Глоссарий искусственного интеллекта

Этот глоссарий искусственного интеллекта представляет собой список определений терминов и понятий, имеющих отношение к изучению искусственного интеллекта , его субдисциплин и смежных областей. Связанные глоссарии включают Глоссарий по информатике , Глоссарий по робототехнике и Глоссарий по машинному зрению .

А [ править ]

абдуктивное логическое программирование (ALP): Высокоуровневая структура представления знаний, которую можно использовать для декларативного решения проблем на основе абдуктивных рассуждений . Он расширяет обычное логическое программирование , позволяя определять некоторые предикаты не полностью и объявлять их сокращаемыми.
абдуктивное рассуждение: 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 рассуждения , приводит к правдоподобному выводу, но не подтверждает его положительно . ^[1] абдуктивный вывод, ^[1] или ретродукция ^[2]
абстрактный тип данных: Математическая модель типов данных , где тип данных определяется его поведением ( семантикой ) с точки зрения пользователя данных , в частности с точки зрения возможных значений, возможных операций с данными этого типа и поведения эти операции.
абстракция: Процесс удаления физических, пространственных или временных деталей. ^[3] или атрибутов при изучении объектов или систем , чтобы более внимательно изучить другие интересующие детали. ^[4]
ускорение изменений: Воспринимаемое увеличение темпов технологических изменений на протяжении всей истории, которое может указывать на более быстрые и глубокие изменения в будущем и может сопровождаться, а может и не сопровождаться столь же глубокими социальными и культурными изменениями.
язык действий: Язык для определения систем перехода состояний , обычно используемый 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 изменением знаний программного агента о последствиях и предварительных условиях действий, которые могут выполняться в его среде. Эти знания обычно представляются на языке описания действий на основе логики и используются в качестве входных данных для автоматизированных планировщиков.
выбор действия: Способ описания самой основной проблемы интеллектуальных систем: что делать дальше. В искусственном интеллекте и вычислительной когнитивной науке «проблема выбора действия» обычно связана с интеллектуальными агентами и аниматами — искусственными системами, которые демонстрируют сложное поведение в среде агентов.
функция активации: В искусственных нейронных сетях функция активации узла определяет выходные данные этого узла с учетом входных данных или набора входных данных.
адаптивный алгоритм: Алгоритм, который меняет свое поведение во время запуска на основе заранее определенного механизма или критерия вознаграждения.
адаптивная система нейронечеткого вывода (ANFIS): Разновидность искусственной нейронной сети , основанной на системе нечеткого вывода Такаги-Сугено . Методика была разработана в начале 1990-х годов. ^[6]^[7]Поскольку он объединяет как нейронные сети, так и принципы нечеткой логики , он потенциально может объединить преимущества обоих в единой структуре . Его система вывода соответствует набору нечетких правил ЕСЛИ-ТО , которые обладают способностью к обучению аппроксимировать нелинейные функции. ^[8] Следовательно, ANFIS считается универсальным оценщиком. ^[9] Для более эффективного и оптимального использования ANFIS можно использовать лучшие параметры, полученные с помощью генетического алгоритма. ^[10]^[11]
допустимая эвристика: В информатике , особенно в алгоритмах , связанных с поиском пути , эвристическая функция считается допустимой, если она никогда не переоценивает стоимость достижения цели, т. е. оцениваемая ею стоимость достижения цели не превышает минимально возможной стоимости от текущей точка на пути. ^[12]
аффективные вычисления: Изучение и разработка систем и устройств, которые могут распознавать, интерпретировать, обрабатывать и моделировать человеческие воздействия . Аффективные вычисления — это междисциплинарная область, охватывающая информатику , психологию и когнитивную науку . ^[13]^[14]
архитектура агента: Схема . программных агентов и интеллектуальных систем управления, показывающая расположение компонентов Архитектуры, реализуемые интеллектуальными агентами, называются когнитивными архитектурами . ^[15]
ИИ-ускоритель: Класс микропроцессора ^[16] или компьютерная система ^[17] разработан как аппаратное ускорение для искусственного интеллекта приложений , особенно искусственных нейронных сетей , машинного зрения и машинного обучения .
AI-полный: В области искусственного интеллекта наиболее сложные задачи неофициально известны как «ИИ-полный» или «ИИ-сложный», подразумевая, что сложность этих вычислительных задач эквивалентна сложности решения центральной проблемы искусственного интеллекта — сделать компьютеры такими же умными, как люди. или сильный ИИ . ^[18] Назвать проблему ИИ-полной отражает отношение к ней, согласно которому она не может быть решена с помощью простого конкретного алгоритма.
алгоритм: Однозначная спецификация способа решения класса задач. Алгоритмы могут выполнять вычисления, обработку данных и задачи автоматического рассуждения.
алгоритмическая эффективность: Свойство алгоритма , которое связано с количеством вычислительных ресурсов , используемых алгоритмом. Алгоритм необходимо проанализировать , чтобы определить использование им ресурсов, а эффективность алгоритма можно измерить на основе использования различных ресурсов. Алгоритмическую эффективность можно рассматривать как аналог производительности разработки 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. Его изобрел Рэй Соломонов в 1960-х годах. ^[19]
АльфаГо: Компьютерная программа , играющая в настольную игру Го . ^[20]Он был разработан компанией Alphabet Inc., , принадлежащей 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 го , которая обыграла профессионального игрока в го без каких-либо ограничений 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 выполняет (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 устойчивой модели (множества ответов) логического программирования . В ASP задачи поиска сводятся к вычислению устойчивых моделей, а решатели множества ответов — программы для генерации устойчивых моделей. для выполнения поиска используются
алгоритм в любое время: Алгоритм , который может вернуть правильное решение проблемы, даже если она была прервана до завершения.
интерфейс прикладного программирования (API): Набор определений подпрограмм, протоколов связи и инструментов для создания программного обеспечения. В общих чертах, 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 совпадение строк: Техника поиска строк соответствуют шаблону , которые приблизительно (а не точно) . Проблема приблизительного сопоставления строк обычно делится на две подзадачи: поиск приблизительных совпадений подстроки внутри заданной строки и поиск словарных строк, которые приблизительно соответствуют шаблону.
ошибка аппроксимации: Расхождение между точным значением и некоторым приближением к нему.
структура аргументации: Способ разобраться со спорной информацией и сделать из нее выводы. В рамках абстрактной аргументации ^[24]Информация начального уровня — это набор абстрактных аргументов, которые, например, представляют данные или предложение. Конфликты между аргументами представлены бинарным отношением к множеству аргументов. Говоря конкретнее, вы представляете структуру аргументации с ориентированным графом , в котором узлы являются аргументами, а стрелки представляют отношение атаки. Существуют некоторые расширения структуры Дунга, такие как структуры логической аргументации. ^[25] или системы аргументации, основанные на ценностях. ^[26]
общий искусственный интеллект (AGI)
искусственная иммунная система (АИС): Класс вычислительно интеллектуальных систем машинного обучения, основанных на правилах, вдохновленных принципами и процессами иммунной системы позвоночных . Алгоритмы обычно моделируются по характеристикам обучения и памяти иммунной системы для использования при решении проблем .
искусственный интеллект (ИИ): Любой интеллект, демонстрируемый машинами , в отличие от естественного интеллекта, демонстрируемого людьми и другими животными. В информатике исследования ИИ определяются как исследование « интеллектуальных агентов »: любого устройства, которое воспринимает окружающую среду и предпринимает действия, которые максимизируют его шансы на успешное достижение своих целей. ^[27] В просторечии термин «искусственный интеллект» применяется, когда машина имитирует «когнитивные» функции, которые люди связывают с разумом других людей , такие как «обучение» и «решение проблем». ^[28]
Язык разметки искусственного интеллекта: Диалект XML для создания на естественном языке . программных агентов
искусственная нейронная сеть (ИНС): Искусственные нейронные сети (ИНС), также сокращенно нейронные сети (НС) или нейронные сети , представляют собой ветвь моделей машинного обучения , которые построены с использованием принципов нейронной организации, открытых с помощью коннекционизма в биологических нейронных сетях животных , составляющих мозг . ^[29]^[30]
Ассоциация по развитию искусственного интеллекта (AAAI): Международное некоммерческое научное общество, занимающееся продвижением исследований и ответственным использованием искусственного интеллекта . AAAI также стремится улучшить общественное понимание искусственного интеллекта (ИИ), улучшить преподавание и подготовку специалистов-практиков в области ИИ, а также предоставить рекомендации для планировщиков исследований и спонсоров относительно важности и потенциала текущих разработок ИИ и будущих направлений. ^[31]
асимптотическая вычислительная сложность: В теории вычислительной сложности асимптотическая вычислительная сложность — это использование асимптотического анализа для оценки вычислительной сложности алгоритмов и вычислительных задач обычно связанное с использованием большой нотации O. ,
механизм внимания: машинном обучении, , основанное на Внимание — это механизм, имитирующий когнитивное внимание . Он вычисляет «мягкие» веса для каждого слова, точнее для его встраивания, в контекстное окно . Он может делать это либо параллельно (например, в трансформаторах ), либо последовательно (например, в рекурсивных нейронных сетях ). «Мягкие» веса могут меняться во время каждого выполнения, в отличие от «жестких» весов, которые (предварительно) обучаются и настраиваются, а затем остаются замороженными. Множественные головы внимания используются в моделях большого языка на основе преобразователей .
атрибутивное исчисление: Логика и система представления, определенная Рышардом С. Михальским . Он сочетает в себе элементы логики предикатов , исчисления высказываний и многозначной логики . Атрибутивное исчисление обеспечивает формальный язык для естественной индукции — процесса индуктивного обучения, результаты которого представлены в формах, естественных для людей.
дополненная реальность (AR): Интерактивный опыт реальной среды, где объекты, находящиеся в реальном мире, «дополняются» сгенерированной компьютером перцептивной информацией, иногда через несколько сенсорных модальностей, включая зрительную , слуховую , тактильную , соматосенсорную и обонятельную . ^[32]
теория автоматов: Изучение абстрактных машин и автоматов , а также вычислительных задач , которые можно решить с их помощью. Это теория в теоретической информатике и дискретной математике (предмет изучения как математики , так и информатики ).
автоматизированное машинное обучение (AutoML): Область машинного обучения , целью которой является автоматическая настройка системы машинного обучения для максимизации ее производительности (например, точности классификации).
автоматизированное планирование и планирование: Раздел искусственного интеллекта , который занимается реализацией стратегий или последовательностей действий, обычно выполняемых интеллектуальными агентами , автономными роботами и беспилотными транспортными средствами . В отличие от классических задач управления и классификации , решения сложны и должны быть найдены и оптимизированы в многомерном пространстве. Планирование также связано с теорией принятия решений . ^[33]
автоматизированное 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 рассуждение считается подобластью искусственного интеллекта , оно также имеет связи с теоретической информатикой и даже философией .
автономные вычисления (АС): Характеристики самоуправления распределенных вычислительных ресурсов, адаптирующиеся к непредсказуемым изменениям, скрывая при этом 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. ^[34]
автономный автомобиль: , Транспортное средство способное воспринимать окружающую среду и двигаться практически без участия человека . ^[35]^[36]^[37]
автономный робот: Робот , который выполняет действия или задачи с высокой степенью автономности . Автономную робототехнику обычно считают подобластью искусственного интеллекта , робототехники и информационной инженерии . ^[38]

Б [ править ]

обратное распространение ошибки: Метод, используемый в искусственных нейронных сетях для расчета градиента, необходимого для расчета весов , которые будут использоваться в сети. ^[39]Обратное распространение ошибки — это сокращение от «обратного распространения ошибок», поскольку ошибка вычисляется на выходе и распространяется обратно по уровням сети. Его обычно используют для обучения глубоких нейронных сетей , ^[40] термин, относящийся к нейронным сетям с более чем одним скрытым слоем. ^[41]
обратное распространение ошибки во времени (BPTT): Градиентный метод обучения определенных типов рекуррентных нейронных сетей . Его можно использовать для обучения сетей Элмана . Алгоритм был независимо разработан многочисленными исследователями. ^[42]^[43]^[44]
обратная цепочка: Метод вывода, в просторечии описываемый как работа в обратном направлении от цели. Он используется в автоматизированных средствах доказательства теорем , машинах вывода , помощниках по доказательству и других приложениях искусственного интеллекта . ^[45]
модель мешка слов: Упрощающее представление, используемое при обработке естественного языка и поиске информации (IR). В этой модели текст (например, предложение или документ) представлен как мешок (мультисбор) его слов, не учитывая грамматику и даже порядок слов, но сохраняя множественность . Модель «мешка слов» также использовалась для компьютерного зрения . ^[46] Модель «мешка слов» обычно используется в методах классификации документов , где (частота) появления каждого слова используется в качестве признака для обучения классификатора . ^[47]
Модель мешка слов в компьютерном зрении: можно применить модель «мешка слов» (модель BoW) В компьютерном зрении для классификации изображений , рассматривая элементы изображения как слова. В классификации документов набор слов представляет собой разреженный вектор количества вхождений слов; то есть разреженная гистограмма словарного запаса. В компьютерном зрении набор визуальных слов представляет собой вектор количества вхождений в словарь локальных особенностей изображения.
пакетная нормализация: Методика повышения производительности и стабильности искусственных нейронных сетей . Это метод предоставления любому слою нейронной сети входных данных с нулевой средней/единичной дисперсией. ^[48] Пакетная нормализация была представлена в статье 2015 года. ^[49]^[50] Он используется для нормализации входного слоя путем настройки и масштабирования активаций.
Байесовское программирование: Формализм и методология, обеспечивающие технику определения вероятностных моделей и решения проблем, когда доступно меньше необходимой информации.
алгоритм пчел: на основе населения Алгоритм поиска , разработанный Фамом, Ганбарзаде и др. в 2005 году. ^[51]Он имитирует поведение пчелиных семей при поиске пищи. В своей базовой версии алгоритм выполняет своего рода поиск окрестностей в сочетании с глобальным поиском и может использоваться как для комбинаторной, так и для непрерывной оптимизации . Единственным условием применения алгоритма пчел является определение некоторой меры расстояния между решениями. Эффективность и специфические возможности алгоритма пчел были доказаны в ряде исследований. ^[52]^[53]^[54]^[55]
поведенческая информатика (BI): Информатика поведения для получения поведенческого интеллекта и понимания поведения. ^[56]
дерево поведения (BT): Математическая модель выполнения плана, используемая в информатике , робототехнике , системах управления и видеоиграх . Они описывают переключение между конечным набором задач по модульному принципу. Их сила заключается в 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 человеческого понимания делает BT менее подверженными ошибкам и очень популярными в сообществе разработчиков игр. Было показано, что BT обобщают несколько других архитектур управления. ^[57]^[58]
Программная модель убеждения-желания-намерения (BDI): Программная модель, разработанная для программирования интеллектуальных агентов . На первый взгляд характеризующийся реализацией убеждений , желаний и намерений агента , на самом деле он использует эти концепции для решения конкретной проблемы в программировании агента. По сути, он обеспечивает механизм разделения действий по выбору плана (из библиотеки планов или внешнего приложения-планировщика) от выполнения активных в данный момент планов. Следовательно, агенты BDI могут сбалансировать время, затрачиваемое на обсуждение планов (выбор того, что делать) и выполнение этих планов (выполнение этого). Третье действие, в первую очередь создание планов (планирование), выходит за рамки модели и оставлено на усмотрение проектировщика и программиста системы.
компромисс между предвзятостью и дисперсией: В статистике и машинном обучении компромисс между предвзятостью и дисперсией — это свойство набора прогнозирующих моделей, при котором модели с более низким смещением в параметров оценке имеют более высокую дисперсию оценок параметров в выборках , и наоборот.
большие данные: Термин, используемый для обозначения наборов данных , которые слишком велики или сложны для того, чтобы традиционные обработки данных прикладные программы могли их адекватно обрабатывать. Данные с большим количеством случаев (строк) обеспечивают большую статистическую мощность , тогда как данные с более высокой сложностью (больше атрибутов или столбцов) могут привести к более высокому уровню ложного обнаружения . ^[59]
Обозначение большого О: Математическая запись, описывающая предельное поведение функции , когда аргумент стремится к определенному значению или бесконечности. Это член семейства обозначений, изобретенных Полем Бахманом . ^[60] Эдмунд Ландау , ^[61] и другие, которые вместе называются нотацией Бахмана – Ландау или асимптотической нотацией.
двоичное дерево: Древовидная , структура данных в которой каждый узел имеет не более двух дочерних узлов , которые называются левый ребенок и правильный ребенок . Рекурсивное определение , использующее только понятия теории множеств, заключается в том, что (непустое) двоичное дерево представляет собой кортеж ( L , S , R ), где L и R — двоичные деревья или пустое множество , а S — одноэлементное множество . ^[62] Некоторые авторы допускают, что двоичное дерево также является пустым множеством. ^[63]
система доски: Подход искусственного интеллекта , основанный на архитектурной модели доски . ^[64]^[65]^[66]^[67]где общая база знаний, «доска», итеративно обновляется разнообразной группой специализированных источников знаний, начиная со спецификации проблемы и заканчивая решением. Каждый источник знаний обновляет доску частичным решением, когда его внутренние ограничения соответствуют состоянию доски. Таким образом, специалисты работают вместе над решением проблемы.
Машина Больцмана: Разновидность стохастической рекуррентной нейронной сети и марковского случайного поля . ^[68] Машины Больцмана можно рассматривать как стохастический генеративный аналог сетей Хопфилда .
Проблема логической выполнимости: Проблема определения, существует ли интерпретация , удовлетворяющая данной булевой формуле . Другими словами, он спрашивает, могут ли переменные данной логической формулы быть последовательно заменены значениями ИСТИНА или ЛОЖЬ таким образом, чтобы формула имела значение ИСТИНА. В этом случае формула называется выполнимой . С другой стороны, если такого присвоения не существует, функция, выраженная формулой, является ЛОЖНОЙ для всех возможных присвоений переменных, и формула является невыполнимой . Например, формула « a AND NOT b » выполнима, поскольку можно найти значения a = TRUE и b = FALSE, которые делают ( a AND NOT b ) = TRUE. Напротив, выражение « А И НЕ а » невыполнимо.
мозговая технология: Технология, использующая последние достижения нейробиологии . Этот термин был впервые введен Лабораторией искусственного интеллекта в Цюрихе, Швейцария , в контексте проекта ROBOY . ^[69] Мозговые технологии могут быть использованы в роботах. ^[70] системы управления ноу-хау ^[71]и любое другое приложение с возможностями самообучения. В частности, приложения Brain Technology позволяют визуализировать базовую архитектуру обучения, которую часто называют «картами ноу-хау».
фактор разветвления: В вычислительной технике , древовидных структурах данных и теории игр — число детей в каждом узле , исходящая степень . Если это значение неоднородно, средний коэффициент ветвления . можно рассчитать
грубый поиск: Очень общий метод решения проблем и алгоритмическая парадигма , состоящая из систематического перебора всех возможных кандидатов на решение и проверки, удовлетворяет ли каждый кандидат условию задачи.

С [ править ]

