Глоссарий искусственного интеллекта

Этот глоссарий искусственного интеллекта представляет собой список определений терминов и понятий, относящихся к изучению искусственного интеллекта , его суб-дисциплин и связанных областей. Связанные глоссарии включают Глоссарий информатики , Глоссарий робототехники и Глоссарий машинного зрения .

Искусственный интеллект
Часть серии по
Основные цели Обоснование знаний Планирование Машинное обучение Обработка естественного языка Компьютерное зрение Робототехника Общий искусственный интеллект
Подходы Символический Глубокое обучение Байесовские сети Эволюционные алгоритмы
Философия Этика Экзистенциальный риск Тест Тьюринга Китайская комната Проблема управления Дружелюбный ИИ
История График Прогресс AI зима
Технологии Приложения Проекты Языки программирования
Глоссарий Глоссарий
v т е

A [ править ]

абдуктивное логическое программирование (ALP): Структура представления знаний высокого уровня, которая может использоваться для декларативного решения проблем на основе абдуктивных рассуждений . Он расширяет обычное логическое программирование , позволяя не полностью определять некоторые предикаты, объявляя их как сокращаемые предикаты.
похищающие рассуждения: Форма логического вывода, которая начинается с наблюдения или набора наблюдений, а затем пытается найти самое простое и наиболее вероятное объяснение. Этот процесс, в отличие от дедуктивного мышления , дает правдоподобный вывод, но не подтверждает его. ^[1] абдуктивный вывод ^[1] или ретродукция ^[2]
абстрактный тип данных: Математическая модель для типов данных , где тип данных определяется его поведение ( семантика ) с точки зрения пользователя данных, в частности , с точки зрения возможных значений, возможных операций по данным этого типа, а поведение эти операции.
абстракция: Процесс удаления физических, пространственных или временных деталей ^[3] или атрибутов при изучении объектов или систем с целью более пристального внимания к другим интересующим деталям ^[4]
ускоряющееся изменение: Ощущаемое увеличение темпов технологических изменений на протяжении всей истории, которое может указывать на более быстрые и глубокие изменения в будущем и может сопровождаться или не сопровождаться столь же глубокими социальными и культурными изменениями.
язык действия: Язык для определения систем перехода между состояниями , который обычно используется для создания формальных моделей воздействия действий на мир. ^[5] Языки действий обычно используются в областях искусственного интеллекта и робототехники , где они описывают, как действия влияют на состояния систем с течением времени, и могут использоваться для автоматического планирования .
обучение модели действия: Область машинного обучения, связанная с созданием и модификацией знаний программного агента об эффектах и предпосылках действий, которые могут быть выполнены 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 охарактеризовать самую основную проблему 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 искусственных нейронных сетях функция активации узла определяет вывод этого узла с учетом ввода или набора входов.
адаптивный алгоритм: Алгоритм, который меняет свое поведение во время выполнения, на основе заранее определенного механизма или критерия вознаграждения.
система адаптивного нейро-нечеткого вывода (ANFIS): Разновидность искусственной нейронной сети , основанной на нечеткой системе вывода Такаги – Сугено . Техника была разработана в начале 1990-х годов. ^[6]^[7] Поскольку он объединяет как нейронные сети, так и принципы нечеткой логики , он может объединить преимущества обоих в единой структуре . Его система вывода соответствует набору нечетких правил IF – THEN, которые обладают способностью к обучению приближению нелинейных функций. ^[8] Таким образом, ANFIS считается универсальной оценкой. ^[9] Для более эффективного и оптимального использования ANFIS можно использовать лучшие параметры, полученные с помощью генетического алгоритма. ^[10]^[11]
допустимая эвристика: В информатике , особенно в алгоритмах, связанных с поиском пути , эвристическая функция считается допустимой, если она никогда не переоценивает стоимость достижения цели, т. Е. Стоимость, которую она оценивает для достижения цели, не превышает минимально возможную стоимость из текущего точка на пути. ^[12]
аффективные вычисления: Изучение и разработка систем и устройств, которые могут распознавать, интерпретировать, обрабатывать и моделировать человеческие аффекты . Эффективные вычисления - это междисциплинарная область, охватывающая информатику , психологию и когнитивную науку . ^[13]^[14]
архитектура агента: План для программных агентов и интеллектуальных управляющих систем, изображающих расположение компонентов. Архитектуры, реализованные интеллектуальными агентами , называются когнитивными архитектурами . ^[15]
AI-ускоритель: Класс микропроцессора ^[16] или компьютерной системы ^[17] выполнен в виде аппаратного ускорения для искусственного интеллекта приложений, особенно искусственных нейронных сетей , систем машинного зрения и машинного обучения .
AI-полный: В области искусственного интеллекта наиболее 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 сильный ИИ . ^[18] Назвать проблему AI-завершенной отражает отношение к тому, что она не может быть решена с помощью простого конкретного алгоритма.
алгоритм: Недвусмысленное описание того, как решать класс проблем. Алгоритмы могут выполнять задачи вычислений, обработки данных и автоматического обоснования.
алгоритмическая эффективность: Свойство алгоритма, относящееся к количеству вычислительных ресурсов, используемых алгоритмом. Алгоритм должен быть проанализирован, чтобы определить использование ресурсов, а эффективность алгоритма может быть измерена на основе использования различных ресурсов. Алгоритмическую эффективность можно рассматривать как аналог производительности проектирования для повторяющегося или непрерывного процесса.
алгоритмическая вероятность: В алгоритмической теории информации алгоритмическая вероятность, также известная как вероятность Соломонова, представляет собой математический метод присвоения априорной вероятности данному наблюдению. Он был изобретен Рэем Соломоновым в 1960-х годах. ^[19]
AlphaGo: Компьютерная программа , которая играет настольную игру Go . ^[20] Он был разработан алфавит Inc. «s Google DeepMind в Лондоне. AlphaGo имеет несколько версий, включая AlphaGo Zero , AlphaGo Master , AlphaGo Lee и т. Д. ^[21] В октябре 2015 года AlphaGo стала первой компьютерной программой в го, которая победила профессионального игрока в го без каких-либо препятствий на полноразмерной доске 19 × 19. ^[22]^[23]
окружающий интеллект (AmI): Электронная среда, чувствительная и реагирующая на присутствие людей.
анализ алгоритмов: Определение вычислительной сложности алгоритмов, то есть количества времени, памяти и / или других ресурсов, необходимых для их выполнения . Обычно это включает в себя определение функции, которая связывает длину входных данных алгоритма с количеством шагов, которые он делает (его временная сложность ) или количеством мест хранения, которые он использует (его пространственная сложность ).
аналитика: Обнаружение, интерпретация и передача значимых закономерностей в данных.
программирование набора ответов (ASP): Форма декларативного программирования, ориентированная на сложные (в первую очередь NP-трудные ) задачи поиска . Он основан на семантике стабильной модели (набора ответов) логического программирования . В ASP задачи поиска сводятся к вычислению стабильных моделей, а решатели наборов ответов - программы для создания стабильных моделей - используются для выполнения поиска.
алгоритм в любое время: Алгоритм , который может вернуть действительное решение проблемы , даже если он был прерван до его окончания.
интерфейс прикладного программирования (API): Набор определений подпрограмм, протоколов связи и инструментов для создания программного обеспечения. В общем, это набор четко определенных методов связи между различными компонентами. Хороший API упрощает разработку компьютерной программы , предоставляя все строительные блоки, которые затем собираются программистом . API может быть для веб-системы, операционной системы , системы баз данных , компьютерного оборудования или библиотеки программного обеспечения .
приблизительное соответствие строк: Техника поиска строк, которые приблизительно (а не точно) соответствуют шаблону . Проблема приблизительного сопоставления строк обычно делится на две подзадачи: поиск приблизительных совпадений подстрок внутри заданной строки и поиск строк словаря, которые приблизительно соответствуют шаблону.
ошибка приближения: Несоответствие точного значения и некоторого приближения к нему.
структура аргументации: Способ борьба с спорной информацией и делать из нее выводов. В структуре абстрактной аргументации ^{[24] информация} начального уровня - это набор абстрактных аргументов, которые, например, представляют данные или предложение. Конфликты между аргументами представлены бинарным отношением на множестве аргументов. Конкретно вы представляете структуру аргументации с направленным графом , в котором узлы являются аргументами, а стрелки представляют отношение атаки. Существуют некоторые расширения структуры Dung, такие как структуры аргументации на основе логики ^[25] или структуры аргументации на основе значений. ^[26]
общий искусственный интеллект (AGI)
искусственная иммунная система (ИИС): Класс вычислительно интеллектуальных, основанных на правилах систем машинного обучения , созданных на основе принципов и процессов иммунной системы позвоночных . Алгоритмы обычно моделируются на основе характеристик обучения и памяти иммунной системы для использования при решении проблем .
искусственный интеллект (AI): Любой интеллект, демонстрируемый машинами , в отличие от естественного интеллекта, демонстрируемого людьми и другими животными. В информатике исследование ИИ определяется как изучение « интеллектуальных агентов »: любого устройства, 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 другим человеческим разумом , такие как «обучение» и «решение проблем». ^[28]
Язык разметки искусственного интеллекта: XML диалект для создания естественного языка программных агентов.
искусственная нейронная сеть (ИНС): Любая вычислительная система, смутно вдохновленная биологическими нейронными сетями , составляющими мозг животных .
Ассоциация развития искусственного интеллекта (AAAI): Международное некоммерческое научное сообщество, посвященное продвижению исследований и ответственному использованию искусственного интеллекта . AAAI также стремится повысить общественное понимание искусственного интеллекта (ИИ), улучшить обучение и подготовку специалистов-практиков в области ИИ, а также предоставить рекомендации для планировщиков исследований и спонсоров относительно важности и потенциала текущих разработок в области ИИ и будущих направлений. ^[29]
асимптотическая вычислительная сложность: В теории сложности вычислений , асимптотическая вычислительная сложность является использованием асимптотического анализа для оценки вычислительной сложности алгоритмов и вычислительных задач , обычно связанных с использованием в большой нотации O .
атрибуционное исчисление: Система логики и представления, определенная Рышардом С. Михальски . Он сочетает в себе элементы логики предикатов , исчисления высказываний и многозначной логики . Атрибутивное исчисление обеспечивает формальный язык для естественной индукции , индуктивного процесса обучения, результаты которого принимают 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 в нескольких сенсорных модальностях, включая зрительную , слуховую , тактильную , соматосенсорную и обонятельную . ^[30]^[31]
теория автоматов: Изучение абстрактных машин и автоматов , а также вычислительных задач, которые можно решить с их помощью. Это теория теоретической информатики и дискретной математики (предмет изучения как математики, так и информатики ).
автоматизированное планирование и составление графиков: Раздел искусственного интеллекта, который касается реализации стратегий или последовательностей действий, обычно для выполнения интеллектуальными агентами , автономными роботами и беспилотными транспортными средствами . В отличие от классических задач управления и классификации , решения сложны и должны быть обнаружены и оптимизированы в многомерном пространстве. Планирование также связано с теорией принятия решений . ^[32]
автоматическое рассуждение: Область информатики и математической логики, посвященная пониманию различных аспектов рассуждений . Изучение автоматизированных рассуждений помогает создавать компьютерные программы, которые позволяют компьютерам рассуждать полностью или почти полностью автоматически. Хотя автоматизированное мышление считается подразделом искусственного интеллекта , оно также связано с теоретической информатикой и даже философией .
автономные вычисления (AC): В самоуправляющихся характеристиках распределенных вычислительных ресурсов, адаптируя к непредсказуемым изменениям, скрывая внутреннюю сложность для операторов и пользователей. Эта инициатива, инициированная IBM в 2001 году, в конечном итоге была направлена на разработку компьютерных систем, способных к самоуправлению, преодоление быстро растущей сложности управления вычислительными системами и снижение барьера, который сложность создает для дальнейшего роста. ^[33]
автономный автомобиль: Транспортное средство , которое способно к ощущению его окружение и перемещение практически без вмешательства человека . ^[34]^[35]^[36]
автономный робот: Робот , который выполняет поведения или задачи с высокой степенью автономии . Автономная робототехника обычно считается областью искусственного интеллекта , робототехники и информационной инженерии . ^[37]

B [ править ]

обратное распространение: Метод, используемый в искусственных нейронных сетях для вычисления градиента, необходимого для вычисления весов, которые будут использоваться в сети. ^[38] Обратное распространение - это сокращение от «обратного распространения ошибок», поскольку ошибка вычисляется на выходе и распределяется в обратном направлении по уровням сети. Он широко используется для обучения глубоко нейронных сетей , ^[39] термин , относящийся к нейронным сетям с более чем одним скрытым слоем. ^[40]
обратное распространение во времени (BPTT): Методика на основе градиента для обучения определенных типов рекуррентных нейронных сетей . Его можно использовать для обучения сетей Элмана . Алгоритм был независимо разработан многочисленными исследователями ^[41]^[42]^[43]
обратная цепочка: Умозаключение методы , описанные в просторечии , как работает в обратном направлении от цели. Он используется в автоматических средствах доказательства теорем , механизмах вывода , помощниках по доказательству и других приложениях искусственного интеллекта . ^[44]
модель-мешок слов: Упрощенное представление, используемое при обработке естественного языка и поиске информации (IR). В этой модели текст (например, предложение или документ) представлен как мешок (мультимножество) его слов без учета грамматики и даже порядка слов, но с сохранением множественности . Модель мешка слов также использовалась для компьютерного зрения . ^[45] Модель набора слов обычно используется в методах классификации документов, где (частота) появления каждого слова используется как признак для обучения классификатора . ^[46]
модель мешка слов в компьютерном зрении: В компьютерном зрении модель набора слов (модель BoW) может быть применена к классификации изображений , рассматривая особенности изображения как слова. В классификации документов набор слов - это разреженный вектор количества слов вхождения; то есть разреженная гистограмма по словарю. В компьютерном зрении , сумка визуальных слов является вектором возникновения эпизодамов словаря местных особенностей изображения.
пакетная нормализация: Методика повышения производительности и стабильности искусственных нейронных сетей . Это метод обеспечения любого уровня нейронной сети входными данными 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 для получения техники для определения вероятностных моделей и решения проблем, когда доступно меньше необходимой информации.
алгоритм пчелы: Алгоритм поиска на основе популяции, разработанный Фамом, Ганбарзаде и др. в 2005 году. ^[51] Это имитирует поведение семей медоносных пчел в поисках пищи. В своей базовой версии алгоритм выполняет своего рода поиск окрестности в сочетании с глобальным поиском и может использоваться как для комбинаторной оптимизации, так и для непрерывной оптимизации . 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): Математическая модель из плана выполнения используется в вычислительной технике , робототехнике , системах управления и видеоигр . Они описывают переключение между конечным набором задач по модульному принципу. Их сила заключается в их способности создавать очень сложные задачи, состоящие из простых задач, не беспокоясь о том, как простые задачи реализуются. BT имеют некоторое сходство с иерархическими конечными автоматами.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 интеллектуальных агентов . Внешне характеризуясь реализацией убеждений , желаний и намерений агента , он фактически использует эти концепции для решения конкретной проблемы в программировании агента. По сути, он предоставляет 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 обсуждение 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 статистике и машинном обучении компромисс между смещением и дисперсией является свойством набора прогнозных моделей, в соответствии с которым модели с меньшим смещением в оценке параметров имеют более высокую дисперсию оценок параметров по выборкам , и наоборот.
большое количество данных: Термин, используемый для обозначения наборов данных , которые слишком велики или сложны для того, чтобы традиционное прикладное программное обеспечение обработки данных могло адекватно обрабатывать их. Данные с большим количеством наблюдений (строк) предлагают большую статистическую мощность , тогда как данные с более высокой сложностью (больше атрибутов или столбцов) могут привести к более высокому уровню ложного обнаружения . ^[59]
Обозначение Big O: Математическая нотация, описывающая предельное поведение в виде функции , когда аргумент стремится к определенному значению или бесконечности. Это член семейства обозначений, изобретенных Полом Бахманном , ^[60] Эдмундом Ландау , ^[61] и другими, которые в совокупности называются обозначениями Бахмана – Ландау или асимптотическими обозначениями.
двоичное дерево: Дерево структура данных , в которой каждый узел имеет не более двух детей , которые переданы в качестве левого ребенка и правом ребенка . Рекурсивное определение с использованием только теории множеств понятий является то , что (непустое) бинарное дерево является кортеж ( L , S , R ), где L и R являются бинарные деревья или пустое множество , а S представляет собой набор синглтон . ^[62] Некоторые авторы допускают, чтобы двоичное дерево также было пустым множеством. ^[63]
система доски: Искусственный интеллект подход , основанный на доске архитектурной модели , ^[64]^[65]^[66]^[67] , где общая база знаний, то «доска», итеративно обновляется разнообразной группой специалистов источников знаний, начиная с проблемой уточнение и окончание решения. Каждый источник знаний обновляет классную доску частичным решением, когда его внутренние ограничения соответствуют состоянию доски. Таким образом, специалисты работают вместе над решением проблемы.
Машина Больцмана: Тип стохастической рекуррентной нейронной сети и марковского случайного поля . ^[68] машины Больцмана можно рассматривать как стохастический , порождающий аналог сетей Хопфилда .
Проблема логической выполнимости: {{{содержание}}}
технология мозга: Технология, в которой используются последние достижения нейробиологии . Этот термин был впервые введен Лабораторией искусственного интеллекта в Цюрихе, Швейцария , в контексте проекта ROBOY . ^[69] Технологии мозга могут использоваться в роботах ^[70] , системах управления ноу-хау ^[71] и любых других приложениях с возможностями самообучения. В частности, приложения Brain Technology позволяют визуализировать базовую архитектуру обучения, часто называемую «картами ноу-хау».
фактор ветвления: В вычислениях , древовидных структурах данных и теории игр количество потомков в каждом узле , исходящая степень . Если это значение неоднородно, можно рассчитать средний коэффициент ветвления .
перебор: Очень общая техника решения проблем и алгоритмическая парадигма, которая состоит из систематического перечисления всех возможных кандидатов для решения и проверки того, удовлетворяет ли каждый кандидат постановке задачи.

C [ править ]

капсульная нейронная сеть (CapsNet): Система машинного обучения, представляющая собой тип искусственной нейронной сети (ИНС), которую можно использовать для лучшего моделирования иерархических отношений. 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: Компьютерная программа или искусственный интеллект , который ведет разговор через слуховые или текстуальные методы. ^[73]
облачная робототехника: Область робототехники, которая пытается задействовать облачные технологии, такие как облачные вычисления , облачное хранилище и другие Интернет-технологии, сосредоточенная на преимуществах конвергентной инфраструктуры и общих сервисов для робототехники. При подключении к облаку роботы могут извлечь выгоду из мощных вычислительных, хранилищ и коммуникационных ресурсов современного центра обработки данных в облаке, которые могут обрабатывать и обмениваться информацией 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, более умные роботы с интеллектуальным «мозгом» в облаке. «Мозг» состоит из центра обработки данных , базы знаний , планировщиков задач, глубокого обучения , обработки информации, моделей среды, коммуникационной поддержки 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 интеллектуального анализа данных и общий метод статистического анализа данных , используемый во многих областях, включая машинное обучение , распознавание образов , анализ изображений , поиск информации , биоинформатику , сжатие данных и компьютерную графику .
Паутина: Инкрементальная система иерархической концептуальной кластеризации . COBWEB был изобретен профессором Дугласом Х. Фишером , который в настоящее время работает в Университете Вандербильта. ^[78]^[79] COBWEB постепенно организует наблюдения в дерево классификации . Каждый узел в дереве классификации представляет класс (концепцию) и помечен вероятностным понятием, которое 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: Институт креативных технологий определяет когнитивный архитектуру , как: «гипотеза о неподвижных структурах , которые обеспечивают ум, будь то в естественных или искусственных системах, и как они работают вместе - в сочетании со знаниями и навыками , воплощенными в архитектуре - поддаться интеллектуальным поведение разнообразие сложных сред ». ^[81]
когнитивные вычисления: В целом, термин когнитивный вычисления было использованы для обозначения новых аппаратных средств и / или программного обеспечения , которое имитирует функционирует в мозге человека ^[82]^[83]^[84]^[85]^[86]^[87] и способствует улучшению человеческого принимать решение. ^[88]^[89] В этом смысле CC - это новый тип вычислений, целью которого является создание более точных моделей того, как человеческий мозг / разум чувствует, рассуждает и реагирует на стимулы.
наука о мышлении: Междисциплинарное научное исследование разума и его процессов. ^[90]
комбинаторная оптимизация: В исследованиях операций , прикладной математике и теоретической информатике комбинаторная оптимизация - это тема, которая состоит из поиска оптимального объекта из конечного набора объектов. ^[91]
комитет комитета: Тип искусственной нейронной сети, использующей стратегию « разделяй и властвуй» , в которой ответы нескольких нейронных сетей (экспертов) объединяются в один ответ. ^[92] Предполагается, что совокупная реакция машины комитета превосходит реакцию составляющих ее экспертов. Сравните ансамбли классификаторов .
здравый смысл: В исследованиях искусственного интеллекта здравый смысл состоит из фактов о повседневном мире, таких как «Лимоны кислые», которые должны знать все люди. Первой программой искусственного интеллекта, обращающейся к здравому смыслу, был советник Джона Маккарти в 1959 году. ^[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: Раздел химии , использующий компьютерное моделирование для решения химических проблем.
теория вычислительной сложности: 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: Междисциплинарное направление, охватывающее области искусственного интеллекта , когнитивной психологии , философии и искусства .
вычислительная кибернетика: Интеграция кибернетики и методов вычислительного интеллекта .
вычислительный юмор: Раздел компьютерной лингвистики и искусственного интеллекта, использующий компьютеры для исследования юмора . ^[95]
вычислительный интеллект (CI): Обычно относится к способности компьютера изучать конкретную задачу на основе данных или экспериментальных наблюдений.
теория вычислительного обучения: В информатике теория вычислительного обучения (или просто теория обучения) - это подраздел искусственного интеллекта, посвященный изучению проектирования и анализа алгоритмов машинного обучения . ^[96]
компьютерная лингвистика: Междисциплинарное поле касается статистического или основанного на правилах моделирования естественного языка с вычислительной точки зрения, а также изучение соответствующих вычислительных подходов к языковым вопросам.
вычислительная математика: Математические исследования в областях науки, в которых вычисления играют важную роль.
вычислительная нейробиология: Ветвь нейробиологии , которая использует математические модели, теоретический анализ и абстракцию мозга , чтобы понять принципы , которые регулируют развитие , строение , физиологию и познавательные способности на нервной системе . ^[97]^[98]^[99]^[100]
вычислительная теория чисел: Изучение алгоритмов выполнения теоретико-числовых вычислений .
вычислительная проблема: В теоретической информатике вычислительная проблема - это математический объект, представляющий собой набор вопросов, которые компьютеры могут решить.
вычислительная статистика: Связь между статистикой и информатикой .
автоматизированное проектирование (CAutoD): Автоматизация проектирования обычно относится к автоматизации электронного проектирования или автоматизации проектирования, которая является конфигуратором продукта . Расширение Computer-Aided Design (CAD), автоматизированное проектирование и компьютерное автоматизированное проектирование ^[101]^[102]^[103] касаются более широкого спектра приложений, таких как автомобилестроение , гражданское строительство , ^[104]^[105]^{[106 ]}^[107] проектирование композитных материалов , инженерия управления , ^[108] идентификация и оптимизация динамических систем , ^[109] финансовыесистемы, промышленное оборудование, мехатронные системы, стальные конструкции , ^[110] структурная оптимизация , ^[111] и изобретение новых систем. Совсем недавно, традиционное моделирование CAD рассматривается преобразовываться в CAutoD биологически вдохновленный машинного обучения , ^[112] , включая эвристические методы поиска , такие как эволюционные вычисления , ^[113]^[114] и роя разведки алгоритмов. ^[115]
компьютерное прослушивание (CA): См. Машинное прослушивание .
Информатика: Теория, эксперименты и инженерия, лежащие в основе проектирования и использования компьютеров . Он включает изучение алгоритмов обработки, хранения и передачи цифровой информации . Ученый специализируется в теории вычислений и проектирования вычислительных систем. ^[116]
компьютерное зрение: Междисциплинарное научное направление , что касается того , как компьютеры могут быть сделаны , чтобы получить понимание высокого уровня из цифровых изображений или видео . С точки зрения инженерии , он направлен на автоматизацию задач, которые может выполнять зрительная система человека . ^[117]^[118]^[119]
концептуальный дрейф: В прогнозной аналитике и машинном обучении 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 когнитивной науки , который пытается объяснить психические явления с помощью искусственных нейронных сетей . ^[120]
последовательная эвристика: При изучении путей ознакомительных проблем в области искусственного интеллекта , эвристическая функция называется последовательными, или монотонным, если его оценка всегда меньше или равна расчетное расстояние от любой соседней вершины до цели, плюс стоимость достижения этот сосед.
условная модель с ограничениями (CCM): Машинное обучение и рамка умозаключения , что усиливает обучения условных (вероятностных или дискриминационных) моделей с декларативными ограничениями.
программирование логики ограничений: Форма программирования ограничений , в которой логическое программирование расширяется за счет включения концепций удовлетворения ограничений . Программа логики ограничений - это логическая программа, которая содержит ограничения в теле предложений. Пример пункта , включая ограничение есть . В этом разделе - ограничение; , и являются литералами, как в обычном логическом программировании. В этом пункте указано одно условие, при котором выполняется утверждение : больше нуля и оба и верны.A(X,Y) :- X+Y>0, B(X), C(Y)X+Y>0A(X,Y)B(X)C(Y)A(X,Y)X+YB(X)C(Y)
программирование в ограничениях: Парадигма программирования , в котором отношения между переменными указаны в виде ограничений . Ограничения отличаются от общих примитивов в императивном программировании языков в том , что они не определяют шаг или последовательность шагов для выполнения, а свойства раствора можно найти.
сконструированный язык: Язык, чья фонология , грамматика и словарный запас созданы сознательно, а не развились естественным путем . Искусственные языки также могут называться искусственными, запланированными или изобретенными языками. ^[121]
теория управления: В разработке систем управления есть подраздел математики, который занимается управлением непрерывно действующими динамическими системами в спроектированных процессах и машинах. Цель состоит в том, чтобы разработать модель управления для управления такими системами с использованием управляющего воздействия оптимальным образом без задержек или перерегулирования и обеспечения стабильности управления .
сверточная нейронная сеть: В глубоком обучении сверточная нейронная сеть (CNN или ConvNet) представляет собой класс глубоких нейронных сетей , наиболее часто применяемых для анализа визуальных образов. CNN используют разновидность многослойных персептронов, требующих минимальной предварительной обработки . ^[122] Они также известны как искусственные нейронные сети с инвариантом сдвига или пространственно-инвариантные искусственные нейронные сети (SIANN), исходя из их архитектуры с разделяемыми весами и характеристик инвариантности трансляции . ^[123]^[124]
кроссовер: В генетических алгоритмах и эволюционных вычислениях - генетический оператор, используемый для объединения генетической информации двух родителей для создания нового потомства. Это один из способов стохастического генерирования новых решений из существующей популяции, аналогичный кроссоверу, который происходит во время полового размножения у биологических организмов. Решения также могут быть получены путем клонирования существующего решения, что аналогично бесполому воспроизведению . Вновь созданные решения обычно мутируют перед добавлением в популяцию.

