.com упоминает узкий ИИ. Опубликовано 1 апреля 2013 г. Дата обращения 16 февраля 2014 г .: http://io9.com/how-much-longer-before-our-first-ai-catastrophe-464043243

[327] Исследователь искусственного интеллекта Бен Герцель объясняет, почему он заинтересовался ИИ вместо узкого ИИ. Опубликовано 18 октября 2013 г. Проверено 16 февраля 2014 г. http://intelligence.org/2013/10/18/ben-goertzel/

[328] TechCrunch обсуждает создание приложений искусственного интеллекта для узкого ИИ. Опубликовано 16 октября 2015 г. Дата обращения 17 октября 2015 г. https://techcrunch.com/2015/10/15/machine-learning-its-the-hard-problems-that-are-valuable/

[242] полиномиальное время относится к тому, насколько быстро растет количество операций, необходимых для алгоритма, по сравнению с размером проблемы. Следовательно, это показатель эффективности алгоритма.

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]

[13]

[14]

[15]

[16]

[17]

[18]

[19]

[20]

[21]

[22]

[23]

[24]

[25]

[26]

[27]

[28]

[29]

[30]

[31]

[32]

[33]

[34]

[35]

[36]

[37]

[38]

[39]

[40]

[41]

[42]

[43]

[44]

[45]

[46]

[47]

[48]

[49]

[50]

[51]

[52]

[53]

[54]

[55]

[56]

[57]

[58]

[59]

[60]

[61]

[62]

[63]

[64]

[65]

[66]

[67]

[68]

[69]

[70]

[71]

[72]

[73]

[74]

[75]

[76]

[77]

[78]

[79]

[80]

[81]

[82]

[83]

[84]

[85]

[86]

[87]

[88]

[89]

[90]

[91]

[92]

[93]

[94]

[95]

[96]

[97]

[98]

[99]

[100]

Информатика
Примечание. Этот шаблон примерно соответствует модели 2012 г. Система классификации вычислений ACM.
Аппаратное обеспечение	Печатная плата Периферийный Интегральная схема Очень крупномасштабная интеграция Системы на кристалле (SoC) Энергопотребление (Зеленые вычисления) Автоматизация электронного проектирования Аппаратное ускорение
Компьютерные системы организация	Компьютерная архитектура Встроенная система Вычисления в реальном времени Надежность
Сети	Сетевая архитектура Сетевой протокол Сетевые компоненты Сетевой планировщик Оценка производительности сети Сетевая служба
Организация программного обеспечения	Устный переводчик Промежуточное ПО Виртуальная машина Операционная система Качество программного обеспечения
Обозначения программного обеспечения и инструменты	Парадигма программирования Язык программирования Компилятор Доменный язык Язык моделирования Программный фреймворк Интегрированная среда развития Управление конфигурацией программного обеспечения Библиотека программного обеспечения Репозиторий программного обеспечения
Разработка программного обеспечения	Контрольная переменная Процесс разработки программного обеспечения Анализ требований Разработка программного обеспечения Разработка программного обеспечения Развертывание программного обеспечения Сопровождение программного обеспечения Команда программистов Модель с открытым исходным кодом
Теория вычислений	Модель вычисления Формальный язык Теория автоматов Теория вычислимости Теория вычислительной сложности Логика Семантика
Алгоритмы	Разработка алгоритма Анализ алгоритмов Алгоритмическая эффективность Рандомизированный алгоритм Вычислительная геометрия
Математика вычислений	Дискретная математика Вероятность Статистика Математическое программное обеспечение Теория информации Математический анализ Числовой анализ
Информация системы	Система управления базой данных Системы хранения информации Информационная система предприятия Социальные информационные системы Географическая информационная система Система поддержки принятия решений Система управления технологическим процессом Мультимедийная информационная система Сбор данных Цифровая библиотека Вычислительная платформа Цифровой маркетинг Всемирная паутина Поиск информации
Безопасность	Криптография Формальные методы Охранные услуги Система обнаружения вторжений Аппаратная безопасность Сетевая безопасность Информационная безопасность Безопасность приложений
Человек – компьютер взаимодействие	Интерактивный дизайн Социальные вычисления Повсеместные вычисления Визуализация Доступность
Параллелизм	Параллельные вычисления Параллельные вычисления Распределенных вычислений Многопоточность Многопроцессорность
Искусственный интеллект	Обработка естественного языка Представление знаний и рассуждения Компьютерное зрение Автоматизированное планирование и составление графиков Методология поиска Метод контроля Философия искусственного интеллекта Распределенный искусственный интеллект
Машинное обучение	Контролируемое обучение Обучение без учителя Обучение с подкреплением Многозадачное обучение Перекрестная проверка
Графика	Анимация Рендеринг Обработка изображений Блок обработки графики Смешанная реальность Виртуальная реальность Сжатие изображения Твердотельное моделирование
Применяемый вычисление	Электронная коммерция Корпоративное программное обеспечение Вычислительная математика Вычислительная физика Вычислительная химия Вычислительная биология Вычислительная социология Вычислительная инженерия Компьютерное здравоохранение Цифровое искусство Электронное издание Кибервойна Электронное голосование Видеоигры Обработка текста Исследование операций Образовательные технологии Управление документами
Книга Категория Контур ВикиПроект Commons