капсульная нейронная сеть (CapsNet): Система машинного обучения, представляющая собой тип искусственной нейронной сети (ИНС), которую можно использовать для лучшего моделирования иерархических отношений. Этот подход представляет собой попытку более точно имитировать биологическую нейронную организацию. ^[72]
рассуждение на основе прецедентов (CBR): В широком смысле это процесс решения новых проблем, основанный на решении аналогичных прошлых проблем.
чат-бот: Компьютерная программа или искусственный интеллект , который ведет разговор с помощью слуховых или текстовых методов. ^[73]
облачная робототехника: Область робототехники , которая пытается использовать облачные технологии, такие как облачные вычисления , облачное хранилище и другие интернет-технологии, сосредоточенные на преимуществах конвергентной инфраструктуры и общих услуг для робототехники. При подключении к облаку роботы могут извлечь выгоду из мощных вычислительных, хранилищных и коммуникационных ресурсов современного центра обработки данных в облаке, который может 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, одновременно снижая затраты за счет облачных технологий. Таким образом, можно создавать легких, недорогих и более умных роботов с интеллектуальным «мозгом» в облаке. «Мозг» состоит из центра обработки данных , базы знаний , планировщиков задач, глубокого обучения , обработки информации, моделей среды, поддержки связи и т. д. ^[74]^[75]^[76]^[77]
кластерный анализ: Задача сгруппировать набор объектов таким образом, чтобы объекты одной группы (называемой кластером) были более похожи (в некотором смысле) друг на друга, чем на объекты других групп (кластеров). Это основная задача исследовательского анализа данных и распространенный 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 вероятностной концепцией, которая суммирует распределения значений атрибутов объектов, классифицированных в этом узле. Это дерево классификации можно использовать для прогнозирования отсутствующих атрибутов или класса нового объекта. ^[80]
когнитивная архитектура: Институт креативных технологий определяет когнитивную архитектуру как «гипотезу о фиксированных структурах, которые обеспечивают разум, будь то в естественных или искусственных системах, и о том, как они работают вместе – в сочетании со знаниями и навыками, воплощенными в архитектуре – чтобы обеспечить разумное поведение в разнообразие сложных сред». ^[81]
когнитивные вычисления: В целом термин «когнитивные вычисления» используется для обозначения нового аппаратного и/или программного обеспечения, которое имитирует функционирование человеческого мозга. ^[82]^[83]^[84]^[85]^[86]^[87] и помогает улучшить процесс принятия решений человеком. ^[88]^[89] В этом смысле CC — это новый тип вычислений, целью которого является создание более точных моделей того, как человеческий мозг/ разум воспринимает, рассуждает и реагирует на стимулы.
когнитивная наука: Междисциплинарное научное исследование разума и его процессов. ^[90]
комбинаторная оптимизация: В исследовании операций , прикладной математике и теоретической информатике комбинаторная оптимизация — это тема, состоящая из поиска оптимального объекта из конечного набора объектов. ^[91]
машина комитета: Тип искусственной нейронной сети , использующей стратегию «разделяй и властвуй» , в которой ответы нескольких нейронных сетей (экспертов) объединяются в один ответ. ^[92]Предполагается, что совместная реакция машины комитета должна превосходить реакцию входящих в нее экспертов. Сравнить ансамбли классификаторов .
здравый смысл: В исследованиях искусственного интеллекта здравый смысл состоит из фактов из повседневного мира, таких как «Лимоны кислые», которые, как ожидается, будут знать все люди. Первой программой искусственного интеллекта, обращающейся к знаниям здравого смысла, была программа Advice Taker , разработанная Джоном Маккарти в 1959 году. ^[93]
рассуждения здравого смысла: Раздел искусственного интеллекта, занимающийся моделированием способности человека делать предположения о типе и сути обычных ситуаций, с которыми он сталкивается каждый день. ^[94]
вычислительная химия: Раздел химии , использующий компьютерное моделирование для решения химических задач.
теория сложности вычислений: Основное внимание уделяется классификации вычислительных задач в соответствии с присущей им сложностью и связыванию этих классов друг с другом. Вычислительная задача – это задача, решаемая компьютером. Вычислительную задачу можно решить путем механического применения математических шагов, таких как алгоритм.
вычислительное творчество: Междисциплинарное предприятие, включающее 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 в исследованиях юмора . ^[95]
вычислительный интеллект (CI): Обычно относится к способности компьютера обучаться конкретной задаче на основе данных или экспериментальных наблюдений.
теория вычислительного обучения: В информатике теория вычислительного обучения (или просто теория обучения) — это раздел искусственного интеллекта , посвященный изучению разработки и анализа алгоритмов машинного обучения . ^[96]
компьютерная лингвистика: Междисциплинарная область , занимающаяся статистическим или основанным на правилах моделированием естественного языка с вычислительной точки зрения, а также изучением соответствующих вычислительных подходов к лингвистическим вопросам.
вычислительная математика: Математические исследования в областях науки, где вычислительная техника играет важную роль.
вычислительная нейробиология: Раздел нейробиологии , который использует математические модели, теоретический анализ и абстракции мозга для понимания принципов, управляющих развитием , структурой , физиологией и когнитивными способностями нервной системы . ^[97]^[98]^[99]^[100]
вычислительная теория чисел: Исследование алгоритмов выполнения теоретико-числовых вычислений .
вычислительная задача: В теоретической информатике вычислительная задача — это математический объект, представляющий собой набор вопросов, которые компьютеры могут решить.
вычислительная статистика: Интерфейс между статистикой и информатикой .
компьютерное автоматизированное проектирование (CAutoD): Автоматизация проектирования обычно относится к автоматизации электронного проектирования или автоматизации проектирования , которая представляет собой конфигуратор продукта . Расширение систем автоматизированного проектирования (САПР), автоматизированного проектирования и компьютерного проектирования. ^[101]^[102]^[103] касаются более широкого спектра применений, таких как автомобилестроение , гражданское строительство , ^[104]^[105]^[106]^[107] композитных материалов проектирование , техника управления , ^[108] динамическая идентификация и оптимизация системы, ^[109] финансовые системы, промышленное оборудование, мехатронные системы, стальные конструкции , ^[110] структурная оптимизация , ^[111]и изобретение новых систем. Совсем недавно традиционное CAD-моделирование трансформировалось в CAutoD благодаря машинному обучению , вдохновленному биологией . ^[112] включая методы эвристического поиска , такие как эволюционные вычисления , ^[113]^[114] и роевого интеллекта . алгоритмы ^[115]
компьютерное прослушивание (CA): См. машинное прослушивание .
Информатика: Теория, экспериментирование и инженерия, составляющие основу проектирования и использования компьютеров . Он предполагает изучение алгоритмов , которые обрабатывают, хранят и передают цифровую информацию . Ученый -компьютерщик специализируется на теории вычислений и проектировании вычислительных систем. ^[116]
компьютерное зрение: Междисциплинарная научная область , изучающая, как можно заставить компьютеры получать глубокое понимание цифровых изображений или видео . С точки зрения инженерии , он стремится автоматизировать задачи, которые зрительная система человека . может выполнять ^[117]^[118]^[119]
дрейф концепции: В прогнозной аналитике и машинном обучении дрейф концепции означает, что статистические свойства целевой переменной, которую пытается предсказать модель, изменяются со временем непредвиденным образом. Это вызывает проблемы, поскольку с течением времени прогнозы становятся менее точными.
коннекционизм: Подход в области когнитивной науки , который надеется объяснить психические явления с помощью искусственных нейронных сетей . ^[120]
последовательная эвристика: При изучении задач поиска пути в искусственном интеллекте эвристическая функция называется последовательной или монотонной, если ее оценка всегда меньше или равна предполагаемому расстоянию от любой соседней вершины до цели плюс стоимость достижения тот сосед.
ограниченная условная модель (CCM): Платформа машинного обучения и вывода, которая дополняет обучение условных (вероятностных или дискриминативных) моделей декларативными ограничениями.
программирование логики ограничений: Форма программирования в ограничениях , в которой логическое программирование расширяется за счет включения концепций удовлетворения ограничений . Программа логики ограничений — это логическая программа, которая содержит ограничения в теле предложений. Пример предложения, включающего ограничение: A(X,Y) :- X+Y>0, B(X), C(Y). В этом пункте X+Y>0 является ограничением; A(X,Y), B(X), и C(Y)являются литералами , как и в обычном логическом программировании. В этом пункте указано одно условие, при котором заявление A(X,Y) держит: X+Y больше нуля и оба B(X) и C(Y) верны.
программирование ограничений: Парадигма программирования , в которой отношения между переменными выражаются в форме ограничений . Ограничения отличаются от общих примитивов императивных языков программирования тем, что они не определяют шаг или последовательность шагов для выполнения, а скорее свойства искомого решения.
искусственный язык: Язык, фонология , грамматика и словарный запас которого созданы сознательно, а не развились естественным путем . Искусственные языки также можно назвать искусственными, запланированными или изобретенными языками. ^[121]
теория управления: В системах управления инженерия — это раздел математики, который занимается управлением непрерывно действующими динамическими системами в инженерных процессах и машинах. Целью является разработка модели управления такими системами с использованием управляющего воздействия оптимальным образом без задержек и перерегулирований и обеспечения устойчивости управления .
сверточная нейронная сеть: В глубоком обучении сверточная нейронная сеть (CNN или ConvNet) представляет собой класс глубоких нейронных сетей , чаще всего применяемых для анализа визуальных изображений. CNN используют разновидность многослойных персептронов , требующую минимальной предварительной обработки . ^[122] Они также известны как инвариантные к сдвигу или пространственно-инвариантные искусственные нейронные сети (SIANN) на основе их архитектуры с общими 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 стохастически генерировать новые решения из существующей популяции, аналогичный скрещиванию , которое происходит во время полового размножения в биологических организмах. Решения также могут быть созданы путем клонирования существующего решения, что аналогично бесполому размножению . Вновь созданные решения обычно мутируют перед добавлением в популяцию.

Д [ править ]

Темный лес: Компьютерная программа Go , разработанная Facebook и основанная на глубокого обучения методах с использованием сверточной 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 встречающиеся в компьютерных шахматных программах, и рандомизирует их. ^[127] После обновления система стала называться Darkfmcts3. ^[128]
Дартмутская мастерская: Дартмутский летний исследовательский проект по искусственному интеллекту — так назывался летний семинар 1956 года, который сейчас многие считают ^[129]^[130] (хотя не все ^[131]) стать знаковым событием для 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 .
объединение данных: Процесс интеграции нескольких источников данных для получения более последовательной, точной и полезной информации, чем та, которую предоставляет любой отдельный источник данных. ^[132]
интеграция данных: Процесс объединения данных , находящихся в разных источниках, и предоставления пользователям единого представления о них. ^[133]Этот процесс становится важным в различных ситуациях, которые включают как коммерческую (например, когда двум схожим компаниям необходимо объединить свои базы данных объединение результатов исследований из разных репозиториев биоинформатики ), так и научную ( например, ) области. Интеграция данных возникает все чаще по мере увеличения объема (то есть больших данных ) и необходимости совместного использования существующих данных . ^[134] Это стало предметом обширной теоретической работы, и многие открытые проблемы остаются нерешенными.
сбор данных: Процесс обнаружения закономерностей в больших наборах данных, включающий методы на стыке 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]похоже на интеллектуальный анализ данных . Наука о данных — это «концепция объединения статистики, анализа данных, машинного обучения и связанных с ними методов» с целью «понимания и анализа реальных явлений» с помощью данных. ^[137] Он использует методы и теории, 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 определенную переменную, а каждая строка соответствует определенному члену рассматриваемого набора данных. В наборе данных перечислены значения каждой переменной, например высоты и веса объекта, для каждого члена набора данных. Каждое значение известно как исходное значение. 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]ХД — это центральные хранилища интегрированных данных из одного или нескольких разрозненных источников. Они хранят текущие и исторические данные в одном месте. ^[139]
Специалист в области информатики: Язык декларативной программирования логики , синтаксически являющийся 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 , сетевых технологиях , анализе программ , безопасности и облачных вычислениях . ^[140]
граница решения: В случае обратного распространения ошибки на основе искусственных нейронных сетей или персептронов тип границы принятия решения, которую может изучить сеть, определяется количеством скрытых слоев, которые имеет сеть. Если у него нет скрытых слоев, то он может изучать только линейные задачи. Если у него есть один скрытый слой, то он может изучить любую непрерывную функцию на компактных подмножествах R. ^н как показано в теореме об универсальной аппроксимации , таким образом, он может иметь произвольную границу решения.
система поддержки принятия решений (СППР): Информационная система , которая поддерживает деятельность по принятию деловых или организационных решений . DSS обслуживают уровни управления, операций и планирования организации (обычно среднего и высшего руководства) и помогают людям принимать решения по проблемам, которые могут быстро меняться и которые нелегко определить заранее, то есть неструктурированные и полуструктурированные проблемы принятия решений. Системы поддержки принятия решений могут быть либо полностью компьютеризированными, либо управляемыми человеком, либо комбинацией того и другого.
теория принятия решений: Изучение рассуждений, лежащих в основе выбора агента . ^[141] Теорию принятия решений можно разделить на две ветви: нормативную теорию принятия решений, которая дает советы о том, как принимать наилучшие решения с учетом набора неопределенных убеждений и набора ценностей , и описательную теорию принятия решений, которая анализирует, как существующие, возможно, иррациональные агенты на самом деле принимают решения. .
обучение дереву решений: Использует дерево решений (в качестве прогнозной модели ) для перехода от наблюдений за элементом (представленных в ветвях) к выводам о целевом значении элемента (представленном в листьях). Это один из подходов прогнозного моделирования, используемых в статистике , интеллектуальном анализе данных и машинном обучении .
декларативное программирование: Парадигма программирования — стиль построения структуры и элементов компьютерных программ, — который выражает логику вычислений без описания потока управления . ^[142]
дедуктивный классификатор: Тип искусственного интеллекта машины вывода . В качестве входных данных он принимает набор объявлений на фреймовом языке о такой области, как медицинские исследования или молекулярная биология. Например, имена классов, подклассов , свойств и ограничений на допустимые значения.
Темно-синий: — компьютер для игры в шахматы, разработанный IBM . Она известна тем, что является первой компьютерной системой игры в шахматы, которая выиграла и шахматную партию, и шахматный матч против действующего чемпиона мира при регулярном контроле времени.
глубокое обучение: Часть более широкого семейства методов машинного обучения , основанных на представлениях обучающих данных , а не на алгоритмах, ориентированных на конкретные задачи. Обучение может быть контролируемым , полуконтролируемым или неконтролируемым . ^[143]^[144]^[145]
ДипМайнд Технологии: компания Британская по искусственному интеллекту , основанная в сентябре 2010 года, в настоящее время принадлежит Alphabet Inc. Компания базируется в Лондоне , исследовательские центры находятся в Канаде . ^[146] Франция , ^[147]и США . Приобретенная Google . в 2014 году, компания создала нейронную сеть , которая учится играть в видеоигры так же, как это делают люди ^[148] а также нейронная машина Тьюринга , ^[149] или нейронную сеть, которая сможет получить доступ к внешней памяти, как обычная машина Тьюринга , в результате чего появится компьютер, имитирующий кратковременную память человеческого мозга. ^[150]^[151] В 2016 году компания попала в заголовки газет после того, как ее программа AlphaGo победила профессионального в го игрока Ли Седоля , чемпиона мира, в матче из пяти игр , о котором был снят документальный фильм. ^[152] Более общая программа AlphaZero победила самые мощные программы, играющие в го , шахматы и сёги (японские шахматы) после нескольких дней игры против самой себя с использованием обучения с подкреплением . ^[153]
логика по умолчанию: предложенная Немонотонная логика, Раймондом Рейтером для формализации рассуждений с предположениями по умолчанию.
логика описания (DL): Семейство языков формального представления знаний . Многие DL более выразительны, чем логика высказываний , но менее выразительны, чем логика первого порядка . В отличие от последнего, основные проблемы рассуждения для DL (обычно) разрешимы , и для этих проблем были разработаны и реализованы эффективные процедуры решения. Существуют общие, пространственные, временные, пространственно-временные и нечеткие логики описаний, и каждая логика описания имеет разный баланс между выразительностью DL и рассуждений сложностью за счет поддержки разных наборов математических конструкторов. ^[154]
развивающая робототехника (DevRob): Научная область, целью которой является изучение механизмов развития, архитектуры и ограничений, которые позволяют на протяжении всей жизни и без ограничений осваивать новые навыки и новые знания в воплощенных машинах .
диагноз: Занимается разработкой алгоритмов и методов, которые способны определить правильность поведения системы. Если система работает неправильно, алгоритм должен иметь возможность как можно точнее 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, предназначенная для общения с человеком и имеющая последовательную структуру. Диалоговые системы используют текст, речь, графику, тактильные ощущения, жесты и другие режимы общения как на входном, так и на выходном канале.
диффузионная модель: В машинном обучении диффузионные модели , также известные как диффузионные вероятностные модели или генеративные модели на основе оценок , представляют собой класс моделей со скрытыми переменными . Это цепи Маркова , обученные с использованием вариационного вывода . ^[155]Цель диффузионных моделей — изучить скрытую структуру набора данных путем моделирования того, как точки данных распространяются через скрытое пространство . В компьютерном зрении это означает, что нейронная сеть обучена шумоподавлять изображения, размытые гауссовским шумом, путем обучения обращать вспять процесс диффузии. ^[156]^[157] В основном он состоит из трех основных компонентов: прямого процесса, обратного процесса и процедуры выборки. ^[158] Тремя примерами общих структур моделирования диффузии, используемых в компьютерном зрении, являются вероятностные модели диффузии с шумоподавлением, сети оценок, обусловленные шумом, и стохастические дифференциальные уравнения. ^[159]
уменьшение размерности: Процесс уменьшения количества рассматриваемых случайных величин ^[160]путем получения набора главных переменных. Его можно разделить на выбор признаков и извлечение признаков . ^[161]
дискретная система: Любая система со счетным числом состояний. Дискретным системам можно противопоставить непрерывные системы, которые также можно назвать аналоговыми системами. Конечная дискретная система часто моделируется с помощью ориентированного графа и анализируется на предмет правильности и сложности в соответствии с теорией вычислений . Поскольку дискретные системы имеют счетное число состояний, их можно описать с помощью точных математических моделей . Компьютер , — это конечный автомат который можно рассматривать как дискретную систему. Поскольку компьютеры часто используются для моделирования не только других дискретных систем, но и непрерывных систем, были разработаны методы представления реальных непрерывных систем как дискретных. Один из таких методов предполагает выборку непрерывного сигнала через дискретные интервалы времени.
распределенный искусственный интеллект (DAI): Подобласть исследований искусственного интеллекта , посвященная разработке распределенных решений проблем. и является их предшественником DAI тесно связан с многоагентными системами . ^[162]
динамическая эпистемическая логика (ДЭЛ): Логическая структура, связанная с изменением знаний и информации. Обычно DEL фокусируется на ситуациях с участием нескольких агентов и изучает, как их знания изменяются при возникновении событий .

Э [ править ]

нетерпеливое обучение: Метод обучения, при котором система пытается построить общую, независимую от входных данных целевую функцию во время обучения системы, в отличие от ленивого обучения , при котором обобщение данных обучения откладывается до тех пор, пока к системе не будет сделан запрос. ^[163]
тест Эберта: компьютером, Тест, определяющий, является ли голос, синтезированный ^[164]^[165] может рассказать анекдот с достаточным мастерством, чтобы рассмешить людей . ^[166] Это было предложено кинокритиком Роджером Эбертом на конференции TED в 2011 году как вызов разработчикам программного обеспечения: заставить компьютеризированный голос освоить интонации, подачу, время и интонации говорящего человека. ^[164] Этот тест аналогичен тесту Тьюринга , предложенному Аланом Тьюрингом в 1950 году как способ оценить способность компьютера проявлять разумное поведение, генерируя производительность, неотличимую от человеческой . ^[167]
сеть состояния эха (ESN): Рекуррентная нейронная сеть с редко связанным скрытым слоем (обычно со связностью 1%). Связность и веса скрытых нейронов фиксированы и назначаются случайным образом. Можно узнать веса выходных нейронов, чтобы сеть могла (вос) создавать определенные временные паттерны. Основной интерес этой сети заключается в том, что, хотя ее поведение нелинейно, единственные веса, которые изменяются во время обучения, предназначены для синапсов, которые соединяют скрытые нейроны с выходными нейронами. Таким образом, функция ошибок квадратична по отношению к вектору параметров и ее можно легко дифференцировать до линейной системы. ^[168]^[169]
воплощенный агент: Интеллектуальный агент , который взаимодействует с окружающей средой через физическое тело внутри этой среды. Агенты, которые графически представлены телом, например человеком или мультяшным животным, также называются воплощенными агентами, хотя они имеют только виртуальное, а не физическое воплощение. ^[170]
воплощенная когнитивная наука: Междисциплинарная область исследований, цель которой — объяснить механизмы, лежащие в основе разумного поведения. Он включает в себя три основные методологии: 1) целостное моделирование психологических и биологических систем, рассматривающее разум и тело как единое целое, 2) формирование общего набора общих принципов разумного поведения и 3) экспериментальное использование роботизированных агентов в контролируемых средах.
обучение, основанное на ошибках: Подобласть машинного обучения , связанная с тем, как агент должен действовать в окружающей среде , чтобы свести к минимуму некоторую обратную связь по ошибкам. 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, а не создания только одной модели.
эпоха (машинное обучение): В машинном обучении , особенно при создании искусственных нейронных сетей , эпоха — это обучение модели в течение одного цикла с использованием полного набора обучающих данных. Маленькие модели обычно обучаются на столько эпох, сколько необходимо для достижения наилучшей производительности на наборе проверочных данных. Самые большие модели могут обучаться только одну эпоху.
этика искусственного интеллекта: Часть этики технологий, специфичная для искусственного интеллекта.
эволюционный алгоритм (ЭА): Подмножество эволюционных вычислений , ^[171]общий метаэвристической оптимизации алгоритм на основе совокупности . ЭА использует механизмы, вдохновленные биологической эволюцией , такие как воспроизводство , мутация , рекомбинация и отбор . Кандидаты на решение задачи оптимизации играют роль особей в популяции, а функция приспособленности определяет качество решений (см. также функцию потерь ). Эволюция популяции тогда происходит после многократного применения вышеуказанных операторов.
эволюционные вычисления: Семейство алгоритмов глобальной оптимизации , вдохновленное биологической эволюцией и областью искусственного интеллекта и мягких вычислений, изучающей эти алгоритмы. С технической точки зрения, они представляют собой семейство средств для решения задач методом проб и ошибок , основанных на совокупности , с метаэвристическим или стохастическим оптимизационным характером.
развивающаяся функция классификации (ECF): Развивающиеся функции классификатора или развивающиеся классификаторы используются для классификации и кластеризации в области машинного обучения и искусственного интеллекта , обычно используемых для задач анализа потоков данных в динамических и меняющихся средах.
экзистенциальный риск: Гипотеза о том, что существенный прогресс в области общего искусственного интеллекта (AGI) может когда-нибудь привести к вымиранию человечества или какой-либо другой необратимой глобальной катастрофе . ^[172]^[173]^[174]
экспертная система: Компьютерная система, имитирующая способность человека-эксперта принимать решения. ^[175] Экспертные системы предназначены для решения сложных проблем путем рассуждения с помощью массивов знаний, представленных в основном как правила «если бы-то», а не с помощью обычного процедурного кода . ^[176]

Ф [ править ]

быстрые и бережливые деревья: Тип дерева классификации . Деревья быстрого и экономичного использования можно использовать в качестве инструментов принятия решений, которые действуют как лексикографические классификаторы и, при необходимости, связывают действие (решение) с каждым классом или категорией. ^[177]
извлечение признаков: В машинном обучении , распознавании образов и обработке изображений извлечение признаков начинается с исходного набора измеренных данных и создает 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 , обучении функциям или обучении представлений. ^[143]представляет собой набор методов, которые позволяют системе автоматически обнаруживать представления, необходимые для обнаружения или классификации признаков, на основе 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 признаков, также известный как выбор переменных, выбор атрибутов или выбор подмножества переменных, представляет собой процесс выбора подмножества соответствующих признаков (переменных, предикторов) для использования при построении модели.
федеративное обучение: Тип машинного обучения, который позволяет проводить обучение на нескольких устройствах с децентрализованными данными, помогая тем самым сохранить конфиденциальность отдельных пользователей и их данных.
логика первого порядка: Коллекция формальных систем, используемых в математике , философии , лингвистике и информатике . Логика первого порядка использует количественные переменные вместо нелогических объектов и допускает использование предложений, содержащих переменные, так что вместо таких предложений, как « Сократ — это человек» , можно иметь выражения в форме «существует X такой, что X есть Сократ и X — человек», и существует квантор, а X — переменная. ^[178] Это отличает ее от пропозициональной логики , которая не использует кванторы или отношения. ^[179]
беглый: Состояние, которое может меняться со временем. В логических подходах к рассуждениям о действиях флюенты могут быть представлены в логике первого порядка предикатами, имеющими аргумент, зависящий от времени.
формальный язык: Набор слов которых , буквы взяты из алфавита и составлены согласно определенному набору правил.
прямая цепочка: Один из двух основных методов рассуждения при использовании машины вывода можно описать , который логически как многократное применение modus ponens . Прямая цепочка является популярной стратегией внедрения экспертных систем , предприятий и систем производственных правил . Противоположностью прямой цепочки является обратная цепочка . Прямая цепочка начинается с доступных данных и использует правила вывода для извлечения большего количества данных (например, от конечного пользователя) до тех пор, пока не будет достигнута цель . Механизм вывода, использующий прямую цепочку, ищет правила вывода, пока не найдет тот, в котором антецедент (предложение If) заведомо истинен. Когда такое правило найдено, механизм может заключить или вывести консеквент ( предложение Then), что приводит к добавлению новой информации к его данным. ^[180]
рамка: искусственного интеллекта Структура данных , используемая для разделения знаний на подструктуры путем представления « стереотипных ситуаций». Фреймы — это основная структура данных, используемая в языке фреймов искусственного интеллекта .
язык фреймов: Технология, используемая для представления знаний в искусственном интеллекте. Фреймы хранятся как онтологии наборов и подмножеств концепций фреймов . Они похожи на иерархии классов в объектно-ориентированных языках, хотя их фундаментальные цели проектирования различны. Фреймы ориентированы на явное и интуитивное представление знаний, тогда как объекты ориентированы на инкапсуляцию и сокрытие информации . Фреймы возникли в результате исследований искусственного интеллекта, а объекты — в первую очередь в области разработки программного обеспечения . Однако на практике методы и возможности фреймовых и объектно-ориентированных языков существенно совпадают.
проблема с рамой: Проблема поиска адекватного набора аксиом для жизнеспособного описания среды робота. ^[181]
дружелюбный искусственный интеллект: Гипотетический общий искусственный интеллект (AGI), который окажет положительное влияние на человечество. Это часть этики искусственного интеллекта и тесно связана с машинной этикой . В то время как машинная этика связана с тем, как должен вести себя агент с искусственным интеллектом, дружественные исследования искусственного интеллекта сосредоточены на том, как практически добиться такого поведения и обеспечить его адекватное ограничение.
исследования будущего: Исследование постулирования возможного, вероятного и предпочтительного будущего , а также мировоззрений и мифов, которые лежат в его основе. ^[182]
нечеткая система управления: Система управления , основанная на нечеткой логике — математическая система, которая анализирует аналоговые входные значения с точки зрения логических переменных, принимающих непрерывные значения от 0 до 1, в отличие от классической или цифровой логики, которая оперирует дискретными значениями либо 1, либо 0 ( истина или ложь соответственно). ^[183]^[184]
нечеткая логика: Простая форма многозначной логики , в которой истинностные значения переменных могут иметь любую степень « Истинности », которая может быть представлена любым действительным числом в диапазоне от 0 (как в «Совершенно ложно») до 1 (как в «Полностью ложно»). 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 истинностные значения переменных могут иметь только целочисленные значения 0 или 1.
нечеткое правило: Правило, используемое в системах нечеткой логики для получения вывода на основе входных переменных.
нечеткий набор: В классической теории множеств принадлежность элементов множеству оценивается в двоичных терминах по бивалентному условию — элемент либо принадлежит, либо не принадлежит множеству. Напротив, теория нечетких множеств допускает постепенную оценку принадлежности элементов множеству; это описывается с помощью функции принадлежности , имеющей значение в действительном единичном интервале [0, 1]. Нечеткие множества обобщают классические множества, поскольку индикаторные функции (они же характеристические функции ) классических множеств являются частными случаями функций принадлежности нечетких множеств, если последние принимают только значения 0 или 1. ^[185]В теории нечетких множеств классические бивалентные множества обычно называют четкими множествами . Теория нечетких множеств может использоваться в широком спектре областей, в которых информация является неполной или неточной, например, в биоинформатике . ^[186]