D [ править ]

Темный лес: Компьютер идти программа , разработанная Facebook , основанная на глубоких обучающих методик с использованием сверточного нейронной сети . Его обновленная версия Darkfores2 сочетает в себе методы своего предшественника с поиском по дереву Монте-Карло . ^[125]^[126] MCTS эффективно использует методы поиска по дереву, обычно используемые в компьютерных шахматных программах, и рандомизирует их. ^[127] После обновления система получила название Darkfmcts3. ^[128]
Дартмутская мастерская: Летний исследовательский проект по искусственному интеллекту в Дартмуте - это название летнего семинара 1956 года, который теперь многие ^[129]^[130] (хотя и не все ^[131] ) считают важнейшим событием в области искусственного интеллекта как области.
увеличение данных: Увеличение данных при анализе данных - это методы, используемые для увеличения объема данных. Это помогает уменьшить переобучение при обучении машинному обучению .
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 объединения данных из разных источников и предоставления пользователям единого представления о них. ^[133] Этот процесс становится значимым в различных ситуациях, которые включают в себя как коммерческие (например, когда двум аналогичным компаниям необходимо объединить свои базы данных ), так и научные (например, объединение результатов исследований из разных репозиториев биоинформатики ) области. Появляется интеграция данных с увеличением частоты , как объем (то есть, большие данные ) и необходимость совместного использования существующих данных взорвется . ^[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 знаний и идей из данных в различных формах, как структурированных, так и неструктурированных, ^[135]^[136] аналогично интеллектуальному анализу данных . Наука о данных - это «концепция объединения статистики, анализа данных, машинного обучения и связанных с ними методов» для «понимания и анализа реальных явлений» с помощью данных. ^[137] Он использует методы и теории, взятые из многих областей в контексте математики , статистики , информатики и информатики .
набор данных: Сбор данных . Чаще всего набор данных соответствует содержимому одной таблицы базы данных или одной матрицы статистических данных , где каждый столбец таблицы представляет конкретную переменную, а каждая строка соответствует заданному 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 отчетности и анализа данных . ^[138] DW являются центральными хранилищами интегрированных данных из одного или нескольких разрозненных источников. Они хранят текущие и исторические данные в одном месте ^[139]
Лог данных: Декларативный логическое программирование язык , который синтаксический является подмножеством Пролога . Он часто используется в качестве языка запросов для дедуктивных баз данных . В последние годы Datalog нашел новое применение в интеграции данных , извлечении информации , создании сетей , анализе программ , безопасности и облачных вычислениях . ^[140]
граница решения: В случае искусственных нейронных сетей или перцептронов , основанных на обратном распространении , тип границы принятия решения, которую сеть может изучить, определяется количеством скрытых слоев, которые она имеет. Если у него нет скрытых слоев, он может изучать только линейные задачи. Если у него есть один скрытый слой, то он может узнать любую непрерывную функцию на компактах из R п , как показано Юниверсал приближение теоремы , таким образом , она может иметь произвольную границу решения.
система поддержки принятия решений (DSS): Aan информационная система , которая поддерживает бизнес или организационные принятия решений 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 которые нелегко определить заранее, т. Е. Неструктурированные и частично структурированные проблемы принятия решений. Системы поддержки принятия решений могут быть либо полностью компьютеризированными, либо управляемыми человеком, либо их комбинацией.
теория принятия решений: Изучение аргументов, лежащих в основе выбора агента . ^[141] Теорию принятия решений можно разделить на две ветви: нормативную теорию решений, которая дает советы о том, как принимать наилучшие решения с учетом набора неопределенных убеждений и набора ценностей , и описательную теорию решений, которая анализирует, как существующие, возможно иррациональные агенты на самом деле принимать решения.
обучение по дереву решений: Использует дерево решений (в качестве модели прогнозирования ) для перехода от наблюдений за элементом (представленных в ветвях) к выводам о целевом значении элемента (представленных в листьях). Это один из подходов к прогнозному моделированию, используемых в статистике , интеллектуальном анализе данных и машинном обучении .
декларативное программирование: Парадигма программирования -a стиль построения структуры и элементов компьютерных программ-, выражающая логика вычисления без описания его потока управления . ^[142]
дедуктивный классификатор: Тип механизма вывода искусственного интеллекта . В качестве входных данных он принимает набор деклараций на языке фреймов о такой области, как медицинские исследования или молекулярная биология. Например, названия классов, подклассов , свойств и ограничений на допустимые значения.
Темно-синий: был шахматным компьютером, разработанным 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 широкого семейства методов машинного обучения, основанных на представлениях данных обучения , в отличие от алгоритмов, ориентированных на конкретные задачи. Обучение может быть контролируемым , частично контролируемым или неконтролируемым . ^[143]^[144]^[145]
DeepMind Technologies: Британская искусственный интеллект компания , основанная в сентябре 2010 года, в настоящее время принадлежит алфавиту Inc. Компания основана в Лондоне , с научно - исследовательскими центрами в Канаде , ^[146] Франция , ^[147] и США . Приобретенная на Google в 2014 году, компания создала нейронную сеть , которая узнает , как играть в видеоигры в моде , подобных люди, ^[148] , а также нервная машина Тьюринга , ^[149]или нейронная сеть, которая может иметь доступ к внешней памяти, как обычная машина Тьюринга , в результате чего получается компьютер, имитирующий кратковременную память человеческого мозга. ^[150]^[151] Компания сделала заголовки в 2016 году после того, как его AlphaGo программа бить человек профессиональный Go игрок Ли SEDOL , чемпион мира, в матче пять игр , которая была предметом документального фильма. ^[152] Более общая программа AlphaZero превзошла самые мощные программы игры в го , шахматы и сёги.(Японские шахматы) после нескольких дней игры против самого себя с использованием обучения с подкреплением . ^[153]
логика по умолчанию: Немонотонной логики , предложенный Raymond Reiter формализации рассуждения с предположениями по умолчанию.
логика описания (DL): Семейство формальных языков представления знаний . Многие DL более выразительны, чем логика высказываний, но менее выразительны, чем логика первого порядка . В отличие от последнего, основные проблемы рассуждений для DL (обычно) разрешимы , и для этих проблем были разработаны и реализованы эффективные процедуры принятия решений. Существуют общие, пространственные, временные, пространственно-временные и нечеткие логики описаний, и каждая логика описания имеет различный баланс между выразительностью DL и сложностью рассуждений 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 машинах .
диагноз: Занимается 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 она сталкивается. Вычисления основаны на наблюдениях , 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 для связи как на входном, так и на выходном канале.
уменьшение размерности: Процесс уменьшения количества рассматриваемых случайных величин ^[155] путем получения набора главных переменных. Она может быть разделена на отбор признаков и выделение признаков . ^[156]
дискретная система: Любая система со счетным количеством состояний. Дискретные системы можно противопоставить непрерывным системам, которые также можно назвать аналоговыми системами. Окончательная дискретная система часто моделируется ориентированным графом и анализируется на предмет корректности и сложности в соответствии с теорией вычислений . Поскольку дискретные системы имеют счетное число состояний, они могут быть описаны точными математическими моделями . Компьютер является конечным автоматомэто 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 через дискретные интервалы времени.
распределенный искусственный интеллект (DAI): Подраздел исследований искусственного интеллекта, посвященный разработке распределенных решений проблем. DAI тесно связан с многоагентными системами и является предшественником этой области . ^[157]
динамическая эпистемическая логика (DEL): Логическая структура, связанная с изменением знаний и информации. Как правило, DEL фокусируется на ситуациях с участием нескольких агентов и изучает, как их знания меняются при возникновении событий .

E [ править ]

нетерпеливое обучение: Метод обучения, при котором система пытается построить общую, независимую от ввода целевую функцию во время обучения системы, в отличие от ленивого обучения , при котором обобщение за пределами обучающих данных откладывается до тех пор, пока не будет сделан запрос к системе. ^[158]
Тест Эберта: Тест, который определяет, может ли компьютерный синтезированный голос ^[159]^[160] рассказать анекдот с достаточным мастерством, чтобы заставить людей смеяться . ^[161] Он был предложен кинокритик Роджер Эберт на 2011 TED конференции как вызов разработчикам программного обеспечения , чтобы иметь компьютеризированный голос Учителя перегибы, доставка, время и интонацию говорящего человека. ^[159] Тест аналогичен тесту Тьюринга, предложенному Аланом Тьюрингом.в 1950 году как способ измерить способность компьютера проявлять разумное поведение, создавая производительность, неотличимую от человеческого существа . ^[162]
сеть состояний эха (ESN): Рецидивирующий нейронная сеть с низкой плотностью , связанный скрытым слоем (с , как правило , 1% соединением). Связность и веса скрытых нейронов фиксированы и назначаются случайным образом. Веса выходных нейронов могут быть изучены, чтобы сеть могла (повторно) создавать определенные временные паттерны. Главный интерес этой сети заключается в том, что, хотя ее поведение нелинейно, единственные веса, которые изменяются во время обучения, относятся к синапсам, которые соединяют скрытые нейроны с выходными нейронами. Таким образом, функция ошибок является квадратичной по отношению к вектору параметров и может быть легко дифференцирована до линейной системы. ^[163]^[164]
воплощенный агент: 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 основные 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: Подраздел машинного обучения, касающийся того, как агент должен действовать в среде, чтобы свести к минимуму некоторую обратную связь с ошибками. Это тип обучения с подкреплением .
усреднение по ансамблю: В машинном обучении , особенно при создании искусственных нейронных сетей , усреднение по ансамблю - это процесс создания нескольких моделей и их объединения для получения желаемого результата, в отличие от создания только одной модели.
этика искусственного интеллекта: Часть этики технологий, относящаяся к искусственному интеллекту.
эволюционный алгоритм (EA): Подмножество эволюционных вычислений , ^[166] общая популяция на основе метаэвристической оптимизации алгоритм . EA использует механизмы, вдохновленные биологической эволюцией , такие как воспроизводство , мутации , рекомбинация и отбор . Кандидатское решение к задаче оптимизации играет роль особей в популяции, а функция пригодности определяет качество решений (смотрите также функцию потерь ). Эволюция популяции происходит после повторного применения вышеуказанных операторов.
эволюционные вычисления: Семейство алгоритмов для глобальной оптимизации вдохновленных биологической эволюции , а подпол искусственного интеллекта и мягких вычислений изучения этих алгоритмов. С технической точки зрения, они представляют собой семейство средств решения проблем методом проб и ошибок, основанных на популяционных методах, с характером метаэвристической или стохастической оптимизации .
развивающаяся классификационная функция (ECF): Развивающиеся функции классификатора или развивающиеся классификаторы используются для классификации и кластеризации в области машинного обучения и искусственного интеллекта , обычно используемых для задач интеллектуального анализа потоков данных в динамических и изменяющихся средах.
экзистенциальный риск: Гипотеза о том, что существенный прогресс в области общего искусственного интеллекта (AGI) может когда-нибудь привести к вымиранию человечества или какой-то другой безвозвратной глобальной катастрофе . ^[167]^[168]^[169]
экспертная система: Компьютерная система, имитирующая способность принимать решения эксперта-человека. ^[170] Экспертные системы предназначены для решения сложных проблем путем рассуждений на основе совокупности знаний, представленных в основном в виде правил «если-то», а не с помощью обычного процедурного кода . ^[171]

F [ править ]

быстрые и бережливые деревья: Тип дерева классификации . Деревья быстрой экономии 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 машинном обучении , распознавании образов и обработке изображений извлечение признаков начинается с начального набора измеренных данных и строит производные значения ( признаки ), которые должны быть информативными и неизбыточными, облегчая последующие этапы обучения и обобщения, а в некоторых случаях ведущие к лучшим человеческим интерпретациям.
особенности обучения: В машинном обучении изучение признаков или обучение представлений ^[143] - это набор методов, которые позволяют системе автоматически обнаруживать представления, необходимые для обнаружения или классификации признаков, из необработанных данных. Это заменяет ручную разработку функций и позволяет машине как изучать функции, так и использовать их для выполнения конкретной задачи.
выбор функции: В машинном обучении и статистике выбор функций, также известный как выбор переменных, выбор атрибутов или выбор подмножества переменных, представляет собой процесс выбора подмножества соответствующих функций (переменных, предикторов) для использования при построении модели.
федеративное обучение: Тип машинного обучения, который позволяет тренироваться на нескольких устройствах с децентрализованными данными, тем самым помогая сохранить конфиденциальность отдельных пользователей и их данных.
логика первого порядка: Набор формальных систем, используемых в математике , философии , лингвистике и информатике . Логика первого порядка использует количественные переменные над нелогическими объектами и позволяет использовать предложения, содержащие переменные, так что вместо предложений, таких как Сократ - человек, можно иметь выражения в форме «существует X, такое что X - это Сократ и X - это человек », и существует квантор, а X - переменная. ^[173] Это отличает ее от логики высказываний , которая не использует кванторы или отношения.^[174]
беглый: Состояние, которое со временем может измениться. В логических подходах к рассуждению о действиях, флюэнт могут быть представлены в логике первого порядка по предикатам с аргументом , который зависит от времени.
формальный язык: Набор слов , буквы которых взяты из алфавита и правильно составлены в соответствии с определенным набором правил.
прямая цепочка: Один из двух основных методов рассуждений при использовании механизма вывода, который можно логически описать как повторное применение modus ponens . Форвард-цепочка - это популярная стратегия реализации для экспертных систем , систем бизнес- правил и производственных правил . Противоположностью прямой цепочки является обратная цепочка . Прямая цепочка начинается с доступных данных и использует правила вывода для извлечения дополнительных данных (например, от конечного пользователя) до тех пор, пока не будет достигнута цель . Механизм вывода, использующий прямую цепочку, ищет правила вывода, пока не найдет то, в котором антецедент(Предложение If) известно как истинное. Когда такое правило найдено, механизм может заключить или вывести консеквент (предложение Then), в результате чего к его данным будет добавлена новая информация . ^[175]
Рамка: Структура данных искусственного интеллекта, используемая для разделения знаний на подструктуры, представляя « стереотипные ситуации». Фреймы - это основная структура данных, используемая в языке фреймов искусственного интеллекта .
язык фреймов: Технология, используемая для представления знаний в искусственном интеллекте. Кадры хранятся в виде онтологий из множеств и подмножеств понятий кадра . Они похожи на иерархии классов в объектно-ориентированных языках, хотя их основные цели проектирования различны. Фреймы ориентированы на явное и интуитивно понятное представление знаний, тогда как объекты сосредоточены на инкапсуляции и сокрытии информации . Фреймы возникли в исследованиях искусственного интеллекта, а объекты - в первую очередь в разработке программного обеспечения . 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. ^[176]
дружественный искусственный интеллект: Гипотетический общий искусственный интеллект (AGI), который окажет положительное влияние на человечество. Это часть этики искусственного интеллекта и тесно связана с этикой машин . 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 будущего, а также мировоззрений и мифов, лежащих в их основе. ^[177]
нечеткая система управления: Система управления, основанная на нечеткой логике - математическая система, которая анализирует аналоговые входные значения с точки зрения логических переменных, которые принимают непрерывные значения от 0 до 1, в отличие от классической или цифровой логики, которая работает с дискретными значениями 1 или 0 ( истина или ложь соответственно). ^[178]^[179]
нечеткая логика: Простая форма многозначной логики , в которой значения истинности переменных могут иметь любую степень « правдивости », которая может быть представлена любым действительным числом в диапазоне от 0 (как в случае «Полностью ложно») до 1 (как в случае «Полностью неверно»). Правда) включительно. Следовательно, он используется для обработки концепции частичной истины, где значение истинности может варьироваться от полностью истинного до полностью ложного. В отличие от булевой логики , где истинные значения переменных могут иметь только целые значения 0 или 1.
нечеткое правило: Правило, используемое в системах с нечеткой логикой для вывода вывода на основе входных переменных.
нечеткое множество: В классической теории множеств принадлежность элементов к набору оценивается в бинарных терминах в соответствии с двухвалентным условием - элемент либо принадлежит, либо не принадлежит набору. Напротив, теория нечетких множеств позволяет постепенно оценивать принадлежность элементов к множеству; это описывается с помощью функции принадлежности, имеющей значение в реальном единичном интервале [0, 1]. Нечеткие множества являются обобщением классических множеств, поскольку индикаторные функции (также известные как характеристические функции ) классических множеств являются частными случаями функций принадлежности нечетких множеств, если последние принимают только значения 0 или 1. ^[180] В теории нечетких множеств классические двухвалентные множества обычно называются хрустящиминаборы . Теория нечетких множеств может использоваться в широком диапазоне областей, в которых информация является неполной или неточной, например в биоинформатике . ^[181]

G [ править ]

теория игры: Изучение математических моделей стратегического взаимодействия между рациональными лицами, принимающими решения. ^[182]
общая игра (GGP): Общая игра - это разработка программ искусственного интеллекта, позволяющих успешно запускать и играть в несколько игр. ^[183]^[184]^[185]
генеративная состязательная сеть (GAN): Класс систем машинного обучения . Две нейронные сети соревнуются друг с другом в рамках игры с нулевой суммой .
генетический алгоритм (ГА): Метаэвристического навеян процессом естественного отбора , который принадлежит к более широкому классу эволюционных алгоритмов (ЭА). Генетические алгоритмы обычно используются для создания высококачественных решений проблем оптимизации и поиска , полагаясь на био-вдохновленные операторы, такие как мутация , кроссовер и отбор . ^[186]
генетический оператор: Оператор используется в генетических алгоритмах для руководства алгоритма к решению к данной задаче. Существует три основных типа операторов ( мутация , кроссовер и отбор ), которые должны работать вместе друг с другом, чтобы алгоритм был успешным.
оптимизация роя светлячков: Рой интеллект оптимизация алгоритм на основе поведения светлячков (также известный как светлячки или светлячки).
график (абстрактный тип данных): В информатике граф - это абстрактный тип данных, который предназначен для реализации концепций неориентированного графа и ориентированного графа из математики ; в частности, в области теории графов .
граф (дискретная математика): В математике, а точнее в теории графов , граф - это структура, представляющая собой набор объектов, в котором некоторые пары объектов в некотором смысле «связаны». Объекты соответствуют математическим абстракциям, называемым вершинами (также называемыми узлами или точками ), и каждая из связанных пар вершин называется ребром (также называемым дугой или линией ). ^[187]
база данных графов (GDB): База данных , которая использует структуры графов для семантических запросов с узлами , краями и свойством для представления и хранения данных. Ключевым понятием системы является граф (или ребро, или взаимосвязь).), 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. Базы данных Graph поддерживают отношения между данными в качестве приоритета. Запрос отношений в базе данных графов выполняется быстро, потому что они постоянно хранятся в самой базе данных. Отношения можно интуитивно визуализировать с помощью графовых баз данных, что делает их полезными для сильно взаимосвязанных данных. ^[188]^[189]
теория графов: Изучение графов , которые представляют собой математические структуры, используемые для моделирования парных отношений между объектами.
обход графа: Процесс посещения (проверки и / или обновления) каждой вершины в графе . Такие обходы классифицируются по порядку посещения вершин. Обход дерева - это частный случай обхода графа.

