专栏首页程序你好人工智能相关的术语介绍

人工智能相关的术语介绍

随着人工智能不再是一个模棱两可的营销术语,而是一个更精确的意识形态,很多人被人工智能相关的各种术语所困扰。因此,我们为您介绍了人工智能世界中一些最重要的术语。

A

Algorithms(算法):给人工智能、神经网络或其他机器一组规则或指令,以帮助其自主学习;分类、聚类、推荐和回归是最流行的四种类型。

Artificial intelligence(人工智能) : 机器做出决定并执行模拟人类智能和行为的任务的能力。

Artificial neural network (人工神经网络):一种学习模型,其作用类似于人脑,可以解决传统计算机系统难以解决的任务。

Autonomic computing(自主计算): 系统在不需要用户输入的情况下,对自己的资源进行自适应管理的能力,用于高级别的计算功能。

C

Chatbots(聊天机器人): 一种聊天机器人(简称聊天机器人),通过文本聊天、语音命令或两者兼而有之来模拟与人类用户的对话。它们是包含人工智能功能的计算机程序的常用接口。

Classification(分类): 分类算法让机器根据训练数据将一个类别分配给一个数据点。

Cluster analysis(聚类分析): 一种用于探索性数据分析的无监督学习,用于发现数据中的隐藏模式或分组;集群的建模使用由欧几里德或概率距离等度量标准定义的相似性度量。

Clustering(聚类) :聚类算法让机器将数据点或项分组成具有相似特征的组。

Cognitive computing(认知计算): 一种模拟人脑思维方式的计算机模型。它包括通过使用数据挖掘、自然语言处理和模式识别进行自学。

Convolutional neural network (CNN)(卷积神经网络): 一种识别和理解图像的神经网络。

D

Data mining(数据挖掘): 对数据集的检查,从中发现并挖掘出可进一步使用的模式。

Data science(数据科学):数据科学是一个跨学科的领域,包含所有结构化和非结构化数据相关内容,从准备、清理、分析和源于有用的视角开始。结合了数学、统计学、智能数据捕获、编程、问题解决、数据清理、不同的观察角度、准备和数据对齐。

Decision tree(决策树):一种基于树和分支的模型,用于映射决策及其可能的结果,类似于流程图。

Deep learning(深度学习): 深度学习是学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。 深度学习是一个复杂的机器学习算法,在语音和图像识别方面取得的效果,远远超过先前相关技术

F

Fluent(流态): 一种随着时间推移而改变的状态。

G

Game AI:一种特定于游戏的AI形式,它使用一种算法来取代随机性。它是一种在非玩家角色中使用的计算行为,用于生成类人智能和玩家所采取的基于反应的动作。

Genetic algorithm(遗传算法): 一种基于遗传和自然选择原理的进化算法,用于为需要几十年才能解决的难题找到最优或接近最优的解决方案。

H

Heuristic search techniques(启发式搜索技术) :支持通过排除不正确的选项来缩小对问题的最优解决方案的搜索范围。

K

Knowledge engineering(知识工程):侧重于构建基于知识的系统,包括it的所有科学、技术和社会方面。

L

Logic programming(逻辑编程): 一种基于事实和规则知识库进行计算的编程范式;LISP和Prolog是用于人工智能编程的两种逻辑编程语言。

M

Machine intelligence(机器智能): 一个涵盖机器学习、深度学习和经典学习算法的总称。

Machine learning(机器学习):  机器学习是一门多领域交叉学科,涉及概率论、统计学、逼近论凸分析算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心,是使计算机具有智能的根本途径。

Machine perception(机器感知): 系统接收和解释外部世界数据的能力,类似于人类如何使用我们的感官。这通常是通过附加的硬件完成的,不过软件也是可用的。

N

Natural  language  processing(自然语言处理): 自然语言处理是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此,这一领域的研究将涉及自然语言,即人们日常使用的语言,所以它与语言学的研究有着密切的联系,但又有重要的区别。自然语言处理并不是一般地研究自然语言,而在于研制能有效地实现自然语言通信的计算机系统,特别是其中的软件系统。因而它是计算机科学的一部分。

R

Recurrent neural network (RNN)(递归神经网络):一种对序列信息有意义的神经网络,它能识别模式,并根据这些计算生成输出。

S

Supervised learning(监督学习): 一种机器学习,输出数据集训练机器生成所需的算法,就像老师监督学生一样;比无监督学习更常见。

Swarm behavior(群体行为):从数学建模者的角度来看,它是由个体遵循的简单规则产生的紧急行为,不涉及任何中心协调。

U

Unsupervised learning(无监督学习): 一种机器学习算法,用于从没有标记响应的输入数据集中得出推论。最常见的无监督学习方法是聚类分析。

本文分享自微信公众号 - 程序你好(codinghello)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2019-08-27

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 2019年深度学习自然语言处理最新十大发展趋势

    [ 导读 ]自然语言处理在深度学习浪潮下取得了巨大的发展,FloydHub 博客上Cathal Horan介绍了自然语言处理的10大发展趋势,是了解NLP发展的...

    数据派THU
  • 500亿参数,支持103种语言:谷歌推出「全球文字翻译」模型

    在过去的几年里,由于神经机器翻译(NMT)的发展,机器翻译(MT)系统的质量得到了显著提升,打破了世界各地的语言障碍。但 NMT 的成功很大程度上要归功于有监督...

    用户2769421
  • Multi-task Learning(Review)多任务学习概述

    背景:只专注于单个模型可能会忽略一些相关任务中可能提升目标任务的潜在信息,通过进行一定程度的共享不同任务之间的参数,可能会使原任务泛化更好。广义的讲,只要los...

    zenRRan
  • 没数据也能玩转BERT!无监督语义匹配实战

    对于字面上的匹配总体来说并不复杂,但实际效果就仅限于有字符交集的词语。若是想要上升到语义之间有相关度,就可以化归为学术界常见的语义匹配的问题。

    zenRRan
  • jieba分词器详解及python实战

    版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。 ...

    菲宇
  • GitHub 标星 2.7w+!超全大厂面试笔记整理!

    去年,在 GitHub 上有位 id 为 imhuay 的热心人带头建立了一个关于国内知名互联网企业笔试和面试经验的资源库,光从名称上就能看出其内容有多丰富:

    GitHubDaily
  • 论文合集 | 李飞飞新论文:深度学习代码搜索综述;Adobe用GAN生成动画(附地址)

    本周有李飞飞、朱玉可等的图像因果推理和吴恩达等的 NGBoost 新论文,同时还有第一个深度学习代码搜索综述论文、Adobe 用 GAN 生成角色的动画、Fac...

    数据派THU
  • GitHub超1.5万星NLP团队热播教程:使用迁移学习构建顶尖会话AI

    了解NLP的读者应该对Hugging Face这个名字非常熟悉了。他们制作了Transformers(GitHub超1.5万星)、neuralcoref、pyt...

    新智元
  • 注意力机制(Attention Mechanism) - NLP算法面试

    版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。 ...

    Steve Wang
  • 谷歌丰田联合成果ALBERT了解一下:新轻量版BERT,参数小18倍,性能依旧SOTA

    谷歌Research和丰田技术研究所(Toyota Technological Institute)联合发布了一篇新论文,向全世界介绍了BERT的继任者——AL...

    AI科技大本营

扫码关注云+社区

领取腾讯云代金券