Г [ править ]

теория игры: Исследование математических моделей стратегического взаимодействия между рациональными лицами, принимающими решения. ^[187]
общая игра (GGP): Общие игры — это разработка программ искусственного интеллекта, позволяющих успешно запускать и играть в более чем одну игру. ^[188]^[189]^[190]
генеративно-состязательная сеть (GAN): Класс систем машинного обучения . Две нейронные сети соревнуются друг с другом в рамках игры с нулевой суммой .
генеративный искусственный интеллект: Генеративный искусственный интеллект — это искусственный интеллект, способный генерировать текст, изображения или другие медиаданные в ответ на подсказки . ^[191]^[192] Генеративные модели искусственного интеллекта изучают закономерности и структуру входных обучающих данных , а затем генерируют новые данные с аналогичными характеристиками, обычно с использованием Transformer на основе глубоких нейронных сетей . ^[193]^[194]
генетический алгоритм (ГА): Метаэвристика , вдохновленная процессом естественного отбора и принадлежащая к более широкому классу эволюционных алгоритмов (EA). Генетические алгоритмы обычно используются для генерации высококачественных решений задач оптимизации и поиска, полагаясь на биологические операторы, такие как мутация , скрещивание и отбор . ^[195]
генетический оператор: Оператор , используемый в генетических алгоритмах для направления алгоритма к решению заданной проблемы. Существует три основных типа операторов ( мутация , кроссовер и выбор ), которые должны работать совместно друг с другом, чтобы алгоритм был успешным.
генеративный предобученный трансформатор (GPT): Большая языковая модель , основанная на архитектуре преобразователя , генерирующая текст. Сначала он предварительно обучается предсказывать следующий токен в тексте (токен обычно представляет собой слово, подслово или знак препинания). После предварительного обучения модели GPT могут генерировать текст, похожий на человеческий, многократно предсказывая токен, которому они будут следовать. Модели GPT обычно также настраиваются, например, с помощью RLHF для уменьшения галлюцинаций или вредного поведения или для форматирования вывода в диалоговом формате. ^[196]
оптимизация роя светлячков: Алгоритм роевого интеллекта оптимизации , основанный на поведении светлячков (также известных 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, состоящая из набора объектов, в котором некоторые пары объектов в некотором смысле «связаны». Объекты соответствуют математическим абстракциям, называемым вершинами (также называемыми узлами или точками ), а каждая из связанных пар вершин называется ребром (также называемым дугой или линией ). ^[197]
графовая база данных (GDB): База данных , которая использует графовые структуры для семантических запросов с узлами , ребрами и свойствами для представления и хранения данных. Ключевой концепцией системы является граф (или ребро , или взаимосвязь ), который напрямую связывает элементы данных в хранилище коллекции узлов данных и ребер, представляющих отношения между узлами. Отношения позволяют напрямую связывать данные в хранилище и во многих случаях получать их с помощью одной операции. В графовых базах данных отношения между данными являются приоритетом. Запрос связей внутри графовой базы данных выполняется быстро, поскольку они постоянно хранятся в самой базе данных. Отношения можно интуитивно визуализировать с помощью графовых баз данных, что делает их полезными для сильно взаимосвязанных данных. ^[198]^[199]
теория графов: Изучение графов , представляющих собой математические структуры, используемые для моделирования парных отношений между объектами.
обход графа: Процесс посещения (проверки и/или обновления) каждой вершины графа . Такие обходы классифицируются по порядку посещения вершин. Обход дерева — это частный случай обхода графа.

Х [ править ]

проблема с остановкой
эвристика: Техника, предназначенная для более быстрого решения проблемы , когда классические методы слишком медленны, или для поиска приближенного решения, когда классические методы не могут найти точное решение. Это достигается путем обмена оптимальности, полноты, точности или точности 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 этапе ветвления на основе доступной информации, чтобы решить, какой ветви следовать. Например, оно может аппроксимировать точное решение. ^[200]
скрытый слой: Внутренний слой нейронов в искусственной нейронной сети , не предназначенный для ввода или вывода.
скрытый блок: Нейрон в скрытом слое искусственной нейронной сети .
гиперэвристический: Метод эвристического поиска, целью которого является автоматизация процесса выбора, объединения, генерации или адаптации нескольких более простых эвристик (или компонентов таких эвристик) для эффективного решения задач вычислительного поиска, часто за счет использования методов машинного обучения . Одной из причин изучения гиперэвристики является создание систем, способных решать классы задач, а не только одну проблему. ^[201]^[202]^[203]

Я [ править ]

Общество вычислительной разведки IEEE: Профессиональное общество Института инженеров по электротехнике и электронике (IEEE), занимающееся «теорией, проектированием, применением и разработкой биологически и лингвистически мотивированных вычислительных парадигм с упором на нейронные сети , коннекционистские системы, генетические алгоритмы , эволюционное программирование , нечеткие системы и гибридные интеллектуальные системы, в которых содержатся эти парадигмы». ^[204]
постепенное обучение: Метод машинного обучения , при котором входные данные постоянно используются для расширения знаний существующей модели, т.е. для дальнейшего обучения модели. Он представляет собой динамическую технику контролируемого и неконтролируемого обучения , которую можно применять, когда обучающие данные становятся доступными постепенно с течением времени или их размер выходит за пределы системной памяти. Алгоритмы, которые могут способствовать поэтапному обучению, известны как алгоритмы инкрементного машинного обучения.
Механизм логического вывода: Компонент системы, который применяет логические правила к базе знаний для получения новой информации.
информационная интеграция (II): Объединение информации из разнородных источников с разными концептуальными, контекстуальными и типографскими представлениями. Он используется при интеллектуальном анализе и консолидации данных из неструктурированных или полуструктурированных ресурсов. Обычно информационная интеграция относится к текстовому представлению знаний, но иногда применяется к мультимедийному контенту. Информационное слияние, которое является родственным термином, предполагает объединение информации в новый набор информации с целью уменьшения избыточности и неопределенности. ^[132]
Язык обработки информации (IPL): Язык программирования , включающий функции, предназначенные для помощи программам, выполняющим простые действия по решению проблем, такие как списки, динамическое распределение памяти , типы данных , рекурсия , функции в качестве аргументов, генераторы и совместная многозадачность . IPL изобрела концепцию обработки списков, хотя и в стиле ассемблера .
усиление интеллекта (IA): Эффективное использование информационных технологий для повышения человеческого интеллекта .
разведывательный взрыв: Возможный результат создания человечеством общего искусственного интеллекта (AGI). AGI будет способен к рекурсивному самосовершенствованию, что приведет к быстрому появлению ИСИ ( искусственного сверхинтеллекта ), пределы которого неизвестны, во времена технологической сингулярности.
интеллектуальный агент (IA): Автономная , сущность, которая действует, направляя свою деятельность на достижение целей (т. е. является агентом ) , на окружающую среду используя наблюдение посредством датчиков и последующих исполнительных механизмов (т. е. она разумна). Интеллектуальные агенты также могут учиться или использовать знания для достижения своих целей. Они могут быть очень простыми или очень сложными .
интеллектуальное управление: Класс методов управления , в которых используются различные искусственного интеллекта вычислительные подходы , такие как нейронные сети , байесовская вероятность , нечеткая логика , машинное обучение , обучение с подкреплением , эволюционные вычисления и генетические алгоритмы . ^[205]
умный личный помощник: Программный агент , который может выполнять задачи или услуги для человека на основе устных команд. Иногда термин « чат-бот » используется для обозначения виртуальных помощников, к которым обычно или специально осуществляется доступ через онлайн-чат (или, в некоторых случаях, программы онлайн-чата, предназначенные исключительно для развлекательных целей). Некоторые виртуальные помощники способны интерпретировать человеческую речь и отвечать посредством синтезированного голоса. Пользователи могут задавать вопросы своим помощникам, управлять устройствами домашней автоматизации и воспроизведением мультимедиа с помощью голоса, а также управлять другими базовыми задачами, такими как электронная почта, списки дел и календари, с помощью устных команд. ^[206]
интерпретация: Присвоение значения символам формального языка . Многие формальные языки, используемые в математике , логике и теоретической информатике, определяются исключительно в синтаксических терминах и как таковые не имеют никакого значения, пока им не будет дана определенная интерпретация. Общее исследование интерпретаций формальных языков называется формальной семантикой .
внутренняя мотивация: Интеллектуальный агент внутренне мотивирован к действию, если мотивирующим фактором является только информационное содержание опыта, полученного в результате действия. Содержание информации в этом контексте измеряется в смысле теории информации как количественная оценка неопределенности. Типичной внутренней мотивацией является поиск необычных (удивительных) ситуаций, в отличие от типичной внешней мотивации, такой как поиск еды. Искусственные агенты с внутренней мотивацией демонстрируют поведение, похожее на исследование и любопытство . ^[207]
дерево проблем: Графическая разбивка вопроса, которая разбивает его на различные компоненты по вертикали и детализирует по мере чтения справа. ^[208]^: 47Деревья проблем полезны при решении проблем для выявления коренных причин проблемы, а также для определения ее потенциальных решений. Они также служат ориентиром, позволяющим увидеть, как каждая часть вписывается в общую картину проблемы. ^[209]

Я говорю ]

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, поскольку он разветвляется на разные разделы данных; узлы переменных являются ветвями. ^[210]

Редактировать ]

метод ядра: В машинном обучении методы ядра — это класс алгоритмов анализа шаблонов , наиболее известным представителем которого является машина опорных векторов (SVM). Общая задача анализа шаблонов — найти и изучить общие типы отношений (например, кластеры , рейтинги , главные компоненты , корреляции , классификации ) в наборах данных.
КЛ-ОДИН: Известная система представления знаний в традиции семантических сетей и фреймов ; то есть это язык фреймов . Система представляет собой попытку преодолеть семантическую нечеткость в представлениях семантической сети и явно представить концептуальную информацию в виде структурированной сети наследования. ^[211]^[212]^[213]
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 первоначальных задач, связанных с разработкой экспертной системы, а именно поиска и опроса экспертов в предметной области и сбора их знаний с помощью правил , объектов и на основе фреймов онтологий .
система, основанная на знаниях (KBS): Компьютерная программа , которая рассуждает и использует базу знаний для решения сложных задач . Этот термин широк и относится к множеству различных типов систем. Одна общая тема, которая объединяет все системы, основанные на знаниях, — это попытка явного представления знаний и система рассуждений , которая позволяет 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 созданием, обслуживанием и использованием систем, основанных на знаниях .
извлечение знаний: Создание знаний из структурированных ( реляционные базы данных , XML ) и неструктурированных ( текст , документы, изображения ) источников. Полученные знания должны быть в машиночитаемом и машиноинтерпретируемом 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 . Он требует либо повторного использования существующих формальных знаний (повторное использование идентификаторов или онтологий ), либо генерации схемы на основе исходных данных.
Формат обмена знаниями (КАК): Компьютерный язык, предназначенный для того, чтобы позволить 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 них его основная роль заключается не в качестве основы для выражения или использования знаний, а скорее в обмене знаниями между системами. Дизайнеры KIF сравнили его с PostScript . PostScript был разработан в первую очередь не как язык для хранения документов и управления ими, а скорее как формат обмена между системами и устройствами 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 рассуждение (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 ведение диалога на естественном языке . Представление знаний включает в себя выводы психологии. ^[214]о том, как люди решают проблемы и представляют знания, чтобы разрабатывать формализмы , которые упростят проектирование и создание сложных систем. Представление знаний и рассуждения также включают результаты логики для автоматизации различных видов рассуждений , таких как применение правил или отношений множеств и подмножеств . ^[215]Примеры формализмов представления знаний включают семантические сети , архитектуру систем , фреймы , правила и онтологии . Примеры автоматизированных механизмов рассуждения включают машины вывода , средства доказательства теорем и классификаторы.

Л [ править ]

языковая модель: Вероятностная модель, манипулирующая естественным языком .
большая языковая модель (LLM): Языковая модель с большим количеством параметров (обычно не менее миллиарда), которые корректируются во время обучения. Из-за своего размера для обучения требуется много данных и вычислительных мощностей. Большие языковые модели обычно основаны на архитектуре преобразователя . ^[216]
ленивое обучение: В машинном обучении ленивое обучение — это метод обучения, при котором обобщение обучающих данных теоретически откладывается до тех пор, пока к системе не будет сделан запрос, в отличие от нетерпеливого обучения , когда система пытается обобщить обучающие данные перед получением. запросы.
Лисп (язык программирования) (LISP): Семейство языков программирования с долгой историей и характерной , заключенной в круглые скобки префиксной записью . ^[217]
логическое программирование: Тип парадигмы программирования , в значительной степени основанный на формальной логике . Любая программа, написанная на языке логического программирования, представляет собой набор предложений в логической форме, выражающих факты и правила, относящиеся к некоторой проблемной области. Основные семейства языков логического программирования включают Prolog , программирование набора ответов (ASP) и Datalog .
длинная кратковременная память (LSTM): искусственной рекуррентной нейронной сети Архитектура ^[218]используется в области глубокого обучения . В отличие от стандартных нейронных сетей прямого распространения , LSTM имеет соединения обратной связи, которые делают его «компьютером общего назначения» (то есть он может вычислять все, что может машина Тьюринга ). ^[219] Он может обрабатывать не только отдельные точки данных (например, изображения), но и целые последовательности данных (например, речь или видео).

М [ 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 считать отличной от компьютерного зрения , формы информатики . Он пытается по-новому интегрировать существующие технологии и применить их для решения проблем реального мира. 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 которой вероятность каждого события зависит только от состояния, достигнутого в предыдущем событии. ^[220]^[221]^[222]
Марковский процесс принятия решений (MDP): Стохастический дискретным временем процесс управления с . 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 исследовании операций — выбор лучшего элемента (по некоторому критерию) из некоторого набора доступных альтернатив. ^[223]
машинное обучение (МО): Научное исследование алгоритмов , и статистических моделей которые компьютерные системы используют для эффективного выполнения конкретной задачи без использования явных инструкций, вместо этого полагаясь на закономерности и логические выводы.
машинное прослушивание: Общая область изучения алгоритмов и систем машинного понимания звука. ^[224]^[225]
машинное восприятие: Способность компьютерной системы интерпретировать данные таким же образом, как люди используют свои чувства для взаимодействия с окружающим миром. ^[226]^[227]^[228]
конструкция механизма: Область экономики и теории игр , использующая 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 инженерии, которая фокусируется на разработке как электрических так и механических систем , а также включает в себя сочетание робототехники , электроники , компьютеров , телекоммуникаций , систем , управления и разработки продуктов . ^[229]^[230]
реконструкция и моделирование метаболической сети: Позволяет глубже понять молекулярные механизмы конкретного организма. В частности, эти модели соотносят геном с молекулярной физиологией. ^[231]
метаэвристический: В информатике и математической оптимизации метаэвристика — это процедура или эвристика более высокого уровня , предназначенная для поиска, генерации или выбора эвристики ( алгоритма частичного поиска ), которая может обеспечить достаточно хорошее решение задачи оптимизации , особенно с неполной или несовершенной информацией. или ограниченная вычислительная мощность. ^[232]^[233] Метаэвристика выбирает набор решений, который слишком велик, чтобы его можно было выбрать полностью.
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 имеются в виду аппаратные или программные системы, тогда как спецификация содержит требования безопасности, такие как отсутствие взаимоблокировок системы и подобных критических состояний, которые могут привести к сбою . Проверка модели — это метод автоматической проверки свойств корректности систем с конечным числом состояний .
установка настроения: В логике высказываний modus ponens — это правило вывода . ^[234] Его можно резюмировать так: « P подразумевает Q , а P утверждается как истинное, следовательно, Q должно быть истинным».
удаление метода: В логике высказываний modus tollens является допустимой формой аргумента и правилом вывода . Это применение общей истины, согласно которой, если утверждение истинно, то и его противоположность является истинной . Правило вывода modus tollens утверждает, что вывод из P подразумевает Q, а отрицание Q подразумевает, что отрицание P допустимо.
Поиск по дереву Монте-Карло: В информатике поиск по дереву Монте-Карло (MCTS) — это эвристический алгоритм поиска для некоторых видов процессов принятия решений .
мультиагентная система (МАС): Компьютеризированная система, состоящая из множества взаимодействующих интеллектуальных агентов . Мультиагентные системы могут решать проблемы, которые сложно или невозможно отдельному агенту или монолитной системе решить . Интеллект может включать методический , функциональный , процедурный подходы, алгоритмический поиск или обучение с подкреплением .
многороевая оптимизация: Вариант оптимизации роя частиц (PSO), основанный на использовании нескольких подроев вместо одного (стандартного) роя. Общий подход к оптимизации нескольких роев заключается в том, что каждый под-рой фокусируется на определенном регионе, в то время как конкретный метод диверсификации решает, где и когда запускать под-рои. Структура мульти-роя особенно подходит для оптимизации мультимодальных задач, где существует несколько (локальных) оптимумов.
мутация: Генетический оператор , используемый для поддержания генетического разнообразия от одного поколения популяции генетического алгоритма хромосом к другому. Это аналогично биологической мутации . Мутация изменяет одно или несколько значений гена в хромосоме по сравнению с его исходным состоянием. При мутации решение может полностью измениться по сравнению с предыдущим решением. Следовательно, GA может прийти к лучшему решению, используя мутацию. Мутация происходит в ходе эволюции в соответствии с вероятностью мутации, определяемой пользователем. Эту вероятность следует установить низкой. Если оно установлено слишком высоким, поиск превратится в примитивный случайный поиск.
Мицин: Ранняя обратной цепочки экспертная система , которая использовала искусственный интеллект для выявления бактерий, вызывающих тяжелые инфекции, такие как бактериемия и менингит , и рекомендовала антибиотики с дозировкой, адаптированной к массе тела пациента – название, полученное от самих антибиотиков, поскольку многие антибиотики имеют название суффикс «-мицин». Система MYCIN также использовалась для диагностики заболеваний свертываемости крови.