H [ править ]

проблема остановки
эвристический: Техника, предназначенная для более быстрого решения проблемы, когда классические методы слишком медленные, или для поиска приближенного решения, когда классические методы не могут найти точное решение. Это достигается за счет торговли оптимальностью, полнотой, точностью или точностью в обмен на скорость. В каком-то смысле это можно считать ярлыком. Эвристическая функция, также называемая просто эвристикой, - это функция, которая ранжирует альтернативы в алгоритмах поиска на каждом шаге ветвления на основе доступной информации, чтобы решить, по какой ветви следовать. Например, это может приблизить точное решение. ^[190]
скрытый слой: Внутренний слой нейронов в искусственной нейронной сети , не предназначенный для ввода или вывода.
скрытый блок: Нейрон в скрытом слое в искусственной нейронной сети .
гиперэвристический: Эвристический метод поиска , который стремится автоматизировать процесс выбора, комбинирование, генерации, или адаптацию несколько простых эвристик (или компонентов такой эвристики) , чтобы эффективно решать вычислительные задачи поиска, часто путем включения машинного обучения методов. Одним из мотивов изучения гиперэвристики является создание систем, которые могут обрабатывать классы проблем, а не решать только одну проблему. ^[191]^[192]^[193]

Я [ править ]

Общество вычислительного интеллекта IEEE: Профессиональное общество из Института инженеров по электротехнике и радиоэлектронике (IEEE) с акцентом на «теории, проектирования, применения и развития биологически и лингвистически мотивированных вычислительных парадигм подчеркивающие нейронных сетей , коннекционистских системы, генетические алгоритмы , эволюционное программирование , нечетких систем, и гибридные интеллектуальные системы, в которых содержатся эти парадигмы ». ^[194]
постепенное обучение: Метод машинного обучения , при котором входные данные постоянно используются для расширения знаний существующей модели, то есть для дальнейшего обучения модели. Он представляет собой динамический метод обучения с учителем и обучения без учителя, который может применяться, когда данные обучения постепенно становятся доступными 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 для интеллектуального анализа данных и консолидации данных из неструктурированных или полуструктурированных ресурсов. Обычно интеграция информации относится к текстовым представлениям знаний, но иногда применяется к мультимедийному контенту. Слияние информации, что является родственным термином, включает объединение информации в новый набор информации для уменьшения избыточности и неопределенности. ^[132]
Язык обработки информации (IPL): Язык программирования , который включает в себя функции предназначен для помощи с программами , которые выполняют простые решения проблем действий , такие как списки, динамическое распределение памяти , типы данных , рекурсия , функции в качестве аргументов, генераторов и кооперативной многозадачности . IPL изобрела концепцию обработки списков, хотя и в стиле ассемблера .
усиление интеллекта (IA): Эффективное использование информационных технологий для увеличения человеческого интеллекта .
взрыв интеллекта: Возможный результат создания человечеством общего искусственного интеллекта (AGI). AGI будет способен к рекурсивному самосовершенствованию, что приведет к быстрому появлению ASI ( искусственного суперинтеллекта ), пределы которого неизвестны, во время технологической сингулярности.
интеллектуальный агент (ИА): Автономная сущность , которая действует, направляя его активность в достижении целей (т.е. он является агентом ), по представлению окружающей среды с помощью наблюдения через датчики и последующие исполнительные механизмы (т.е. интеллектуальные). Интеллектуальные агенты также могут изучать или использовать знания для достижения своих целей. Они могут быть очень простыми или очень сложными .
интеллектуальное управление: Класс методов управления , в которых используются различные вычислительные подходы искусственного интеллекта, такие как нейронные сети , байесовская вероятность , нечеткая логика , машинное обучение , обучение с подкреплением , эволюционные вычисления и генетические алгоритмы . ^[195]
умный личный помощник: Программный агент , который может выполнять задачи или услуги для человека на основе словесных команд. Иногда термин « чат-бот » используется для обозначения виртуальных помощников, к которым обычно или специально получают доступ через 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, управлять устройствами домашней автоматизации и воспроизведением мультимедиа с помощью голоса, а также управлять другими основными задачами, такими как электронная почта, списки дел и календари, с помощью устных команд. ^[196]
интерпретация: Присвоение означая к символам одного формального языка . Многие формальные языки, используемые в математике , логике и теоретической информатике , определены исключительно в синтаксических терминах и как таковые не имеют никакого значения, пока им не будет дана некоторая интерпретация. Общее изучение интерпретаций формальных языков называется формальной семантикой .
внутренняя мотивация: Интеллектуальный агент внутренне мотивирован , чтобы действовать , если содержание информации в одиночку, опыта в результате действий, является стимулирующим фактором. Информационное содержание в этом контексте измеряется в смысле теории информации 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, подобное исследованию и любопытству . ^[197]
дерево проблем: Графическая разбивка вопроса, которая разбивает его на различные компоненты по вертикали и которая постепенно переходит в детали по мере чтения справа. ^[198]^{: 47} Деревья проблем полезны при решении проблем для выявления основных причин проблемы, а также для определения ее потенциальных решений. Они также служат ориентиром, позволяющим увидеть, как каждый элемент вписывается в общую картину проблемы. ^[199]

J [ править ]

алгоритм дерева соединений: Метод, используемый в машинном обучении для извлечения маргинализации в общих графах . По сути, это влечет за собой распространение убеждений на модифицированном графе, называемом деревом соединений . Граф называется деревом, потому что он разветвляется на разные разделы данных; узлы переменных - это ветви. ^[200]

K [ править ]

ядерный метод: В машинном обучении методы ядра - это класс алгоритмов анализа паттернов , наиболее известным элементом которого является машина опорных векторов (SVM). Общая задача анализа паттернов - найти и изучить общие типы отношений (например, кластеры , ранжирование , главные компоненты , корреляции , классификации ) в наборах данных.
KL-ONE: Известная система представления знаний в традициях семантических сетей и фреймов ; то есть это фреймовый язык . Система представляет собой попытку преодолеть семантическую нечеткость в представлениях семантической сети и явно представить концептуальную информацию в виде структурированной сети наследования. ^[201]^[202]^[203]
приобретение знаний: Процесс, используемый для определения правил и онтологий, необходимых для системы, основанной на знаниях . Эта фраза впервые использовалась в сочетании с экспертными системами для описания начальных задач, связанных с разработкой экспертной системы, а именно поиска и опроса экспертов в предметной области и сбора их знаний с помощью правил , объектов и онтологий на основе фреймов .
система знаний (KBS): Компьютерная программа , которая причина и использует базу знаний для решения сложных задач . Этот термин является широким и относится ко многим различным типам систем. Одна общая тема, которая объединяет все системы, основанные на знаниях, - это попытка явного представления знаний и система рассуждений , позволяющая извлекать новые знания. Таким образом, система, основанная на знаниях, имеет две отличительные особенности: базу знаний и механизм вывода .
инженерия знаний (KE): Все технические, научные и социальные аспекты, связанные с построением, поддержкой и использованием систем, основанных на знаниях .
извлечение знаний: Создание знаний из структурированных ( реляционные базы данных , XML ) и неструктурированных ( текст , документы, изображения ) источников. Полученные в результате знания должны быть в машиночитаемом и машинно-интерпретируемом формате и должны представлять знания таким образом, чтобы облегчить вывод. Хотя методически это похоже на извлечение информации ( NLP ) и ETL (хранилище данных), основным критерием является то, что результат извлечения выходит за рамки создания структурированной информации или преобразования в реляционную схему . Требуется либо повторное использование существующихформальные знания (повторное использование идентификаторов или онтологий ) или создание схемы на основе исходных данных.
Формат обмена знаниями (KIF): Компьютерный язык, позволяющий системам обмениваться и повторно использовать информацию из систем, основанных на знаниях . KIF похож на фреймовые языки, такие как KL-ONE и LOOM, но, в отличие от такого языка, его основная роль не предназначена в качестве основы для выражения или использования знаний, а скорее для обмена знаниями между системами. Разработчики KIF сравнили его с PostScript . PostScript был разработан не в первую очередь как язык для хранения документов и управления ими, а скорее как формат обмена для систем и устройств для обмена документами. Таким же образом KIF предназначен для облегчения обмена знаниями между различными системами, которые используют разные языки, формализмы, платформы и т. Д.
представление знаний и аргументация (KR² или KR&R): Область искусственного интеллекта, предназначенная для представления информации о мире в форме, которую компьютерная система может использовать для решения сложных задач, таких как диагностика состояния здоровья или диалог на естественном языке . Представление знаний включает в себя выводы из психологии ^[204] о том, как люди решают проблемы и представляют знания для разработки формализмов , которые упростят проектирование и построение сложных систем. Представление знаний и рассуждения также включают выводы логики для автоматизации различных видов рассуждений , таких как применение правил или отношений множеств иподмножества . ^[205] Примеры формализмов представления знаний включают семантические сети , системную архитектуру , фреймы , правила и онтологии . Примеры автоматизированных систем рассуждений включают механизмы вывода , средства доказательства теорем и классификаторы.

L [ править ]

ленивое обучение: В машинном обучении ленивое обучение - это метод обучения, при котором обобщение обучающих данных теоретически откладывается до тех пор, пока не будет сделан запрос к системе, в отличие от активного обучения , когда система пытается обобщить обучающие данные перед получением. запросы.
Лисп (язык программирования) (LISP): Семейство языков программирования с долгой историей и отличительной, полностью заключенной в скобки префиксной нотацией . ^[206]
логическое программирование: Тип парадигмы программирования, который в значительной степени основан на формальной логике . Любая программа, написанная на языке логического программирования, представляет собой набор предложений в логической форме, выражающих факты и правила о некоторой проблемной области. Основные семейства языков логического программирования включают Prolog , программирование наборов ответов (ASP) и Datalog .
долгая кратковременная память (LSTM): Архитектура искусственной рекуррентной нейронной сети ^[207], используемая в области глубокого обучения . В отличие от стандартных нейронных сетей с прямой связью, LSTM имеет обратные связи, которые делают его «компьютером общего назначения» (то есть он может вычислять все, что может машина Тьюринга ). ^[208] Он может обрабатывать не только отдельные точки данных (например, изображения), но и целые последовательности данных (например, речь или видео).

M [ править ]

машинное зрение (МВ): Технология и методы, используемые для обеспечения автоматического контроля и анализа на основе изображений для таких приложений, как автоматический контроль, управление процессами и управление роботами, обычно в промышленности. Машинное зрение - это термин, охватывающий большое количество технологий, программных и аппаратных продуктов, интегрированных систем, действий, методов и опыта. Машинное зрение как дисциплину системной инженерии можно рассматривать в отличие от компьютерного зрения , одной из форм информатики.. 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: Стохастическая модель , описывающая последовательность возможных событий , в которых вероятность каждого события зависит только от состояния достигнутого в предыдущем случае. ^[209]^[210]^[211]
Марковский процесс принятия решений (MDP): Дискретное время стохастического управления процессом. Он обеспечивает математическую основу для моделирования принятия решений в ситуациях, когда результаты частично случайны, а частично находятся под контролем лица, принимающего решения. MDP полезны для изучения задач оптимизации, решаемых с помощью динамического программирования и обучения с подкреплением .
математическая оптимизация: В математике , информатике и исследованиях операций - выбор лучшего элемента (с учетом некоторого критерия) из некоторого набора доступных альтернатив. ^[212]
машинное обучение (ML): Научные исследования по алгоритмам и статистических моделей , которые компьютерные системы используют для того , чтобы выполнить задачу , определенную эффективно без использования явных инструкций, опираясь на модели и умозаключения вместо этого.
машинное прослушивание: Общая область изучения алгоритмов и систем для понимания звука машиной. ^[213]^[214]
машинное восприятие: Способность компьютерной системы интерпретировать данные аналогично тому, как люди используют свои чувства для связи с окружающим миром. ^[215]^[216]^[217]
конструкция механизма: Область экономики и теории игр, которая использует инженерный подход к разработке экономических механизмов или стимулов для достижения желаемых целей в стратегических условиях , где игроки действуют 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: Многопрофильная отрасль машиностроения , которая сосредоточена на проектировании обоих электрических и механических систем , а также включает в себя комбинацию робототехники , электроники , компьютера , телекоммуникаций , систем , управления и продукции машиностроения. ^[218]^[219]
реконструкция и моделирование метаболической сети: Позволяет глубже понять молекулярные механизмы конкретного организма. В частности, эти модели коррелируют геном с молекулярной физиологией. ^[220]
метаэвристический: В информатике и математической оптимизации метаэвристика - это процедура или эвристика более высокого уровня , предназначенная для поиска, генерации или выбора эвристики ( алгоритм частичного поиска ), которая может обеспечить достаточно хорошее решение проблемы оптимизации , особенно с неполной или несовершенной информацией. или ограниченная вычислительная мощность. ^[221]^[222] Метаэвристика делает выборку набора решений, который слишком велик для полной выборки.
проверка модели: В информатике проверка модели или проверка свойств - это для данной модели системы исчерпывающая и автоматическая проверка того, соответствует ли эта модель заданной спецификации . Обычно имеется в виду аппаратное или программное обеспечение, тогда как спецификация содержит требования безопасности, такие как отсутствие тупиковых ситуаций и подобных критических состояний, которые могут вызвать сбой системы . Проверка модели - это метод автоматической проверки свойств корректности систем с конечным числом состояний .
modus ponens: В логике высказываний , модус поненс является правилом вывода . ^[223] Это можно резюмировать как « P подразумевает Q, и P утверждается как истинное, поэтому Q должно быть истинным».
модус толленс: В логике высказываний , модус Толленс является действительной формой аргумента и правила логического вывода . Это приложение общей истины о том, что если утверждение истинно, то также и его противоположность . Правила вывода модус Толленс утверждает , что вывод из Р означает Q к отрицанию Q означает отрицание Р является действительным.
Поиск в дереве Монте-Карло: В информатике поиск по дереву Монте-Карло (MCTS) - это эвристический алгоритм поиска для некоторых видов процессов принятия решений .
мультиагентная система (MAS): Компьютеризированная система, состоящая из множества взаимодействующих интеллектуальных агентов . Многоагентные системы могут решать проблемы, которые сложно или невозможно решить отдельному агенту или монолитной системе . Интеллект может включать методический , функциональный , процедурный подходы, алгоритмический поиск или обучение с подкреплением .
оптимизация нескольких роев: Вариант оптимизации роя частиц (PSO), основанный на использовании нескольких суб-роя вместо одного (стандартного) роя. Общий подход к оптимизации нескольких роев состоит в том, что каждый под-рой фокусируется на определенном регионе, в то время как конкретный метод диверсификации решает, где и когда запускать под-рой. Фреймворк с несколькими роями особенно подходит для оптимизации многомодальных задач, где существует несколько (локальных) оптимумов.
мутация: Генетический оператор используется для поддержания генетического разнообразия от одного поколения популяции генетического алгоритма хромосом к следующему. Это аналог биологической мутации . Мутация изменяет одно или несколько значений гена в хромосоме по сравнению с исходным состоянием. При мутации решение может полностью отличаться от предыдущего решения. 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 примитивный случайный поиск.
Mycin: Ранняя экспертная система с обратной цепочкой, которая использовала искусственный интеллект для выявления бактерий, вызывающих тяжелые инфекции, такие как бактериемия и менингит , и для рекомендации антибиотиков с дозировкой, скорректированной с учетом веса тела пациента - название происходит от самих антибиотиков, поскольку многие антибиотики имеют суффикс «-мицин». Система MYCIN также использовалась для диагностики заболеваний свертывания крови.

N [ править ]

наивный байесовский классификатор: В машинном обучении наивные байесовские классификаторы представляют собой семейство простых вероятностных классификаторов, основанных на применении теоремы Байеса с сильными (наивными) предположениями о независимости между функциями.
наивная семантика: Подход, используемый в информатике для представления базовых знаний о конкретной области, и применялся в таких приложениях, как представление значения предложений на естественном языке 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 проектирование схем данных на основе знаний. ^[224]
привязка имени: В языках программирования привязка имен - это ассоциация сущностей (данных и / или кода) с идентификаторами . ^[225] Считается, что идентификатор, связанный с объектом, ссылается на 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 областью видимости , поскольку область видимости определяет, какие имена связаны с какими объектами - в каких местах программного кода ( лексически ) и в каком одном из возможных путей выполнения ( временно ). Использование идентификатора idв контексте, который устанавливает привязку дляidназывается обязательным (или определяющим) вхождением. Во всех других случаях (например, в выражениях, назначениях и вызовах подпрограмм) идентификатор обозначает то, с чем он связан; такие случаи называются прикладными.
признание именованного объекта (NER): Подзадача извлечения информации, которая направлена на поиск и классификацию упоминаний именованных сущностей в неструктурированном тексте по заранее определенным категориям, таким как имена людей, организации, местоположения, медицинские коды , выражения времени, количества, денежные значения, проценты и т. Д.
именованный граф: Ключевая концепция архитектуры семантической паутины, в которой набор операторов структуры описания ресурсов ( граф ) идентифицируется с помощью URI , ^[226] позволяя делать описания этого набора операторов, таких как контекст, информация о происхождении или другие подобные метаданные . Именованные графы - это простое расширение модели данных RDF ^{[227], с} помощью которого можно создавать графы, но в модели отсутствуют эффективные средства различения между ними после публикации в сети 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 ), которые даже могут быть прочитаны вслух системой преобразования текста в речь .
обработка естественного языка (NLP): 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 данных на естественном языке .
программирование на естественном языке: Онтология -поддерживаемого способа программирования в терминах естественного языка предложений, например , английском языке . ^[228]
сетевой мотив: Все сети, включая биологические сети, социальные сети, технологические сети (например, компьютерные сети и электрические схемы) и многое другое, могут быть представлены в виде графов , которые включают в себя широкий спектр подграфов. Одним из важных локальных свойств сетей являются так называемые сетевые мотивы, которые определяются как повторяющиеся и статистически значимые подграфы или паттерны.
нейронный машинный перевод (NMT): Подход к машинному переводу, который использует большую искусственную нейронную сеть для прогнозирования вероятности последовательности слов, обычно моделируя целые предложения в единой интегрированной модели.
нейронная машина Тьюринга (NTM): Модель рекуррентной нейронной сети . НТМ сочетают в себе возможности нейронных сетей нечеткого сопоставления образов с алгоритмической мощностью программируемых компьютеров . NTM имеет контроллер нейронной сети, связанный с внешними ресурсами памяти , с которыми он взаимодействует через механизмы внимания. Взаимодействия с памятью дифференцируемы от начала до конца, что позволяет оптимизировать их с помощью градиентного спуска . ^[229] NTM с сетевым контроллером с долговременной краткосрочной памятью (LSTM) может выводить простые алгоритмы, такие как копирование, сортировка и ассоциативный вызов, только на основе примеров. ^[230]
нервно-нечеткий: Комбинации искусственных нейронных сетей и нечеткой логики .
нейрокибернетика: Прямой канал связи между расширенным или проводным мозгом и внешним устройством. BCI отличается от нейромодуляции тем, что обеспечивает двунаправленный поток информации. BCI часто направлены на исследование, картирование, помощь, усиление или восстановление когнитивных или сенсомоторных функций человека. ^[231]
нейроморфная инженерия: Концепция, описывающая использование систем очень крупномасштабной интеграции (СБИС), содержащих электронные аналоговые схемы, для имитации нейробиологической архитектуры, присутствующей в нервной системе. ^[232] В последнее время термин нейроморфный используется для описания аналоговых, цифровых, смешанных аналогово-цифровых СБИС и программных систем, реализующих модели нейронных систем (для восприятия , управления двигателем или мультисенсорной интеграции ). Реализация нейроморфных вычислений на аппаратном уровне может быть реализована мемристорами на основе оксидов , ^[233] спинтронной памятью, ^[234]пороговые переключатели и транзисторы . ^[235]^[236]^[237]^[238]
узел: Базовая единица структуры данных , например связанный список или древовидная структура данных. Узлы содержат данные, а также могут связываться с другими узлами. Связи между узлами часто реализуются указателями .
недетерминированный алгоритм: Алгоритм , который, даже тот же вход, может иметь различное поведение на различных трассах, в отличии от детерминированного алгоритма .
новый AI: Nouvelle AI отличается от классического AI тем, что нацелен на создание 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. ^[239]
НП: В теории сложности вычислений NP (недетерминированное полиномиальное время) - это класс сложности, используемый для классификации проблем принятия решений . NP - это набор задач решения, для которых экземпляры проблемы, на которые дан ответ «да», имеют доказательства, проверяемые за полиномиальное время . ^[240]^{[Примечание 1]}
NP-полнота: В теории сложности вычислений проблема является NP-полной, когда ее можно решить с помощью ограниченного класса алгоритмов перебора методом грубой силы , и ее можно использовать для моделирования любой другой задачи с помощью аналогичного алгоритма. Точнее, каждый вход проблемы должен быть связан с набором решений полиномиальной длины, справедливость которых может быть быстро проверена (за полиномиальное время ^[241] ), так что выход для любого входа будет «да», если решение установлено непусто и "нет", если оно пусто.
NP-твердость: В теории сложности вычислений - определяющее свойство класса задач, которые неформально «по крайней мере так же сложны, как самые сложные задачи в NP». Простым примером NP-трудной задачи является задача о сумме подмножеств .

O [ править ]

бритва Оккама: Принцип решения проблем, который гласит, что при представлении конкурирующих гипотез, которые делают одни и те же прогнозы, нужно выбирать решение с наименьшим количеством предположений; ^[242] принцип не предназначен для фильтрации гипотез, которые делают разные прогнозы. Идея приписывается английскому францисканский монах Вильям Оккам ( с. 1287-1347), схоластический философ и богослов .
автономное обучение
онлайн-машинное обучение: Метод машинного обучения, при котором данные становятся доступными в последовательном порядке и используются для обновления лучшего предсказателя будущих данных на каждом этапе, 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 использования алгоритмов вне ядра . 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 онтологий , включая извлечение терминов соответствующей предметной области и взаимосвязей между концепциями, которые эти термины представляют из корпуса текста на естественном языке, и их кодирование с помощью языка онтологий для облегчения поиска.
OpenAI: Коммерческая корпорация OpenAI LP, головной организацией которой является некоммерческая организация OpenAI Inc ^[243], которая проводит исследования в области искусственного интеллекта (ИИ) с заявленной целью продвигать и развивать дружественный ИИ таким образом, чтобы принести пользу человечеству в целом.
OpenCog: Проект, направленный на создание инфраструктуры искусственного интеллекта с открытым исходным кодом. OpenCog Prime - это архитектура для роботов и виртуального воплощенного познания, которая определяет набор взаимодействующих компонентов, предназначенных для создания человеческого эквивалентного общего искусственного интеллекта (AGI) как возникающего явления во всей системе. ^[244]
Открытый разум, здравый смысл: Проект искусственного интеллекта, основанный в Media Lab Массачусетского технологического института (MIT) , целью которого является создание и использование обширной базы здравого смысла, основанной на вкладе многих тысяч людей в Интернете.
программное обеспечение с открытым исходным кодом (OSS): Тип компьютерного программного обеспечения , в котором исходный код выпущен под лицензией , в котором авторское право владелец предоставляет пользователям права на изучение, изменение и распространение программного обеспечения для всех и для любых целей. ^[245] Программное обеспечение с открытым исходным кодом может разрабатываться совместно с общественностью . Программное обеспечение с открытым исходным кодом - яркий пример открытого сотрудничества . ^[246]

P [ править ]

редукция частичного порядка: Метод уменьшения размера пространства состояний, в котором будет выполняться поиск с помощью проверки модели или алгоритма автоматического планирования и составления расписания . Он использует коммутативность одновременно выполняемых переходов , которые приводят к одному и тому же состоянию при выполнении в разном порядке.
частично наблюдаемый марковский процесс принятия решений (POMDP): Обобщение марковского процесса принятия решений (MDP). POMDP моделирует процесс принятия решений агентом, в котором предполагается, что динамика системы определяется MDP, но агент не может напрямую наблюдать за лежащим в основе 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 проблему, итеративно пытаясь улучшить возможное решение с учетом заданного показателя качества. Он решает проблему, имея совокупность возможных решений, здесь названных частиц , и перемещая эти частицы в пространстве поиска в соответствии с простыми математическими формулами относительно положения 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 решения лабиринтов . Эта область исследований в значительной степени основана на алгоритме Дейкстры для поиска кратчайшего пути на взвешенном графе .
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. ^[247]
логика предикатов: Набор формальных систем, используемых в математике , философии , лингвистике и информатике . Логика первого порядка использует количественные переменные над нелогическими объектами и позволяет использовать предложения, содержащие переменные, так что вместо высказываний типа « Сократ - человек» можно иметь выражения в форме «существует x, такое что x - это Сократ и x - это человек », и существует квантор, а x - переменная. ^[173] Это отличает ее от логики высказываний , которая не использует кванторы или отношения ;^[248] в этом смысле логика высказываний является основой логики первого порядка.
прогнозная аналитика: Разнообразные статистические методы, от интеллектуального анализа данных , прогнозного моделирования и машинного обучения , которые анализируют текущие и исторические факты, чтобы делать прогнозы о будущих или других неизвестных событиях. ^[249]^[250]
анализ главных компонентов (PCA): Статистическая процедура, которая использует ортогональное преобразование для преобразования набора наблюдений за возможно коррелированными переменными (объекты, каждая из которых принимает различные числовые значения) в набор значений линейно некоррелированных переменных, называемых главными компонентами. Это преобразование определяется таким образом, что первый главный компонент имеет максимально возможную дисперсию (то есть учитывает как можно большую вариативность данных), а каждый последующий компонент, в свою очередь, имеет максимально возможную дисперсию при ограничение, что он ортогонален предыдущим компонентам. Результирующие векторы (каждый из которых представляет собой линейную комбинацию переменных и содержит nнаблюдения) являются некоррелированным ортогональным базисом . PCA чувствителен к относительному масштабированию исходных переменных.
принцип рациональности: Принцип, сформулированный Карлом Р. Поппером в его лекции в Гарварде в 1963 году и опубликованный в его книге « Миф о структуре» . ^[251] Это связано с тем, что он назвал «логикой ситуации» в статье Economica за 1944/1945 гг., Опубликованной позже в его книге «Нищета историзма» . ^[252] Согласно принципу рациональности Поппера, агенты действуют наиболее адекватно в соответствии с объективной ситуацией. Это идеализированная концепция человеческого поведения, которую он использовал в своей модели ситуационного анализа .
вероятностное программирование (ПП): Парадигма программирования , в которой вероятностные модели определены и вывод для этих моделей выполняются автоматически. ^[253] Он представляет собой попытку объединить вероятностное моделирование и традиционное универсальное программирование, чтобы сделать первое проще и более широко применимым. ^[254]^[255] 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: Формальный язык , который включает в себя набор инструкций , которые производят различные виды продукции . Языки программирования используются в компьютерном программировании для реализации алгоритмов .
Пролог: Логическое программирование языка , связанный с искусственным интеллектом и компьютерной лингвистикой . ^[256]^[257]^[258] Пролог уходит корнями в логику первого порядка , формальную логику , и, в отличие от многих других языков программирования , Пролог задуман прежде всего как декларативный язык программирования: логика программы выражается в терминах отношений, представлены как факты и правила . Вычисление инициируется путем выполнения запроса по этим отношениям. ^[259]
пропозициональное исчисление: Раздел логики, который имеет дело с предложениями (которые могут быть истинными или ложными) и потоком аргументов. Сложные предложения образуются путем соединения предложений логическими связками . Предложения без логических связок называются атомарными предложениями. В отличие от логики первого порядка, логика высказываний не имеет дела 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: Истолковано , высокий уровень , общее назначение , язык программирования , созданный Гвидо ван Россум и первый выпущенный в 1991 году философии дизайна Python подчеркивает читаемость кода с заметным использованием значительного пробела . Его языковые конструкции и объектно-ориентированный подход призваны помочь программистам писать понятный, логичный код для небольших и крупномасштабных проектов. ^[260]

Q [ править ]

проблема квалификации: В философии и искусственного интеллекта (особенно систем , основанных на знаниях ), проблема квалификации связана с невозможностью перечисления всех из предварительных условий , необходимых для реального мира действия , чтобы иметь желаемого эффекта. ^[261]^[262] Это может быть сформулировано как то, как поступать с вещами, которые мешают мне достичь желаемого результата . Он тесно связан с, и напротив ветвления стороны от, к проблеме кадров . ^[261]
квантификатор: В логике количественная оценка определяет количество экземпляров в предметной области , удовлетворяющих открытой формуле . 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) существует другое число (скажем, преемник n), которое на единицу больше чем п.
квантовые вычисления: Использование квантово-механических явлений, таких как суперпозиция и запутанность, для выполнения вычислений . Квантовый компьютер используется для выполнения таких вычислений, которые могут быть реализованы теоретически или физически. ^[263]^{: I-5}
язык запросов: Языки запросов или языки запросов данных (DQL) - это компьютерные языки, используемые для выполнения запросов в базах данных и информационных системах . В широком смысле языки запросов можно классифицировать в зависимости от того, являются ли они языками запросов к базам данных или языками запросов поиска информации . 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.

