人工智能专业术语整合

ArtificialNeuralNetworks（人工神经网络）
由简单互联单元（称作神经元）的连续层所构成的一种架构，这些单元与非线性激活函数交织在一起，会让人模糊地联想到动物大脑中的神经元。
AssociationRuleLearning（关联规则学习）
一种基于规则的机器学习方法，用于发现大型数据集中变量之间的关系。
M：
机器智能(Machineintelligence)：涵盖机器学习、深度学习和古典学习算法在内的总括术语。
机器学习(Machinelearning)：人工智能的一个方面，专注于算法，允许机器在不经过编程的情况下学习，并随着新数据的摄入而改变。
机器感知(Machineperception)：系统接收和解释来自外部世界数据的能力，类似于人类使用感官。这通常需要借助外接硬件完成，尽管软件也同样需要。
Annotation（标注）
附加到一条数据之上的元数据，通常由人工标注员提供。
AreaUndertheCurve(AUC)（曲线下面积）
机器学习中用于确定在多个使用的模型中哪个模型具有最高性能的一种方法。
ArtificialIntelligence（人工智能）
机器模拟人类智力和行为做出决策、执行任务的能力。
N：
自然语言处理(Naturallanguageprocessing)：程序识别理解人类沟通的能力。
R：
循环神经网络(RNN)：一种理解顺序信息、识别模式、并根据这些计算产生输出的神经网络。
S：
监督学习(Supervisedlearning)：机器学习的一种，其输出数据集训练机器产生所需的算法，如老师监督学生;比无监督学习更常见。
ActiveLearning(ActiveLearningStrategy)（主动学习/主动学习策略）
半监督机器学习的一种特殊情况，在这种情况下，学习代理能够以交互的方式查询数据库（通常是人工标注员），以获取新数据点的标签。
Algorithm（算法）
一种关于如何解决某一类问题的过程的明确规范，它能够执行计算、处理数据并进行自动推理。
Autoencoder（自动解码器）
一种人工神经网络，用于以无监督、非线性的方式生成高效的数据表示，通常用于降低维度。
AutomatedSpeechRecognition（自动语音识别）
计算语言学的一个子领域，主要是关于通过计算机识别和翻译口语的方法。
C：
聊天机器人(Chatbots)：聊天机器人(简称chatbot)通过文本对话、语音命令来模拟与人类用户进行对话。它们是有AI功能的计算机程序的常用界面。
专家系统
人工智能的一种表现形式，试图复制人类在某一领域的专门知识，如医学诊断，并结合了应用这些知识的一整套手编程序。机器学习技术正在逐渐取代手编程序。
生成性对抗网络
一对共同训练的神经网络，产生真实的新数据并在竞争中得到提高。一个神经网络创建新的实例（例如毕加索作品的赝品），另一个神经网络的任务就是检测发现赝品。
群体行为(Swarmbehavior)：从数学建模者的角度来看，这是从个体遵循的简单规则衍生出的新生行为，不涉及任何集中协调。
U：
无监督学习(Unsupervisedlearning)：一种机器学习算法，通过不带标签响应的输入数据组成的数据集进行推理。最常见的无监督学习方法是聚类分析。
算法
步进式的一套指令，计算机算法可以是简单的（如下午3点请发送一条提示信息），也可以是复杂的（如识别行人）。
迁移学习
机器学习的一种技术，一种算法学习完成一项任务，例如识别汽车，在这方面知识的基础上学习不同但相关的任务，例如识别猫。
图灵测试
判断人工智能拥有人类能力的一种测试。在阿兰•图灵（Alan Turing）的最初构想中，可以通过书面文本形式的对话判断人工智能的能力。
反向传播
许多神经网络的学习方式，找出输出结果与所需输出结果之间的差异，然后按照执行的相反顺序调整计算。
黑匣子
对深度学习系统的一种描述。它们接受输入并提供输出，但发生在这两者之间的计算过程对人类来说并不容易理解。
深度学习