Н [ править ]

наивный классификатор Байеса: В машинном обучении наивные классификаторы Байеса представляют собой семейство простых вероятностных классификаторов, основанных на применении теоремы Байеса с сильными (наивными) предположениями о независимости между признаками.
наивная семантика: Подход, используемый в информатике для представления базовых знаний о конкретной области, а также в таких приложениях, как представление значения предложений естественного языка в приложениях искусственного интеллекта. В общем смысле этот термин использовался для обозначения использования ограниченного хранилища общепонятных знаний о конкретной области в мире и применялся к таким областям, как проектирование схем данных, основанное на знаниях. ^[235]
привязка имени: В языках программирования привязка имен — это ассоциация сущностей (данных и/или кода) с идентификаторами . ^[236]Говорят, что идентификатор, привязанный к объекту, ссылается на этот объект. В машинных языках нет встроенного понятия идентификаторов, но привязка имени к объекту как услуга и нотация для программиста реализуются языками программирования. Привязка тесно связана с областью видимости , поскольку область видимости определяет, какие имена привязываются к каким объектам – в каких местах программного кода ( лексически ) и в каком из возможных путей выполнения ( временно ). Использование идентификатора id в контексте, который устанавливает привязку для idназывается связывающим (или определяющим) явлением. Во всех других случаях (например, в выражениях, присваиваниях и вызовах подпрограмм) идентификатор обозначает то, с чем он связан; такие явления называются прикладными явлениями.
распознавание именованных объектов (NER): Подзадача извлечения информации , целью которой является поиск и классификация названных объектов упоминаний 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 сети , в которой набор операторов Resource Description Framework ( график ) идентифицируется с помощью URI . ^[237]позволяя делать описания этого набора утверждений, такие как контекст, информация о происхождении или другие подобные метаданные . Именованные графы — это простое расширение модели данных RDF. ^[238] с помощью которого можно создавать графики, но в модели отсутствуют эффективные средства различения между ними после их публикации в Интернете .
генерация естественного языка (NLG): Программный процесс, который преобразует структурированные данные в контент на простом английском языке. Его можно использовать для создания подробного контента для организаций для автоматизации пользовательских отчетов, а также для создания пользовательского контента для веб-приложений или мобильных приложений. Его также можно использовать для создания коротких фрагментов текста в интерактивных беседах ( чат-бот ), которые могут даже быть прочитаны вслух системой преобразования текста в речь .
обработка естественного языка (НЛП): Подобласть информатики, информационной инженерии и искусственного интеллекта, занимающаяся взаимодействием между компьютерами и человеческими (естественными) языками, в частности, тем, как программировать компьютеры для обработки и анализа больших объемов данных на естественном языке .
программирование на естественном языке: Способ онтологий с использованием программирования с использованием предложений естественного языка , например английского . ^[239]
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 самые разнообразные подграфы. Одним из важных локальных свойств сетей являются так называемые сетевые мотивы, которые определяются как повторяющиеся и статистически значимые подграфы или шаблоны.
нейронный машинный перевод (NMT): Подход к машинному переводу , который использует большую искусственную нейронную сеть для прогнозирования вероятности последовательности слов, обычно моделируя целые предложения в одной интегрированной модели.
нейронная сеть: Нейронная сеть может относиться либо к нейронной цепи биологических нейронов (иногда также называемой биологической нейронной сетью ), либо к сети искусственных нейронов или узлов в случае искусственной нейронной сети . ^[240]Искусственные нейронные сети используются для решения задач искусственного интеллекта (ИИ); они моделируют связи биологических нейронов как веса между узлами. Положительный вес отражает возбуждающую связь, а отрицательные значения означают тормозящие связи. Все входные данные модифицируются по весу и суммируются. Эта деятельность называется линейной комбинацией . Наконец, функция активации контролирует амплитуду выходного сигнала. Например, приемлемый диапазон выходных данных обычно составляет от 0 до 1 или от −1 до 1.
нейронная машина Тьюринга (НТМ): Рекуррентная модель нейронной сети . НТМ сочетают в себе по нечеткому сопоставлению возможности нейронных сетей с алгоритмической мощью программируемых компьютеров . NTM имеет контроллер нейронной сети, связанный с ресурсами внешней памяти , с которыми он взаимодействует посредством механизмов внимания. Взаимодействия с памятью являются сквозными дифференцируемыми, что позволяет оптимизировать их с помощью градиентного спуска . ^[241] NTM с сетевым контроллером с длинной краткосрочной памятью (LSTM) может выводить простые алгоритмы, такие как копирование, сортировка и ассоциативный вызов, только на примерах. ^[242]
нейро-нечеткий: Комбинации искусственных нейронных сетей и нечеткой логики .
нейрокибернетика: Прямой путь 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, улучшение или восстановление когнитивных или сенсомоторных функций человека. ^[243]
нейроморфная инженерия: Концепция, описывающая использование систем очень большой интеграции (СБИС), содержащих электронные аналоговые схемы для имитации нейробиологической архитектуры, присутствующей в нервной системе. ^[244]В последнее время термин «нейроморфный» стал использоваться для описания аналоговых, цифровых, смешанных аналогово-цифровых СБИС и программных систем, реализующих модели нейронных систем (для восприятия , управления движением или мультисенсорной интеграции ). Реализация нейроморфных вычислений на аппаратном уровне может быть реализована с помощью мемристоров на основе оксидов , ^[245] спинтронные воспоминания, ^[246] пороговые переключатели и транзисторы . ^[247]^[248]^[249]^[250]
узел: Базовая единица структуры данных , например связанный список или древовидная структура данных. Узлы содержат данные , а также могут быть связаны с другими узлами. Ссылки между узлами часто реализуются указателями .
недетерминированный алгоритм: Алгоритм , который даже для одних и тех же входных данных может демонстрировать разное поведение при разных запусках, в отличие от детерминированного алгоритма .
новый ИИ: Nouvelle AI отличается от классического искусственного интеллекта тем, что стремится создавать роботов с уровнем интеллекта, подобным насекомым. Исследователи полагают, что интеллект может возникнуть органично из простого поведения, когда этот интеллект взаимодействует с «реальным миром», вместо использования сконструированных миров, которые символический ИИ обычно должен был запрограммировать в них. ^[251]
НАПРИМЕР: 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 задач , где ответ «да», имеют доказательства , проверяемые за полиномиальное время . ^[252]^{[Примечание 1]}
NP-полнота: В теории сложности вычислений задача является NP-полной, если она может быть решена с помощью ограниченного класса алгоритмов поиска методом перебора и может использоваться для моделирования любой другой задачи с помощью аналогичного алгоритма. Точнее, каждый вход в задачу должен быть связан с набором решений полиномиальной длины, достоверность которых можно быстро проверить (за полиномиальное время) . ^[253]), так что выход для любого входа будет «да», если набор решений непустой, и «нет», если он пуст.
NP-твердость: В теории сложности вычислений — определяющее свойство класса задач, которые, неформально, «по меньшей мере так же сложны, как и самые сложные задачи в NP». Простым примером NP-трудной задачи является задача о сумме подмножеств .

Или [ править ]

бритва Оккама: Принцип решения проблем, который гласит, что при представлении конкурирующих гипотез , делающих одни и те же прогнозы, следует выбрать решение с наименьшим количеством предположений; ^[254]этот принцип не предназначен для фильтрации гипотез, которые делают разные прогнозы. Идея приписывается английскому -францисканцу монаху Уильяму Оккаму ( ок. 1287–1347), схоластическому философу и теологу .
оффлайн обучение
машинное обучение онлайн: Метод машинного обучения , при котором данные становятся доступными в последовательном порядке и используются для обновления лучшего предиктора для будущих данных на каждом этапе, в отличие от методов пакетного обучения, которые генерируют лучший предиктор путем одновременного обучения на всем наборе обучающих данных. . Онлайн-обучение — это распространенный метод, используемый в областях машинного обучения, где вычислительно невозможно обучить весь набор данных, что требует использования внешних алгоритмов. Он также используется в ситуациях, когда алгоритму необходимо динамически адаптироваться к новым закономерностям в данных или когда сами данные генерируются как функция времени.
обучение онтологии: Автоматическое или полуавтоматическое создание онтологий , включая извлечение соответствующих терминов предметной области и отношений между понятиями , которые эти термины представляют, из корпуса текста на естественном языке, а также их кодирование с помощью языка онтологий для облегчения поиска.
ОпенАИ: Коммерческая корпорация OpenAI LP, материнской организацией которой является некоммерческая организация OpenAI Inc. ^[255] которая проводит исследования в области искусственного интеллекта (ИИ) с заявленной целью продвижения и развития дружественного ИИ таким образом, чтобы принести пользу человечеству в целом.
OpenCog: Проект, целью которого является создание платформы искусственного интеллекта с открытым исходным кодом . OpenCog Prime — это архитектура для роботизированного и виртуального воплощенного познания , которая определяет набор взаимодействующих компонентов, предназначенных для создания общего искусственного интеллекта (AGI), эквивалентного человеческому, как возникающего явления всей системы. ^[256]
Открытый разум, здравый смысл: Проект искусственного интеллекта, базирующийся в Массачусетского технологического института (MIT) Медиа-лаборатории , целью которого является создание и использование большой базы знаний на основе вклада многих тысяч людей в Интернете.
программное обеспечение с открытым исходным кодом (OSS): Тип компьютерного программного обеспечения которого , исходный код распространяется по лицензии , согласно которой владелец авторских прав предоставляет пользователям права на изучение, изменение и распространение программного обеспечения кому угодно и для любых целей. ^[257] с открытым исходным кодом Программное обеспечение может разрабатываться совместно с общественностью . Программное обеспечение с открытым исходным кодом является ярким примером открытого сотрудничества . ^[258]

П [ править ]

Параметр#Искусственный_Интеллект
частичное сокращение заказа: Метод уменьшения размера пространства состояний, в котором осуществляется поиск, с помощью проверки модели или автоматического планирования и планирования алгоритма . Он использует коммутативность одновременно выполняемых переходов , которые приводят к одному и тому же состоянию при выполнении в разных порядках.
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 основное состояние. 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 задачу, итеративно пытаясь улучшить возможное решение с учетом заданной меры качества. Он решает проблему, имея совокупность возможных решений, называемых здесь частицами , и перемещая эти частицы в пространстве поиска в соответствии с простыми математическими формулами относительно положения и скорости частицы. На движение каждой частицы влияет ее локальное 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: Занимается автоматическим обнаружением закономерностей в данных с помощью компьютерных алгоритмов и использованием этих закономерностей для принятия таких действий, как классификация данных по различным категориям. ^[259]
логика предикатов: Коллекция формальных систем, используемых в математике , философии , лингвистике и информатике . Логика первого порядка использует количественные переменные вместо нелогических объектов и позволяет использовать предложения, содержащие переменные, так что вместо таких предложений, как « Сократ — это человек» , можно иметь выражения в форме «существует x такой, что x есть Сократ и x — человек», и существует квантификатор, а x — переменная. ^[178] Это отличает ее от пропозициональной логики , которая не использует кванторы или отношения ; ^[260] в этом смысле логика высказываний является основой логики первого порядка.
прогнозная аналитика: Разнообразные статистические методы, включая интеллектуальный анализ данных , прогнозное моделирование и машинное обучение , которые анализируют текущие и исторические факты, чтобы делать прогнозы о будущих или неизвестных событиях. ^[261]^[262]
анализ главных компонент (PCA): Статистическая процедура, использующая ортогональное преобразование для преобразования набора наблюдений возможно коррелирующих переменных (объектов, 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 изменчивость 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 n наблюдений) представляют собой некоррелированный ортогональный базисный набор . PCA чувствителен к относительному масштабированию исходных переменных.
принцип рациональности: Принцип, сформулированный Карлом Р. Поппером в его Гарвардской лекции 1963 года и опубликованный в его книге «Миф о структуре» . ^[263] Это связано с тем, что он назвал «логикой ситуации» в статье «Экономика» 1944–1945 годов, опубликованной позже в его книге « Бедность историзма» . ^[264]Согласно принципу рациональности Поппера, агенты действуют наиболее адекватно объективной ситуации. Это идеализированная концепция человеческого поведения, которую он использовал в качестве модели ситуационного анализа .
вероятностное программирование (ПП): Парадигма программирования , в которой задаются вероятностные модели и вывод для этих моделей выполняется автоматически. ^[265] Он представляет собой попытку объединить вероятностное моделирование и традиционное программирование общего назначения, чтобы сделать первое более простым и более широко применимым. ^[266]^[267]Его можно использовать для создания систем, помогающих 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 вывода . Языки программирования используются в компьютерном программировании для реализации алгоритмов .
Пролог: Язык логического программирования , связанный с искусственным интеллектом и компьютерной лингвистикой . ^[268]^[269]^[270]Пролог уходит своими корнями в логику первого порядка , формальную логику , и в отличие от многих других языков программирования , Пролог задуман в первую очередь как декларативный язык программирования: логика программы выражается в терминах отношений, представленных в виде фактов и правил . Вычисление инициируется путем выполнения запроса по этим отношениям. ^[271]
исчисление высказываний: Раздел логики , который занимается 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 дело с нелогическими объектами, предикатами о них или кванторами. Однако весь механизм логики высказываний включен в логику первого порядка и логику высшего порядка. В этом смысле логика высказываний является основой логики первого порядка и логики высшего порядка.
Питон: Интерпретируемый , высокоуровневый и впервые выпущенный в 1991 году . общего назначения язык программирования созданный Гвидо ван Россумом Философия дизайна Python подчеркивает читаемость кода за счет заметного использования значительных пробелов . Его языковые конструкции и объектно-ориентированный подход призваны помочь программистам писать понятный и логичный код для небольших и крупномасштабных проектов. ^[272]

Вопрос [ править ]

квалификационная проблема: В философии и искусственном интеллекте (особенно в системах, основанных на знаниях ) проблема квалификации связана с невозможностью перечислить все предварительные условия , необходимые для того, чтобы действие в реальном мире имело запланированный эффект. ^[273]^[274]Это можно было бы сформулировать как борьбу с вещами, которые мешают мне достичь намеченного результата . Она тесно связана с стороне разветвления и противоположна ее проблемой фрейма . ^[273]
квантификатор: В логике количественная оценка определяет количество экземпляров в области дискурса , которые удовлетворяют открытой формуле . Два наиболее распространенных квантора означают « для всех » и « существует ». Например, в арифметике кванторы позволяют сказать, что натуральные числа продолжаются вечно, записывая, что для всех n (где n — натуральное число) существует другое число (скажем, последующее n), которое на единицу больше. чем н.
квантовые вычисления: Использование квантово-механических явлений, таких как суперпозиция и запутанность, для выполнения вычислений . Для выполнения таких вычислений используется квантовый компьютер, который может быть реализован теоретически или физически. ^[275]^{: И-5}
язык запросов: Языки запросов или языки запросов к данным (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 для поиска информации . Разница в том, что язык запросов к базе данных пытается дать фактические ответы на фактические вопросы, тогда как язык запросов для поиска информации пытается найти документы, содержащие информацию, относящуюся к области исследования.

Р [ править ]

язык программирования R: Язык программирования и бесплатная программная среда для статистических вычислений и графики, поддерживаемые R Foundation for Statistical Computing. ^[276] Язык R широко используется статистиками и сборщиками данных для разработки статистического программного обеспечения. ^[277] и анализ данных . ^[278]
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 радиальных базисных функций 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 Королевского института сигналов и радаров . ^[279]^[280]^[281]
случайный лес: Метод ансамблевого обучения для классификации , регрессии и других задач, который работает путем построения множества деревьев решений во время обучения и вывода класса, который является режимом классов (классификация) или средним предсказанием (регрессия) отдельных деревьев. ^[282]^[283] Случайные леса решений корректируют привычку деревьев решений подстраиваться под свой обучающий набор . ^[284]
система рассуждений: В информационных технологиях система рассуждений — это программная система , которая генерирует выводы на основе имеющихся знаний с использованием логических методов, таких как дедукция и индукция . Системы рассуждения 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 временное динамическое поведение. 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 рукописного текста. ^[285] или распознавание речи . ^[286]^[287]
исчисление связей между регионами
обучение с подкреплением (RL): Область машинного обучения , связанная с тем, как программные агенты должны действовать в окружающей среде, чтобы максимизировать некоторое понятие совокупного вознаграждения. Обучение с подкреплением — 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 требуется представлять помеченные пары ввода/вывода и не нужно явно корректировать неоптимальные действия. Вместо этого основное внимание уделяется поиску баланса между исследованием (неизведанной территории) и эксплуатацией (современных знаний). ^[288]
Обучение с подкреплением на основе обратной связи с человеком (RLHF): Техника, включающая обучение «модели вознаграждения» для прогнозирования того, как люди оценивают качество создаваемого контента, а затем обучение генеративной модели ИИ для удовлетворения этой модели вознаграждения посредством обучения с подкреплением . Его можно использовать, например, для того, чтобы сделать генеративную модель ИИ более правдивой или менее вредной. ^[289]
расчет пласта: Платформа для вычислений, которую можно рассматривать как расширение нейронных сетей . ^[290]Обычно входной сигнал подается в фиксированную (случайную) динамическую систему , называемую резервуаром, и динамика резервуара отображает входные данные в более высоком измерении. Затем простой механизм считывания обучается считывать состояние резервуара и отображать его на желаемый результат. Основное преимущество заключается в том, что обучение осуществляется только на этапе считывания и резервуар фиксируется. Жидкостные машины ^[291] и эхо-сетей штата ^[292] Это два основных типа пластовых вычислений. ^[293]
Структура описания ресурсов (RDF): Семейство Консорциума World Wide Web (W3C). спецификаций ^[294]изначально разработанный как метаданных модель . Он стал использоваться в качестве общего метода концептуального описания или моделирования информации, реализованной в веб-ресурсах , с использованием различных синтаксических обозначений и сериализации данных форматов . Он также используется в приложениях для управления знаниями .
ограниченная машина Больцмана (RBM): Генеративная , стохастическая искусственная нейронная сеть которая может изучать распределение вероятностей по набору входных данных.
Алгоритм Рете: Алгоритм сопоставления с образцом систем , для реализации основанных на правилах . 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 сработать, на основе хранилища данных и 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 и манипулирования знаниями для полезной интерпретации информации. Он часто используется в приложениях и исследованиях искусственного интеллекта. Обычно термин « система, основанная на правилах» , применяется к системам, включающим созданные человеком или курируемые наборы правил. Системы, основанные на правилах, построенные с использованием автоматического вывода правил, такие как машинное обучение на основе правил , обычно исключаются из этого типа систем.

С [ править ]

выполнимость: В математической логике выполнимость и обоснованность являются элементарными понятиями семантики . Формула , является выполнимой если можно найти интерпретацию ( модель ), которая делает формулу истинной. ^[295]Формула действительна , если все интерпретации делают ее истинной. Противоположностями этих понятий являются невыполнимость и недействительность, то есть формула невыполнима, если ни одна из интерпретаций не делает формулу истинной, и недействительна, если какая-то такая интерпретация делает формулу ложной. Эти четыре понятия связаны друг с другом точно так же, как Аристотеля оппозиции квадрат .
алгоритм поиска: Любой алгоритм , который решает задачу поиска , а именно, извлекает информацию, хранящуюся в некоторой структуре данных или вычисляемую в пространстве поиска проблемной области , с дискретными или непрерывными значениями .
выбор: Этап генетического алгоритма , на котором из популяции выбираются отдельные геномы для последующего разведения (с помощью оператора скрещивания ).
самоуправление: Процесс, посредством 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 понятия , и ребер , которые представляют семантические отношения между понятиями. ^[296] отображение или соединение семантических полей .
семантический мыслитель: Часть программного обеспечения, способная выводить логические следствия из набора установленных фактов или аксиом . Понятие семантического рассуждения обобщает понятие машины вывода , предоставляя более богатый набор механизмов для работы. Правила вывода обычно задаются с помощью языка онтологий и часто языка логики описания . Многие исследователи используют логику предикатов первого порядка для рассуждений ; Вывод обычно осуществляется путем прямого и обратного связывания .
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, четкого выбора одного фрагмента информации) или для ответа на более нечеткие и широко открытые вопросы посредством сопоставления шаблонов и цифровых рассуждений .
семантика: В теории языков программирования семантика — это область, связанная со строгим математическим исследованием значения языков программирования . Он делает это, оценивая значение синтаксически допустимых строк , определенных конкретным языком программирования, и показывая необходимые вычисления. В таком случае, когда оценка будет состоять из синтаксически недопустимых строк, результатом будет отсутствие вычислений. Семантика описывает процессы, которым следует компьютер при выполнении программы на этом конкретном языке. Это можно показать, описав взаимосвязь между входными и выходными данными программы или объяснив, как программа будет выполняться на определенной платформе , тем самым создав модель вычислений .
сенсорный синтез: Объединение сенсорных данных или данных, полученных из разрозненных источников, таким образом, чтобы полученная информация имела меньшую неопределенность, чем это было бы возможно при использовании этих источников по отдельности.
логика разделения: Расширение логики Хоара , способ рассуждения о программах. Язык утверждений логики разделения является частным случаем логики группированных импликаций (BI). ^[297]
обучение по сходству: Область контролируемого машинного обучения в области искусственного интеллекта. Он тесно связан с регрессией и классификацией , но цель состоит в том, чтобы изучить функцию сходства, которая измеряет, насколько похожи или связаны два объекта. Он имеет приложения для ранжирования , в системах рекомендаций , визуального отслеживания личности, проверки лица и проверки говорящего.
имитация отжига (SA): Вероятностный метод аппроксимации глобального оптимума заданной функции . В частности, это метаэвристика для аппроксимации глобальной оптимизации в большом пространстве поиска для задачи оптимизации .
Ситуационный подход: В исследованиях искусственного интеллекта ситуационный подход создает агентов, которые предназначены для эффективного и успешного поведения в своей среде. Это требует разработки ИИ «снизу вверх», сосредоточив внимание на базовых перцептивных и моторных навыках, необходимых для выживания. Ситуационный подход отдает гораздо меньший приоритет абстрактному мышлению или навыкам решения проблем.
ситуационный расчет: Логический формализм , предназначенный для представления и рассуждений о динамических областях.
Выборочное линейное разрешение определенного предложения: Основное правило вывода, используемое в логическом программировании . Это уточнение резолюции , которое является одновременно обоснованным и полным опровержением положений Хорна .
программное обеспечение: Набор данных или компьютерных инструкций, которые сообщают компьютеру, как работать. В этом отличие от физического оборудования , 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 в себя компьютерные программы , библиотеки и связанные с ними неисполняемые данные , такие как онлайн-документация или цифровые носители .
разработка программного обеспечения: Применение инженерии к разработке систематическим программного обеспечения методом. ^[298]^[299]^[300]
пространственно-временное мышление: Область искусственного интеллекта, основанная на компьютерных науках , когнитивной науке и когнитивной психологии . Теоретическая цель — с когнитивной стороны — предполагает представление и рассуждение пространственно-временных знаний в уме. Прикладная цель — с точки зрения вычислений — предполагает разработку систем управления автоматами высокого уровня для навигации и понимания времени и пространства.
СПАРКЛ: Язык запросов RDF , то есть язык семантических запросов для баз данных , способный извлекать и манипулировать данными, хранящимися в формате Resource Description Framework (RDF) . ^[301]^[302]
распознавание речи: Междисциплинарная область компьютерной лингвистики , которая разрабатывает методологии и технологии, позволяющие распознавать и переводить разговорную речь в текст с помощью компьютеров. Он также известен 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 .
импульсная нейронная сеть (SNN): Искусственная нейронная сеть , которая более точно имитирует естественную нейронную сеть. ^[303] Помимо состояния нейронов и синапсов концепцию времени , SNN включают в свою операционную модель .
состояние: В информационных технологиях и информатике программа описывается как сохраняющая состояние, если она предназначена для запоминания предыдущих событий или действий пользователя; ^[304] запоминаемая информация называется состоянием системы.
статистическая классификация: В машинном обучении и статистике классификация — это проблема определения того, к какой из наборов категорий ( подгрупп) принадлежит новое наблюдение, на основе обучающего набора данных, содержащих наблюдения (или экземпляры), принадлежность к категории которых известна. Примерами могут служить отнесение данного электронного письма к классу «спам» или «не спам» , а также назначение диагноза данному пациенту на основе наблюдаемых характеристик пациента (пол, артериальное давление, наличие или отсутствие определенных симптомов и т. д.). . Классификация является примером распознавания образов .
статистическое реляционное обучение (SRL): Поддисциплина искусственного интеллекта и машинного обучения , которая занимается моделями предметной области , которые демонстрируют как неопределенность (с которой можно справиться с помощью статистических методов), так и сложную реляционную структуру. ^[305]^[306]Обратите внимание, что в литературе SRL иногда называют реляционным машинным обучением (RML). Обычно 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 моделировать неопределенность; некоторые также основываются на методах индуктивного логического программирования .
стохастическая оптимизация (СО): Любой оптимизации метод , генерирующий и использующий случайные переменные . В стохастических задачах случайные величины появляются в формулировке самой задачи оптимизации, которая включает в себя 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, сочетая оба значения стохастической оптимизации. ^[307] Методы стохастической оптимизации обобщают детерминированные методы для решения детерминированных задач.
стохастический семантический анализ: Подход, используемый в информатике как семантический компонент понимания естественного языка . Стохастические модели обычно используют определение сегментов слов как основных семантических единиц семантических моделей, а в некоторых случаях включают двухуровневый подход. ^[308]
Средство решения проблем Стэнфордского исследовательского института (STRIPS)
Эксперт предметной области
сверхинтеллект: Гипотетический агент , обладающий интеллектом , намного превосходящим интеллект самых ярких и одаренных людей. Сверхинтеллект также может относиться к свойству систем решения проблем (например, сверхразумных языковых переводчиков или помощников инженеров), независимо от того, воплощены ли эти интеллектуальные компетенции высокого уровня в агентах, действующих в физическом мире. Сверхразум может быть создан, а может и не быть создан в результате интеллектуального взрыва и связан с технологической сингулярностью .
контролируемое обучение: Задача машинного обучения по изучению функции, которая сопоставляет входные данные с выходными данными на основе примеров пар ввода-вывода. ^[309] Он выводит функцию из помеченные обучающие данные , состоящие из набора обучающих примеров . ^[310]При обучении с учителем каждый пример представляет собой пару , состоящую из входного объекта (обычно вектора) и желаемого выходного значения (также называемого контролирующим сигналом ). Алгоритм обучения с учителем анализирует данные обучения и создает выведенную функцию, которую можно использовать для отображения новых примеров. Оптимальный сценарий позволит алгоритму правильно определить 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) ^[311]) представляют собой контролируемые модели обучения с соответствующими алгоритмами обучения , которые анализируют данные, используемые для классификации и регрессионного анализа .
роевой интеллект (СИ): Коллективное поведение децентрализованных , систем , самоорганизующихся естественных или искусственных. Выражение было введено в контексте клеточных роботизированных систем. ^[312]
символический искусственный интеллект: Термин, обозначающий совокупность всех методов исследования искусственного интеллекта , основанных на «символических» (удобочитаемых) представлениях проблем, логике и поиске высокого уровня .
синтетический интеллект (СИ): 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. ^[313]^[314]
системная нейробиология: Субдисциплина нейробиологии и системной биологии , изучающая структуру и функции нейронных цепей и систем. Это общий термин, охватывающий ряд областей исследований, посвященных тому, как ведут себя нервные клетки, когда они соединяются вместе, образуя нервные пути , нейронные цепи и более крупные мозговые сети .