R [ править ]

Язык программирования R: Язык программирования и свободного программного обеспечения среды для статистических вычислений и графики при поддержке R Фонда Статистический Computing. ^[264] Язык R широко используется статистиками и специалистами по обработке данных для разработки статистического программного обеспечения ^[265] и анализа данных . ^[266]
сеть радиальных базисных функций: В области математического моделирования сеть радиальных базисных функций представляет собой искусственную нейронную сеть, которая использует радиальные базисные функции в качестве функций активации . Выход сети представляет собой линейную комбинацию радиальных базисных функций входов и параметров нейрона. Сети с радиальными базисными функциями имеют множество применений, включая аппроксимацию функций , прогнозирование временных рядов , классификацию и управление системой . Впервые они были сформулированы в статье 1988 года Брумхедом и Лоу, исследователями из Royal Signals and Radar Establishment . ^[267]^[268]^[269]
случайный лес: Ансамбль обучения метод классификации , регрессии и другие задачи , которая работает путем построения множества деревьев решений во время обучения и вывода класса , который является режим классов (классификация) или среднего прогноза (регресса) отдельных деревьев. ^[270]^[271] Случайные леса решений исправляют привычку деревьев решений переобучаться их обучающему набору . ^[272]
система рассуждений: В информационных технологиях система рассуждений - это программная система, которая генерирует выводы из имеющихся знаний с использованием логических методов, таких как дедукция и индукция . Системы рассуждений играют важную роль в реализации искусственного интеллекта и систем, основанных на знаниях .
рекуррентная нейронная сеть (RNN): Класс искусственных нейронных сетей, в которых связи между узлами образуют ориентированный граф во временной последовательности. Это позволяет ему демонстрировать динамическое поведение во времени. В отличие от нейронных сетей прямого распространения, RNN могут использовать свое внутреннее состояние (память) для обработки последовательностей входных данных. Это делает их применимыми для таких задач, как несегментированное связанное распознавание почерка ^[273] или распознавание речи . ^[274]^[275]
исчисление региональных подключений
обучение с подкреплением (RL): Область машинного обучения касается того , как программное обеспечение , агенты должны принимать меры в среде так, чтобы максимизировать некоторое представление о совокупной награды. Обучение с подкреплением - это одна из трех основных парадигм машинного обучения, наряду с обучением с учителем и обучением без учителя . Оно отличается от обучения с учителем тем, что не нужно 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). ^[276]
пластовые вычисления: Каркас для вычислений, который можно рассматривать как расширение нейронных сетей . ^[277] Обычно входной сигнал подается в фиксированную (случайную) динамическую систему, называемую резервуаром, и динамика резервуара отображает входные данные в более высокое измерение. Затем простой механизм считывания обучается считывать состояние резервуара и отображать его на желаемый результат. Основное преимущество состоит в том, что обучение выполняется только на этапе считывания, а резервуар фиксируется. Машины с жидкостным состоянием ^[278] и сети эхо-состояний ^[279] представляют собой два основных типа вычислений резервуара. ^[280]
Структура описания ресурсов (RDF): Семейство спецификаций Консорциума Всемирной паутины (W3C) ^[281], изначально разработанных как модель данных метаданных . Он стал использоваться в качестве общего метода концептуального описания или моделирования информации, которая реализована в веб-ресурсах с использованием различных синтаксических обозначений и форматов сериализации данных. Он также используется в приложениях для управления знаниями .
ограниченная машина Больцмана (RBM): Порождающая стохастическая искусственная нейронная сеть , которая может узнать распределение вероятностей над своим набором входов.
Алгоритм Rete: Сопоставление с образцом алгоритм для реализации систем на основе правил . Алгоритм был разработан для эффективного применения множества правил или шаблонов ко многим объектам или фактам в базе 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 , электронную инженерию , информационную инженерию , информатику и другие. Робототехника занимается проектированием, конструированием, эксплуатацией и использованием роботов , а также компьютерных систем для их управления, сенсорной обратной связи и обработки информации .
система, основанная на правилах: В информатике система, основанная на правилах, используется для хранения знаний и управления 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 систем.

S [ править ]

выполнимость: В математической логике выполнимость и валидность являются элементарными понятиями семантики . Формула является выполнимой , если это возможно , чтобы найти интерпретацию ( модель ) , что делает формулу верно. ^[282] Формула действительна, если все интерпретации делают ее верной. Противоположностями этих концепций являются неудовлетворительность и недействительность, то есть формула неудовлетворительна, если ни одна из интерпретаций не делает формулу истинной и недействительной.если такая интерпретация делает формулу ложной. Эти четыре понятия связаны друг с другом точно так же, как и квадрат оппозиции Аристотеля .
алгоритм поиска: Любой алгоритм , который решает задачу поиска , а именно, для получения информации , хранящейся в пределах некоторой структуры данных, или рассчитываются в пространстве поиска в виде проблемной области , либо с дискретным или непрерывным значениями .
отбор: Этап генетического алгоритма, на котором отдельные геномы выбираются из популяции для последующего разведения (с использованием оператора кроссовера ).
самоуправление: Процесс, с помощью которого компьютерные системы управляют своей работой без вмешательства человека.
семантическая сеть: База знаний , которая представляет семантические отношения между понятиями в сети. Это часто используется как форма представления знаний . Это ориентированный или неориентированный граф, состоящий из вершин , которые представляют концепции , и ребер , которые представляют семантические отношения между концепциями ^[283], отображение или соединение семантических полей .
семантический рассуждающий: Часть программного обеспечения, способная делать логические выводы из набора утвержденных фактов или аксиом . Понятие семантического аргумента обобщает понятие механизма вывода , предоставляя более богатый набор механизмов для работы. Эти правила вывода обычно определяется посредством языка онтологий , и часто описание логики языка. Многие авторы рассуждений используют логику предикатов первого порядка для выполнения рассуждений; логический вывод обычно осуществляется путем прямого и обратного вывода .
семантический запрос: Позволяет выполнять запросы и аналитику ассоциативного и контекстного характера. 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, для четкого выбора одного единственного фрагмента информации) или для ответа на более расплывчатые и широко открытые вопросы с помощью сопоставления с образцом и цифровых рассуждений .
семантика: В теории языков программирования семантика - это область, связанная со строгим математическим изучением значения языков программирования . Это достигается путем оценки значения синтаксически допустимых строк, определенных конкретным языком программирования, с указанием задействованных вычислений. В таком случае, если оценка будет содержать синтаксически недопустимые строки, 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 определенной платформе , тем самым создаваямодель вычисления .
сенсор слияния: Комбинирование сенсорных данных или данных, полученных из разрозненных источников, так что результирующая информация имеет меньшую неопределенность, чем это было бы возможно при использовании этих источников по отдельности.
логика разделения: Расширение логики Хоара , способ рассуждать о программах. Язык утверждений логики разделения - это частный случай логики сгруппированных импликаций (BI). ^[284]
изучение подобия: Область контролируемого машинного обучения в области искусственного интеллекта. Это тесно связано с регрессией и классификацией , но цель состоит в том, чтобы извлечь уроки из функции подобия, которая измеряет, насколько похожи или связаны два объекта. У него есть приложения для ранжирования , в системах рекомендаций , отслеживания визуальной идентификации, проверки лица и проверки говорящего.
имитация отжига (SA): Вероятностный метод для аппроксимации глобального оптимума данной функции . В частности, это метаэвристика для аппроксимации глобальной оптимизации в большом пространстве поиска для задачи 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. Ситуационный подход дает гораздо меньший приоритет абстрактным рассуждениям или навыкам решения проблем.
ситуационное исчисление: Логический формализм предназначен для представления и рассуждения о динамических доменах.
Селективное линейное разрешение с определенным предложением: Основное правило вывода, используемое в логическом программировании . Это уточнение резолюции , которое одновременно является обоснованным и полным опровержением для оговорок Горна .
программного обеспечения: Набор данных или компьютерных инструкций, которые говорят компьютеру, как работать. Это контрастирует с физическим оборудованием , из которого система построена и фактически выполняет работу. В информатике и разработке программного обеспечения компьютерное программное обеспечение - это вся информация, обрабатываемая компьютерными системами , программами и данными . Компьютерное программное обеспечение включает компьютерные программы , библиотеки и связанные с ними неисполняемые данные , такие как онлайн-документация или цифровые носители .
программная инженерия: Применение техники к разработке в программном обеспечении систематического метода. ^[285]^[286]^[287]
пространственно-временные рассуждения: Область искусственного интеллекта, основанная на компьютерных науках , когнитивных науках и когнитивной психологии . 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 навигации и понимания времени и пространства.
SPARQL: Язык RDF запроса , то есть к семантический язык запросов для баз данных -able для извлечения и обработки данных , хранящихся в Resource Description Framework (RDF) формате. ^[288]^[289]
распознавание речи: Междисциплинарное подразделение компьютерной лингвистики, которое разрабатывает методологии и технологии, позволяющие распознавать и переводить разговорный язык 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 области лингвистики , информатики и электротехники .
пиковая нейронная сеть (SNN): Искусственная нейронная сеть , которая более точно имитирует естественную нейронную сеть. ^[290] В дополнение к нейрональному и синаптическому состоянию, SNN включают понятие времени в свою операционную модель .
государственный: В информационных технологиях и информатике программа описывается как сохраняющая состояние, если она предназначена для запоминания предшествующих событий или взаимодействий с пользователем; ^[291] запомненная информация называется состоянием системы.
статистическая классификация: В машинном обучении и статистике классификация - это проблема определения того, к какому из набора категорий (субпопуляций) принадлежит новое наблюдение, на основе обучающего набора данных, содержащих наблюдения (или экземпляры), принадлежность которых к категории известна. Примеры: отнесение данного электронного письма к классу «спам» или «не спам» и постановка диагноза данному пациенту на основе наблюдаемых характеристик пациента (пол, артериальное давление, наличие или отсутствие определенных симптомов и т. Д.) . Классификация - это пример распознавания образов .
статистическое реляционное обучение (SRL): Поддисциплина искусственного интеллекта и машинного обучения , связанная с моделями предметной области, которые демонстрируют как неопределенность (с которой можно справиться с помощью статистических методов), так и сложную реляционную структуру. ^[292]^[293] Обратите внимание, что в литературе SRL иногда называют реляционным машинным обучением (RML). Как правило, формализмы представления знаний, разработанные в SRL, используют (подмножество) логику первого порядка для описания реляционных свойств предметной области в общем виде ( универсальная количественная оценка ) и опираются на вероятностные графические модели (такие как байесовские сети).или сети Маркова ) для моделирования неопределенности; некоторые также основываются на методах индуктивного логического программирования .
стохастическая оптимизация (СО): Любой метод оптимизации, который генерирует и использует случайные величины . 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. ^[294] Стохастические методы оптимизации обобщают детерминированные методы для детерминированных задач.
стохастический семантический анализ: Подход, используемый в информатике как семантический компонент понимания естественного языка . Стохастические модели обычно используют определение сегментов слов в качестве основных семантических единиц для семантических моделей, а в некоторых случаях включают двухуровневый подход. ^[295]
Решение проблем Стэнфордского исследовательского института (STRIPS)
Эксперт предметной области
сверхразум: Гипотетический агент , обладающий интеллектом, намного превосходящим интеллект самых ярких и одаренных людей. 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, которые действуют в физическом мире. Сверхразум может быть создан или не создан взрывом интеллекта и быть связан с технологической сингулярностью .
контролируемое обучение: Задача машинного обучения по изучению функции, которая сопоставляет входные данные с выходными на основе примеров пар вход-выход. ^[296] Он выводит функцию изразмеченные обучающие данные, состоящие из набора обучающих примеров . ^[297] При обучении с учителем каждый пример представляет собой пару, состоящую из входного объекта (обычно вектора) и желаемого выходного значения (также называемого контрольным сигналом ). Алгоритм обучения с учителем анализирует данные обучения и создает 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 машинном обучении машины опорных векторов (SVM, также сети опорных векторов ^[298] ) представляют собой контролируемые модели обучения с соответствующими алгоритмами обучения , которые анализируют данные, используемые для классификации и регрессионного анализа .
интеллект роя (SI): Коллективное поведение в децентрализована , самоорганизующиеся системы, естественного или искусственного. Выражение было введено в контексте клеточных роботизированных систем. ^[299]
символический искусственный интеллект: Термин, обозначающий совокупность всех методов исследования искусственного интеллекта , основанных на высокоуровневых «символических» (удобочитаемых) представлениях проблем, логике и поиске .
синтетический интеллект (SI): Альтернативный термин для искусственного интеллекта, который подчеркивает, что интеллект машин не обязательно должен быть имитацией или каким-либо образом искусственным; это может быть подлинная форма интеллекта. ^[300]^[301]
системная нейробиология: Поддисциплина нейробиологии и системной биологии , изучающая структуру и функции нейронных цепей и систем. Это обобщающий термин, охватывающий ряд областей исследования, связанных с тем, как нервные клетки ведут себя, когда они соединяются вместе, образуя нейронные пути , нейронные цепи и более крупные сети мозга .

Т [ править ]

технологическая особенность: Гипотетический момент в будущем , когда технологический рост становится неуправляемым и необратимым, в результате непостижимых изменений в человеческую цивилизацию. ^[302]^[303]^[304]
обучение разнице во времени: Класс модель свободного обучения с подкреплением методов , которые учатся по самозагрузке из текущей оценки значения функции. Эти методы выбирают из среды, как методы Монте-Карло , и выполняют обновления на основе текущих оценок, как методы динамического программирования . ^[305]
теория тензорных сетей: Теория функции мозга (в частности, мозжечка ), которая обеспечивает математическую модель преобразования сенсорных пространственно-временных координат в моторные координаты и наоборот нейронными сетями мозжечка . Теория была разработана как геометризация функции мозга (особенно центральной нервной системы ) с помощью тензоров . ^[306]^[307]
TensorFlow: Бесплатно и с открытым исходным кодом библиотеки программного обеспечения для потока данных и дифференцируемого программирования в целом ряде задач. Это символьная математическая библиотека, которая также используется для приложений машинного обучения, таких как нейронные сети . ^[308]
теоретическая информатика (TCS): Подмножество общих компьютерных наук и математики, которое фокусируется на более математических темах вычислений и включает теорию вычислений .
теория вычислений: В теоретической информатике и математике теория вычислений - это раздел, который занимается тем, насколько эффективно задачи могут быть решены на модели вычислений с использованием алгоритма . Поле разделено на три основные ветви: теория автоматов и языков, теории вычислимости и теории сложности вычислений , которые связаны с вопросом: «Каковы основные возможности и ограничения компьютеров». ^[309]
Выборка Томпсона: Эвристика для выбора действия, адреса разведка-добыча дилеммой в нескольких вооруженных бандита проблемы. Он заключается в выборе действия, которое максимизирует ожидаемую награду по отношению к случайно выбранному убеждению. ^[310]^[311]
временная сложность: Вычислительная сложность , которая описывает количество времени, которое требуется для запуска алгоритма . Временная сложность 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 постоянный коэффициент .
трансгуманизм: Международное философское движение, которое выступает за изменение условий жизни человека путем разработки и широкого распространения сложных технологий для значительного улучшения человеческого интеллекта и физиологии. ^[312]^[313]
переходная система: В теоретической информатике понятие переходной системы используется при изучении вычислений . Он используется для описания потенциального поведения дискретных систем . Он состоит из состояний и переходов между состояниями, которые могут быть помечены метками, выбранными из набора; одна и та же метка может отображаться более чем на одном переходе. Если набор меток является одноэлементным , система по существу не имеет меток, и возможно более простое определение, в котором метки не указаны.
обход дерева: Форма обхода графа и относится к процессу посещения (проверки и / или обновления) каждого узла в древовидной структуре данных ровно один раз. Такие обходы классифицируются по порядку посещения узлов.
истинная количественная логическая формула: В теории сложности вычислений язык TQBF - это формальный язык, состоящий из истинных количественных булевых формул. (Полностью) количественная логическая формула - это формула количественной логики высказываний, где каждая переменная количественно определяется (или ограничивается ) с использованием либо экзистенциальных, либо универсальных кванторов в начале предложения. Такая формула эквивалентна истинному или ложному (поскольку нет свободных переменных). Если такая формула истинна, то эта формула написана на языке TQBF. Он также известен как QSAT (Quantified SAT ).
Машина Тьюринга
Тест Тьюринга: Тест способности машины демонстрировать разумное поведение, эквивалентное поведению человека или неотличимое от него, разработанный Аланом Тьюрингом в 1950 году. Тьюринг предположил, что оценщик-человек будет оценивать разговоры на естественном языке между человеком и машиной, созданной для генерации человека. -подобные ответы. Оценщик должен знать, что один из двух партнеров в разговоре - это машина, и все участники будут отделены друг от друга. Разговор будет ограничен только текстовым каналом, таким как компьютерная клавиатура и экран, поэтому результат не будет зависеть от способности машины преобразовывать слова в речь. ^[314]Если оценщик не может достоверно отличить машину от человека, говорят, что машина выдержала испытание. Результаты тестирования 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 языках программирования - набор правил, которые присваивают свойство, называемое типом, различным конструкциям компьютерной программы , таким как переменные , выражения , функции или модули . ^[315] Эти типы формализуют и применяют неявные категории, которые программист использует для алгебраических типов данных, структур данных или других компонентов (например, «строка», «массив с плавающей запятой», «функция, возвращающая логическое значение»). Основная цель системы типов - уменьшить вероятность ошибок в компьютерных программах ^[316] путем определения интерфейсов.между различными частями компьютерной программы, а затем проверка того, что части были соединены согласованным образом. Эта проверка может происходить статически (во время компиляции ), динамически (во время выполнения ) или как комбинация статической и динамической проверки. Системы типов имеют и другие цели, такие как выражение бизнес-правил, включение определенных оптимизаций компилятора, разрешение множественной отправки , предоставление формы документации и т. Д.

U [ править ]

обучение без учителя: Тип самоорганизованного обучения Hebbian, который помогает находить ранее неизвестные закономерности в наборе данных без ранее существовавших меток. Он также известен как самоорганизация и позволяет моделировать плотности вероятности заданных входных данных. ^[317] Это одна из трех основных категорий машинного обучения, наряду с обучением с учителем и обучением с подкреплением . Также было описано полу-контролируемое обучение, которое представляет собой гибридизацию контролируемых и неконтролируемых методов.

V [ править ]

блок обработки изображений (ВПУ): Тип микропроцессора, предназначенный для ускорения задач машинного зрения . ^[318]^[319] Выравнивание ценностей завершено - Аналогично проблеме полного выравнивания значений AI, проблема полного выравнивания ценностей - это проблема, для решения которой необходимо полностью решить проблему управления AI . ^{[ необходима цитата ]}

W [ править ]

Watson: Вопрос, ответив компьютерная система способна отвечать на вопросы , заданные в естественном языке , ^[320] разработан в IBM проекта «s DeepQA исследовательской группой во главе с главным исследователем Дэвидом Ферруччи . ^[321] Watson был назван в честь первого генерального директора IBM, промышленника Томаса Дж. Ватсона . ^[322]^[323]
слабый ИИ: Искусственный интеллект , ориентированный на одну узкую задачу. ^[324]^[325]^[326]
Консорциум World Wide Web (W3C): Основная международная организация по стандартизации для World Wide Web (сокращенно WWW или W3).