Эволюционные вычисления
Основные темы	Конвергенция (эволюционные вычисления) Эволюционный алгоритм Эволюционный интеллектуальный анализ данных Эволюционная мультимодальная оптимизация Человеческие эволюционные вычисления Интерактивные эволюционные вычисления
Алгоритмы	Клеточный эволюционный алгоритм Стратегия эволюции адаптации ковариационной матрицы (CMA-ES) Дифференциальная эволюция Эволюционное программирование Генетический алгоритм Генетическое программирование Программирование экспрессии генов Стратегия развития Стратегия естественной эволюции Нейроэволюция Система обучающих классификаторов
Связанные методы	Рой интеллект Оптимизация колонии муравьев Алгоритм пчел Кукушка поиск Оптимизация роя частиц Оптимизация бактериальных колоний
Метаэвристические методы	Оптимизатор Серого Волка Алгоритм светлячка Поиск гармонии Гауссовская адаптация Меметический алгоритм
похожие темы	Искусственное развитие Искусственный интеллект Искусственная жизнь Цифровой организм Эволюционная робототехника Функция фитнеса Фитнес-пейзаж Приближение фитнеса Генетические операторы Интерактивные эволюционные вычисления Никаких бесплатных обедов в поиске и оптимизации Машинное обучение Брачный пул Программный синтез
Журналы	Эволюционные вычисления (журнал)

Робототехника
Основные статьи	Контур Глоссарий Индекс История География зал славы Этика Законы Соревнования AI соревнования
Типы	Антропоморфный Гуманоид Android Киборг Claytronics Компаньон Аниматроник Аудио-Аниматроника Промышленное Сочлененный рука Одомашненный Образовательные Развлекательная программа Жонглирование Военный Медицинское Служба Инвалидность Сельскохозяйственная Общественное питание Розничная торговля BEAM робототехника Мягкая робототехника
Классификации	Биоробототехника Беспилотный автомобиль воздушный земля Мобильный робот Микроботика Наноробототехника Роботизированный космический корабль Космический зонд Рой Под водой дистанционно управляемый
Передвижение	Треки Ходьба Гексапод Альпинизм Электрический одноколесный велосипед Робот-навигация
Исследование	Эволюционный Наборы Симулятор Люкс Открытый исходный код Программного обеспечения Адаптируемый Развивающий Парадигмы Вездесущий
Связанный	Технологическая безработица Проходимость Вымышленные роботы
Категория Контур

Глоссарий искусственного интеллекта - Glossary of artificial intelligence

А

B

C

D

E

F

грамм

ЧАС

я

J

K

L

M

N

О

п

Q

р

S

Т

U

V

W

Смотрите также

Рекомендации

Примечания