Т [ править ]

технологическая сингулярность: Гипотетическая . точка в будущем, когда технологический рост станет неконтролируемым и необратимым, что приведет к непостижимым изменениям в человеческой цивилизации ^[315]^[316]^[317]
обучение временной разнице: Класс без модели методов обучения с подкреплением , которые обучаются путем начальной загрузки текущей оценки функции ценности. Эти методы выбирают данные из окружающей среды, например методы Монте-Карло , и выполняют обновления на основе текущих оценок, как методы динамического программирования . ^[318]
теория тензорных сетей: Теория функций мозга (особенно мозжечка ) , которая предоставляет математическую модель преобразования сенсорных пространственно -временных координат в двигательные координаты и наоборот нейронными сетями мозжечка . Теория развивалась как геометризация функций мозга (особенно центральной нервной системы ) с помощью тензоров . ^[319]^[320]
Тензорфлоу: Бесплатная программирования для с открытым исходным кодом библиотека программного обеспечения для управления потоками данных и дифференцированного решения широкого спектра задач. Это символьная математическая библиотека, которая также используется в приложениях машинного обучения , таких как нейронные сети . ^[321]
теоретическая информатика (TCS): Подраздел общей информатики и математики , который фокусируется на более математических темах вычислений и включает теорию вычислений .
теория вычислений: В теоретической информатике и математике теория вычислений — это раздел, который занимается изучением того, насколько эффективно проблемы могут быть решены на модели вычислений с использованием алгоритма . Эта область разделена на три основных раздела: теория автоматов и языков, теория вычислимости и теория сложности вычислений , которые связаны вопросом: «Каковы фундаментальные возможности и ограничения компьютеров?». ^[322]
Выборка Томпсона: Эвристика задаче выбора действий, которая решает дилемму разведки-эксплуатации в о многоруких бандитах . Он заключается в выборе действия, которое максимизирует ожидаемое вознаграждение относительно случайно выбранного убеждения. ^[323]^[324]
временная сложность: Вычислительная сложность , которая описывает количество времени, необходимое для запуска алгоритма . Временная сложность обычно оценивается путем подсчета количества элементарных операций, выполняемых алгоритмом, при условии, что выполнение каждой элементарной операции занимает фиксированное количество времени. Таким образом, количество затраченного времени и количество элементарных операций, выполняемых алгоритмом, считаются различающимися не более чем в постоянный коэффициент .
трансформатор: Тип архитектуры глубокого обучения, в которой используется механизм многоголового внимания . Трансформаторы устраняют некоторые ограничения LSTM и стали широко использоваться при обработке естественного языка , хотя они также могут обрабатывать другие типы данных, такие как изображения в случае преобразователей зрения . ^[325]
трансгуманизм: Международное философское движение , выступающее за преобразование условий жизни человека путем разработки и широкого распространения сложных технологий, значительно улучшающих человеческий интеллект и физиологию. ^[326]^[327]
переходная система: В теоретической информатике переходная система — это концепция, используемая 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 появляться более чем на одном переходе. Если набор меток является синглтоном , система по сути не имеет меток, и возможно более простое определение, в котором метки отсутствуют.
обход дерева: Форма обхода графа , относящаяся 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 булева формула: В теории сложности вычислений язык TQBF является формальным языком, состоящим из истинных количественных булевых формул. (Полностью) квантифицированная булева формула — это формула в кванторной логике высказываний , в которой каждая переменная количественно определяется (или ограничивается ) с использованием кванторов существования или универсальности в начале предложения. Такая формула эквивалентна либо истинному, либо ложному (поскольку свободных переменных нет). Если такая формула верна, то эта формула написана на языке TQBF. Он также известен как QSAT (Количественный 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, предназначенные для создания человеческих сообщений. -подобные ответы. Оценщик будет знать, что один из двух собеседников является машиной, 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 отображать слова как речь. ^[328]Если оценщик не может достоверно отличить машину от человека, говорят, что машина прошла испытание. Результаты теста не зависят от способности машины давать правильные ответы на вопросы, а лишь от того, насколько близко ее ответы похожи на те, которые дал бы человек.
система типов: В языках программирования - набор правил, которые присваивают свойство, называемое типом, различным конструкциям компьютерной программы , таким как переменные , выражения , функции или модули . ^[329]Эти типы формализуют и реализуют 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. ^[330]путем определения интерфейсов между различными частями компьютерной программы, а затем проверки того, что эти части соединены согласованным образом. Эта проверка может происходить статически (во время компиляции ), динамически (во время выполнения ) или в виде комбинации статической и динамической проверки. У систем типов есть и другие цели, такие как выражение бизнес-правил, обеспечение определенной оптимизации компилятора, возможность множественной отправки , предоставление формы документации и т. д.

У [ править ]

обучение без присмотра: Тип самоорганизованного обучения Хебба , который помогает находить ранее неизвестные закономерности в наборе данных без заранее существовавших меток. Это также известно как самоорганизация и позволяет моделировать плотности вероятности заданных входных данных. ^[331]Это одна из трех основных категорий машинного обучения, наряду с обучением с учителем и обучением с подкреплением . Также было описано обучение с полуконтролем, которое представляет собой гибрид методов с учителем и без учителя.

V [ edit ]

блок обработки изображений (VPU): Тип микропроцессора , предназначенный для ускорения задач машинного зрения . ^[332]^[333]Завершенное выравнивание значений. Аналогично задаче , полной ИИ , проблема полного выравнивания значений — это проблема, проблему управления ИИ . для решения которой необходимо полностью решить ^{[ нужна цитата ]}

В [ править ]

Ватсон: Вопросно -ответная компьютерная система, способная отвечать на вопросы, заданные на естественном языке . ^[334] разработан в рамках проекта IBM DeepQA исследовательской группой под руководством главного исследователя Дэвида Ферруччи . ^[335] Watson был назван в честь первого генерального директора IBM, промышленника Томаса Дж. Уотсона . ^[336]^[337]
слабый ИИ: Искусственный интеллект , ориентированный на одну узкую задачу. ^[338]^[339]^[340]
Консорциум Всемирной паутины (W3C): Основная международная организация по стандартизации Всемирной паутины (сокращенно WWW или W3).

См. также [ править ]

Искусственный интеллект

Ссылки [ править ]