См. Также [ править ]

Искусственный интеллект

Ссылки [ править ]

^ a b Например: Джозефсон, Джон Р .; Джозефсон, Сьюзан Г., ред. (1994). Абдуктивный вывод: вычисления, философия, технология . Кембридж, Великобритания; Нью-Йорк: Издательство Кембриджского университета. DOI : 10.1017 / CBO9780511530128 . ISBN 978-0521434614. OCLC 28149683 .
^ «Retroduction | website = Commens - Digital Companion to CS Peirce | publisher = Mats Bergman, Sami Paavola & João Queiroz | access-date = 2014-08-24 | Dictionary | Commens» .
^ Колберн, Тимоти; Шут, Гэри (5 июня 2007 г.). «Абстракция в информатике». Умы и машины . 17 (2): 169–184. DOI : 10.1007 / s11023-007-9061-7 . ISSN 0924-6495 . S2CID 5927969 .
^ Крамер, Джефф (1 апреля 2007 г.). «Является ли абстракция ключом к вычислениям?». Коммуникации ACM . 50 (4): 36–42. CiteSeerX 10.1.1.120.6776 . DOI : 10.1145 / 1232743.1232745 . ISSN 0001-0782 . S2CID 12481509 .
^ Майкл Гельфонд, Владимир Лифшиц (1998) " Языки действий ", Электронные статьи Linköping в области компьютерных и информационных наук , том 3, номер 16 .
^ Jang, Jyh-Shing R (1991). Нечеткое моделирование с использованием обобщенных нейронных сетей и алгоритма фильтра Калмана (PDF) . Материалы 9-й Национальной конференции по искусственному интеллекту, Анахайм, Калифорния, США, 14–19 июля. 2 . С. 762–767.
Перейти ↑ Jang, J.-SR (1993). «ANFIS: система нечеткого вывода на основе адаптивных сетей». IEEE Transactions по системам, человеку и кибернетике . 23 (3): 665–685. DOI : 10.1109 / 21.256541 . S2CID 14345934 .
↑ Abraham, A. (2005), «Адаптация системы нечеткого вывода с использованием нейронного обучения», в Nedjah, Nadia; De Macedo Mourelle, Luiza (ред.), Fuzzy Systems Engineering: теория и практика , исследование в размытости и Soft Computing, 181 , Германия . : Springer Verlag, стр 53-83, CiteSeerX 10.1.1.161.6135 , DOI : 10.1007 / 11339366_3 , ISBN 978-3-540-25322-8
^ Jang, вс, Mizutani (1997) - Neuro-Fuzzy и Soft Computing - Prentice Hall, С. 335-368, ISBN 0-13-261066-3
^ Тахмасеби, P. (2012). «Гибридный нейросети-нечеткая логико-генетический алгоритм для оценки успеваемости» . Компьютеры и науки о Земле . 42 : 18–27. Bibcode : 2012CG ..... 42 ... 18T . DOI : 10.1016 / j.cageo.2012.02.004 . PMC 4268588 . PMID 25540468 .
^ Тахмасеби, P. (2010). «Сравнение оптимизированной нейронной сети с нечеткой логикой для оценки содержания руды» . Австралийский журнал фундаментальных и прикладных наук . 4 : 764–772.
^ Рассел, SJ; Норвиг П. (2002). Искусственный интеллект: современный подход . Прентис Холл. ISBN 978-0-13-790395-5.
^ Тао, Цзяньхуа; Тиениу Тан (2005). «Аффективные вычисления: обзор». Аффективные вычисления и интеллектуальное взаимодействие . LNCS 3784. Springer. С. 981–995. DOI : 10.1007 / 11573548 .
^ El Kaliouby, Rana (ноябрь-декабрь 2017). «Нам нужны компьютеры с сочувствием» . Обзор технологий . 120 (6). п. 8. Архивировано из оригинала 7 июля 2018 года . Проверено 6 ноября 2018 .
↑ Сравнение агентских архитектур, архивная копия от 27 августа 2008 г., на Wayback Machine.
^ «Intel представляет Movidius Compute Stick USB AI Accelerator» . 21 июля 2017. Архивировано из оригинала 11 августа 2017 года . Проверено 28 ноября 2018 .
^ «Inspurs представляет GX4 AI Accelerator» . 21 июня 2017.
^ 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 ИИ».)
^ Соломонофф, Р., " Предварительный отчет по общей теории индуктивного вывода ", Отчет V-131, Zator Co., Кембридж, Массачусетс. (Редакция отчета от 4 февраля 1960 г. за ноябрь 1960 г.).
^ «Искусственный интеллект: AlphaGo от Google превосходит мастера го Ли Седола» . BBC News . 12 марта 2016 . Проверено 17 марта 2016 года .
^ "AlphaGo | DeepMind" . DeepMind .
^ «Исследовательский блог: AlphaGo: освоение древней игры го с машинным обучением» . Блог Google Research . 27 января 2016 г.
^ «Google достигает« прорыва »ИИ, победив чемпиона по го» . BBC News . 27 января 2016 г.
↑ См. Навоз (1995)
↑ См. Беснард и Хантер (2001)
^ см. Бенч-Капон (2002)
^
Определение ИИ как исследования интеллектуальных агентов :
- Пул, Mackworth & Goebel 1998 , стр. 1 , где представлена версия, которая используется в этой статье. Обратите внимание, что они используют термин «вычислительный интеллект» как синоним искусственного интеллекта.
- Russell & Norvig (2003) (которые предпочитают термин «рациональный агент») и пишут: «Представление о целостном агенте сейчас широко распространено в этой области» ( Russell & Norvig 2003 , p. 55) .
- Нильссон 1998
- Легг и Хаттер 2007 .
^ Russell & Норвиг 2009 , стр. 2.
^ "Корпоративные постановления AAAI" .
^ «Длинная история дополненной реальности» . HuffPost . 15 мая 2016.
^ Шуффель, Патрик (2017). Краткий сборник финансовых технологий . Фрибург: Школа менеджмента Фрибург / Швейцария. Архивировано из оригинального 24 -го октября 2017 года . Проверено 8 декабря 2018 .
^ Ghallab, Malik; Nau, Dana S .; Траверсо, Паоло (2004), Автоматизированное планирование: теория и практика , Морган Кауфманн , ISBN 978-1-55860-856-6
^ Kephart, JO; Шахматы, DM (2003), "Видение автономных вычислений", Компьютер , 36 : 41-52, CiteSeerX 10.1.1.70.613 , DOI : 10,1109 / MC.2003.1160055
^ Гериг, Стефан К .; Штейн, Фритьоф Дж. (1999). Счет и картография с использованием стереозрения для автоматизированного автомобиля . Международная конференция IEEE / RSJ по интеллектуальным роботам и системам. 3 . Кёнджу. С. 1507–1512. DOI : 10.1109 / IROS.1999.811692 . ISBN 0-7803-5184-3.
^ "Беспилотный автомобиль Uber убивает женщину в Аризоне, переходящую улицу" . Рейтер . 20 марта 2018.
^ Thrun, Себастьян (2010). «К роботизированным машинам». Коммуникации ACM . 53 (4): 99–106. DOI : 10.1145 / 1721654.1721679 . S2CID 207177792 .
^ "Информационная инженерия Главная / Домашняя страница" . Оксфордский университет . Проверено 3 октября 2018 года .
^ Goodfellow, Ян; Бенхио, Йошуа; Курвиль, Аарон (2016) Глубокое обучение . MIT Press. п. 196. ISBN 9780262035613
^ Нильсен, Майкл А. (2015). «Глава 6» . Нейронные сети и глубокое обучение .
^ «Глубокие сети: Обзор - Ufldl» . ufldl.stanford.edu . Проверено 4 августа 2017 года .
^ Мозер, MC (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. С. 137–169 . Проверено 21 августа 2017 года .
^ Робинсон, AJ & Fallside, F. (1987). Сеть динамического распространения ошибок, управляемая утилитой (Технический отчет). Кембриджский университет, инженерный факультет. CUED / F-INFENG / TR.1.
^ Werbos, Paul J. (1988). «Обобщение обратного распространения ошибки применительно к повторяющейся модели газового рынка» . Нейронные сети . 1 (4): 339–356. DOI : 10.1016 / 0893-6080 (88) 90007-х .
Перейти ↑ Feigenbaum, Edward (1988). Расцвет экспертной компании . Times Books. п. 317 . ISBN 978-0-8129-1731-4.
^ Сивич, Йозеф (апрель 2009 г.). «Эффективный визуальный поиск видео в формате текстового поиска» (PDF) . IEEE Transactions по анализу шаблонов и машинному анализу . 31 (4): 591–605. CiteSeerX 10.1.1.174.6841 . DOI : 10.1109 / TPAMI.2008.111 . PMID 19229077 . S2CID 9899337 .
^ МакТир и др., 2016, стр. 167.
^ «Понимание обратного прохода через уровень пакетной нормализации» . kratzert.github.io . Проверено 24 апреля 2018 года .
↑ Иоффе, Сергей; Сегеди, Кристиан (2015). «Пакетная нормализация: ускорение глубокого обучения сети за счет уменьшения внутреннего ковариального сдвига» . arXiv : 1502.03167 . Bibcode : 2015arXiv150203167I . Cite journal requires |journal= (help)
^ «Глоссарий глубокого обучения: пакетная нормализация» . medium.com . 27 июня 2017 . Проверено 24 апреля 2018 года .
^ «Пакетная нормализация в нейронных сетях» . todatascience.com . 20 октября 2017 . Проверено 24 апреля 2018 года .
^ Pham DT, Ghanbarzadeh A, Koc E, Otri S, Rahim S и Zaidi M. Алгоритм пчел. Техническая записка, Технологический центр, Кардиффский университет, Великобритания, 2005 г.
^ Фам, Д.Т., Кастеллани, М. (2009), Алгоритм пчел - моделирование собирательского поведения для решения задач непрерывной оптимизации . Proc. ImechE, Часть C, 223 (12), 2919-2938.
^ Pham, DT; Кастеллани, М. (2014). «Бенчмаркинг и сравнение естественных алгоритмов непрерывной оптимизации, основанных на популяциях». Мягкие вычисления . 18 (5): 871–903. DOI : 10.1007 / s00500-013-1104-9 . S2CID 35138140 .
^ Фам, Дык Чыонг; Кастеллани, Марко (2015). «Сравнительное исследование алгоритма пчел как инструмента для оптимизации функций» . Cogent Engineering . 2 . DOI : 10.1080 / 23311916.2015.1091540 .
^ Nasrinpour, HR; Massah Bavani, A .; Тешнехлаб, М. (2017). «Алгоритм сгруппированных пчел: сгруппированная версия алгоритма пчел» . Компьютеры . 6 (1): 5. doi : 10.3390 / computers6010005 .
^ Као, Longbing (2010). «Углубленное понимание и использование поведения: подход к поведенческой информатике». Информационная наука . 180 (17): 3067–3085. arXiv : 2007.15516 . DOI : 10.1016 / j.ins.2010.03.025 . S2CID 7400761 .
^ Colledanchise Michele, 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 Michele, и Огрен Петтер 2017. Деревья поведения в робототехнике и ИИ: Введение.
^ Breur, Том (июль 2016). «Статистический анализ власти и современный« кризис »в социальных науках» . Журнал маркетинговой аналитики . 4 (2–3): 61–65. DOI : 10,1057 / s41270-016-0001-3 . ISSN 2050-3318 .
^ Бахманн, Пауль (1894). Analytische Zahlentheorie [ Аналитическая теория чисел ] (на немецком языке). 2 . Лейпциг: Тойбнер.
^ Ландау, Эдмунд (1909). Handbuch der Lehre von der Verteilung der Primzahlen [ Справочник по теории распределения простых чисел ] (на немецком языке). Лейпциг: BG Teubner. п. 883.
^ Джон, Тейлор (2009). Гарнье, Роуэн (ред.). Дискретная математика: доказательства, структуры и приложения, третье издание . CRC Press. п. 620. ISBN 978-1-4398-1280-8.
^ Skiena, Стивен S (2009). Руководство по разработке алгоритмов . Springer Science & Business Media. п. 77. ISBN 978-1-84800-070-4.
^ Эрман, LD; Hayes-Roth, F .; Меньший, VR; Редди, Д.Р. (1980). «Система понимания речи Hearsay-II: интеграция знаний для устранения неопределенности». ACM Computing Surveys . 12 (2): 213. DOI : 10,1145 / 356810,356816 . S2CID 118556 .
^ Corkill, Daniel D. (сентябрь 1991). "Blackboard Systems" (PDF) . AI Expert . 6 (9): 40–47.
^ * Нии, Х. Йенни (1986). Blackboard Systems (PDF) (Технический отчет). Департамент компьютерных наук Стэнфордского университета. СТАН-CS-86-1123 . Проверено 12 апреля 2013 года .
Перейти ↑ Hayes-Roth, B. (1985). «Архитектура доски для управления». Искусственный интеллект . 26 (3): 251–321. DOI : 10.1016 / 0004-3702 (85) 90063-3 .
↑ Хинтон, Джеффри Э. (24 мая 2007 г.). «Машина Больцмана» . Scholarpedia . 2 (5): 1668. Bibcode : 2007SchpJ ... 2.1668H . DOI : 10,4249 / scholarpedia.1668 . ISSN 1941-6016 .
^ NZZ- Die Zangengeburt eines möglichen Stammvaters . Веб-сайт Neue Zürcher Zeitung . Посещено 16 августа 2013 г.
^ Официальный сайт Roboy архивации 2013-08-03 в Wayback Machine . Сайт Робой. Посещено 16 августа 2013 г.
^ Официальная домашняя страница Starmind . Сайт Starmind. Посещено 16 августа 2013 г.
^ Сабур, Сара; Фросст, Николай; Хинтон, Джеффри Э. (26 октября 2017 г.). «Динамическая маршрутизация между капсулами». arXiv : 1710.09829 [ cs.CV ].
^ "Что такое чат-бот?" . techtarget.com . Проверено 30 января 2017 года .
^ Civera, Хавьер; Чокарли, Матей; Айдемир, Альпер; Бекрис, Костас; Сарма, Санджай (2015). «Специальный выпуск гостевой редакции по облачной робототехнике и автоматизации». IEEE Transactions по автоматизации науки и техники . 12 (2): 396–397. DOI : 10,1109 / TASE.2015.2409511 . S2CID 16080778 .
^ "Робо-Земля - Технические новости" . Робо-Земля .
^ Голдберг, Кен. «Облачная робототехника и автоматизация» .
^ Ли, Р. "Cloud Robotics-Включить облачные вычисления для роботов" . Проверено 7 декабря 2014 .
^ Фишер, Дуглас (1987). «Приобретение знаний посредством инкрементальной концептуальной кластеризации» . Машинное обучение . 2 (2): 139–172. DOI : 10.1007 / BF00114265 .
^ Фишер, Дуглас Х. (июль 1987 г.). «Улучшение вывода посредством концептуальной кластеризации». Труды 1987 AAAI конференций . Конференция AAAI. Сиэтл, Вашингтон. С. 461–465.
^ Иба, Уильям; Лэнгли, Пэт (27 января 2011 г.). «Паутинные модели категоризации и формирования вероятностных понятий». В Pothos, Emmanuel M .; Уиллс, Энди Дж. (Ред.). Формальные подходы к категоризации . Кембридж: Издательство Кембриджского университета. С. 253–273. ISBN 9780521190480.
^ См. Веб-сайт ICT: http://cogarch.ict.usc.edu/
^ "Hewlett Packard Labs" .
^ Terdiman, Daniel (2014) Процессор TrueNorth от IBM имитирует человеческий мозг. http://www.cnet.com/news/ibms-truenorth-processor-mimics-the-human-brain/
^ Найт, Шон (2011). IBM представляет чипы когнитивных вычислений, имитирующие человеческий мозг. TechSpot: 18 августа 2011 г., 12:00.
^ Хэмилл, Джаспер (2013). Когнитивные вычисления: IBM представляет программное обеспечение для своих мозговидных чипов SyNAPSE The Register: 8 августа 2013 г.
Перейти ↑ Denning., PJ (2014). «Серфинг в будущее». Коммуникации ACM . 57 (3): 26–29. DOI : 10.1145 / 2566967 . S2CID 20681733 .
^ Людвиг, Ларс (2013). «Расширенная искусственная память. К целостной когнитивной теории памяти и технологий» (pdf) . Технический университет Кайзерслаутерна . Проверено 7 февраля +2017 . Cite journal requires |journal= (help)
^ «Исследования в HP Labs» .
^ «Автоматизация сложных рабочих процессов с помощью тактических когнитивных вычислений: Coseer» . thesiliconreview.com . Проверено 31 июля 2017 года .
^ Когнитивная наука - это междисциплинарная область исследователей из лингвистики, психологии, нейробиологии, философии, информатики и антропологии, которые стремятся понять разум. Как мы учимся: спросите ученого-когнитивиста
↑ Шрайвер, Александр (1 февраля 2006 г.). Курс комбинаторной оптимизации (PDF), страница 1.
^ ХАЙКИН, С. Нейронные сети - всеобъемлющий фундамент. Второе издание. Пирсон Прентис Холл: 1999.
^ "ПРОГРАММЫ С ОБЩИМ СМЫСЛОМ" . www-formal.stanford.edu . Проверено 11 апреля 2018 года .
^ Дэвис, Эрнест; Маркус, Гэри (2015). «Здравый смысл» . Коммуникации ACM . Vol. 58 нет. 9. С. 92–103. DOI : 10.1145 / 2701413 .
^ Hulstijn, J, и Nijholt, A. (ред.). Материалы международного семинара по вычислительному юмору. Номер 12 на семинарах Twente по языковым технологиям, Энсхеде, Нидерланды. Университет Твенте, 1996 г.
^ "ACL - Ассоциация вычислительного обучения" .
^ Траппенберг, Томас П. (2002). Основы вычислительной нейробиологии. США: Oxford University Press Inc., стр. 1. ISBN 978-0-19-851582-1 .
^ 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 оригинала на 4 июня 2011 года . Проверено 11 июня 2009 года .CS1 maint: archived copy as title (link)
^ «Теоретическая неврология» . MIT Press . Архивировано из оригинального 31 мая 2018 года . Проверено 24 мая 2018 .
^ Герстнер, В .; Kistler, W .; Naud, R .; Панински, Л. (2014). Нейрональная динамика . Кембридж, Великобритания: Издательство Кембриджского университета. ISBN 9781107447615.
^ Каменцкий, Л.А.; Лю, К.-Н. (1963). «Автоматизированный компьютерный дизайн логики распознавания мульти шрифтов» . Журнал исследований и разработок IBM . 7 (1): 2. DOI : 10,1147 / rd.71.0002 .
^ Brncick, M (2000). «Компьютерная автоматизация проектирования и компьютерная автоматизация производства». Phys Med Rehabil Clin N Am . 11 (3): 701–13. DOI : 10.1016 / s1047-9651 (18) 30806-4 . PMID 10989487 .
^ Li, Y .; и другие. (2004). «CAutoCSD - Эволюционный поиск и оптимизация компьютер с поддержкой автоматизированного проектирования системы управления абстрактным ». Международный журнал автоматизации и вычислений . 1 (1): 76–88. DOI : 10.1007 / s11633-004-0076-8 . S2CID 55417415 . Внешняя ссылка в |title=( помощь )
^ Kramer, GJE; Грирсон, Д.Е. (1989). «Компьютерное автоматизированное проектирование конструкций при динамических нагрузках». Компьютеры и конструкции . 32 (2): 313–325. DOI : 10.1016 / 0045-7949 (89) 90043-6 .
^ Мохаррами, H; Грирсон, Д.Е. (1993). «Автоматизированное компьютерное проектирование железобетонных конструкций». Журнал структурной инженерии . 119 (7): 2036–2058. DOI : 10,1061 / (ASCE) 0733-9445 (1993) 119: 7 (2036) .
^ Сюй, L; Грирсон, Д.Е. (1993). «Автоматизированное компьютерное проектирование полужестких стальных конструкций». Журнал структурной инженерии . 119 (6): 1740–1760. DOI : 10,1061 / (ASCE) 0733-9445 (1993) 119: 6 (1740) .
^ 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
^ Ли, Юнь (1996). «Генетический алгоритм автоматизированного подхода к проектированию систем управления скользящим режимом». Международный журнал контроля . 63 (4): 721–739. DOI : 10.1080 / 00207179608921865 .
^ Ли, Юнь; Чви Ким, Нг; Чен Кей, Тан (1995). «Автоматизация проектирования линейных и нелинейных систем управления с помощью эволюционных вычислений» (PDF) . Сборники материалов МФБ . 28 (16): 85–90. DOI : 10.1016 / S1474-6670 (17) 45158-5 .
^ Барсан, GM, (1995) Автоматизированное компьютерное проектирование полужестких стальных каркасов в соответствии с EUROCODE-3, Nordic Steel Construction Conference 95, JUN 19-21, 787-794
^ 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. DOI : 10.1016 / s0967-0661 (98) 00087-2 .
^ Zhan, ZH, et al. (2011). Эволюционные вычисления встречаются с машинным обучением: обзор, журнал IEEE Computational Intelligence Magazine, 6 (4), 68-75.
^ Грегори С. Хорнби (2003). Генеративные представления для компьютерно-автоматизированных систем проектирования, NASA Ames Research Center, Mail Stop 269-3, Moffett Field, CA 94035-1000
^ Дж. Клун и Х. Липсон (2011). Эволюция трехмерных объектов с генеративным кодированием, вдохновленная биологией развития. Труды Европейской конференции по искусственной жизни. 2011 г.
^ Zhan, ZH; и другие. (2009). «Адаптивная оптимизация роя частиц» (PDF) . IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics) . 39 (6): 1362–1381. DOI : 10.1109 / tsmcb.2009.2015956 . PMID 19362911 . S2CID 11191625 .
^ «Поиск WordNet - 3.1» . Wordnetweb.princeton.edu . Проверено 14 мая 2012 года .
^ Дана Х. Баллард; Кристофер М. Браун (1982). Компьютерное зрение. Прентис Холл. ISBN 0-13-165316-4 .
^ 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. DOI : 10,5170 / CERN-1996-008.21 . ISBN 978-9290830955 .
^ Милан Сонька; Вацлав Главац; Роджер Бойл (2008). Обработка изображений, анализ и машинное зрение. Томсон. ISBN 0-495-08252-X .
↑ Гарсон, Джеймс (27 ноября 2018 г.). Залта, Эдвард Н. (ред.). Стэнфордская энциклопедия философии . Лаборатория метафизических исследований, Стэнфордский университет - через Стэнфордскую энциклопедию философии.
^ "Иштар для Бельгии в Белград" . Европейский вещательный союз . Проверено 19 мая 2013 года .
^ ЛеКун, Янн. «LeNet-5, сверточные нейронные сети» . Проверено 16 ноября 2013 года .
^ Чжан, Вэй (1988). «Нейронная сеть распознавания образов с инвариантным сдвигом и ее оптическая архитектура». Материалы ежегодной конференции Японского общества прикладной физики.
^ 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 . DOI : 10,1364 / AO.29.004790 . PMID 20577468 .
^ Тянь, Юаньдун; Чжу, Ян (2015). «Лучший компьютерный игрок с нейронной сетью и долгосрочным прогнозированием». arXiv : 1511.06410v1 [ cs.LG ].
^ «Как исследователи искусственного интеллекта Facebook создали революционный движок Go» . Обзор технологий Массачусетского технологического института . 4 декабря 2015 . Проверено 3 февраля +2016 .
^ «Facebook AI Go Player становится умнее с нейронной сетью и долгосрочным прогнозом, чтобы овладеть самой сложной игрой в мире» . Tech Times . 28 января 2016 . Проверено 24 апреля 2016 года .
^ «Искусственно интеллектуальный игрок в го от Facebook становится умнее» . VentureBeat . 27 января 2016 . Проверено 24 апреля 2016 года .
^ Соломонофф, Р. Дж. Временная шкала искусственного интеллекта; Размышления о социальных эффектах, Управление человеческими системами, Том 5 1985, стр. 149-153
^ Мур, Дж., Конференция по искусственному интеллекту Дартмутского колледжа: следующие пятьдесят лет, AI Magazine, Vol 27, No., 4, Pp. 87-9, 2006 г.
^ 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
^ а б Хагигхат, Мохаммад; Абдель-Мотталеб, Мохамед; Алхалаби, Уэди (2016). «Дискриминантный корреляционный анализ: слияние уровней функций в реальном времени для мультимодального биометрического распознавания» . IEEE Transactions по информационной криминалистике и безопасности . 11 (9): 1984–1996. DOI : 10.1109 / TIFS.2016.2569061 . S2CID 15624506 .
^ Lenzerini, Maurizio (2002). «Интеграция данных: теоретическая перспектива» (PDF) . СТРУЧКИ 2002 . С. 233–246.
^ Лейн, Фредерик (2006). «IDC: World создала 161 миллиард гигабайт данных в 2006 году» .
^ Dhar, В. (2013). «Наука о данных и прогнозирование» . Коммуникации ACM . 56 (12): 64–73. DOI : 10.1145 / 2500499 . S2CID 6107147 .
^ Порей, Джефф (12 декабря 2013). «Ключевое слово в« Data Science »- это не данные, это наука» . Просто статистика.
^ Hayashi, Chikio (1 января 1998). «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. DOI : 10.1007 / 978-4-431-65950-1_3 . ISBN 9784431702085.
^ Дедич, Недим; Станье, Клэр (2016). Хаммуди, Слиман; Мациашек, Лешек; Миссикофф, Мишель М. Миссикофф; Кэмп, Оливье; Кордейро, Хосе (ред.). Оценка проблем многоязычия в 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. DOI : 10.5220 / 0005858401960206 . ISBN 978-989-758-187-8.
^ «9 причин провала проектов хранилищ данных» . blog.rjmetrics.com. 4 декабря 2014 . Проверено 30 апреля 2017 года .
^ Хуанг; Зеленый; Лоо, «Журнал данных и новые приложения», SIGMOD 2011 (PDF) , Калифорнийский университет в Дэвисе. .
^ Стил, Кэти и Стефанссон, Х. Орри, «Теория принятия решений», Стэнфордская энциклопедия философии (издание зима 2015 г.), Эдвард Н. Залта (ред.), URL = [1]
^ Ллойд, Дж. У., Практические преимущества декларативного программирования
^ a b 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 . DOI : 10.1109 / tpami.2013.50 . PMID 23787338 . S2CID 393948 .
^ Шмидхубер, J (2015). «Глубокое обучение в нейронных сетях: обзор». Нейронные сети . 61 : 85–117. arXiv : 1404,7828 . DOI : 10.1016 / j.neunet.2014.09.003 . PMID 25462637 . S2CID 11715509 .
^ Бенжио, Йошуа; ЛеКун, Янн; Хинтон, Джеффри (2015). «Глубокое обучение». Природа . 521 (7553): 436–444. Bibcode : 2015Natur.521..436L . DOI : 10,1038 / природа14539 . PMID 26017442 . S2CID 3074096 .
^ «О нас | DeepMind» . DeepMind .
^ "Возвращение в Париж | DeepMind" . DeepMind .
^ «Последний прорыв в области искусственного интеллекта, сделанный DeepMind до того, как это купила Google» . Блог по физике arXiv . 29 января 2014 . Проверено 12 октября 2014 года .
^ Грейвс, Алекс ; Уэйн, Грег; Данихелка, Иво (2014). «Нейронные машины Тьюринга». arXiv : 1410.5401 [ cs.NE ].
^ Лучшее за 2014 год: секретный стартап DeepMind от Google представляет «нейронную машину Тьюринга» , MIT Technology Review
^ Грейвс, Алекс ; 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 : 2016Natur.538..471G . DOI : 10,1038 / природа20101 . ISSN 1476-4687 . PMID 27732574 . S2CID 205251479 .
^ Kohs, Грег (29 сентября 2017), AlphaGo , Иоаннис Antonoglou, Лукас Бэйкер, Ник Бостром , извлекаться 9 января 2018
↑ Сильвер, Дэвид ; Хьюберт, 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 ].
^ Сикос, Лесли Ф. (2017). Описание логики в мультимедийных рассуждениях . Чам: Издательство Springer International. DOI : 10.1007 / 978-3-319-54066-5 . ISBN 978-3-319-54066-5. S2CID 3180114 .
^ Roweis, ST; Саул, LK (2000). «Снижение нелинейной размерности локально линейным вложением». Наука . 290 (5500): 2323–2326. Bibcode : 2000Sci ... 290.2323R . CiteSeerX 10.1.1.111.3313 . DOI : 10.1126 / science.290.5500.2323 . PMID 11125150 .
^ Pudil, P .; Нововичова, J. (1998). «Новые методы выбора подмножества признаков с учетом проблемных знаний». В Лю, Хуань; Мотода, Хироши (ред.). Извлечение, построение и выбор признаков . С. 101 . DOI : 10.1007 / 978-1-4615-5725-8_7 . ISBN 978-1-4613-7622-4.
^ Демазо, Ив и JP. Мюллер, ред. Децентрализованный AI. Vol. 2. Эльзевир, 1990.
^ 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.
^ a b Остроу, Адам (5 марта 2011 г.). «Вдохновляющая цифровая трансформация Роджера Эберта» . Mashable Entertainment . Проверено 12 сентября 2011 года . 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 ...
↑ Ли, Дженнифер (7 марта 2011 г.). «Роджер Эберт проверяет свои голосовые связки и комедийную постановку» . Нью-Йорк Таймс . Проверено 12 сентября 2011 года . 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 измерить человечность синтезированного голоса.
^ «Вдохновляющая цифровая трансформация Роджера Эберта» . Технические новости. 5 марта 2011 года Архивировано из оригинала 25 марта 2011 года . Проверено 12 сентября 2011 года . Между тем технология, позволяющая Эберту «говорить», продолжает улучшаться - например, добавляются более реалистичные перегибы для вопросительных и восклицательных знаков. В тесте, который Эберт назвал «тестом Эберта» для компьютерных голосов,
↑ Пастернак, Алекс (18 апреля 2011 г.). «MacBook, возможно, дал Роджеру Эберту его голос, но iPod спас ему жизнь (видео)» . Материнская плата. Архивировано из оригинального 6 -го сентября 2011 года . Проверено 12 сентября 2011 года . Он называет это «тестом Эберта» в честь стандарта ИИ Тьюринга ...