多层次神经网络对渐次发展抽象模式敏感的一种学习方式。例如，在解析照片时，神经网络的多层层次可能首先对图形边缘做出响应，然后是狗的爪子，最后是狗。
神经形态芯片
专门设计发挥神经网络作用的计算机芯片。它可以是模拟式的、数字式的，也可以是这两者结合的组合式的。
感知机
20世纪50年代发展起来的一种早期神经网络，这种模拟人类视神经控制系统的图形识别机在当时大受欢迎，但后来却显示出其局限性，在之后的一些年里抑制了研究人员对神经网络的兴趣。
强化学习
机器学习的一种类型，通过抽象目标学习算法，例如“在电子游戏中获得高分”或“有效管理一个工厂”。在训练过程中，每一项尝试都基于对目标的贡献进行评估。
F：
Fluent：一种可随时间变化的条件。
G：
游戏AI(GameAI)：使用算法替代随机性的一种适用于游戏的AI特定形式。
这种计算行为用于非玩家角色(NPC)，对于玩家的操作生成类似人类的智力和基于反应的行为。
K：
知识工程(Knowledgeengineering)：侧重于建立以知识为基础的系统，包括科学、技术和社会在内的所有方面。
自主计算(Autonomiccomputing)：系统自适应自我管理自身资源用于高级计算功能的能力，而）
一种受控的真实实验，用于比较系统或模型的两个变体A和B。
ActivationFunction（激活函数）
在人工神经网络的情境中，接受来自上一层的所有输入的加权和并生成输出值来激活下一层的函数。
人工智能专业术语整合
A：
算法(Algorithms)：一组用于人工智能、神经网络或其他机器的规则或指令，以帮助它自己学习;分类、聚类、推荐和回归是四种最常见的类型。
人工智能(Artificialintelligence)：机器模拟人类智力和行为做出决策、执行任务的能力。
人工神经网络(ANN)：这种学习模型，模拟人脑运作，从而解决传统计算机系统难以解决的任务。
强人工智能
与人类一样聪明和成熟的人工智能。有人说这是不可能的。目前的人工智能还很弱，或者说擅长的范围还很狭窄。例如，它会下棋或会开车，但同时缺乏常识。
监督式学习
机器学习的一种类型，在训练过程中算法将其输出与正确输出进行比较。而在无监督学习中，算法只在一组数据中寻找特定模式。
谷歌张量流图
谷歌开发的一组用于深度学习的软件工具。它是开源的，意味着任何人都可以使用它或对它进行改进。类似的项目还有火炬（Torch）和西雅娜（Theano）。
分类(Classification)：分类算法让机器根据训练数据给数据点进行分类。
聚类分析(Clusteranalysis)：一种用于探索性数据分析的无监督学习，查找数据中的隐藏模式或分组;群集的建立是通过欧氏距离(Euclidean)或概率距离等定义的相似性度量。
聚类(Clustering)：聚类算法让机器将数据点或项目分成具有相似特征的组。
数据科学(Datascience)：结合统计、信息科学、计算机科学的科学方法、科学系统和科学过程的交叉学科，通过结构化或非结构化数据提供对现象的洞察。
决策树(Decisiontree)：一个基于分支的树模型，绘制决策及其可能后果的模型图，与流程图类似。
深度学习(Deeplearning)：机器通过由层叠信息层组成的人工神经网络自主模仿人类思维模式的能力。
机器学习
在没有明确指令的情况下，使用在数据中寻找特定模式的算法。例如，某个系统的任务可能是学习如何在图像的输入特性与标签的输出特性之间建立起关联关系。
自然语言处理
计算机“理解”口头或书面语言的过程。它必须分析词汇、语法和意图，并考虑到语言使用中的一些变化。这一过程往往涉及机器学习。
神经网络
用于机器学习的高度抽象和简化的人脑模型。一层单元接收一段输入（例如照片中的像素），对它们进行简单的计算，并将结果传递给下一层单元，最后一层则是答案。
认知计算(Cognitivecomputing)：一种模仿人类大脑思维方式的计算模型。通过使用数据挖掘、自然语言处理和模式识别来进行自学习(self-learning)。
卷积神经网络(CNN)：一种识别和处理图像的神经网络。
D：
数据挖掘(Datamining)：通过查看数据集以发现和挖掘其中模式，从而进一步使用数据。