^ Перейти обратно: ^а ^б Например: Джозефсон, Джон Р.; Джозефсон, Сьюзен Г., ред. (1994). Абдуктивный вывод: вычисления, философия, технологии . Кембридж, Великобритания; Нью-Йорк: Издательство Кембриджского университета. дои : 10.1017/CBO9780511530128 . ISBN 978-0521434614 . ОСЛК 28149683 .
^ «Ретродукция» . Commens – цифровой компаньон CS Peirce . Матс Бергман, Сами Паавола и Жоау Кейруш. Архивировано из оригинала 5 июля 2022 года . Проверено 24 августа 2014 г.
^ Колберн, Тимоти; Шут, Гэри (5 июня 2007 г.). «Абстракция в информатике». Разум и машины . 17 (2): 169–184. дои : 10.1007/s11023-007-9061-7 . ISSN 0924-6495 . S2CID 5927969 .
^ Крамер, Джефф (1 апреля 2007 г.). «Является ли абстракция ключом к вычислениям?». Коммуникации АКМ . 50 (4): 36–42. CiteSeerX 10.1.1.120.6776 . дои : 10.1145/1232743.1232745 . ISSN 0001-0782 . S2CID 12481509 .
^ Майкл Гельфонд, Владимир Лифшиц (1998) « Языки действия », Электронные статьи Linköping в области компьютерных и информационных наук , том 3, номер 16 .
^ Джанг, Джых-Шинг Р. (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. Том. 2. стр. 762–767.
^ Джанг, Ж.-СР (1993). «ANFIS: система нечеткого вывода на основе адаптивной сети». Транзакции IEEE по системам, человеку и кибернетике . 23 (3): 665–685. дои : 10.1109/21.256541 . S2CID 14345934 .
^ Абрахам, А. (2005), «Адаптация системы нечеткого вывода с использованием нейронного обучения», в Недже, Надя; Де Маседо Мурель, Луиза (ред.), Инженерия нечетких систем: теория и практика , Исследования в области нечеткости и мягких вычислений, том. 181, Германия: Springer Verlag, стр. 53–83, CiteSeerX 10.1.1.161.6135 , doi : 10.1007/11339366_3 , ISBN. 978-3-540-25322-8
^ Джанг, Сан, Мизутани (1997) – Нейро-нечеткие и мягкие вычисления – Прентис Холл, стр. 335–368, ISBN 0-13-261066-3
^ Тахмасеби, П. (2012). «Гибридные нейронные сети-нечеткая логика-генетический алгоритм оценки оценок» . Компьютеры и геонауки . 42 : 18–27. Бибкод : 2012CG.....42...18T . дои : 10.1016/j.cageo.2012.02.004 . ПМЦ 4268588 . ПМИД 25540468 .
^ Тахмасеби, П. (2010). «Сравнение оптимизированной нейронной сети с нечеткой логикой для оценки содержания руды» . Австралийский журнал фундаментальных и прикладных наук . 4 : 764–772.
^ Рассел, С.Дж.; Норвиг, П. (2002). Искусственный интеллект: современный подход . Прентис Холл. ISBN 978-0-13-790395-5 .
^ Тао, Цзяньхуа; Тьеню Тан (2005). «Аффективные вычисления: обзор». Аффективные вычисления и интеллектуальное взаимодействие . Том. LNCS 3784. Спрингер. стр. 981–995. дои : 10.1007/11573548 .
^ Эль Калиуби, Рана (ноябрь – декабрь 2017 г.). «Нам нужны компьютеры с эмпатией» . Обзор технологий . Том. 120, нет. 6. с. 8. Архивировано из оригинала 7 июля 2018 года . Проверено 6 ноября 2018 г.
↑ Сравнение архитектур агентов. Архивировано 27 августа 2008 г. в Wayback Machine .
^ «Intel представляет USB-ускоритель искусственного интеллекта Movidius Compute Stick» . 21 июля 2017 года. Архивировано из оригинала 11 августа 2017 года . Проверено 28 ноября 2018 г.
^ «Inspurs представляет ускоритель искусственного интеллекта GX4» . 21 июня 2017 г.
^ Шапиро, Стюарт К. (1992). Искусственный интеллект . Стюарт К. Шапиро (ред.), Энциклопедия искусственного интеллекта (второе издание, стр. 54–57). Нью-Йорк: Джон Уайли. (Раздел 4 посвящен «Заданиям, выполняемым ИИ».)
^ Соломонов Р., « Предварительный отчет по общей теории индуктивного вывода », отчет V-131, Zator Co., Кембридж, Массачусетс. (Пересмотр отчета от 4 февраля 1960 г., ноябрь 1960 г.).
^ «Искусственный интеллект: AlphaGo от Google превосходит мастера го Ли Се Доля» . Новости BBC . 12 марта 2016 года . Проверено 17 марта 2016 г.
^ «АльфаГо | ДипМайнд» . ДипМайнд .
^ «Исследовательский блог: AlphaGo: освоение древней игры го с помощью машинного обучения» . Блог исследований Google . 27 января 2016 г.
^ «Google совершает «прорыв» в области искусственного интеллекта, победив чемпиона по го» . Новости BBC . 27 января 2016 г.
^ См. Навоз (1995).
^ См. Беснар и Хантер (2001).
^ см. Бенч-Капон (2002).
^
Определение ИИ как исследования интеллектуальных агентов :
- Пул, Макворт и Гебель 1998 , с. 1 , который предоставляет версию, используемую в этой статье. Обратите внимание, что они используют термин «вычислительный интеллект» как синоним искусственного интеллекта.
- Рассел и Норвиг (2003) (которые предпочитают термин «рациональный агент») и пишут: «Точка зрения всего агента сейчас широко принята в этой области» ( Рассел и Норвиг 2003 , стр. 55).
- Нильссон 1998 г.
- Легг и Хаттер 2007 .
^ Рассел и Норвиг 2009 , с. 2.
^ Хардести, Ларри (14 апреля 2017 г.). «Пояснение: нейронные сети» . Пресс-служба Массачусетского технологического института . Проверено 2 июня 2022 г.
^ Ян, ЗР; Ян, З. (2014). Комплексная биомедицинская физика . Каролинский институт, Стокгольм, Швеция: Elsevier. п. 1. ISBN 978-0-444-53633-4 . Архивировано из оригинала 28 июля 2022 года . Проверено 28 июля 2022 г.
^ «Корпоративные правила AAAI» .
^ Чипрессо, Пьетро; Джильоли, Ирен Алиса Чикки; Рая, из; Рива, Джузеппе (7 декабря 2011 г.). «Прошлое, настоящее и будущее исследований виртуальной и дополненной реальности: сетевой и кластерный анализ литературы» . Границы в психологии . 9 : 2086. doi : 10.3389/fpsyg.2018.02086 . ПМК 6232426 . ПМИД 30459681 .
^ Галлаб, Малик; Итак, Дана С.; Траверсо, Паоло (2004), Автоматизированное планирование: теория и практика , Морган Кауфманн , ISBN 978-1-55860-856-6
^ Кефарт, Дж. О.; Чесс, DM (2003), «Видение автономных вычислений», Computer , 36 : 41–52, CiteSeerX 10.1.1.70.613 , doi : 10.1109/MC.2003.1160055
^ Гериг, Стефан К.; Штейн, Фритьоф Дж. (1999). Счисление пути и картография с использованием стереозрения для автоматизированного автомобиля . Международная конференция IEEE/RSJ по интеллектуальным роботам и системам. Том. 3. Кёнджу. стр. 1507–1512. дои : 10.1109/IROS.1999.811692 . ISBN 0-7803-5184-3 .
^ «Автомобиль Uber сбил женщину в Аризоне, переходившую улицу» . Рейтер . 20 марта 2018 г.
^ Трун, Себастьян (2010). «На пути к роботизированным автомобилям». Коммуникации АКМ . 53 (4): 99–106. дои : 10.1145/1721654.1721679 . S2CID 207177792 .
^ «Главная/домашняя страница информационной инженерии» . Оксфордский университет. Архивировано из оригинала 3 июля 2022 года . Проверено 3 октября 2018 г.
^ Гудфеллоу, Ян; Бенджио, Йошуа; Курвиль, Аарон (2016) Глубокое обучение . МТИ Пресс. п. 196. ISBN 9780262035613
^ Нильсен, Майкл А. (2015). "Глава 6" . Нейронные сети и глубокое обучение . Архивировано из оригинала 8 августа 2022 года . Проверено 5 июля 2022 г.
^ «Глубокие сети: Обзор — Ufldl» . ufldl.stanford.edu . Архивировано из оригинала 16 марта 2022 года . Проверено 4 августа 2017 г.
^ Мозер, MC (1995). «Алгоритм сфокусированного обратного распространения ошибки для распознавания временных образов» . В Шовене, Ю.; Румельхарт, Д. (ред.). Обратное распространение ошибки: теория, архитектура и приложения . Хиллсдейл, Нью-Джерси: Lawrence Erlbaum Associates. стр. 137–169 . Проверено 21 августа 2017 г.
^ Робинсон, Эй.Дж. и Фоллсайд, Ф. (1987). Сеть динамического распространения ошибок, управляемая утилитой (Технический отчет). Кембриджский университет, инженерный факультет. CUED/F-INFENG/TR.1.
^ Вербос, Пол Дж. (1988). «Обобщение обратного распространения ошибки с применением к рекуррентной модели газового рынка» . Нейронные сети . 1 (4): 339–356. дои : 10.1016/0893-6080(88)90007-x .
^ Фейгенбаум, Эдвард (1988). Возникновение экспертной компании . Книги Таймс. п. 317 . ISBN 978-0-8129-1731-4 .
^ Сивич, Йозеф (апрель 2009 г.). «Эффективный визуальный поиск видео в виде текстового поиска» (PDF) . Транзакции IEEE по анализу шаблонов и машинному интеллекту . 31 (4): 591–605. CiteSeerX 10.1.1.174.6841 . дои : 10.1109/TPAMI.2008.111 . ПМИД 19229077 . S2CID 9899337 . Архивировано из оригинала (PDF) 31 марта 2022 года . Проверено 5 июля 2022 г.
^ МакТир и др. 2016, стр. 167
^ «Понимание обратного прохождения через уровень пакетной нормализации» . kratzert.github.io . Проверено 24 апреля 2018 г.
^ Иоффе, Сергей; Сегеди, Кристиан (2015). «Пакетная нормализация: ускорение глубокого обучения сети за счет уменьшения внутреннего ковариатного сдвига». arXiv : 1502.03167 [ cs.LG ].
^ «Глоссарий глубокого обучения: пакетная нормализация» . Medium.com . 27 июня 2017 г. Проверено 24 апреля 2018 г.
^ Фам Д.Т., Ганбарзаде А., Коч Э., Отри С., Рахим С. и Заиди М. Алгоритм пчел. Техническое примечание, Центр производственного инжиниринга, Кардиффский университет, Великобритания, 2005 г.
^ Фам, Д.Т., Кастеллани, М. (2009), Алгоритм пчел - моделирование поведения при поиске пищи для решения проблем непрерывной оптимизации. Архивировано 9 ноября 2016 г. на Wayback Machine . Учеб. ИмехЭ, Часть С, 223(12), 2919-2938.
^ Фам, DT; Кастеллани, М. (2014). «Бенчмаркинг и сравнение природных алгоритмов непрерывной оптимизации на основе населения». Мягкие вычисления . 18 (5): 871–903. дои : 10.1007/s00500-013-1104-9 . S2CID 35138140 .
^ Фам, Дюк Труонг; Кастеллани, Марко (2015). «Сравнительное исследование алгоритма пчел как инструмента оптимизации функций» . Когент Инжиниринг . 2 . дои : 10.1080/23311916.2015.1091540 .
^ Насринпур, HR; Масса Бавани, А.; Тешнехлаб, М. (2017). «Алгоритм сгруппированных пчел: сгруппированная версия алгоритма пчел» . Компьютеры . 6 (1): 5. doi : 10.3390/computers6010005 .
^ Цао, Лунбин (2010). «Углубленное понимание и использование поведения: подход поведенческой информатики». Информационная наука . 180 (17): 3067–3085. arXiv : 2007.15516 . дои : 10.1016/j.ins.2010.03.025 . S2CID 7400761 .
^ Колледанчиз Мишель и Огрен Петтер, 2016. Как деревья поведения модулируют гибридные системы управления и обобщают последовательные композиции поведения, архитектуру субсуммации и деревья решений. В IEEE Transactions on Robotics vol.PP, № 99, стр. 1–18 (2016 г.)
^ Колледанчиз, Мишель; Огрен, Петтер (2018). Деревья поведения в робототехнике и искусственном интеллекте . arXiv : 1709.00084 . дои : 10.1201/9780429489105 . ISBN 9780429950902 . S2CID 27470659 .
^ Брер, Том (июль 2016 г.). «Статистический анализ власти и современный «кризис» социальных наук» . Журнал маркетинговой аналитики . 4 (2–3): 61–65. дои : 10.1057/s41270-016-0001-3 . ISSN 2050-3318 .
^ Бахманн, Пол (1894). Analytische Number Theory [ Аналитическая теория чисел ] (на немецком языке). Том 2. Лейпциг: Тойбнер.
^ Ландау, Эдмунд (1909). Справочник ( по теории распределения простых чисел на немецком языке). Лейпциг: Б. Г. Тойбнер. п. 883.
^ Джон, Тейлор (2009). Гарнье, Роуэн (ред.). Дискретная математика: доказательства, структуры и приложения, третье издание . ЦРК Пресс. п. 620. ИСБН 978-1-4398-1280-8 .
^ Скиена, Стивен С. (2009). Руководство по проектированию алгоритмов . Springer Science & Business Media. п. 77. ИСБН 978-1-84800-070-4 .
^ Эрман, Л.Д.; Хейс-Рот, Ф.; Лессер, В.Р.; Редди, ДР (1980). «Система понимания речи Hearsay-II: интеграция знаний для устранения неопределенности». Обзоры вычислительной техники ACM . 12 (2): 213. дои : 10.1145/356810.356816 . S2CID 118556 .
^ Коркилл, Дэниел Д. (сентябрь 1991 г.). «Системы доски» (PDF) . Эксперт по ИИ . 6 (9): 40–47. Архивировано из оригинала (PDF) 16 апреля 2012 года . Проверено 5 июля 2022 г.
^ * Нии, Х. Йенни (1986). Blackboard Systems (PDF) (Технический отчет). Департамент компьютерных наук Стэнфордского университета. СТАН-CS-86-1123 . Проверено 12 апреля 2013 г.
^ Хейс-Рот, Б. (1985). «Архитектура доски для контроля». Искусственный интеллект . 26 (3): 251–321. дои : 10.1016/0004-3702(85)90063-3 .
^ Хинтон, Джеффри Э. (24 мая 2007 г.). «Машина Больцмана» . Схоларпедия . 2 (5): 1668. Бибкод : 2007SchpJ...2.1668H . doi : 10.4249/scholarpedia.1668 . ISSN 1941-6016 .
^ NZZ-Рождение возможного прародителя щипцами . Сайт Neue Zürcher Zeitung . Озера 16 августа 2013 г.
^ Официальная домашняя страница Roboy. Архивировано 3 августа 2013 г. в Wayback Machine . Сайт Робой. Видно 16 августа 2013 г.
^ Официальная домашняя страница Starmind . Сайт Стармайнд. Видно 16 августа 2013 г.
^ Сабур, Сара; Фрост, Николас; 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 г.
^ Сивера, Хавьер; Чокарли, Матей; Айдемир, Альпер; Бекрис, Костас; Сарма, Санджай (2015). «Специальный выпуск гостевой редакции, посвященный облачной робототехнике и автоматизации» . Транзакции IEEE по автоматизации науки и техники . 12 (2): 396–397. дои : 10.1109/TASE.2015.2409511 . S2CID 16080778 .
^ «Робо-Земля — Новости технологий» . Робо Земля .
^ Голдберг, Кен. «Облачная робототехника и автоматизация» .
^ Ли, Р. «Облачная робототехника: облачные вычисления для роботов» . Проверено 7 декабря 2014 г.
^ Фишер, Дуглас (1987). «Получение знаний посредством поэтапной концептуальной кластеризации» . Машинное обучение . 2 (2): 139–172. дои : 10.1007/BF00114265 .
^ Фишер, Дуглас Х. (июль 1987 г.). «Улучшение вывода посредством концептуальной кластеризации». Материалы конференций AAAI 1987 года . Конференция АААИ. Сиэтл, Вашингтон. стр. 461–465.
^ Иба, Уильям; Лэнгли, Пэт (27 января 2011 г.). «Паутинные модели категоризации и формирования вероятностных концепций». В Потосе, Эммануэль М.; Уиллс, Энди Дж. (ред.). Формальные подходы в категоризации . Кембридж: Издательство Кембриджского университета. стр. 253–273. ISBN 9780521190480 .
^ См. веб-сайт ИКТ: https://cogarch.ict.usc.edu/.
^ «Лаборатория Хьюлетт-Паккард» . Архивировано из оригинала 30 октября 2016 года . Проверено 5 июля 2022 г.
^ Тердиман, Дэниел (2014). Процессор TrueNorth от IBM имитирует человеческий мозг. https://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 мозгоподобных чипов SyNAPSE The Register: 8 августа 2013 г.
^ Деннинг., П.Дж. (2014). «Серфинг в будущее». Коммуникации АКМ . 57 (3): 26–29. дои : 10.1145/2566967 . S2CID 20681733 .
^ Людвиг, Ларс (2013). Расширенная искусственная память: на пути к интегральной когнитивной теории памяти и технологий (pdf) (Диссертация). Технический университет Кайзерслаутерна . Проверено 7 февраля 2017 г.
^ «Исследования в лаборатории HP» .
^ «Автоматизация сложных рабочих процессов с помощью тактических когнитивных вычислений: Козер» . thesiliconreview.com . Проверено 31 июля 2017 г.
^ Когнитивная наука — это междисциплинарная область исследований лингвистики, психологии, нейробиологии, философии, информатики и антропологии, которые стремятся понять разум. Как мы учимся: спросите учёного-когнитивиста
↑ Шрийвер, Александр (1 февраля 2006 г.). Курс комбинаторной оптимизации (PDF), страница 1.
^ ХАЙКИН, С. Нейронные сети - комплексный фундамент. Второе издание. Пирсон Прентис Холл: 1999.
^ «ПРОГРАММЫ СО ЗДРАВЫМ СМЫСЛОМ» . www-formal.stanford.edu . Проверено 11 апреля 2018 г.
^ Дэвис, Эрнест; Маркус, Гэри (2015). «Здравый смысл» . Коммуникации АКМ . Том. 58, нет. 9. С. 92–103. дои : 10.1145/2701413 .
^ Хулстейн Дж. и Нейхолт А. (ред.). Материалы международного семинара по компьютерному юмору. Номер 12 на семинарах Twente по языковым технологиям, Энсхеде, Нидерланды. Университет Твенте, 1996 год.
^ «ACL — Ассоциация компьютерного обучения» .
^ Траппенберг, Томас П. (2002). Основы вычислительной нейронауки. США: Oxford University Press Inc., с. 1. ISBN 978-0-19-851582-1 .
^ Что такое вычислительная нейробиология? Патрисия С. Черчленд, Кристоф Кох, Терренс Дж. Сейновски. в области вычислительной нейронауки, стр. 46-55. Под редакцией Эрика Л. Шварца. 1993. Массачусетский технологический институт Пресс. «Вычислительная нейронаука под редакцией Эрика Л. Шварца» . Архивировано из оригинала 4 июня 2011 года . Проверено 11 июня 2009 г.
^ «Теоретическая нейронаука» . Массачусетский технологический институт Пресс . Архивировано из оригинала 31 мая 2018 года . Проверено 24 мая 2018 г.
^ Герстнер, В.; Кистлер, В.; Науд, Р.; Панинский, Л. (2014). Нейрональная динамика . Кембридж, Великобритания: Издательство Кембриджского университета. ISBN 9781107447615 .
^ Каменский, Л.А.; Лю, К.-Н. (1963). «Компьютерно-автоматизированное проектирование логики распознавания многошрифтной печати» . Журнал исследований и разработок IBM . 7 (1): 2. дои : 10.1147/рд.71.0002 . Архивировано из оригинала 3 марта 2016 года . Проверено 5 июля 2022 г.
^ Брнцик, М. (2000). «Компьютерное автоматизированное проектирование и компьютерное автоматизированное производство». Phys Med Rehabil Clin N Am . 11 (3): 701–13. дои : 10.1016/s1047-9651(18)30806-4 . ПМИД 10989487 .
^ Ли, Ю.; и другие. (2004). «CAutoCSD - Эволюционный поиск и оптимизация позволили разработать автоматизированную систему управления» . Международный журнал автоматизации и вычислений . 1 (1): 76–88. дои : 10.1007/s11633-004-0076-8 . S2CID 55417415 .
^ Крамер, GJE; Грирсон, Делавэр (1989). «Компьютерное автоматизированное проектирование конструкций, подвергающихся динамическим нагрузкам». Компьютеры и конструкции . 32 (2): 313–325. дои : 10.1016/0045-7949(89)90043-6 .
^ Мохаррами, Х; Грирсон, Делавэр (1993). «Компьютерно-автоматизированное проектирование железобетонных конструкций». Журнал строительной техники . 119 (7): 2036–2058. дои : 10.1061/(asce)0733-9445(1993)119:7(2036) .
^ Сюй, Л; Грирсон, Делавэр (1993). «Компьютерно-автоматизированное проектирование полужестких стальных каркасов». Журнал строительной инженерии . 119 (6): 1740–1760. дои : 10.1061/(asce)0733-9445(1993)119:6(1740) .
^ Барсан, генеральный директор; Динсоряну, М. (1997). Компьютерно-автоматизированное проектирование на основе критериев эффективности конструкций, Столетняя конференция Mouchel по инновациям в гражданском и структурном проектировании, 19–21 августа, Кембридж, Англия, Инновации в гражданском и структурном проектировании, 167–172.
^ Ли, Юн (1996). «Генетический алгоритмический автоматизированный подход к проектированию систем управления скользящим режимом». Международный журнал контроля . 63 (4): 721–739. дои : 10.1080/00207179608921865 .
^ Ли, Юн; Чви Ким, Нг; Чен Кай, Тан (1995). «Автоматизация проектирования линейных и нелинейных систем управления с помощью эволюционных вычислений» (PDF) . Тома трудов МФБ . 28 (16): 85–90. дои : 10.1016/S1474-6670(17)45158-5 .
^ Барсан, Г.М., (1995) Компьютерное автоматизированное проектирование полужестких стальных каркасов в соответствии с ЕВРОКОДОМ-3, Северная конференция по стальному строительству, 95, 19–21 июня, 787–794.
^ Грей, Гэри Дж.; Мюррей-Смит, Дэвид Дж.; Ли, Юн; и другие. (1998). «Идентификация структуры нелинейной модели с использованием генетического программирования» (PDF) . Практика управления инженерной деятельностью . 6 (11): 1341–1352. дои : 10.1016/s0967-0661(98)00087-2 .
^ Чжан, Чжи-хуэй; Чэнь, Ни; Чжун, Цзин-хуэй ; «Вычисления и машинное обучение: обзор» . Журнал IEEE Computational Intelligence ( 4 ): 68–75. doi : 10.1109/ . MCI.2011.942584 . 6
^ Грегори С. Хорнби (2003). Генеративные представления для систем автоматизированного проектирования, Исследовательский центр Эймса НАСА, Mail Stop 269-3, Moffett Field, CA 94035-1000
^ Дж. Клюн и Х. Липсон (2011). Развивающиеся трехмерные объекты с генеративным кодированием, вдохновленным биологией развития. Материалы Европейской конференции по искусственной жизни. 2011.
^ Жан, Ж; и другие. (2009). «Адаптивная оптимизация роя частиц» (PDF) . Транзакции IEEE о системах, человеке и кибернетике. Часть B: Кибернетика . 39 (6): 1362–1381. дои : 10.1109/tsmcb.2009.2015956 . ПМИД 19362911 . S2CID 11191625 .
^ "WordNet Search—3.1". Wordnetweb.princeton.edu. Archived from the original on 14 January 2013. Retrieved 14 May 2012.
^ Dana H. Ballard; Christopher M. Brown (1982). Computer Vision. Prentice Hall. ISBN 0-13-165316-4.
^ Huang, T. (1996-11-19). Vandoni, Carlo, E, ed. Computer Vision : Evolution And Promise (PDF). 19th CERN School of Computing. Geneva: CERN. pp. 21–25. doi:10.5170/CERN-1996-008.21. ISBN 978-9290830955.
^ Milan Sonka; Vaclav Hlavac; Roger Boyle (2008). Image Processing, Analysis, and Machine Vision. Thomson. ISBN 0-495-08252-X.
^ Garson, James (27 November 2018). Zalta, Edward N. (ed.). The Stanford Encyclopedia of Philosophy. Metaphysics Research Lab, Stanford University – via Stanford Encyclopedia of Philosophy.
^ "Ishtar for Belgium to Belgrade". European Broadcasting Union. Retrieved 19 May 2013.
^ LeCun, Yann. "LeNet-5, convolutional neural networks". Retrieved 16 November 2013.
^ Zhang, Wei (1988). "Shift-invariant pattern recognition neural network and its optical architecture". Proceedings of annual conference of the Japan Society of Applied Physics.
^ Zhang, Wei (1990). "Parallel distributed processing model with local space-invariant interconnections and its optical architecture". Applied Optics. 29 (32): 4790–7. Bibcode:1990ApOpt..29.4790Z. doi:10.1364/AO.29.004790. PMID 20577468.
^ Tian, Yuandong; Zhu, Yan (2015). "Better Computer Go Player with Neural Network and Long-term Prediction". arXiv:1511.06410v1 [cs.LG].
^ "How Facebook's AI Researchers Built a Game-Changing Go Engine". MIT Technology Review. 4 December 2015. Retrieved 3 February 2016.
^ "Facebook AI Go Player Gets Smarter With Neural Network And Long-Term Prediction To Master World's Hardest Game". Tech Times. 28 January 2016. Retrieved 24 April 2016.
^ "Facebook's artificially intelligent Go player is getting smarter". VentureBeat. 27 January 2016. Retrieved 24 April 2016.
^ Solomonoff, R.J.The Time Scale of Artificial Intelligence; Reflections on Social Effects, Human Systems Management, Vol 5 1985, Pp 149-153
^ Moor, J., The Dartmouth College Artificial Intelligence Conference: The Next Fifty years, AI Magazine, Vol 27, No., 4, Pp. 87-9, 2006
^ Kline, Ronald R., Cybernetics, Automata Studies and the Dartmouth Conference on Artificial Intelligence, IEEE Annals of the History of Computing, October–December, 2011, IEEE Computer Society
^ Jump up to: ^a ^b Haghighat, Mohammad; Abdel-Mottaleb, Mohamed; Alhalabi, Wadee (2016). "Discriminant Correlation Analysis: Real-Time Feature Level Fusion for Multimodal Biometric Recognition". IEEE Transactions on Information Forensics and Security. 11 (9): 1984–1996. doi:10.1109/TIFS.2016.2569061. S2CID 15624506.
^ Lenzerini, Maurizio (2002). "Data Integration: A Theoretical Perspective" (PDF). PODS 2002. pp. 233–246. Archived from the original (PDF) on 27 October 2021. Retrieved 5 July 2022.
^ Lane, Frederick (2006). "IDC: World Created 161 Billion Gigs of Data in 2006".
^ Dhar, V. (2013). "Data science and prediction". Communications of the ACM. 56 (12): 64–73. doi:10.1145/2500499. S2CID 6107147.
^ Leek, Jeff (12 December 2013). "The key word in 'Data Science' is not Data, it is Science". Simply Statistics. Archived from the original on 2 January 2014. Retrieved 11 November 2018.
^ Hayashi, Chikio (1 January 1998). "What is Data Science ? Fundamental Concepts and a Heuristic Example". In Hayashi, Chikio; Yajima, Keiji; Bock, Hans-Hermann; Ohsumi, Noboru; Tanaka, Yutaka; Baba, Yasumasa (eds.). Data Science, Classification, and Related Methods. Studies in Classification, Data Analysis, and Knowledge Organization. Springer Japan. pp. 40–51. doi:10.1007/978-4-431-65950-1_3. ISBN 9784431702085.
^ Dedić, Nedim; Stanier, Clare (2016). Hammoudi, Slimane; Maciaszek, Leszek; Missikoff, Michele M. Missikoff; Camp, Olivier; Cordeiro, José (eds.). An Evaluation of the Challenges of Multilingualism in Data Warehouse Development. International Conference on Enterprise Information Systems, 25–28 April 2016, Rome, Italy (PDF). Proceedings of the 18th International Conference on Enterprise Information Systems (ICEIS 2016). Vol. 1. SciTePress. pp. 196–206. doi:10.5220/0005858401960206. ISBN 978-989-758-187-8.
^ "9 Reasons Data Warehouse Projects Fail". blog.rjmetrics.com. 4 December 2014. Retrieved 30 April 2017.
^ Huang; Green; Loo, "Datalog and Emerging applications", SIGMOD 2011 (PDF), UC Davis, archived from the original (PDF) on 1 July 2022, retrieved 5 July 2022.
^ Steele, Katie and Stefánsson, H. Orri, "Decision Theory", The Stanford Encyclopedia of Philosophy (Winter 2015 Edition), Edward N. Zalta (ed.), URL = [1]
^ Lloyd, J.W., Practical Advantages of Declarative Programming
^ Jump up to: ^a ^b Bengio, Y.; Courville, A.; Vincent, P. (2013). "Representation Learning: A Review and New Perspectives". IEEE Transactions on Pattern Analysis and Machine Intelligence. 35 (8): 1798–1828. arXiv:1206.5538. doi:10.1109/tpami.2013.50. PMID 23787338. S2CID 393948.
^ Schmidhuber, J (2015). "Deep Learning in Neural Networks: An Overview". Neural Networks. 61: 85–117. arXiv:1404.7828. doi:10.1016/j.neunet.2014.09.003. PMID 25462637. S2CID 11715509.
^ Bengio, Yoshua; LeCun, Yann; Hinton, Geoffrey (2015). "Deep Learning" (PDF). Nature. 521 (7553): 436–444. Bibcode:2015Natur.521..436L. doi:10.1038/nature14539. PMID 26017442. S2CID 3074096.
^ "About Us | DeepMind". DeepMind.
^ "A return to Paris | DeepMind". DeepMind. 29 March 2018.
^ "The Last AI Breakthrough DeepMind Made Before Google Bought It". The Physics arXiv Blog. 29 January 2014. Retrieved 12 October 2014.
^ Graves, Alex; Wayne, Greg; Danihelka, Ivo (2014). "Neural Turing Machines". arXiv:1410.5401 [cs.NE].
^ Best of 2014: Google's Secretive DeepMind Startup Unveils a "Neural Turing Machine" Archived 4 December 2015 at the Wayback Machine, MIT Technology Review
^ Graves, Alex; Wayne, Greg; Reynolds, Malcolm; Harley, Tim; Danihelka, Ivo; Grabska-Barwińska, Agnieszka; Colmenarejo, Sergio Gómez; Grefenstette, Edward; Ramalho, Tiago (12 October 2016). "Hybrid computing using a neural network with dynamic external memory". Nature. 538 (7626): 471–476. Bibcode:2016Natur.538..471G. doi:10.1038/nature20101. ISSN 1476-4687. PMID 27732574. S2CID 205251479.
^ Kohs, Greg (29 September 2017), AlphaGo, Ioannis Antonoglou, Lucas Baker, Nick Bostrom, retrieved 9 January 2018
^ Silver, David; Hubert, Thomas; Schrittwieser, Julian; Antonoglou, Ioannis; Lai, Matthew; Guez, Arthur; Lanctot, Marc; Sifre, Laurent; Kumaran, Dharshan; Graepel, Thore; Lillicrap, Timothy; Simonyan, Karen; Hassabis, Demis (5 December 2017). "Mastering Chess and Shogi by Self-Play with a General Reinforcement Learning Algorithm". arXiv:1712.01815 [cs.AI].
^ Sikos, Leslie F. (2017). Description Logics in Multimedia Reasoning. Cham: Springer International Publishing. doi:10.1007/978-3-319-54066-5. ISBN 978-3-319-54066-5. S2CID 3180114.
^ Ho, Jonathan; Jain, Ajay; Abbeel, Pieter (19 June 2020). Denoising Diffusion Probabilistic Models. arXiv:2006.11239.
^ Song, Yang; Sohl-Dickstein, Jascha; Kingma, Diederik P.; Kumar, Abhishek; Ermon, Stefano; Poole, Ben (10 February 2021). "Score-Based Generative Modeling through Stochastic Differential Equations". arXiv:2011.13456 [cs.LG].
^ Gu, Shuyang; Chen, Dong; Bao, Jianmin; Wen, Fang; Zhang, Bo; Chen, Dongdong; Yuan, Lu; Guo, Baining (2021). "Vector Quantized Diffusion Model for Text-to-Image Synthesis". arXiv:2111.14822 [cs.CV].
^ Chang, Ziyi; Koulieris, George Alex; Shum, Hubert P. H. (2023). "On the Design Fundamentals of Diffusion Models: A Survey". arXiv:2306.04542 [cs.LG].
^ Croitoru, Florinel-Alin; Hondru, Vlad; Ionescu, Radu Tudor; Shah, Mubarak (2023). "Diffusion Models in Vision: A Survey". IEEE Transactions on Pattern Analysis and Machine Intelligence. 45 (9): 10850–10869. arXiv:2209.04747. doi:10.1109/TPAMI.2023.3261988. PMID 37030794. S2CID 252199918.
^ Roweis, S. T.; Saul, L. K. (2000). "Nonlinear Dimensionality Reduction by Locally Linear Embedding". Science. 290 (5500): 2323–2326. Bibcode:2000Sci...290.2323R. CiteSeerX 10.1.1.111.3313. doi:10.1126/science.290.5500.2323. PMID 11125150. S2CID 5987139.
^ Pudil, P.; Novovičová, J. (1998). "Novel Methods for Feature Subset Selection with Respect to Problem Knowledge". In Liu, Huan; Motoda, Hiroshi (eds.). Feature Extraction, Construction and Selection. pp. 101. doi:10.1007/978-1-4615-5725-8_7. ISBN 978-1-4613-7622-4.
^ Demazeau, Yves, and J-P. Müller, eds. Decentralized Ai. Vol. 2. Elsevier, 1990.
^ Hendrickx, Iris; Van den Bosch, Antal (October 2005). "Hybrid algorithms with Instance-Based Classification". Machine Learning: ECML2005. Springer. pp. 158–169. ISBN 9783540292432.
^ Jump up to: ^a ^b Ostrow, Adam (5 March 2011). "Roger Ebert's Inspiring Digital Transformation". Mashable Entertainment. Retrieved 12 September 2011. With the help of his wife, two colleagues and the Alex-equipped MacBook that he uses to generate his computerized voice, famed film critic Roger Ebert delivered the final talk at the TED conference on Friday in Long Beach, California....
^ Lee, Jennifer (7 March 2011). "Roger Ebert Tests His Vocal Cords, and Comedic Delivery". The New York Times. Retrieved 12 September 2011. Now perhaps, there is the Ebert Test, a way to see if a synthesized voice can deliver humor with the timing to make an audience laugh.... He proposed the Ebert Test as a way to gauge the humanness of a synthesized voice.
^ "Roger Ebert's Inspiring Digital Transformation". Tech News. 5 March 2011. Archived from the original on 25 March 2011. Retrieved 12 September 2011. Meanwhile, the technology that enables Ebert to "speak" continues to see improvements – for example, adding more realistic inflection for question marks and exclamation points. In a test of that, which Ebert called the "Ebert test" for computerized voices,