^ Jaeger, Герберт; Хаас, Харальд (2004). «Использование нелинейности: прогнозирование хаотических систем и экономия энергии в беспроводной связи» (PDF) . Наука . 304 (5667): 78–80. Bibcode : 2004Sci ... 304 ... 78J . DOI : 10.1126 / science.1091277 . PMID 15064413 . S2CID 2184251 .
Перейти ↑ Herbert Jaeger (2007) Echo State Network. Scholarpedia.
^ Серенко, Александр; Бонтис, Ник; Детлор, Брайан (2007). «Внедрение конечных пользователей анимированных интерфейсных агентов в повседневные рабочие приложения» (PDF) . Поведение и информационные технологии . 26 (2): 119–132. DOI : 10.1080 / 01449290500260538 . S2CID 2175427 .
^ Vikhar, PA (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. DOI : 10.1109 / ICGTSPICC.2016.7955308 . ISBN 978-1-5090-0467-6. S2CID 22100336 .
^ 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.
^ Бостром, Ник (2002). «Экзистенциальные риски». Журнал эволюции и технологий . 9 (1): 1–31.
^ «Шпаргалка по вашему искусственному интеллекту» . Шифер . 1 апреля 2016 . Дата обращения 16 мая 2016 .
^ Джексон, Питер (1998), Введение в экспертные системы (3-е изд.), Эддисон Уэсли, стр. 2, ISBN 978-0-201-87686-4
^ "Обычное программирование" . Журнал ПК . Проверено 15 сентября 2013 года .
^ Мартиньон, Лаура; Витауч, Оливер; Такэдзава, Масанори; Форстер, Малькольм. «Наивный и все же просвещенный: от естественных частот к быстрым и экономным деревьям решений» , опубликованный в журнале « Мышление: психологические перспективы рассуждений, суждений и принятия решений» (Дэвид Хардман и Лора Макки; редакторы), Чичестер: Джон Вили и сыновья, 2003.
^ a b Ходжсон, доктор JPE, "Логика первого порядка" , Университет Святого Иосифа , Филадельфия , 1995.
^ Hughes, GE , и Cresswell, MJ , Новое Введение в модальной логики ( London : Routledge , 1996), с.161 .
Перейти ↑ Feigenbaum, Edward (1988). Расцвет экспертной компании . Times Books. п. 318 . ISBN 978-0-8129-1731-4.
^ Хейс, Патрик. «Проблема фрейма и связанные с ней проблемы в искусственном интеллекте» (PDF) . Эдинбургский университет. Cite journal requires |journal= (help)
Перейти ↑ Sardar, Z (2010). «Тезка: фьючерсы; фьючерсные исследования; футурология; футуристический; предвидение - что в имени?». Фьючерсы . 42 (3): 177–184. DOI : 10.1016 / j.futures.2009.11.001 .
^ Pedrycz, Витольд (1993). Нечеткое управление и нечеткие системы (2-е изд.). Research Studies Press Ltd.
^ Гаек, Петр (1998). Метаматематика нечеткой логики (4-е изд.). Springer Science & Business Media.
^ D. Дюбуа и Х. Прад (1988) Нечеткие множества и системы. Academic Press, Нью-Йорк.
^ Лян, Лили Р .; Лу, Шиён; 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 Bioinformatics . 7 : S7. DOI : 10.1186 / 1471-2105-7-S4-S7 . PMC 1780132 . PMID 17217525 .
^ Майерсон, Роджер Б. (1991). Теория игр: анализ конфликта, издательство Гарвардского университета, стр. 1 . Ссылки для предварительного просмотра глав, стр. Vii – xi .
^ Пелл, Барни (1992). Х. ван ден Херик; Л. Эллис (ред.). «Метагейм: новый вызов для игр и обучения» [Эвристическое программирование в искусственном интеллекте 3 - третья компьютерная олимпиада ] (PDF) . Эллис-Хорвуд. Cite journal requires |journal= (help)
^ Пелл, Барни (1996). «Стратегический игрок в метагейм для общих шахматных игр». Вычислительный интеллект . 12 (1): 177–198. DOI : 10.1111 / j.1467-8640.1996.tb00258.x . ISSN 1467-8640 . S2CID 996006 .
^ Genesereth, Майкл; С любовью, Натаниэль; Пелл, Барни (15 июня 2005 г.). «Общие правила игры: Обзор соревнований AAAI». Журнал AI . 26 (2): 62. DOI : 10,1609 / aimag.v26i2.1813 . ISSN 2371-9621 .
Перейти ↑ Mitchell 1996 , p. 2.
^ Трюдо, Ричард Дж. (1993). Введение в теорию графов (исправленное, расширенное переиздание. Ред.). Нью-Йорк: Dover Pub. п. 19. ISBN 978-0-486-67870-2. Проверено 8 августа 2012 года . Граф представляет собой объект , состоящий из двух множеств называются его множество вершин и его множество ребер .
^ Yoon, Byoung-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. DOI : 10.5808 / GI.2017.15.1.19 . ISSN 1598-866X . PMC 5389944 . PMID 28416946 .
^ Бурбакис, Николаос Г. (1998). Искусственный интеллект и автоматизация . World Scientific. п. 381. ISBN. 9789810226374. Проверено 20 апреля 2018 года .
↑ Жемчужина, Иудея (1984). Эвристика: стратегии интеллектуального поиска для решения компьютерных задач . США: Аддисон-Уэсли Паб. Co., Inc., Рединг, Массачусетс. п. 3 . Bibcode : 1985hiss.book ..... P . ОСТИ 5127296 .
↑ EK Burke, E. Hart, G. Kendall , J. Newall, P. Ross и S. Schulenburg, Hyper-heuristics: New direction in modern search technology, Handbook of Metaheuristics (F. Glover and G. Kochenberger, eds. .), Kluwer, 2003, стр. 457–474.
^ П. Росс, Гиперэвристика, Методологии поиска:вводные учебные пособия по методамоптимизации и поддержки принятия решений (Э. К. Берк и Г. Кендалл , ред.), Springer, 2005, стр. 529-556.
^ Ozcan, E .; Билгин, Б .; Коркмаз, Э.Е. (2008). «Комплексный анализ гиперэвристики». Интеллектуальный анализ данных . 12 (1): 3–23. DOI : 10,3233 / ида-2008-12102 .
^ «IEEE CIS Scope» . Архивировано из оригинала на 4 июня 2016 года . Проверено 18 марта 2019 .
^ "Управление процессами обработки - производственные лаборатории Purdue ME" . engineering.purdue.edu .
^ Хой, Мэтью Б. (2018). «Алекса, Сири, Кортана и другие: введение в голосовых помощников». Медицинские справочные службы ежеквартально . 37 (1): 81–88. DOI : 10.1080 / 02763869.2018.1404391 . PMID 29327988 . S2CID 30809087 .
^ Oudeyer, Пьер-Ив; Каплан, Фредерик (2008). «Как мы можем определить внутреннюю мотивацию?». Proc. 8-й конф. по эпигенетической робототехнике . 5 . С. 29–31.
^ Шевалье, Арно (2016). «Стратегическое мышление в решении сложных задач». Оксфорд; Нью-Йорк: Издательство Оксфордского университета . DOI : 10.1093 / acprof: oso / 9780190463908.001.0001 . ISBN 9780190463908. OCLC 940455195 . S2CID 157255130 . Cite journal requires |journal= (help)
^ «Стратегия выживания: деревья проблем» . Лондон: Правительство Соединенного Королевства. Июль 2004. Архивировано из оригинала 17 февраля 2012 года . Проверено 6 октября 2018 года .Также доступен в формате PDF .
^ Паскин, Марк. «Краткий курс графических моделей» (PDF) . Стэнфорд .
^ Вудс, Вашингтон ; Шмольце, JG (1992). «Семья KL-ONE». Компьютеры и математика с приложениями . 23 (2-5): 133. DOI : 10,1016 / 0898-1221 (92) 90139-9 .
^ Брахман, RJ ; Шмольце, JG (1985). «Обзор системы представления знаний KL-ONE» (PDF) . Когнитивная наука . 9 (2): 171. DOI : 10,1207 / s15516709cog0902_1 .
^ Дуче, DA; Рингленд, Джорджия (1988). Подходы к представлению знаний, введение . Research Studies Press, Ltd. ISBN 978-0-86380-064-1.
^ Шанк, Роджер; Роберт Абельсон (1977). Сценарии, планы, цели и понимание: исследование структур человеческого знания . Лоуренс Эрлбаум Ассошиэйтс, Инк.
^ «Представление знаний в нейронных сетях - deepMinds» . deepMinds . 16 августа 2018 . Проверено 16 августа 2018 .
^ Рейли, Эдвин Д. (2003). Вехи в компьютерных науках и информационных технологиях . Издательская группа "Гринвуд". стр. 156 -157. ISBN 978-1-57356-521-9.
^ Хохрайтер, Зепп; Шмидхубер, Юрген (1997). «Долговременная кратковременная память». Нейронные вычисления . 9 (8): 1735–1780. DOI : 10.1162 / neco.1997.9.8.1735 . PMID 9377276 . S2CID 1915014 .
^ Siegelmann, Hava T .; Зонтаг, Эдуардо Д. (1992). О вычислительной мощности нейронных сетей . ACM . КОЛТ 92 года. С. 440–449. DOI : 10.1145 / 130385.130432 . ISBN 978-0897914970. S2CID 207165680 .
^ Gagniuc, 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.
^ "Цепь Маркова | Определение цепи Маркова в американском английском по Оксфордским словарям" . Оксфордские словари | Английский . Проверено 14 декабря 2017 года .
^ Определение на Brilliant.org "Brilliant Math and Science Wiki" . Дата обращения 12 мая 2019.
^ « Природа математического программирования, заархивированная 2014-03-05 на Wayback Machine », Глоссарий математического программирования , INFORMS Computing Society.
^ Ван, Wenwu (1 июля 2010). Машинное прослушивание: принципы, алгоритмы и системы . IGI Global. ISBN 9781615209194 - через igi-global.com.
^ "Машинное прослушивание: принципы, алгоритмы и системы" (PDF) .
↑ Малкольм Татум (3 октября 2012 г.). «Что такое машинное восприятие».
↑ Александр Серов (29 января 2013 г.). «Субъективная реальность и сильный искусственный интеллект» (PDF).
^ «Лаборатория машинного восприятия и когнитивной робототехники» . ccs.fau.edu . Проверено 18 июня +2016 .
^ «Что такое мехатроника?» . Информация для потенциальных студентов . Университет Ватерлоо. Архивировано из оригинала 6 октября 2011 года . Проверено 30 мая 2011 года .
^ «Мехатроника (Bc., Ing., PhD.)» . Проверено 15 апреля 2011 года .
^ Franke; Siezen, Teusink (2005). «Реконструкция метаболической сети бактерии из ее генома». Тенденции в микробиологии . 13 (11): 550–558. DOI : 10.1016 / j.tim.2005.09.001 . PMID 16169729 .
^ Balamurugan, R .; Натараджан, AM; Премалата, К. (2015). "Оптимизация звездной массы черных дыр для бикластеризации данных экспрессии генов микрочипов". Прикладной искусственный интеллект . 29 (4): 353–381. DOI : 10.1080 / 08839514.2015.1016391 . S2CID 44624424 .
^ Бьянки, Леонора; Дориго, Марко; Мария Гамбарделла, Лука; Gutjahr, Уолтер Дж. (2009). «Обзор метаэвристики для стохастической комбинаторной оптимизации» (PDF) . Естественные вычисления . 8 (2): 239–287. DOI : 10.1007 / s11047-008-9098-4 . S2CID 9141490 .
^ Герберт Б. Эндертон, 2001, математическое введение в логику, второе издание Enderton: 110, Harcourt Academic Press, Burlington MA, ISBN 978-0-12-238452-3 .
' ^ " Наивная семантика для поддержки автоматизированного проектирования баз данных ", IEEE Transactions on Knowledge and Data Engineering, Volume 14, issue 1 (январь 2002 г.), VC Storey, RC Goldstein и H. Ullrich
^ Использование раннего и позднего связывания в автоматизации , Microsoft, 11 мая 2007 г. , получено 11 мая 2009 г.
^ строго говоря, URIRef
^ http://www.w3.org/TR/PR-rdf-syntax/ "Модель описания ресурсов (RDF) и спецификация синтаксиса"
^ Миллер, Лэнс А. "Программирование на естественном языке: стили, стратегии и контрасты". IBM Systems Journal 20.2 (1981): 184–215.
^ "Deep Minds: Интервью с Алексом Грейвсом и Кораем Кавукчуоглу из Google" . Дата обращения 17 мая 2016 .
^ Грейвс, Алекс; Уэйн, Грег; Данихелка, Иво (2014). «Нейронные машины Тьюринга». arXiv: 1410.5401 [cs.NE].
^ Krucoff, Макс O .; Рахимпур, Шервин; Slutzky, Marc W .; Эджертон, 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. DOI : 10,3389 / fnins.2016.00584 . PMC 5186786 . PMID 28082858 .
^ Мид, Карвер (1990). «Нейроморфные электронные системы» (PDF) . Труды IEEE . 78 (10): 1629–1636. CiteSeerX 10.1.1.161.9762 . DOI : 10.1109 / 5.58356 .
^ Маан, AK; Джаядеви, Д.А.; Джеймс, AP (1 января 2016 г.). "Обзор запоминающих пороговых логических схем". Транзакции IEEE в нейронных сетях и обучающих системах . ПП (99): 1734–1746. arXiv : 1604.07121 . Bibcode : 2016arXiv160407121M . DOI : 10.1109 / TNNLS.2016.2547842 . ISSN 2162-237X . PMID 27164608 . S2CID 1798273 .
^ " Обзор архитектур Spintronic для обработки в памяти и нейронных сетей ", JSA, 2018
^ Чжоу, Вы; Раманатан, С. (1 августа 2015 г.). «Память Мотта и нейроморфные устройства» . Труды IEEE . 103 (8): 1289–1310. DOI : 10.1109 / JPROC.2015.2431914 . ISSN 0018-9219 . S2CID 11347598 .
^ Монро, Д. (2014). «Нейроморфные вычисления готовятся к (действительно) большому времени». Коммуникации ACM . 57 (6): 13–15. DOI : 10.1145 / 2601069 . S2CID 20051102 .
^ Чжао, WS; Agnus, G .; Дерике, В .; Filoramo, A .; Bourgoin, J. -P .; Гамрат, К. (2010). «Архитектура перекрестия на основе нанотрубок: к нейроморфным вычислениям» . Нанотехнологии . 21 (17): 175202. Bibcode : 2010Nanot..21q5202Z . DOI : 10.1088 / 0957-4484 / 21/17/175202 . PMID 20368686 .
^ The Human Brain Project SP 9: Платформа нейроморфных вычислений на YouTube
↑ Коупленд, Джек (май 2000 г.). «Что такое искусственный интеллект?» . AlanTuring.net . Проверено 7 ноября 2015 года .
^ Клейнберг, Джон; Тардос, Ива (2006). Дизайн алгоритмов (2-е изд.). Эддисон-Уэсли. п. 464 . ISBN 0-321-37291-3.
^ Кобэм, Алан (1965). «Внутренняя вычислительная сложность функций». Proc. Логика, методология и философия науки II . Северная Голландия.
^ "Что такое бритва Оккама?" . math.ucr.edu . Проверено 1 июня 2019 .
^ «OpenAI переходит от некоммерческой деятельности к« максимальной прибыли »для привлечения капитала». TechCrunch. Проверено 10 мая 2019.
^ «OpenCog: Общий искусственный интеллект с открытым исходным кодом для виртуальных миров | Новости CyberTech» . 6 марта 2009 года Архивировано из первоисточника 6 марта 2009 года . Проверено 1 октября +2016 .CS1 maint: bot: original URL status unknown (link)
^ Сен-Лоран, Эндрю М. (2008). Общие сведения о лицензировании открытого исходного кода и бесплатного программного обеспечения . O'Reilly Media. п. 4. ISBN 9780596553951.
^ Левин, Шин S .; Приетула, Майкл Дж. (30 декабря 2013 г.). «Открытое сотрудничество для инноваций: принципы и эффективность». Организационная наука . 25 (5): 1414–1433. arXiv : 1406,7541 . DOI : 10.1287 / orsc.2013.0872 . ISSN 1047-7039 . S2CID 6583883 .
↑ 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 эти виды деятельности можно рассматривать как две стороны одной и той же области, и вместе они претерпели существенное развитие за последние десять лет.
^ Hughes, GE , и Cresswell, MJ , Новое Введение в модальной логики ( London : Routledge , 1996), с.161 .
^ Найс, Чарльз (2007), Белая книга по прогнозной аналитике (PDF) , Американский институт страховщиков от несчастных случаев / Страховой институт Америки, стр. 1
^ Экерсон, Уэйн (10 мая 2007 г.), Расширение ценности ваших инвестиций в хранилище данных, Институт хранилищ данных
^ Карл Р. Поппер , Миф о структуре , Лондон (Routledge) 1994, гл. 8.
^ Карл Р. Поппер , Бедность историзма , Лондон (Рутледж) 1960, гл. iv, разд. 31.
^ «Вероятностное программирование делает в 50 строк кода то, что раньше занимало тысячи» . Phys.org . 13 апреля 2015 . Проверено 13 апреля 2015 года .
^ «Вероятностное программирование» . probabilistic-programming.org . Архивировано из оригинального 10 января 2016 года . Проверено 31 июля 2019 года .
^ Пфеффер, Авром (2014), Практическое вероятностное программирование , Manning Publications. стр.28. ISBN 978-1 6172-9233-0
^ Clocksin, Уильям Ф .; Меллиш, Кристофер С. (2003). Программирование на Прологе . Берлин; Нью-Йорк: Springer-Verlag. ISBN 978-3-540-00678-7.
^ Братко, Иван (2012). Программирование пролога для искусственного интеллекта (4-е изд.). Харлоу, Англия; Нью-Йорк: Эддисон Уэсли. ISBN 978-0-321-41746-6.
^ Ковингтон, Майкл А. (1994). Обработка естественного языка для программистов на Прологе . Энглвуд Клиффс, Нью-Джерси: Prentice Hall. ISBN 978-0-13-629213-5.
Перейти ↑ Lloyd, JW (1984). Основы логического программирования. Берлин: Springer-Verlag. ISBN 978-3-540-13299-8 .
^ Кульман, Дэйв. «Книга Python: начало Python, продвинутый Python и упражнения на Python». Раздел 1.1. Архивировано из оригинального (PDF) 23 июня 2012 года.
^ a b Рейтер, Раймонд (2001). Знания в действии: логические основы для определения и реализации динамических систем . Кембридж, Массачусетс: MIT Press. стр. 20 -22. ISBN 9780262527002.
^ Thielscher, Майкл (сентябрь 2001). «Квалификационная проблема: решение проблемы аномальных моделей». Искусственный интеллект . 131 (1–2): 1–37. DOI : 10.1016 / S0004-3702 (01) 00131-X .
^ Ворча, Эмили; Горовиц, Марк, ред. (2019). Квантовые вычисления: прогресс и перспективы (2018) . Вашингтон, округ Колумбия: Национальная академия прессы. п. I-5. DOI : 10.17226 / 25196 . ISBN 978-0-309-47969-1. OCLC 1081001288 .
^ R язык и окружающая среда Хорник, Курт (4 октября 2017 г.). «R FAQ» . Комплексная R архивной сети . 2.1 Что такое R? . Проверено 6 августа 2018 .Фонд Р. Хорник, Курт (4 октября 2017 г.). «R FAQ» . Комплексная R архивной сети . 2.13 Что такое R Foundation? . Проверено 6 августа 2018 .Команда R Core просит авторов, которые используют R в своем анализе данных, указать 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/ .
^ широко используется Fox, John & Andersen, Robert (январь 2005 г.). «Использование статистической вычислительной среды R для преподавания на курсах социальной статистики» (PDF) . Департамент социологии Университета Макмастера . Проверено 6 августа 2018 . Cite journal requires |journal= (help)Вэнс, Эшли (6 января 2009 г.). «Аналитики данных, увлеченные силой R» . Нью-Йорк Таймс . Проверено 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 ...
↑ Вэнс, Эшли (6 января 2009 г.). «Аналитики данных, увлеченные силой R» . Нью-Йорк Таймс . Проверено 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 ...
^ Broomhead, DS; Лоу, Дэвид (1988). Радиальные базисные функции, многомерная функциональная интерполяция и адаптивные сети (Технический отчет). RSRE . 4148.
^ Broomhead, DS; Лоу, Дэвид (1988). «Многопараметрическая функциональная интерполяция и адаптивные сети» (PDF) . Сложные системы . 2 : 321–355.
^ Швенкер, Фридхельм; Kestler, Hans A .; Пальма, Гюнтер (2001). «Три этапа обучения для сетей с радиальной базисной функцией». Нейронные сети . 14 (4–5): 439–458. DOI : 10.1016 / s0893-6080 (01) 00027-2 . PMID 11411631 .
↑ 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.
Перейти ↑ Ho, TK (1998). «Метод случайного подпространства для построения решающих лесов». IEEE Transactions по анализу шаблонов и машинному анализу . 20 (8): 832–844. DOI : 10.1109 / 34.709601 .
^ Хасти, Тревор; Тибширани, Роберт; Фридман, Джером (2008). Элементы статистического обучения (2-е изд.). Springer. ISBN 0-387-95284-5 .
^ Graves, A .; Liwicki, M .; Fernandez, S .; Bertolami, R .; Bunke, H .; Шмидхубер, Дж. (2009). «Новая система коннекционистов для улучшения неограниченного распознавания рукописного ввода» (PDF) . IEEE Transactions по анализу шаблонов и машинному анализу . 31 (5): 855–868. CiteSeerX 10.1.1.139.4502 . DOI : 10.1109 / tpami.2008.137 . PMID 19299860 . S2CID 14635907 .
^ Сак, Хасим; Старший, Андрей; Бофэ, Франсуаза (2014). «Рекуррентные архитектуры нейронных сетей с кратковременной памятью для крупномасштабного акустического моделирования» (PDF) . Архивировано из оригинального (PDF) 24 апреля 2018 года . Проверено 6 августа 2019 .
^ 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, Лесли П .; Литтман, Майкл Л .; Мур, Эндрю В. (1996). «Обучение с подкреплением: обзор» . Журнал исследований искусственного интеллекта . 4 : 237–285. arXiv : cs / 9605103 . DOI : 10.1613 / jair.301 . S2CID 1708582 . Архивировано из оригинального 20 ноября 2001 года.
^ Schrauwen, Бенджамин , Дэвид Верстратен , и Ян Ван Campenhout . «Обзор резервуарных вычислений: теория, приложения и реализации». Труды Европейского симпозиума по искусственным нейронным сетям ESANN 2007, стр. 471-482.
^ 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. DOI : 10.1162 / 089976602760407955 . PMID 12433288 . S2CID 1045112 .
^ Jaeger, Herbert , "Подход эхо-состояния к анализу и обучению рекуррентных нейронных сетей". Технический отчет 154 (2001), Немецкий национальный исследовательский центр информационных технологий.
^ Государственная сеть эхо , Scholarpedia
^ «Временная шкала стандартов XML и семантической сети W3C» (PDF) . 4 февраля 2012 г.
^ См, например, Boolos и Джеффри, 1974, глава 11.
^ Сова, Джон Ф. (1987). «Семантические сети» . В Шапиро, Стюарт С. (ред.). Энциклопедия искусственного интеллекта . Проверено 29 апреля 2008 .
^ О'Хирн, PW; Пим, ди-джей (июнь 1999 г.). «Логика сгруппированных следствий». Вестник символической логики . 5 (2): 215–244. CiteSeerX 10.1.1.27.4742 . DOI : 10.2307 / 421090 . JSTOR 421090 .
^ Абран и др. 2004 , стр. 1–1
^ «Вычислительные степени и карьера» . ACM. 2007. Архивировано из оригинального 17 июня 2011 года . Проверено 23 ноября 2010 года .
^ Laplante, Филипп (2007). Что должен знать каждый инженер о программной инженерии . Бока-Ратон: CRC. ISBN 978-0-8493-7228-5. Проверено 21 января 2011 года .
^ Rapoza, Джим (2 мая 2006). «SPARQL заставит Интернет засиять» . eWeek . Проверено 17 января 2007 года .
^ 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.
Перейти ↑ Maass, Wolfgang (1997). «Сети пиковых нейронов: третье поколение моделей нейронных сетей». Нейронные сети . 10 (9): 1659–1671. DOI : 10.1016 / S0893-6080 (97) 00011-7 . ISSN 0893-6080 .
^ «Что такое безгражданство? - Определение с сайта WhatIs.com» . techtarget.com .
^ Лиз Гетур и Бен Таскар : Введение в статистическое реляционное обучение , MIT Press, 2007
^ Райан А. Росси, Лука К. Макдауэлл, Дэвид У. Aha, и Дженнифер Невилл, « Преобразование Graph данных для статистического Relational обучения. » Журнал исследований искусственного интеллекта (Иаира) , Том 45 (2012), стр. 363-441 .
Перейти ↑ Spall, JC (2003). Введение в стохастический поиск и оптимизацию . Вайли. ISBN 978-0-471-33052-3.
^ Понимание языка с использованием двухуровневых стохастических моделей Ф. Пла и др., 2001 г., Springer Lecture Notes in Computer Science ISBN 978-3-540-42557-1
^ Стюарт Дж. Рассел, Питер Норвиг (2010) Искусственный интеллект: современный подход , третье издание , Prentice Hall ISBN 9780136042594 .
^ Меряр Мори , Afshin Rostamizadeh, Ameet Talwalkar (2012) Основы машинного обучения , The MIT Press ISBN 9780262018258 .
^ Кортес, Коринна; Вапник, Владимир Н (1995). «Поддержка-вектор сети» . Машинное обучение . 20 (3): 273–297. DOI : 10.1007 / BF00994018 .
^ Бени, 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. DOI : 10.1007 / 978-3-642-58069-7_38 . ISBN 978-3-642-63461-1.
^ Haugeland 1985 , стр. 255.
^ Poole, Макворт & Goebbel 1998 , стр. 1.
^ «Сборник источников, определяющих« сингулярность » » . singularitysymposium.com . Проверено 17 апреля 2019 года .
^ Иден, Амнон Х .; Мур, Джеймс Х. (2012). Гипотезы сингулярности: научная и философская оценка . Дордрехт: Спрингер. С. 1-2 . ISBN 9783642325601.
^ Cadwalladr, Кароль (2014). « Роботы вот-вот вырастут? Новый технический директор Google так думает… » The Guardian . Guardian News and Media Limited.
^ Саттон, Ричард и Эндрю Барто (1998). Обучение с подкреплением . MIT Press. ISBN 978-0-585-02445-5. Архивировано из оригинала на 30 марта 2017 года.
^ Pellionisz, A .; Ллинас, Р. (1980). «Тензорный подход к геометрии функции мозга: координация мозжечка с помощью метрического тензора» (PDF) . Неврология . 5 (7): 1125–1136. DOI : 10.1016 / 0306-4522 (80) 90191-8 . PMID 6967569 . S2CID 17303132 .
^ Pellionisz, A .; Ллинас, Р. (1985). "Тензорная сетевая теория метаорганизации функциональной геометрии в центральной нервной системе". Неврология . 16 (2): 245–273. DOI : 10.1016 / 0306-4522 (85) 90001-6 . PMID 4080158 . S2CID 10747593 .
^ «TensorFlow: машинное обучение с открытым исходным кодом» «Это программное обеспечение для машинного обучения, используемое для различных видов задач восприятия и понимания языка» - Джеффри Дин, минута 0:47 / 2:17 из ролика YouTube
^ Сипсер, Майкл (2013). Введение в теорию вычислений 3-е . Cengage Learning. ISBN 978-1-133-18779-0. центральные области теории вычислений: автоматы, вычислимость и сложность. (Страница 1)
^ Томпсон, Уильям Р. (1933). «О вероятности того, что одна неизвестная вероятность превосходит другую с учетом свидетельств двух образцов». Биометрика . 25 (3–4): 285–294. DOI : 10.1093 / Biomet / 25.3-4.285 .
^ Руссо, Дэниел 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 . DOI : 10.1561 / 2200000070 . S2CID 3929917 .
^ Мерсер, Кальвин. Религия и трансгуманизм: неизвестное будущее улучшения человека . Praeger.
^ Бостром, Ник (2005). «История трансгуманистической мысли» (PDF) . Журнал эволюции и технологий . Источник +21 февраля 2006 .
^ Тьюринга первоначально предложил телетайп , один из немногих текстовых только систем связидоступных в 1950 году ( Turing 1950 , стр. 433)
Перейти ↑ Pierce, 2002 , p. 1: «Система типов - это управляемый синтаксический метод для доказательства отсутствия определенного поведения программы путем классификации фраз в соответствии с типами вычисляемых ими значений».
Перейти ↑ Cardelli 2004 , p. 1: «Основная цель системы типов - предотвращать возникновение ошибок выполнения во время выполнения программы».
^ Хинтон, Джеффри; Сейновски, Терренс (1999). Неконтролируемое обучение: основы нейронных вычислений . MIT Press. ISBN 978-0262581684.
^ Коланер, Сет; Хамрик, Мэтью (3 января 2016 г.). «Третий тип процессора для AR / VR: Movidius 'Myriad 2 VPU» . Оборудование Тома .
^ Banerje, Prasid (28 марта 2016). «Рост VPU: взглянуть на машины» . Digit.in .
^ «Проект DeepQA: FAQ» . IBM . Проверено 11 февраля 2011 года .
^ Ферруччи, Дэвид; Левас, Энтони; Багчи, Сугато; Гондек, Давид; Мюллер, Эрик Т. (1 июня 2013 г.). "Ватсон: вне опасности!" . Искусственный интеллект . 199 : 93–105. DOI : 10.1016 / j.artint.2012.06.009 .
↑ Хейл, Майк (8 февраля 2011 г.). «Актеры и их роли за 300 долларов, HAL? HAL!» . Нью-Йорк Таймс . Проверено 11 февраля 2011 года .
^ «Проект DeepQA» . IBM Research . Проверено 18 февраля 2011 года .
^ io9.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
^ Исследователь ИИ Бен Герцель объясняет, почему он заинтересовался ОИИ, а не узким ИИ. Опубликовано 18 октября 2013 г. Дата обращения 16 февраля 2014 г. http://intelligence.org/2013/10/18/ben-goertzel/
^ TechCrunch обсуждает создание приложений AI для узкого AI. 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/

Заметки [ править ]

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

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

[2] «Retroduction | website = Commens - Digital Companion to CS 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. DOI : 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 . DOI : 10.1145 / 1232743.1232745 . ISSN 0001-0782 . S2CID 12481509 .

[5] Майкл Гельфонд, Владимир Лифшиц (1998) " Языки действий ", Электронные статьи Linköping в области компьютерных и информационных наук , том 3, номер 16 .

[6] Jang, Jyh-Shing R (1991). Нечеткое моделирование с использованием обобщенных нейронных сетей и алгоритма фильтра Калмана (PDF) . Материалы 9-й Национальной конференции по искусственному интеллекту, Анахайм, Калифорния, США, 14–19 июля. 2 . С. 762–767.

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

[8] Abraham, A. (2005), «Адаптация системы нечеткого вывода с использованием нейронного обучения», в Nedjah, Nadia; De Macedo Mourelle, Luiza (ред.), Fuzzy Systems Engineering: теория и практика , исследование в размытости и Soft Computing, 181 , Германия . : Springer Verlag, стр 53-83, CiteSeerX 10.1.1.161.6135 , DOI : 10.1007 / 11339366_3 , ISBN 978-3-540-25322-8

[9] Jang, вс, Mizutani (1997) - Neuro-Fuzzy и Soft Computing - Prentice Hall, С. 335-368, ISBN 0-13-261066-3

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

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

[12] Рассел, SJ; 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». Аффективные вычисления и интеллектуальное взаимодействие . LNCS 3784. Springer. С. 981–995. DOI : 10.1007 / 11573548 .

[14] El Kaliouby, Rana (ноябрь-декабрь 2017). «Нам нужны компьютеры с сочувствием» . Обзор технологий . 120 (6). п. 8. Архивировано из оригинала 7 июля 2018 года . Проверено 6 ноября 2018 .

[15] Сравнение агентских архитектур, архивная копия от 27 августа 2008 г., на Wayback Machine.

[16] «Intel представляет Movidius Compute Stick USB AI Accelerator» . 21 июля 2017. Архивировано из оригинала 11 августа 2017 года . Проверено 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 ИИ».)

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

[20] «Искусственный интеллект: AlphaGo от Google превосходит мастера го Ли Седола» . BBC News . 12 марта 2016 . Проверено 17 марта 2016 года .

[21] "AlphaGo | DeepMind" . DeepMind .

[googlego-22] «Исследовательский блог: AlphaGo: освоение древней игры го с машинным обучением» . Блог Google Research . 27 января 2016 г.

[bbcgo-23] «Google достигает« прорыва »ИИ, победив чемпиона по го» . BBC News . 27 января 2016 г.

[24] См. Навоз (1995)

[25] См. Беснард и Хантер (2001)

[26] см. Бенч-Капон (2002)

[Definition_of_AI-27] Определение ИИ как исследования интеллектуальных агентов :
Пул, Mackworth & Goebel 1998 , стр. 1 , где представлена версия, которая используется в этой статье. Обратите внимание, что они используют термин «вычислительный интеллект» как синоним искусственного интеллекта.
Russell & Norvig (2003) (которые предпочитают термин «рациональный агент») и пишут: «Представление о целостном агенте сейчас широко распространено в этой области» ( Russell & Norvig 2003 , p. 55) .
Нильссон 1998
Легг и Хаттер 2007 .

[28] Пул, Mackworth & Goebel 1998 , стр. 1 , где представлена версия, которая используется в этой статье. Обратите внимание, что они используют термин «вычислительный интеллект» как синоним искусственного интеллекта.

[29] Russell & Norvig (2003) (которые предпочитают термин «рациональный агент») и пишут: «Представление о целостном агенте сейчас широко распространено в этой области» ( Russell & Norvig 2003 , p. 55) .

[30] Нильссон 1998

[31] Легг и Хаттер 2007 .

[FOOTNOTERussellNorvig20092-28] Russell & Норвиг 2009 , стр. 2.

[29] "Корпоративные постановления AAAI" .

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

[31] Шуффель, Патрик (2017). Краткий сборник финансовых технологий . Фрибург: Школа менеджмента Фрибург / Швейцария. Архивировано из оригинального 24 -го октября 2017 года . Проверено 8 декабря 2018 .

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

[Kephart-33] Kephart, JO; Шахматы, DM (2003), "Видение автономных вычислений", Компьютер , 36 : 41-52, CiteSeerX 10.1.1.70.613 , DOI : 10,1109 / MC.2003.1160055

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

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

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

[37] "Информационная инженерия Главная / Домашняя страница" . Оксфордский университет . Проверено 3 октября 2018 года .

[38] Goodfellow, 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 . Проверено 4 августа 2017 года .

[41] Мозер, MC (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. С. 137–169 . Проверено 21 августа 2017 года .

[42] Робинсон, AJ & Fallside, F. (1987). Сеть динамического распространения ошибок, управляемая утилитой (Технический отчет). Кембриджский университет, инженерный факультет. CUED / F-INFENG / TR.1.

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

[44] Перейти ↑ Feigenbaum, Edward (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 в формате текстового поиска» (PDF) . IEEE Transactions по анализу шаблонов и машинному анализу . 31 (4): 591–605. CiteSeerX 10.1.1.174.6841 . DOI : 10.1109 / TPAMI.2008.111 . PMID 19229077 . S2CID 9899337 .

[46] МакТир и др., 2016, стр. 167.

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

[48] Иоффе, Сергей; Сегеди, Кристиан (2015). «Пакетная нормализация: ускорение глубокого обучения сети за счет уменьшения внутреннего ковариального сдвига» . arXiv : 1502.03167 . Bibcode : 2015arXiv150203167I . Cite journal requires |journal= (help)

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

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

[Pham_&_al,_2005-51] Pham DT, Ghanbarzadeh A, Koc E, Otri S, Rahim S и Zaidi M. 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, DT; Кастеллани, М. (2014). «Бенчмаркинг и сравнение естественных алгоритмов непрерывной оптимизации, основанных на популяциях». Мягкие вычисления . 18 (5): 871–903. DOI : 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 . DOI : 10.1080 / 23311916.2015.1091540 .

[Nasrinpour_&_Massah_&_Teshnehlab_2017-55] Nasrinpour, HR; Massah Bavani, A .; Тешнехлаб, М. (2017). «Алгоритм сгруппированных пчел: сгруппированная версия алгоритма пчел» . Компьютеры . 6 (1): 5. doi : 10.3390 / computers6010005 .

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

[Colledanchise_TRO16-57] Colledanchise Michele, 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] Colledanchise Michele, и Огрен Петтер 2017. Деревья поведения в робототехнике и ИИ: Введение.

[59] Breur, Том (июль 2016). «Статистический анализ власти и современный« кризис »в социальных науках» . Журнал маркетинговой аналитики . 4 (2–3): 61–65. DOI : 10,1057 / s41270-016-0001-3 . ISSN 2050-3318 .

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

[Landau-61] Ландау, Эдмунд (1909). Handbuch der Lehre von der Verteilung der Primzahlen [ Справочник по теории распределения простых чисел ] (на немецком языке). Лейпциг: BG Teubner. 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] Skiena, Стивен S (2009). Руководство по разработке алгоритмов . Springer Science & Business Media. п. 77. ISBN 978-1-84800-070-4.

[64] Эрман, LD; Hayes-Roth, F .; Меньший, VR; Редди, Д.Р. (1980). «Система понимания речи Hearsay-II: интеграция знаний для устранения неопределенности». ACM Computing Surveys . 12 (2): 213. DOI : 10,1145 / 356810,356816 . S2CID 118556 .

[65] Corkill, Daniel D. (сентябрь 1991). "Blackboard Systems" (PDF) . AI Expert . 6 (9): 40–47.

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

[67] Перейти ↑ Hayes-Roth, B. (1985). «Архитектура доски для управления». Искусственный интеллект . 26 (3): 251–321. DOI : 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 . DOI : 10,4249 / scholarpedia.1668 . ISSN 1941-6016 .

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

[70] Официальный сайт Roboy архивации 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 . Проверено 30 января 2017 года .

[RASrobot-74] Civera, Хавьер; Чокарли, Матей; Айдемир, Альпер; Бекрис, Костас; Сарма, Санджай (2015). «Специальный выпуск гостевой редакции по облачной робототехнике и автоматизации». IEEE Transactions по автоматизации науки и техники . 12 (2): 396–397. DOI : 10,1109 / TASE.2015.2409511 . S2CID 16080778 .

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

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

[sites.google.com-77] Ли, Р. "Cloud Robotics-Включить облачные вычисления для роботов" . Проверено 7 декабря 2014 .

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

[79] Фишер, Дуглас Х. (июль 1987 г.). «Улучшение вывода посредством концептуальной кластеризации». Труды 1987 AAAI конференций . Конференция AAAI. Сиэтл, Вашингтон. С. 461–465.

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

[81] См. Веб-сайт ICT: http://cogarch.ict.usc.edu/

[82] "Hewlett Packard Labs" .

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

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

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

[Denning-86] Перейти ↑ Denning., PJ (2014). «Серфинг в будущее». Коммуникации ACM . 57 (3): 26–29. DOI : 10.1145 / 2566967 . S2CID 20681733 .

[87] Людвиг, Ларс (2013). «Расширенная искусственная память. К целостной когнитивной теории памяти и технологий» (pdf) . Технический университет Кайзерслаутерна . Проверено 7 февраля +2017 . Cite journal requires |journal= (help)

[88] «Исследования в HP Labs» .

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

[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 . Проверено 11 апреля 2018 года .

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

[95] Hulstijn, J, и 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 оригинала на 4 июня 2011 года . Проверено 11 июня 2009 года .CS1 maint: archived copy as title (link)

[99] «Теоретическая неврология» . MIT Press . Архивировано из оригинального 31 мая 2018 года . Проверено 24 мая 2018 .

[100] Герстнер, В .; Kistler, W .; Naud, R .; Панински, Л. (2014). Нейрональная 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. DOI : 10,1147 / rd.71.0002 .

[102] Brncick, M (2000). «Компьютерная автоматизация проектирования и компьютерная автоматизация производства». Phys Med Rehabil Clin N Am . 11 (3): 701–13. DOI : 10.1016 / s1047-9651 (18) 30806-4 . PMID 10989487 .

[103] Li, Y .; и другие. (2004). «CAutoCSD - Эволюционный поиск и оптимизация компьютер с поддержкой автоматизированного проектирования системы управления абстрактным ». Международный журнал автоматизации и вычислений . 1 (1): 76–88. DOI : 10.1007 / s11633-004-0076-8 . S2CID 55417415 . Внешняя ссылка в |title=( помощь )

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

[105] Мохаррами, H; Грирсон, Д.Е. (1993). «Автоматизированное компьютерное проектирование железобетонных конструкций». Журнал структурной инженерии . 119 (7): 2036–2058. DOI : 10,1061 / (ASCE) 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. DOI : 10,1061 / (ASCE) 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. DOI : 10.1080 / 00207179608921865 .

[109] Ли, Юнь; Чви Ким, Нг; Чен Кей, Тан (1995). «Автоматизация проектирования линейных и нелинейных систем управления с помощью эволюционных вычислений» (PDF) . Сборники материалов МФБ . 28 (16): 85–90. DOI : 10.1016 / S1474-6670 (17) 45158-5 .

[110] Барсан, GM, (1995) Автоматизированное компьютерное 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. DOI : 10.1016 / s0967-0661 (98) 00087-2 .

[112] Zhan, ZH, et al. (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). Эволюция трехмерных объектов с генеративным кодированием, вдохновленная биологией развития. Труды Европейской конференции по искусственной жизни. 2011 г.

[115] Zhan, ZH; и другие. (2009). «Адаптивная оптимизация роя частиц» (PDF) . IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics) . 39 (6): 1362–1381. DOI : 10.1109 / tsmcb.2009.2015956 . PMID 19362911 . S2CID 11191625 .

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

[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. DOI : 10,5170 / CERN-1996-008.21 . ISBN 978-9290830955 .

[119] Милан 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 для Бельгии в Белград" . Европейский вещательный союз . Проверено 19 мая 2013 года .

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

[123] Чжан, Вэй (1988). «Нейронная сеть распознавания образов с инвариантным сдвигом 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 . DOI : 10,1364 / AO.29.004790 . PMID 20577468 .

[facebook-paper2-125] Тянь, 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 Массачусетского технологического института . 4 декабря 2015 . Проверено 3 февраля +2016 .

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

[:2-128] «Искусственно интеллектуальный игрок в го от Facebook становится умнее» . VentureBeat . 27 января 2016 . Проверено 24 апреля 2016 года .

[129] Соломонофф, 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: слияние уровней функций в реальном времени для мультимодального биометрического распознавания» . IEEE Transactions по информационной криминалистике и безопасности . 11 (9): 1984–1996. DOI : 10.1109 / TIFS.2016.2569061 . S2CID 15624506 .

[refone-133] Lenzerini, Maurizio (2002). «Интеграция данных: теоретическая перспектива» (PDF) . СТРУЧКИ 2002 . С. 233–246.

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

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

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

[Hayashi-137] Hayashi, Chikio (1 января 1998). «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. DOI : 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 в 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. DOI : 10.5220 / 0005858401960206 . ISBN 978-989-758-187-8.

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

[140] Хуанг; Зеленый; Лоо, «Журнал данных 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

[pami-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 . DOI : 10.1109 / tpami.2013.50 . PMID 23787338 . S2CID 393948 .

[144] Шмидхубер, J (2015). «Глубокое обучение в нейронных сетях: обзор». Нейронные сети . 61 : 85–117. arXiv : 1404,7828 . DOI : 10.1016 / j.neunet.2014.09.003 . PMID 25462637 . S2CID 11715509 .

[145] Бенжио, Йошуа; ЛеКун, Янн; Хинтон, Джеффри (2015). «Глубокое обучение». Природа . 521 (7553): 436–444. Bibcode : 2015Natur.521..436L . DOI : 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» . Блог по физике arXiv . 29 января 2014 . Проверено 12 октября 2014 года .

[arxiv-149] Грейвс, Алекс ; 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» , MIT Technology Review

[DNCnature2016-151] Грейвс, Алекс ; 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 : 2016Natur.538..471G . DOI : 10,1038 / природа20101 . ISSN 1476-4687 . PMID 27732574 . S2CID 205251479 .

[152] Kohs, Грег (29 сентября 2017), AlphaGo , Иоаннис Antonoglou, Лукас Бэйкер, Ник Бостром , извлекаться 9 января 2018

[153] Сильвер, Дэвид ; Хьюберт, 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. DOI : 10.1007 / 978-3-319-54066-5 . ISBN 978-3-319-54066-5. S2CID 3180114 .

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

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

[157] Демазо, Ив и JP. 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] Остроу, Адам (5 марта 2011 г.). «Вдохновляющая цифровая трансформация Роджера Эберта» . Mashable Entertainment . Проверено 12 сентября 2011 года . 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 комедийную постановку» . Нью-Йорк Таймс . Проверено 12 сентября 2011 года . 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 измерить человечность синтезированного голоса.

[twsL41-161] «Вдохновляющая цифровая трансформация Роджера Эберта» . Технические новости. 5 марта 2011 года Архивировано из оригинала 25 марта 2011 года . Проверено 12 сентября 2011 года . Между тем технология, позволяющая 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 оригинального 6 -го сентября 2011 года . Проверено 12 сентября 2011 года . Он называет это «тестом Эберта» в честь стандарта ИИ Тьюринга ...

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

[164] Перейти ↑ Herbert Jaeger (2007) Echo State Network. Scholarpedia.

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

[EVOALG-166] Vikhar, PA (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. DOI : 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 . Дата обращения 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 . Проверено 15 сентября 2013 года .

[naive-172] Мартиньон, Лаура; Витауч, Оливер; Такэдзава, Масанори; Форстер, Малькольм. «Наивный и все же просвещенный: от естественных частот к быстрым и экономным деревьям решений» , опубликованный в журнале « Мышление: психологические перспективы рассуждений, суждений и принятия решений» (Дэвид Хардман и Лора Макки; редакторы), Чичестер: Джон Вили и сыновья, 2003.

[auto-173] Ходжсон, доктор JPE, "Логика первого порядка" , Университет Святого Иосифа , Филадельфия , 1995.

[174] Hughes, GE , и Cresswell, MJ , Новое Введение в модальной логики ( London : Routledge , 1996), с.161 .