^ Pasternack, Alex (18 April 2011). "A MacBook May Have Given Roger Ebert His Voice, But An iPod Saved His Life (Video)". Motherboard. Archived from the original on 6 September 2011. Retrieved 12 September 2011. He calls it the "Ebert Test," after Turing's AI standard...
^ Jaeger, Herbert; Haas, Harald (2004). "Harnessing Nonlinearity: Predicting Chaotic Systems and Saving Energy in Wireless Communication" (PDF). Science. 304 (5667): 78–80. Bibcode:2004Sci...304...78J. doi:10.1126/science.1091277. PMID 15064413. S2CID 2184251. Archived from the original (PDF) on 1 September 2022. Retrieved 5 July 2022.
^ Герберт Джагер (2007) Государственная сеть Echo. Архивировано 28 июня 2022 года в Wayback Machine Scholarpedia.
^ Серенко, Александр; Бонтис, Ник; Детлор, Брайан (2007). «Внедрение анимированных интерфейсных агентов конечными пользователями в повседневные рабочие приложения» (PDF) . Поведение и информационные технологии . 26 (2): 119–132. дои : 10.1080/01449290500260538 . S2CID 2175427 .
^ Вихар, Пенсильвания (2016). «Эволюционные алгоритмы: критический обзор и его будущие перспективы». Международная конференция 2016 г. по глобальным тенденциям в области обработки сигналов, информационных вычислений и связи (ICGTSPICC) . Джалгаон, 2016, стр. 261–265. стр. 261–265. дои : 10.1109/ICGTSPICC.2016.7955308 . ISBN 978-1-5090-0467-6 . S2CID 22100336 .
^ Рассел, Стюарт ; Норвиг, Питер (2009). «26.3: Этика и риски разработки 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 искусственному интеллекту» . Сланец . 1 апреля 2016 года . Проверено 16 мая 2016 г.
^ Джексон, Питер (1998), Введение в экспертные системы (3-е изд.), Аддисон Уэсли, стр. 2, ISBN 978-0-201-87686-4
^ «Обычное программирование» . Журнал ПК . Архивировано из оригинала 14 октября 2012 года . Проверено 15 сентября 2013 г.
^ Мартинньон, Лаура; Витуш, Оливер; Такезава, Масанори; Форстер, Малькольм. «Наивный и все же просвещенный: от естественных частот к быстрым и экономным деревьям решений» , опубликовано в журнале «Мышление: психологические взгляды на рассуждения, суждения и принятие решений » (Дэвид Хардман и Лаура Макки; редакторы), Чичестер: John Wiley & Sons, 2003.
^ Перейти обратно: ^а ^б Ходжсон, доктор JPE, «Логика первого порядка». Архивировано 21 сентября 2019 года в Wayback Machine , Университет Святого Иосифа , Филадельфия , 1995 год.
^ Хьюз, GE , и Крессвелл, MJ , Новое введение в модальную логику ( Лондон : Routledge , 1996), стр.161 .
^ Фейгенбаум, Эдвард (1988). Возникновение экспертной компании . Книги Таймс. п. 318 . ISBN 978-0-8129-1731-4 .
^ Хейс, Патрик (1981). «Проблема фрейма и связанные с ней проблемы искусственного интеллекта» (PDF) . Чтения по искусственному интеллекту . Эдинбургский университет: 223–230. дои : 10.1016/B978-0-934613-03-3.50020-9 . ISBN 9780934613033 . S2CID 141711662 . Архивировано из оригинала (PDF) 3 декабря 2013 года . Проверено 9 марта 2019 г.
^ Сардар, З. (2010). «Тёзка: будущее; исследования будущего; футурология; футуристика; предвидение - что в имени?». Фьючерсы . 42 (3): 177–184. дои : 10.1016/j.futures.2009.11.001 .
^ Педрич, Витольд (1993). Нечеткое управление и нечеткие системы (2-е изд.). ООО «Исследовательские исследования Пресс»
^ Гаек, Петр (1998). Метаматематика нечеткой логики (4-е изд.). Springer Science & Business Media.
^ Д. Дюбуа и Х. Прад (1988) Нечеткие множества и системы. Академик Пресс, Нью-Йорк.
^ Лян, Лили Р.; Лу, Шийонг; Ван, Сюэна; Лу, Йи; Мандал, Винай; Патасил, Доррелин; Кумар, Дипак (2006). «FM-тест: подход к анализу данных дифференциальной экспрессии генов, основанный на теории нечетких множеств» . БМК Биоинформатика . 7 (Дополнение 4): S7. дои : 10.1186/1471-2105-7-S4-S7 . ПМК 1780132 . ПМИД 17217525 .
^ Майерсон, Роджер Б. (1991). Теория игр: анализ конфликта, издательство Гарвардского университета, стр. 1 . Ссылки на предварительный просмотр 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. Архивировано из оригинала (PDF) 17 февраля 2020 года . Проверено 13 июня 2020 г.
^ Пелл, Барни (1996). «Стратегический метаигровой игрок для обычных шахматных игр». Вычислительный интеллект . 12 (1): 177–198. дои : 10.1111/j.1467-8640.1996.tb00258.x . ISSN 1467-8640 . S2CID 996006 .
^ Генесерет, Михаил; С любовью, Натаниэль; Пелл, Барни (15 июня 2005 г.). «Общая игра: обзор соревнований AAAI». Журнал ИИ . 26 (2): 62. дои : 10.1609/aimag.v26i2.1813 . ISSN 2371-9621 .
^ Гриффит, Эрин; Мец, Кейд (27 января 2023 г.). «Говорят, что Anthropic приближается к 300 миллионам долларов на финансирование нового искусственного интеллекта» . Нью-Йорк Таймс . Проверено 14 марта 2023 г.
^ Ланксон, Нейт; Басс, Дина; Давалос, Джеки (10 марта 2023 г.). «Шпаргалка по модным словам ИИ и их значениям» . Новости Блумберга . Проверено 14 марта 2023 г.
^ Пасик, Адам (27 марта 2023 г.). «Глоссарий искусственного интеллекта: объяснение нейронных сетей и других терминов» . Нью-Йорк Таймс . ISSN 0362-4331 . Проверено 22 апреля 2023 г.
^ Андрей Карпаты; Питер Аббель; Грег Брокман; Питер Чен; Вики Чунг; Ян Дуань; Ян Гудфеллоу; Дурк Кингма; Джонатан Хо; Рейн Хаутхофт; Тим Салиманс; Джон Шульман; Илья Суцкевер; Войцех Заремба (16 июня 2016 г.). «Генераторные модели» . ОпенАИ .
^ Митчелл 1996 , с. 2.
^ Смит, Крейг С. (15 марта 2023 г.). «Создатель ChatGPT-4 Илья Суцкевер об ИИ-галлюцинациях и ИИ-демократии» . Форбс . Проверено 25 декабря 2023 г.
^ Трюдо, Ричард Дж. (1993). Введение в теорию графов (Исправленное, расширенное издание. Под ред.). Нью-Йорк: Паб Dover. п. 19. ISBN 978-0-486-67870-2 . Проверено 8 августа 2012 г. Граф — это объект, состоящий из двух наборов, называемых набором вершин и набором ребер .
^ Юн, Бён Ха; Ким, Сон Гю; Ким, Сон Ён (март 2017 г.). «Использование базы данных графов для интеграции гетерогенных биологических данных» . Геномика и информатика . 15 (1): 19–27. дои : 10.5808/GI.2017.15.1.19 . ISSN 1598-866X . ПМК 5389944 . ПМИД 28416946 .
^ Бурбакис, Николаос Г. (1998). Искусственный интеллект и автоматизация . Всемирная научная. п. 381. ИСБН 9789810226374 . Проверено 20 апреля 2018 г.
^ Перл, Иудея (1984). Эвристика: стратегии интеллектуального поиска для решения компьютерных задач . США: Паб Addison-Wesley. Co., Inc., Ридинг, Массачусетс. п. 3 . Бибкод : 1985hiss.book.....P . ОСТИ 5127296 .
^ EK Берк, Э. Харт, Г. Кендалл , Дж. Ньюолл, П. Росс и С. Шуленбург, Гиперэвристика: новое направление в современной поисковой технологии, Справочник по метаэвристике (Ф. Гловер и Г. Кохенбергер, ред. .), Клувер, 2003, стр. 457–474.
^ П. Росс, Гиперэвристика, Методологии поиска: вводные уроки по методам оптимизации и поддержки принятия решений (ЭК Берк и Г. Кендалл , ред.), Springer, 2005, стр. 529-556.
^ Озджан, Э.; Билгин, Б.; Коркмаз, Э.Э. (2008). «Комплексный анализ гиперэвристики». Интеллектуальный анализ данных . 12 (1): 3–23. дои : 10.3233/ida-2008-12102 .
^ «Область применения IEEE СНГ» . Архивировано из оригинала 4 июня 2016 года . Проверено 18 марта 2019 г.
^ «Контроль процессов обработки — Производственные лаборатории Purdue ME» . Engineering.purdue.edu .
^ Хой, Мэтью Б. (2018). «Alexa, Siri, Cortana и многое другое: введение в голосовые помощники». Ежеквартальный журнал медицинских справочных служб . 37 (1): 81–88. дои : 10.1080/02763869.2018.1404391 . ПМИД 29327988 . S2CID 30809087 .
^ Удейер, Пьер-Ив; Каплан, Фредерик (2008). «Как мы можем определить внутреннюю мотивацию?». Учеб. 8-й конф. по эпигенетической робототехнике . Том. 5. С. 29–31.
^ Шевалье, Арно (2016). «Стратегическое мышление в решении сложных проблем». Оксфордская стипендия онлайн . Оксфорд; Нью-Йорк: Издательство Оксфордского университета . doi : 10.1093/acprof:oso/9780190463908.001.0001 . ISBN 9780190463908 . OCLC 940455195 . S2CID 157255130 .
^ «Руководство по стратегии выживания: деревья проблем» . Лондон: Правительство Соединенного Королевства. Июль 2004 г. Архивировано из оригинала 17 февраля 2012 г. Проверено 6 октября 2018 г. Также доступен в формате PDF .
^ Паскин, Марк. «Краткий курс графических моделей» (PDF) . Стэнфорд .
^ Вудс, Вашингтон ; Шмольце, Дж. Г. (1992). «Семья KL-ONE». Компьютеры и математика с приложениями . 23 (2–5): 133. doi : 10.1016/0898-1221(92)90139-9 .
^ Брахман, Р.Дж. ; Шмольце, Дж. Г. (1985). «Обзор системы представления знаний KL-ONE» (PDF) . Когнитивная наука . 9 (2): 171. doi : 10.1207/s15516709cog0902_1 . ^{[ постоянная мертвая ссылка ]}
^ Дуче, Д.А.; 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» . глубокие умы . 16 августа 2018 года. Архивировано из оригинала 17 августа 2018 года . Проверено 16 августа 2018 г.
^ Кернер, Шон Майкл. «Что такое большие языковые модели?» . ТехТаржет . Проверено 28 января 2024 г.
^ Рейли, Эдвин Д. (2003). Вехи развития информатики и информационных технологий . Издательская группа Гринвуд. стр. 156–157 . ISBN 978-1-57356-521-9 .
^ Хохрейтер, Зепп; Шмидхубер, Юрген (1997). «Длинная кратковременная память». Нейронные вычисления . 9 (8): 1735–1780. дои : 10.1162/neco.1997.9.8.1735 . ПМИД 9377276 . S2CID 1915014 .
^ Сигельманн, Хава Т.; Зонтаг, Эдуардо Д. (1992). «О вычислительной мощности нейронных сетей». Материалы пятого ежегодного семинара по теории вычислительного обучения . Том. КОЛЬТ 92 года. стр. 440–449. дои : 10.1145/130385.130432 . ISBN 978-0897914970 . S2CID 207165680 . {{cite book}}: |work= игнорируется ( помогите )
^ Ганюк, Пол А. (2017). Цепи Маркова: от теории к реализации и экспериментам . США, Нью-Джерси: Джон Уайли и сыновья. стр. 1–235. ISBN 978-1-119-38755-8 .
^ «Цепь Маркова | Определение цепи Маркова на американском английском языке в Оксфордских словарях» . Оксфордские словари | Английский . Архивировано из оригинала 15 декабря 2017 года . Проверено 14 декабря 2017 г.
^ Определение на Brilliant.org «Brilliant Math and Science Wiki» . Проверено 12 мая 2019 г.
^ « Природа математического программирования. Архивировано 5 марта 2014 г. в Wayback Machine », Глоссарий математического программирования , INFORMS Computing Society.
^ Ван, Вэньу (1 июля 2010 г.). 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 г.
^ «Что такое мехатроника?» . Информация о будущих студентах . Университет Ватерлоо. Архивировано из оригинала 6 октября 2011 года . Проверено 30 мая 2011 г.
^ «Мехатроника (бакалавр, инженер, доктор философии)» . Архивировано из оригинала 15 августа 2016 года . Проверено 15 апреля 2011 г.
^ Франке; Зизен, Теусинк (2005). «Реконструкция метаболической сети бактерии по ее геному». Тенденции в микробиологии . 13 (11): 550–558. дои : 10.1016/j.tim.2005.09.001 . ПМИД 16169729 .
^ Баламуруган, Р.; Натараджан, AM; Премалатха, К. (2015). «Оптимизация черной дыры звездной массы для бикластеризации данных об экспрессии генов на микрочипах» . Прикладной искусственный интеллект . 29 (4): 353–381. дои : 10.1080/08839514.2015.1016391 . S2CID 44624424 .
^ Бьянки, Леонора; Дориго, Марко; Мария Гамбарделла, Лука; Гутьяр, Уолтер Дж. (2009). «Обзор метаэвристики для стохастической комбинаторной оптимизации» (PDF) . Естественные вычисления . 8 (2): 239–287. дои : 10.1007/s11047-008-9098-4 . S2CID 9141490 .
^ Герберт Б. Эндертон, 2001, Математическое введение в логику, второе издание Эндертон: 110, Harcourt Academic Press, Берлингтон, Массачусетс, ISBN 978-0-12-238452-3 .
' ^ « Наивная семантика для поддержки автоматизированного проектирования баз данных », IEEE Transactions on Knowledge and Data Engineering , том 14, выпуск 1 (январь 2002 г.), В. К. Стори, Р. К. Гольдштейн и Х. Ульрих
^ Использование раннего и позднего связывания в Automation , Microsoft, 11 мая 2007 г. , получено 11 мая 2009 г.
^ строго говоря, URIref
^ https://w3.org/TR/PR-rdf-syntax/ «Модель и синтаксис структуры описания ресурсов (RDF)»
^ Миллер, Лэнс А. «Программирование на естественном языке: стили, стратегии и контрасты». IBM Systems Journal 20.2 (1981): 184–215.
^ Хопфилд, Джей-Джей (1982). «Нейронные сети и физические системы с возникающими коллективными вычислительными способностями» . Учеб. Натл. акад. наук. США . 79 (8): 2554–2558. Бибкод : 1982PNAS...79.2554H . дои : 10.1073/pnas.79.8.2554 . ПМЦ 346238 . ПМИД 6953413 .
^ «Глубокие разумы: интервью с Алексом Грейвсом из Google и Кораем Кавукчуоглу» . Проверено 17 мая 2016 г.
^ Грейвс, Алекс; Уэйн, Грег; Данигелка, Иво (2014). «Нейронные машины Тьюринга». arXiv : 1410.5401 [ cs.NE ].
^ Крукофф, Макс О.; Рахимпур, Шервин; Слуцкий, Марк В.; Эдгертон, В. Реджи; Тернер, Деннис А. (1 января 2016 г.). «Улучшение восстановления нервной системы с помощью нейробиопрепаратов, тренировки нейронного интерфейса и нейрореабилитации» . Границы в неврологии . 10 : 584. дои : 10.3389/fnins.2016.00584 . ПМК 5186786 . ПМИД 28082858 .
^ Мид, Карвер (1990). «Нейроморфные электронные системы» (PDF) . Труды IEEE . 78 (10): 1629–1636. CiteSeerX 10.1.1.161.9762 . дои : 10.1109/5.58356 . S2CID 1169506 .
^ Маан, АК; Джаядеви, Д.А.; Джеймс, AP (1 января 2016 г.). «Обзор мемристивных пороговых логических схем». Транзакции IEEE в нейронных сетях и системах обучения . ПП (99): 1734–1746. arXiv : 1604.07121 . дои : 10.1109/TNNLS.2016.2547842 . ISSN 2162-237X . ПМИД 27164608 . S2CID 1798273 .
^ « Обзор спинтронных архитектур для обработки в памяти и нейронных сетей », JSA, 2018
^ Чжоу, Ты; Раманатан, С. (1 августа 2015 г.). «Память Мотта и нейроморфные устройства» . Труды IEEE . 103 (8): 1289–1310. дои : 10.1109/JPROC.2015.2431914 . ISSN 0018-9219 . S2CID 11347598 .
^ Монро, Д. (2014). «Нейроморфные вычисления готовятся к (действительно) большим временам». Коммуникации АКМ . 57 (6): 13–15. дои : 10.1145/2601069 . S2CID 20051102 .
^ Чжао, WS; Агнус, Г.; Дерик, В.; Филорамо, А.; Бургуэн, Ж.-П.; Гамрат, К. (2010). «Кроссбарная архитектура на основе нанотрубок: на пути к нейроморфным вычислениям» . Нанотехнологии . 21 (17): 175202. Бибкод : 2010Nanot..21q5202Z . дои : 10.1088/0957-4484/21/17/175202 . ПМИД 20368686 . S2CID 16253700 . Архивировано из оригинала 10 апреля 2021 года . Проверено 2 декабря 2019 г.
^ Проект человеческого мозга SP 9: Платформа нейроморфных вычислений на YouTube
^ Коупленд, Джек (май 2000 г.). «Что такое искусственный интеллект?» . АланТуринг.нет . Архивировано из оригинала 9 ноября 2015 года . Проверено 7 ноября 2015 г.
^ Кляйнберг, Джон; Тардос, Ева (2006). Разработка алгоритмов (2-е изд.). Аддисон-Уэсли. п. 464 . ISBN 0-321-37291-3 .
^ Кобэм, Алан (1965). «Внутренняя вычислительная сложность функций». Учеб. Логика, методология и философия науки II . Северная Голландия.
^ «Что такое бритва Оккама?» . math.ucr.edu . Проверено 1 июня 2019 г.
^ «OpenAI переходит от некоммерческой деятельности к «ограниченной прибыли» для привлечения капитала» . TechCrunch. Проверено 10 мая 2019 г.
^ «OpenCog: общий искусственный интеллект с открытым исходным кодом для виртуальных миров» . Новости КиберТех . 6 марта 2009 года. Архивировано из оригинала 6 марта 2009 года . Проверено 1 октября 2016 г.
^ Сен-Лоран, Эндрю М. (2008). Понимание лицензирования открытого и свободного программного обеспечения . О'Рейли Медиа. п. 4. ISBN 9780596553951 .
^ Левин, Шин С.; Приетула, Майкл Дж. (30 декабря 2013 г.). «Открытое сотрудничество ради инноваций: принципы и эффективность». Организационная наука . 25 (5): 1414–1433. arXiv : 1406.7541 . дои : 10.1287/orsc.2013.0872 . ISSN 1047-7039 . S2CID 6583883 .
^ Бишоп, Кристофер М. (2006). Распознавание образов и машинное обучение (PDF) . Спрингер. п. VII. Распознавание образов зародилось в инженерии, тогда как машинное обучение выросло из информатики. Однако эту деятельность можно рассматривать как два аспекта одной и той же области, и вместе они претерпели существенное развитие за последние десять лет.
^ Хьюз, GE , и Крессвелл, MJ , Новое введение в модальную логику ( Лондон : Routledge , 1996), стр.161 .
^ Найс, Чарльз (2007), Технический документ по прогнозной аналитике (PDF) , Американский институт дипломированных андеррайтеров по страхованию имущества/Американский институт страхования, стр. 1
^ Экерсон, Уэйн (10 мая 2007 г.), Увеличение ценности ваших инвестиций в хранилище данных , Институт хранилищ данных.
^ Карл Р. Поппер , Миф о фреймворке , Лондон (Routledge), 1994, гл. 8.
^ Карл Р. Поппер , Бедность историзма , Лондон (Рутледж), 1960, гл. IV, разд. 31.
^ «Вероятностное программирование позволяет с помощью 50 строк кода сделать то, что раньше требовало тысяч» . физ.орг . 13 апреля 2015 года . Проверено 13 апреля 2015 г.
^ «Вероятностное программирование» . Вероятностное программирование.org . Архивировано из оригинала 10 января 2016 года . Проверено 31 июля 2019 г.
^ Пфеффер, Авром (2014), Практическое вероятностное программирование , Manning Publications. стр.28. ISBN 978-1 6172-9233-0
^ Клоксин, Уильям Ф.; Меллиш, Кристофер С. (2003). Программирование на Прологе . Берлин; Нью-Йорк: Springer-Verlag. ISBN 978-3-540-00678-7 .
^ Братко, Иван (2012). Программирование на Прологе 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: Прентис Холл. ISBN 978-0-13-629213-5 .
^ Ллойд, JW (1984). Основы логического программирования. Берлин: Springer-Verlag. ISBN 978-3-540-13299-8 .
^ Кульман, Дэйв. «Книга Python: Начало Python, продвинутый уровень Python и упражнения по Python». Раздел 1.1. Архивировано из оригинала (PDF) 23 июня 2012 года.
^ Перейти обратно: ^а ^б Райтер, Раймонд (2001). Знания в действии: логические основы определения и реализации динамических систем . Кембридж, Массачусетс: MIT Press. стр. 20–22 . ISBN 9780262527002 .
^ Тильшер, Майкл (сентябрь 2001 г.). «Проблема квалификации: решение проблемы аномальных моделей». Искусственный интеллект . 131 (1–2): 1–37. дои : 10.1016/S0004-3702(01)00131-X .
^ Ворчишь, Эмили; Горовиц, Марк, ред. (2019). Квантовые вычисления: прогресс и перспективы (2018) . Вашингтон, округ Колумбия: Издательство национальных академий. п. Я-5. дои : 10.17226/25196 . ISBN 978-0-309-47969-1 . ОСЛК 1081001288 . S2CID 125635007 .
^ Язык R и окружающая среда Хорник, Курт (4 октября 2017 г.). «Р FAQ» . Комплексная сеть архивов R. 2.1 Что такое Р? . Проверено 6 августа 2018 г. Фонд Р Хорник, Курт (4 октября 2017 г.). «Р FAQ» . Комплексная сеть архивов R. 2.13 Что такое Фонд R? . Проверено 6 августа 2018 г. Команда R Core просит авторов, использующих R в своем анализе данных, цитировать программное обеспечение, используя: Основная команда R (2016). Р: Язык и среда для статистических вычислений. Фонд статистических вычислений R, Вена, Австрия. URL https://R-project.org/ .
^ широко используется Фокс, Джон и Андерсен, Роберт (январь 2005 г.). «Использование среды статистических вычислений R для преподавания курсов социальной статистики» (PDF) . Кафедра социологии Университета Макмастера . Проверено 6 августа 2018 г. Вэнс, Эшли (6 января 2009 г.). «Аналитики данных, очарованные мощью R» . Нью-Йорк Таймс . Проверено 6 августа 2018 г. R — это также название популярного языка программирования, используемого все большим числом аналитиков данных в корпорациях и научных кругах. Это становится их лингва-франка...
^ Вэнс, Эшли (6 января 2009 г.). «Аналитики данных, очарованные мощью R» . Нью-Йорк Таймс . Проверено 6 августа 2018 г. R — это также название популярного языка программирования, используемого все большим числом аналитиков данных в корпорациях и научных кругах. Это становится их лингва-франка...
^ Broomhead, D. S.; Lowe, David (1988). Radial basis functions, multi-variable functional interpolation and adaptive networks (PDF) (Technical report). RSRE. 4148. Archived from the original on 9 April 2013.
^ Broomhead, D. S.; Lowe, David (1988). "Multivariable functional interpolation and adaptive networks" (PDF). Complex Systems. 2: 321–355.
^ Schwenker, Friedhelm; Kestler, Hans A.; Palm, Günther (2001). "Three learning phases for radial-basis-function networks". Neural Networks. 14 (4–5): 439–458. doi:10.1016/s0893-6080(01)00027-2. PMID 11411631.
^ Ho, Tin Kam (1995). Random Decision Forests (PDF). Proceedings of the 3rd International Conference on Document Analysis and Recognition, Montreal, QC, 14–16 August 1995. pp. 278–282. Archived from the original (PDF) on 17 April 2016. Retrieved 5 June 2016.
^ Ho, TK (1998). "The Random Subspace Method for Constructing Decision Forests". IEEE Transactions on Pattern Analysis and Machine Intelligence. 20 (8): 832–844. doi:10.1109/34.709601. S2CID 206420153.
^ Hastie, Trevor; Tibshirani, Robert; Friedman, Jerome(2008). The Elements of Statistical Learning (2nd ed.). Springer. ISBN 0-387-95284-5.
^ Graves, A.; Liwicki, M.; Fernandez, S.; Bertolami, R.; Bunke, H.; Schmidhuber, J. (2009). "A Novel Connectionist System for Improved Unconstrained Handwriting Recognition" (PDF). IEEE Transactions on Pattern Analysis and Machine Intelligence. 31 (5): 855–868. CiteSeerX 10.1.1.139.4502. doi:10.1109/tpami.2008.137. PMID 19299860. S2CID 14635907.
^ Sak, Hasim; Senior, Andrew; Beaufays, Francoise (2014). "Long Short-Term Memory recurrent neural network architectures for large scale acoustic modeling" (PDF). Archived from the original (PDF) on 24 April 2018. Retrieved 6 August 2019.
^ Li, Xiangang; Wu, Xihong (15 October 2014). "Constructing Long Short-Term Memory based Deep Recurrent Neural Networks for Large Vocabulary Speech Recognition". arXiv:1410.4281 [cs.CL].
^ Kaelbling, Leslie P.; Littman, Michael L.; Moore, Andrew W. (1996). "Reinforcement Learning: A Survey". Journal of Artificial Intelligence Research. 4: 237–285. arXiv:cs/9605103. doi:10.1613/jair.301. S2CID 1708582. Archived from the original on 20 November 2001. Retrieved 5 July 2022.
^ Patrizio, Andy. "What is reinforcement learning from human feedback (RLHF)?". TechTarget. Retrieved 28 January 2024.
^ Schrauwen, Benjamin, David Verstraeten, and Jan Van Campenhout. "An overview of reservoir computing: theory, applications, and implementations." Proceedings of the European Symposium on Artificial Neural Networks ESANN 2007, pp. 471-482.
^ Mass, Wolfgang; Nachtschlaeger, T.; Markram, H. (2002). "Real-time computing without stable states: A new framework for neural computation based on perturbations". Neural Computation. 14 (11): 2531–2560. doi:10.1162/089976602760407955. PMID 12433288. S2CID 1045112.
^ Jaeger, Herbert, "The echo state approach to analyzing and training recurrent neural networks." Technical Report 154 (2001), German National Research Center for Information Technology.
^ Jaeger, Herbert (2007). "Echo state network". Scholarpedia. 2 (9): 2330. Bibcode:2007SchpJ...2.2330J. doi:10.4249/scholarpedia.2330.
^ "XML and Semantic Web W3C Standards Timeline" (PDF). 4 February 2012. Archived from the original (PDF) on 6 July 2022. Retrieved 5 July 2022.
^ See, for example, Boolos and Jeffrey, 1974, chapter 11.
^ Sowa, John F. (1987). "Semantic Networks". In Shapiro, Stuart C (ed.). Encyclopedia of Artificial Intelligence. Retrieved 29 April 2008.
^ O'Hearn, P. W.; Pym, D. J. (June 1999). "The Logic of Bunched Implications". Bulletin of Symbolic Logic. 5 (2): 215–244. CiteSeerX 10.1.1.27.4742. doi:10.2307/421090. JSTOR 421090. S2CID 2948552.
^ Abran et al. 2004, pp. 1–1
^ "Computing Degrees & Careers". ACM. 2007. Archived from the original on 17 June 2011. Retrieved 23 November 2010.
^ Laplante, Phillip (2007). What Every Engineer Should Know about Software Engineering. Boca Raton: CRC. ISBN 978-0-8493-7228-5. Retrieved 21 January 2011.
^ Rapoza, Jim (2 May 2006). "SPARQL Will Make the Web Shine". eWeek. Retrieved 17 January 2007.
^ Segaran, Toby; Evans, Colin; Taylor, Jamie (2009). Programming the Semantic Web. O'Reilly Media, Inc., 1005 Gravenstein Highway North, Sebastopol, CA 95472. p. 84. ISBN 978-0-596-15381-6.
^ Maass, Wolfgang (1997). "Networks of spiking neurons: The third generation of neural network models". Neural Networks. 10 (9): 1659–1671. doi:10.1016/S0893-6080(97)00011-7. ISSN 0893-6080.
^ "What is stateless? - Definition from WhatIs.com". techtarget.com.
^ Lise Getoor and Ben Taskar: Introduction to statistical relational learning, MIT Press, 2007
^ Ryan A. Rossi, Luke K. McDowell, David W. Aha, and Jennifer Neville, "Transforming Graph Data for Statistical Relational Learning. Archived 6 January 2018 at the Wayback Machine" Journal of Artificial Intelligence Research (JAIR), Volume 45 (2012), pp. 363-441.
^ Spall, J. C. (2003). Introduction to Stochastic Search and Optimization. Wiley. ISBN 978-0-471-33052-3.
^ Language Understanding Using Two-Level Stochastic Models by F. Pla, et al, 2001, Springer Lecture Notes in Computer Science ISBN 978-3-540-42557-1
^ Stuart J. Russell, Peter Norvig (2010) Artificial Intelligence: A Modern Approach, Third Edition, Prentice Hall ISBN 9780136042594.
^ Mehryar Mohri, Afshin Rostamizadeh, Ameet Talwalkar (2012) Foundations of Machine Learning, The MIT Press ISBN 9780262018258.
^ Cortes, Corinna; Vapnik, Vladimir N (1995). "Support-vector networks". Machine Learning. 20 (3): 273–297. doi:10.1007/BF00994018.
^ Beni, G.; Wang, J. (1993). "Swarm Intelligence in Cellular Robotic Systems". Proceed. NATO Advanced Workshop on Robots and Biological Systems, Tuscany, Italy, June 26–30 (1989). pp. 703–712. doi:10.1007/978-3-642-58069-7_38. ISBN 978-3-642-63461-1.
^ Haugeland 1985, p. 255.
^ Poole, Mackworth & Goebel 1998, p. 1.
^ "Collection of sources defining "singularity"". singularitysymposium.com. Retrieved 17 April 2019.
^ Eden, Amnon H.; Moor, James H. (2012). Singularity hypotheses: A Scientific and Philosophical Assessment. Dordrecht: Springer. pp. 1–2. ISBN 9783642325601.
^ Cadwalladr, Carole (2014). "Are the robots about to rise? Google's new director of engineering thinks so..." The Guardian. Guardian News and Media Limited.
^ Sutton, Richard & Andrew Barto (1998). Reinforcement Learning. MIT Press. ISBN 978-0-585-02445-5. Archived from the original on 30 March 2017.
^ Pellionisz, A.; Llinás, R. (1980). "Tensorial Approach To The Geometry Of Brain Function: Cerebellar Coordination Via A Metric Tensor" (PDF). Neuroscience. 5 (7): 1125––1136. doi:10.1016/0306-4522(80)90191-8. PMID 6967569. S2CID 17303132.^{[dead link]}
^ Pellionisz, A.; Llinás, R. (1985). "Tensor Network Theory Of The Metaorganization Of Functional Geometries In The Central Nervous System". Neuroscience. 16 (2): 245–273. doi:10.1016/0306-4522(85)90001-6. PMID 4080158. S2CID 10747593.
^ "TensorFlow: Open source machine learning" "It is machine learning software being used for various kinds of perceptual and language understanding tasks" — Jeffrey Dean, minute 0:47 / 2:17 from YouTube clip
^ Sipser, Michael (2013). Introduction to the Theory of Computation 3rd. Cengage Learning. ISBN 978-1-133-18779-0. central areas of the theory of computation: automata, computability, and complexity. (Page 1)
^ Thompson, William R (1933). "On the likelihood that one unknown probability exceeds another in view of the evidence of two samples". Biometrika. 25 (3–4): 285–294. doi:10.1093/biomet/25.3-4.285.
^ Russo, Daniel J.; Van Roy, Benjamin; Kazerouni, Abbas; Osband, Ian; Wen, Zheng (2018). "A Tutorial on Thompson Sampling". Foundations and Trends in Machine Learning. 11 (1): 1–96. arXiv:1707.02038. doi:10.1561/2200000070. S2CID 3929917.
^ Dickson, Ben (2 May 2022). "Machine learning: What is the transformer architecture?". TechTarget. Retrieved 2 May 2022.
^ Mercer, Calvin. Religion and Transhumanism: The Unknown Future of Human Enhancement. Praeger.
^ Bostrom, Nick (2005). "A history of transhumanist thought" (PDF). Journal of Evolution and Technology. Retrieved 21 February 2006.
^ Turing originally suggested a teleprinter, one of the few text-only communication systems available in 1950. (Turing 1950, p. 433)
^ Pierce 2002, p. 1: "A type system is a tractable syntactic method for proving the absence of certain program behaviors by classifying phrases according to the kinds of values they compute."
^ Cardelli 2004, p. 1: "The fundamental purpose of a type system is to prevent the occurrence of execution errors during the running of a program."
^ Hinton, Jeffrey; Sejnowski, Terrence (1999). Unsupervised Learning: Foundations of Neural Computation. MIT Press. ISBN 978-0262581684.
^ Colaner, Seth; Humrick, Matthew (3 January 2016). "A third type of processor for AR/VR: Movidius' Myriad 2 VPU". Tom's Hardware.
^ Banerje, Prasid (28 March 2016). "The rise of VPUs: Giving Eyes to Machines". Digit.in. Archived from the original on 11 December 2018. Retrieved 5 July 2022.
^ "DeepQA Project: FAQ". IBM. Retrieved 11 February 2011.
^ Ferrucci, David; Levas, Anthony; Bagchi, Sugato; Gondek, David; Mueller, Erik T. (1 June 2013). "Watson: Beyond Jeopardy!". Artificial Intelligence. 199: 93–105. doi:10.1016/j.artint.2012.06.009.
^ Hale, Mike (8 February 2011). "Actors and Their Roles for $300, HAL? HAL!". The New York Times. Retrieved 11 February 2011.
^ "The DeepQA Project". IBM Research. Retrieved 18 February 2011.
^ io9.com mentions narrow AI. Published 1 April 2013. Retrieved 16 February 2014: https://io9.com/how-much-longer-before-our-first-ai-catastrophe-464043243
^ AI researcher Ben Goertzel explains why he became interested in AGI instead of narrow AI. Published 18 Oct 2013. Retrieved 16 February 2014. https://intelligence.org/2013/10/18/ben-goertzel/
^ TechCrunch discusses AI App building regarding Narrow AI. Published 16 Oct 2015. Retrieved 17 Oct 2015. https://techcrunch.com/2015/10/15/machine-learning-its-the-hard-problems-that-are-valuable/