[175] Перейти ↑ Feigenbaum, Edward (1988). Расцвет экспертной компании . Times Books. п. 318 . ISBN 978-0-8129-1731-4.

[176] Хейс, Патрик. «Проблема фрейма и связанные с ней проблемы в искусственном интеллекте» (PDF) . Эдинбургский университет. Cite journal requires |journal= (help)

[Sardar,_Z._2010_pp._177-177] Перейти ↑ Sardar, Z (2010). «Тезка: фьючерсы; фьючерсные исследования; футурология; футуристический; предвидение - что в имени?». Фьючерсы . 42 (3): 177–184. DOI : 10.1016 / j.futures.2009.11.001 .

[Pedrycz-178] Pedrycz, Витольд (1993). Нечеткое управление и нечеткие системы (2-е изд.). Research Studies Press Ltd.

[Hájek-179] Гаек, Петр (1998). Метаматематика нечеткой логики (4-е изд.). Springer Science & Business Media.

[:0-180] D. Дюбуа и Х. Прад (1988) Нечеткие множества и системы. Academic Press, Нью-Йорк.

[181] Лян, Лили Р .; Лу, Шиён; 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 Bioinformatics . 7 : S7. DOI : 10.1186 / 1471-2105-7-S4-S7 . PMC 1780132 . PMID 17217525 .

[Myerson-182] Майерсон, Роджер Б. (1991). Теория игр: анализ конфликта, издательство Гарвардского университета, стр. 1 . Ссылки для предварительного просмотра глав, стр. Vii – xi .

[183] Пелл, Барни (1992). Х. ван ден Херик; Л. Эллис (ред.). «Метагейм: новый вызов для игр и обучения» [Эвристическое программирование в искусственном интеллекте 3 - третья компьютерная олимпиада ] (PDF) . Эллис-Хорвуд. Cite journal requires |journal= (help)

[pellfirst-184] Пелл, Барни (1996). «Стратегический игрок в метагейм для общих шахматных игр». Вычислительный интеллект . 12 (1): 177–198. DOI : 10.1111 / j.1467-8640.1996.tb00258.x . ISSN 1467-8640 . S2CID 996006 .

[ggppell-185] Genesereth, Майкл; С любовью, Натаниэль; Пелл, Барни (15 июня 2005 г.). «Общие правила игры: Обзор соревнований AAAI». Журнал AI . 26 (2): 62. DOI : 10,1609 / aimag.v26i2.1813 . ISSN 2371-9621 .

[FOOTNOTEMitchell19962-186] Перейти ↑ Mitchell 1996 , p. 2.

[187] Трюдо, Ричард Дж. (1993). Введение в теорию графов (исправленное, расширенное переиздание. Ред.). Нью-Йорк: Dover Pub. п. 19. ISBN 978-0-486-67870-2. Проверено 8 августа 2012 года . Граф представляет собой объект , состоящий из двух множеств называются его множество вершин и его множество ребер .

[188] Yoon, Byoung-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. DOI : 10.5808 / GI.2017.15.1.19 . ISSN 1598-866X . PMC 5389944 . PMID 28416946 .

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

[190] Жемчужина, Иудея (1984). Эвристика: стратегии интеллектуального поиска для решения компьютерных задач . США: Аддисон-Уэсли Паб. Co., Inc., Рединг, Массачусетс. п. 3 . Bibcode : 1985hiss.book ..... P . ОСТИ 5127296 .

[191] EK Burke, E. Hart, G. Kendall , J. Newall, P. Ross и S. Schulenburg, Hyper-heuristics: New direction in modern search technology, Handbook of Metaheuristics (F. Glover and G. Kochenberger, eds. .), Kluwer, 2003, стр. 457–474.

[Ross05-192] П. Росс, Гиперэвристика, Методологии поиска:вводные учебные пособия по методамоптимизации и поддержки принятия решений (Э. К. Берк и Г. Кендалл , ред.), Springer, 2005, стр. 529-556.

[Ozcan08-193] Ozcan, E .; Билгин, Б .; Коркмаз, Э.Е. (2008). «Комплексный анализ гиперэвристики». Интеллектуальный анализ данных . 12 (1): 3–23. DOI : 10,3233 / ида-2008-12102 .

[IEEE_CIS_Scope-194] «IEEE CIS Scope» . Архивировано из оригинала на 4 июня 2016 года . Проверено 18 марта 2019 .

[195] "Управление процессами обработки - производственные лаборатории Purdue ME" . engineering.purdue.edu .

[196] Хой, Мэтью Б. (2018). «Алекса, Сири, Кортана и другие: введение в голосовых помощников». Медицинские справочные службы ежеквартально . 37 (1): 81–88. DOI : 10.1080 / 02763869.2018.1404391 . PMID 29327988 . S2CID 30809087 .

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

[198] Шевалье, Арно (2016). «Стратегическое мышление в решении сложных задач». Оксфорд; Нью-Йорк: Издательство Оксфордского университета . DOI : 10.1093 / acprof: oso / 9780190463908.001.0001 . ISBN 9780190463908. OCLC 940455195 . S2CID 157255130 . Cite journal requires |journal= (help)

[199] «Стратегия выживания: деревья проблем» . Лондон: Правительство Соединенного Королевства. Июль 2004. Архивировано из оригинала 17 февраля 2012 года . Проверено 6 октября 2018 года .Также доступен в формате PDF .

[:1-200] Паскин, Марк. «Краткий курс графических моделей» (PDF) . Стэнфорд .

[201] Вудс, Вашингтон ; Шмольце, JG (1992). «Семья KL-ONE». Компьютеры и математика с приложениями . 23 (2-5): 133. DOI : 10,1016 / 0898-1221 (92) 90139-9 .

[202] Брахман, RJ ; Шмольце, JG (1985). «Обзор системы представления знаний KL-ONE» (PDF) . Когнитивная наука . 9 (2): 171. DOI : 10,1207 / s15516709cog0902_1 .

[203] Дуче, DA; Рингленд, Джорджия (1988). Подходы к представлению знаний, введение . Research Studies Press, Ltd. ISBN 978-0-86380-064-1.

[204] Шанк, Роджер; Роберт Абельсон (1977). Сценарии, планы, цели и понимание: исследование структур человеческого знания . Лоуренс Эрлбаум Ассошиэйтс, Инк.

[205] «Представление знаний в нейронных сетях - deepMinds» . deepMinds . 16 августа 2018 . Проверено 16 августа 2018 .

[206] Рейли, Эдвин Д. (2003). Вехи в компьютерных науках и информационных технологиях . Издательская группа "Гринвуд". стр. 156 -157. ISBN 978-1-57356-521-9.

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

[Siegelmann92-208] Siegelmann, Hava T .; Зонтаг, Эдуардо Д. (1992). О вычислительной мощности нейронных сетей . ACM . КОЛТ 92 года. С. 440–449. DOI : 10.1145 / 130385.130432 . ISBN 978-0897914970. S2CID 207165680 .

[209] Gagniuc, 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.

[210] "Цепь Маркова | Определение цепи Маркова в американском английском по Оксфордским словарям" . Оксфордские словари | Английский . Проверено 14 декабря 2017 года .

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

[212] « Природа математического программирования, заархивированная 2014-03-05 на Wayback Machine », Глоссарий математического программирования , INFORMS Computing Society.

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

[214] "Машинное прослушивание: принципы, алгоритмы и системы" (PDF) .

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

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

[217] «Лаборатория машинного восприятия и когнитивной робототехники» . ccs.fau.edu . Проверено 18 июня +2016 .

[218] «Что такое мехатроника?» . Информация для потенциальных студентов . Университет Ватерлоо. Архивировано из оригинала 6 октября 2011 года . Проверено 30 мая 2011 года .

[CZU-219] «Мехатроника (Bc., Ing., PhD.)» . Проверено 15 апреля 2011 года .

[Franke_2005-220] Franke; Siezen, Teusink (2005). «Реконструкция метаболической сети бактерии из ее генома». Тенденции в микробиологии . 13 (11): 550–558. DOI : 10.1016 / j.tim.2005.09.001 . PMID 16169729 .

[221] Balamurugan, R .; Натараджан, AM; Премалата, К. (2015). "Оптимизация звездной массы черных дыр для бикластеризации данных экспрессии генов микрочипов". Прикладной искусственный интеллект . 29 (4): 353–381. DOI : 10.1080 / 08839514.2015.1016391 . S2CID 44624424 .

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

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

[224] ' ^ " Наивная семантика для поддержки автоматизированного проектирования баз данных ", IEEE Transactions on Knowledge and Data Engineering, Volume 14, issue 1 (январь 2002 г.), VC Storey, RC Goldstein и H. Ullrich

[tkac08-225] Использование раннего и позднего связывания в автоматизации , Microsoft, 11 мая 2007 г. , получено 11 мая 2009 г.

[226] строго говоря, URIRef

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

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

[MyUser_Https:_May_17_2016c-229] "Deep Minds: Интервью с Алексом Грейвсом и Кораем Кавукчуоглу из Google" . Дата обращения 17 мая 2016 .

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

[Krucoff_584-231] Krucoff, Макс O .; Рахимпур, Шервин; Slutzky, Marc W .; Эджертон, 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. DOI : 10,3389 / fnins.2016.00584 . PMC 5186786 . PMID 28082858 .

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

[Maan_1–13-233] Маан, AK; Джаядеви, Д.А.; Джеймс, AP (1 января 2016 г.). "Обзор запоминающих пороговых логических схем". Транзакции IEEE в нейронных сетях и обучающих системах . ПП (99): 1734–1746. arXiv : 1604.07121 . Bibcode : 2016arXiv160407121M . DOI : 10.1109 / TNNLS.2016.2547842 . ISSN 2162-237X . PMID 27164608 . S2CID 1798273 .

[234] " Обзор архитектур Spintronic для обработки в памяти и нейронных сетей ", JSA, 2018

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

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

[237] Чжао, WS; Agnus, G .; Дерике, В .; Filoramo, A .; Bourgoin, J. -P .; Гамрат, К. (2010). «Архитектура перекрестия на основе нанотрубок: к нейроморфным вычислениям» . Нанотехнологии . 21 (17): 175202. Bibcode : 2010Nanot..21q5202Z . DOI : 10.1088 / 0957-4484 / 21/17/175202 . PMID 20368686 .

[humanbrainproject-238] The Human Brain Project SP 9: Платформа нейроморфных вычислений на YouTube

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

[kleinberg2006-240] Клейнберг, Джон; Тардос, Ива (2006). Дизайн алгоритмов (2-е изд.). Эддисон-Уэсли. п. 464 . ISBN 0-321-37291-3.

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

[243] "Что такое бритва Оккама?" . math.ucr.edu . Проверено 1 июня 2019 .

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

[245] «OpenCog: Общий искусственный интеллект с открытым исходным кодом для виртуальных миров | Новости CyberTech» . 6 марта 2009 года Архивировано из первоисточника 6 марта 2009 года . Проверено 1 октября +2016 .CS1 maint: bot: original URL status unknown (link)

[246] 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-247] Левин, Шин S .; Приетула, Майкл Дж. (30 декабря 2013 г.). «Открытое сотрудничество для инноваций: принципы и эффективность». Организационная наука . 25 (5): 1414–1433. arXiv : 1406,7541 . DOI : 10.1287 / orsc.2013.0872 . ISSN 1047-7039 . S2CID 6583883 .

[248] 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 эти виды деятельности можно рассматривать как две стороны одной и той же области, и вместе они претерпели существенное развитие за последние десять лет.

[249] Hughes, GE , и Cresswell, MJ , Новое Введение в модальной логики ( London : Routledge , 1996), с.161 .

[Nyce-250] Найс, Чарльз (2007), Белая книга по прогнозной аналитике (PDF) , Американский институт страховщиков от несчастных случаев / Страховой институт Америки, стр. 1

[Eckerson-251] Экерсон, Уэйн (10 мая 2007 г.), Расширение ценности ваших инвестиций в хранилище данных, Институт хранилищ данных

[252] Карл Р. Поппер , Миф о структуре , Лондон (Routledge) 1994, гл. 8.

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

[physorg-254] «Вероятностное программирование делает в 50 строк кода то, что раньше занимало тысячи» . Phys.org . 13 апреля 2015 . Проверено 13 апреля 2015 года .

[255] «Вероятностное программирование» . probabilistic-programming.org . Архивировано из оригинального 10 января 2016 года . Проверено 31 июля 2019 года .

[Pfeffer2014-256] Пфеффер, Авром (2014), Практическое вероятностное программирование , Manning Publications. стр.28. ISBN 978-1 6172-9233-0

[Clocksin2003-257] Clocksin, Уильям Ф .; Меллиш, Кристофер С. (2003). Программирование на Прологе . Берлин; Нью-Йорк: Springer-Verlag. ISBN 978-3-540-00678-7.

[Bratko2012-258] Братко, Иван (2012). Программирование пролога для искусственного интеллекта (4-е изд.). Харлоу, Англия; Нью-Йорк: Эддисон Уэсли. ISBN 978-0-321-41746-6.

[Covington1994-259] Ковингтон, Майкл А. (1994). Обработка естественного языка для программистов на Прологе . Энглвуд Клиффс, Нью-Джерси: Prentice Hall. ISBN 978-0-13-629213-5.

[260] Перейти ↑ Lloyd, JW (1984). Основы логического программирования. Берлин: Springer-Verlag. ISBN 978-3-540-13299-8 .

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

[reiter-262] Рейтер, Раймонд (2001). Знания в действии: логические основы для определения и реализации динамических систем . Кембридж, Массачусетс: MIT Press. стр. 20 -22. ISBN 9780262527002.

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

[2018Report-264] Ворча, Эмили; Горовиц, Марк, ред. (2019). Квантовые вычисления: прогресс и перспективы (2018) . Вашингтон, округ Колумбия: Национальная академия прессы. п. I-5. DOI : 10.17226 / 25196 . ISBN 978-0-309-47969-1. OCLC 1081001288 .

[265] R язык и окружающая среда Хорник, Курт (4 октября 2017 г.). «R FAQ» . Комплексная R архивной сети . 2.1 Что такое R? . Проверено 6 августа 2018 .Фонд Р. Хорник, Курт (4 октября 2017 г.). «R FAQ» . Комплексная R архивной сети . 2.13 Что такое R Foundation? . Проверено 6 августа 2018 .Команда R Core просит авторов, которые используют R в своем анализе данных, указать 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/ .

[266] широко используется Fox, John & Andersen, Robert (январь 2005 г.). «Использование статистической вычислительной среды R для преподавания на курсах социальной статистики» (PDF) . Департамент социологии Университета Макмастера . Проверено 6 августа 2018 . Cite journal requires |journal= (help)Вэнс, Эшли (6 января 2009 г.). «Аналитики данных, увлеченные силой R» . Нью-Йорк Таймс . Проверено 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 ...

[267] Вэнс, Эшли (6 января 2009 г.). «Аналитики данных, увлеченные силой R» . Нью-Йорк Таймс . Проверено 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] Broomhead, DS; Лоу, Дэвид (1988). Радиальные базисные функции, многомерная функциональная интерполяция и адаптивные сети (Технический отчет). RSRE . 4148.

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

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

[271] 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.

[272] Перейти ↑ Ho, TK (1998). «Метод случайного подпространства для построения решающих лесов». IEEE Transactions по анализу шаблонов и машинному анализу . 20 (8): 832–844. DOI : 10.1109 / 34.709601 .

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

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

[sak2014-275] Сак, Хасим; Старший, Андрей; Бофэ, Франсуаза (2014). «Рекуррентные архитектуры нейронных сетей с кратковременной памятью для крупномасштабного акустического моделирования» (PDF) . Архивировано из оригинального (PDF) 24 апреля 2018 года . Проверено 6 августа 2019 .

[liwu2015-276] 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-277] Kaelbling, Лесли П .; Литтман, Майкл Л .; Мур, Эндрю В. (1996). «Обучение с подкреплением: обзор» . Журнал исследований искусственного интеллекта . 4 : 237–285. arXiv : cs / 9605103 . DOI : 10.1613 / jair.301 . S2CID 1708582 . Архивировано из оригинального 20 ноября 2001 года.

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

[279] 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. DOI : 10.1162 / 089976602760407955 . PMID 12433288 . S2CID 1045112 .

[280] Jaeger, Herbert , "Подход эхо-состояния к анализу и обучению рекуррентных нейронных сетей". Технический отчет 154 (2001), Немецкий национальный исследовательский центр информационных технологий.

[281] Государственная сеть эхо , Scholarpedia

[282] «Временная шкала стандартов XML и семантической сети W3C» (PDF) . 4 февраля 2012 г.

[283] См, например, Boolos и Джеффри, 1974, глава 11.

[Sowa-284] Сова, Джон Ф. (1987). «Семантические сети» . В Шапиро, Стюарт С. (ред.). Энциклопедия искусственного интеллекта . Проверено 29 апреля 2008 .

[bi-285] О'Хирн, PW; Пим, ди-джей (июнь 1999 г.). «Логика сгруппированных следствий». Вестник символической логики . 5 (2): 215–244. CiteSeerX 10.1.1.27.4742 . DOI : 10.2307 / 421090 . JSTOR 421090 .

[BoDu04-286] Абран и др. 2004 , стр. 1–1

[287] «Вычислительные степени и карьера» . ACM. 2007. Архивировано из оригинального 17 июня 2011 года . Проверено 23 ноября 2010 года .

[288] Laplante, Филипп (2007). Что должен знать каждый инженер о программной инженерии . Бока-Ратон: CRC. ISBN 978-0-8493-7228-5. Проверено 21 января 2011 года .

[289] Rapoza, Джим (2 мая 2006). «SPARQL заставит Интернет засиять» . eWeek . Проверено 17 января 2007 года .

[290] 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_1996-291] Перейти ↑ Maass, Wolfgang (1997). «Сети пиковых нейронов: третье поколение моделей нейронных сетей». Нейронные сети . 10 (9): 1659–1671. DOI : 10.1016 / S0893-6080 (97) 00011-7 . ISSN 0893-6080 .

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

[Getoor2007-293] Лиз Гетур и Бен Таскар : Введение в статистическое реляционное обучение , MIT Press, 2007

[294] Райан А. Росси, Лука К. Макдауэлл, Дэвид У. Aha, и Дженнифер Невилл, « Преобразование Graph данных для статистического Relational обучения. » Журнал исследований искусственного интеллекта (Иаира) , Том 45 (2012), стр. 363-441 .

[spall2003-295] Перейти ↑ Spall, JC (2003). Введение в стохастический поиск и оптимизацию . Вайли. ISBN 978-0-471-33052-3.

[296] Понимание языка с использованием двухуровневых стохастических моделей Ф. Пла и др., 2001 г., Springer Lecture Notes in Computer Science ISBN 978-3-540-42557-1

[297] Стюарт Дж. Рассел, Питер Норвиг (2010) Искусственный интеллект: современный подход , третье издание , Prentice Hall ISBN 9780136042594 .

[298] Меряр Мори , Afshin Rostamizadeh, Ameet Talwalkar (2012) Основы машинного обучения , The MIT Press ISBN 9780262018258 .

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

[300] Бени, 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. DOI : 10.1007 / 978-3-642-58069-7_38 . ISBN 978-3-642-63461-1.

[FOOTNOTEHaugeland1985255-301] Haugeland 1985 , стр. 255.

[FOOTNOTEPooleMackworthGoebbel19981-302] Poole, Макворт & Goebbel 1998 , стр. 1.

[303] «Сборник источников, определяющих« сингулярность » » . singularitysymposium.com . Проверено 17 апреля 2019 года .

[Singularity_hypotheses-304] Иден, Амнон Х .; Мур, Джеймс Х. (2012). Гипотезы сингулярности: научная и философская оценка . Дордрехт: Спрингер. С. 1-2 . ISBN 9783642325601.

[305] Cadwalladr, Кароль (2014). « Роботы вот-вот вырастут? Новый технический директор Google так думает… » The Guardian . Guardian News and Media Limited.

[RSutton-1998-306] Саттон, Ричард и Эндрю Барто (1998). Обучение с подкреплением . MIT Press. ISBN 978-0-585-02445-5. Архивировано из оригинала на 30 марта 2017 года.

[Neuroscience1980-Pellionisz-307] Pellionisz, A .; Ллинас, Р. (1980). «Тензорный подход к геометрии функции мозга: координация мозжечка с помощью метрического тензора» (PDF) . Неврология . 5 (7): 1125–1136. DOI : 10.1016 / 0306-4522 (80) 90191-8 . PMID 6967569 . S2CID 17303132 .

[Neuroscience1985-Pellionisz-308] Pellionisz, A .; Ллинас, Р. (1985). "Тензорная сетевая теория метаорганизации функциональной геометрии в центральной нервной системе". Неврология . 16 (2): 245–273. DOI : 10.1016 / 0306-4522 (85) 90001-6 . PMID 4080158 . S2CID 10747593 .

[YoutubeClip-309] «TensorFlow: машинное обучение с открытым исходным кодом» «Это программное обеспечение для машинного обучения, используемое для различных видов задач восприятия и понимания языка» - Джеффри Дин, минута 0:47 / 2:17 из ролика YouTube

[Sipser-3rd-310] Сипсер, Майкл (2013). Введение в теорию вычислений 3-е . Cengage Learning. ISBN 978-1-133-18779-0. центральные области теории вычислений: автоматы, вычислимость и сложность. (Страница 1)

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

[312] Руссо, Дэниел 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 . DOI : 10.1561 / 2200000070 . S2CID 3929917 .

[Mercer-313] Мерсер, Кальвин. Религия и трансгуманизм: неизвестное будущее улучшения человека . Praeger.

[Bostrom_2005-314] Бостром, Ник (2005). «История трансгуманистической мысли» (PDF) . Журнал эволюции и технологий . Источник +21 февраля 2006 .

[315] Тьюринга первоначально предложил телетайп , один из немногих текстовых только систем связидоступных в 1950 году ( Turing 1950 , стр. 433)

[FOOTNOTEPierce20021-316] Перейти ↑ Pierce, 2002 , p. 1: «Система типов - это управляемый синтаксический метод для доказательства отсутствия определенного поведения программы путем классификации фраз в соответствии с типами вычисляемых ими значений».

[FOOTNOTECardelli20041-317] Перейти ↑ Cardelli 2004 , p. 1: «Основная цель системы типов - предотвращать возникновение ошибок выполнения во время выполнения программы».

[Hinton99a-318] Хинтон, Джеффри; Сейновски, Терренс (1999). Неконтролируемое обучение: основы нейронных вычислений . MIT Press. ISBN 978-0262581684.

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

[320] Banerje, Prasid (28 марта 2016). «Рост VPU: взглянуть на машины» . Digit.in .

[ibm-321] «Проект DeepQA: FAQ» . IBM . Проверено 11 февраля 2011 года .

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

[NYT_20110208-323] Хейл, Майк (8 февраля 2011 г.). «Актеры и их роли за 300 долларов, HAL? HAL!» . Нью-Йорк Таймс . Проверено 11 февраля 2011 года .

[324] «Проект DeepQA» . IBM Research . Проверено 18 февраля 2011 года .

[325] 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

[326] Исследователь ИИ Бен Герцель объясняет, почему он заинтересовался ОИИ, а не узким ИИ. Опубликовано 18 октября 2013 г. Дата обращения 16 февраля 2014 г. http://intelligence.org/2013/10/18/ben-goertzel/

[327] TechCrunch обсуждает создание приложений AI для узкого AI. 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/

[241] полиномиальное время относится к тому, насколько быстро растет количество операций, необходимых для алгоритма, по отношению к размеру проблемы. Следовательно, это показатель эффективности алгоритма.

vтеИнформатика
Примечание. Этот шаблон примерно соответствует Системе классификации вычислений ACM 2012 года .
Аппаратное обеспечение	Печатная плата Периферийный Интегральная схема Очень крупномасштабная интеграция Системы на кристалле (SoC) Энергопотребление (Зеленые вычисления) Автоматизация электронного проектирования Аппаратное ускорение
Организация компьютерных систем	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 ПО промежуточного слоя Виртуальная машина Операционная система Качество программного обеспечения
Обозначения и инструменты программного обеспечения	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	Управляющая 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 Теоретическая информатика
Информационные системы	Система управления базами 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
Взаимодействие человека с компьютером	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 Манипуляции с изображениями Блок обработки графики Смешанная реальность Виртуальная реальность Сжатие изображения Твердотельное моделирование
Прикладные вычисления	Электронная коммерция Корпоративное программное обеспечение Вычислительная математика Вычислительная физика Вычислительная химия Вычислительная биология Вычислительная социальная наука 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

vтеЭволюционные 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 эволюции 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)

vтеРобототехника
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 Подводный 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