Works cited[edit]

Abran, Alain; Moore, James W.; Bourque, Pierre; Dupuis, Robert; Tripp, Leonard L. (2004). Guide to the Software Engineering Body of Knowledge. IEEE. ISBN 978-0-7695-2330-9.
Cardelli, Luca (2004). "Type systems" (PDF). In Allen B. Tucker (ed.). CRC Handbook of Computer Science and Engineering (2nd ed.). CRC Press. ISBN 978-1584883609.
Haugeland, John (1985). Artificial Intelligence: The Very Idea. Cambridge, Mass.: MIT Press. ISBN 978-0-262-08153-5.
Legg, Shane; Hutter, Marcus (15 June 2007). "A Collection of Definitions of Intelligence". arXiv:0706.3639 [cs.AI].
Mitchell, Melanie (1996). An Introduction to Genetic Algorithms. Cambridge, MA: MIT Press. ISBN 9780585030944.
Nilsson, Nils (1998). Artificial Intelligence: A New Synthesis. Morgan Kaufmann. ISBN 978-1-55860-467-4. Archived from the original on 26 July 2020. Retrieved 18 November 2019.
Pierce, Benjamin C. (2002). Types and Programming Languages. MIT Press. ISBN 978-0-262-16209-8.
Poole, David; Mackworth, Alan; Goebel, Randy (1998). Computational Intelligence: A Logical Approach. New York: Oxford University Press. ISBN 978-0-19-510270-3. Archived from the original on 26 July 2020. Retrieved 22 August 2020.
Russell, Stuart J.; Norvig, Peter (2003), Artificial Intelligence: A Modern Approach (2nd ed.), Upper Saddle River, New Jersey: Prentice Hall, ISBN 0-13-790395-2
Turing, Alan (October 1950), "Computing Machinery and Intelligence", Mind, LIX (236): 433–460, doi:10.1093/mind/LIX.236.433, ISSN 0026-4423

Notes[edit]

^ polynomial time refers to how quickly the number of operations needed by an algorithm, relative to the size of the problem, grows. It is therefore a measure of efficiency of an algorithm.

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

[2] «Ретродукция» . Commens – цифровой компаньон CS Peirce . Матс Бергман, Сами Паавола и Жоау Кейруш. Архивировано из оригинала 5 июля 2022 года . Проверено 24 августа 2014 г.

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

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

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

[6] Джанг, Джых-Шинг Р. (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. Том. 2. стр. 762–767.

[7] Джанг, Ж.-СР (1993). «ANFIS: система нечеткого вывода на основе адаптивной сети». Транзакции IEEE по системам, человеку и кибернетике . 23 (3): 665–685. дои : 10.1109/21.256541 . S2CID 14345934 .

[8] Абрахам, А. (2005), «Адаптация системы нечеткого вывода с использованием нейронного обучения», в Недже, Надя; Де Маседо Мурель, Луиза (ред.), Инженерия нечетких систем: теория и практика , Исследования в области нечеткости и мягких вычислений, том. 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] Джанг, Сан, Мизутани (1997) – Нейро-нечеткие и мягкие вычисления – Прентис Холл, стр. 335–368, ISBN 0-13-261066-3

[10] Тахмасеби, П. (2012). «Гибридные нейронные сети-нечеткая логика-генетический алгоритм оценки оценок» . Компьютеры и геонауки . 42 : 18–27. Бибкод : 2012CG.....42...18T . дои : 10.1016/j.cageo.2012.02.004 . ПМЦ 4268588 . ПМИД 25540468 .

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

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

[TaoTan-13] Тао, Цзяньхуа; Тьеню Тан (2005). «Аффективные вычисления: обзор». Аффективные вычисления и интеллектуальное взаимодействие . Том. LNCS 3784. Спрингер. стр. 981–995. дои : 10.1007/11573548 .

[14] Эль Калиуби, Рана (ноябрь – декабрь 2017 г.). «Нам нужны компьютеры с эмпатией» . Обзор технологий . Том. 120, нет. 6. с. 8. Архивировано из оригинала 7 июля 2018 года . Проверено 6 ноября 2018 г.

[15] Сравнение архитектур агентов. Архивировано 27 августа 2008 г. в Wayback Machine .

[16] «Intel представляет USB-ускоритель искусственного интеллекта Movidius Compute Stick» . 21 июля 2017 года. Архивировано из оригинала 11 августа 2017 года . Проверено 28 ноября 2018 г.

[17] «Inspurs представляет ускоритель искусственного интеллекта GX4» . 21 июня 2017 г.

[Shapiro92-18] Шапиро, Стюарт К. (1992). Искусственный интеллект . Стюарт К. Шапиро (ред.), Энциклопедия искусственного интеллекта (второе издание, стр. 54–57). Нью-Йорк: Джон Уайли. (Раздел 4 посвящен «Заданиям, выполняемым ИИ».)

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

[20] «Искусственный интеллект: AlphaGo от Google превосходит мастера го Ли Се Доля» . Новости BBC . 12 марта 2016 года . Проверено 17 марта 2016 г.

[21] «АльфаГо | ДипМайнд» . ДипМайнд .

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

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

[24] См. Навоз (1995).

[25] См. Беснар и Хантер (2001).

[26] см. Бенч-Капон (2002).

[Definition_of_AI-27] Определение ИИ как исследования интеллектуальных агентов :
Пул, Макворт и Гебель 1998 , с. 1 , который предоставляет версию, используемую в этой статье. Обратите внимание, что они используют термин «вычислительный интеллект» как синоним искусственного интеллекта.

Рассел и Норвиг (2003) (которые предпочитают термин «рациональный агент») и пишут: «Точка зрения всего агента сейчас широко принята в этой области» ( Рассел и Норвиг 2003 , стр. 55).

Нильссон 1998 г.

Легг и Хаттер 2007 .

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

[29] Рассел и Норвиг (2003) (которые предпочитают термин «рациональный агент») и пишут: «Точка зрения всего агента сейчас широко принята в этой области» ( Рассел и Норвиг 2003 , стр. 55).

[30] Нильссон 1998 г.

[31] Легг и Хаттер 2007 .

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

[29] Хардести, Ларри (14 апреля 2017 г.). «Пояснение: нейронные сети» . Пресс-служба Массачусетского технологического института . Проверено 2 июня 2022 г.

[30] Ян, ЗР; Ян, З. (2014). Комплексная биомедицинская физика . Каролинский институт, Стокгольм, Швеция: Elsevier. п. 1. ISBN 978-0-444-53633-4 . Архивировано из оригинала 28 июля 2022 года . Проверено 28 июля 2022 г.

[31] «Корпоративные правила AAAI» .

[Cipresso_Giglioli_Raya_Riva_2011_p.-32] Чипрессо, Пьетро; Джильоли, Ирен Алиса Чикки; Рая, из; Рива, Джузеппе (7 декабря 2011 г.). «Прошлое, настоящее и будущее исследований виртуальной и дополненной реальности: сетевой и кластерный анализ литературы» . Границы в психологии . 9 : 2086. doi : 10.3389/fpsyg.2018.02086 . ПМК 6232426 . ПМИД 30459681 .

[33] Галлаб, Малик; Итак, Дана С.; Траверсо, Паоло (2004), Автоматизированное планирование: теория и практика , Морган Кауфманн , ISBN 978-1-55860-856-6

[Kephart-34] Кефарт, Дж. О.; Чесс, DM (2003), «Видение автономных вычислений», Computer , 36 : 41–52, CiteSeerX 10.1.1.70.613 , doi : 10.1109/MC.2003.1160055

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

[36] «Автомобиль Uber сбил женщину в Аризоне, переходившую улицу» . Рейтер . 20 марта 2018 г.

[thrun2010toward-37] Трун, Себастьян (2010). «На пути к роботизированным автомобилям». Коммуникации АКМ . 53 (4): 99–106. дои : 10.1145/1721654.1721679 . S2CID 207177792 .

[38] «Главная/домашняя страница информационной инженерии» . Оксфордский университет. Архивировано из оригинала 3 июля 2022 года . Проверено 3 октября 2018 г.

[39] Гудфеллоу, Ян; Бенджио, Йошуа; Курвиль, Аарон (2016) Глубокое обучение . МТИ Пресс. п. 196. ISBN 9780262035613

[40] Нильсен, Майкл А. (2015). "Глава 6" . Нейронные сети и глубокое обучение . Архивировано из оригинала 8 августа 2022 года . Проверено 5 июля 2022 г.

[41] «Глубокие сети: Обзор — Ufldl» . ufldl.stanford.edu . Архивировано из оригинала 16 марта 2022 года . Проверено 4 августа 2017 г.

[42] Мозер, MC (1995). «Алгоритм сфокусированного обратного распространения ошибки для распознавания временных образов» . В Шовене, Ю.; Румельхарт, Д. (ред.). Обратное распространение ошибки: теория, архитектура и приложения . Хиллсдейл, Нью-Джерси: Lawrence Erlbaum Associates. стр. 137–169 . Проверено 21 августа 2017 г.

[43] Робинсон, Эй.Дж. и Фоллсайд, Ф. (1987). Сеть динамического распространения ошибок, управляемая утилитой (Технический отчет). Кембриджский университет, инженерный факультет. CUED/F-INFENG/TR.1.

[44] Вербос, Пол Дж. (1988). «Обобщение обратного распространения ошибки с применением к рекуррентной модели газового рынка» . Нейронные сети . 1 (4): 339–356. дои : 10.1016/0893-6080(88)90007-x .

[45] Фейгенбаум, Эдвард (1988). Возникновение экспертной компании . Книги Таймс. п. 317 . ISBN 978-0-8129-1731-4 .

[sivic-46] Сивич, Йозеф (апрель 2009 г.). «Эффективный визуальный поиск видео в виде текстового поиска» (PDF) . Транзакции IEEE по анализу шаблонов и машинному интеллекту . 31 (4): 591–605. CiteSeerX 10.1.1.174.6841 . дои : 10.1109/TPAMI.2008.111 . ПМИД 19229077 . S2CID 9899337 . Архивировано из оригинала (PDF) 31 марта 2022 года . Проверено 5 июля 2022 г.

[47] МакТир и др. 2016, стр. 167

[48] «Понимание обратного прохождения через уровень пакетной нормализации» . kratzert.github.io . Проверено 24 апреля 2018 г.

[49] Иоффе, Сергей; Сегеди, Кристиан (2015). «Пакетная нормализация: ускорение глубокого обучения сети за счет уменьшения внутреннего ковариатного сдвига». arXiv : 1502.03167 [ cs.LG ].

[50] «Глоссарий глубокого обучения: пакетная нормализация» . Medium.com . 27 июня 2017 г. Проверено 24 апреля 2018 г.

[Pham_&_al,_2005-51] Фам Д.Т., Ганбарзаде А., Коч Э., Отри С., Рахим С. и Заиди М. Алгоритм пчел. Техническое примечание, Центр производственного инжиниринга, Кардиффский университет, Великобритания, 2005 г.

[Pham_&_Castellani,_2009-52] Фам, Д.Т., Кастеллани, М. (2009), Алгоритм пчел - моделирование поведения при поиске пищи для решения проблем непрерывной оптимизации. Архивировано 9 ноября 2016 г. на Wayback Machine . Учеб. ИмехЭ, Часть С, 223(12), 2919-2938.

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

[54] Фам, Дюк Труонг; Кастеллани, Марко (2015). «Сравнительное исследование алгоритма пчел как инструмента оптимизации функций» . Когент Инжиниринг . 2 . дои : 10.1080/23311916.2015.1091540 .

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

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

[Colledanchise_TRO16-57] Колледанчиз Мишель и Огрен Петтер, 2016. Как деревья поведения модулируют гибридные системы управления и обобщают последовательные композиции поведения, архитектуру субсуммации и деревья решений. В IEEE Transactions on Robotics vol.PP, № 99, стр. 1–18 (2016 г.)

[Colledanchise_BOOK17-58] Колледанчиз, Мишель; Огрен, Петтер (2018). Деревья поведения в робототехнике и искусственном интеллекте . arXiv : 1709.00084 . дои : 10.1201/9780429489105 . ISBN 9780429950902 . S2CID 27470659 .

[59] Брер, Том (июль 2016 г.). «Статистический анализ власти и современный «кризис» социальных наук» . Журнал маркетинговой аналитики . 4 (2–3): 61–65. дои : 10.1057/s41270-016-0001-3 . ISSN 2050-3318 .

[Bachmann-60] Бахманн, Пол (1894). Analytische Number Theory [ Аналитическая теория чисел ] (на немецком языке). Том 2. Лейпциг: Тойбнер.

[Landau-61] Ландау, Эдмунд (1909). Справочник ( по теории распределения простых чисел на немецком языке). Лейпциг: Б. Г. Тойбнер. п. 883.

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

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

[64] Эрман, Л.Д.; Хейс-Рот, Ф.; Лессер, В.Р.; Редди, ДР (1980). «Система понимания речи Hearsay-II: интеграция знаний для устранения неопределенности». Обзоры вычислительной техники ACM . 12 (2): 213. дои : 10.1145/356810.356816 . S2CID 118556 .

[65] Коркилл, Дэниел Д. (сентябрь 1991 г.). «Системы доски» (PDF) . Эксперт по ИИ . 6 (9): 40–47. Архивировано из оригинала (PDF) 16 апреля 2012 года . Проверено 5 июля 2022 г.

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

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

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

[69] NZZ-Рождение возможного прародителя щипцами . Сайт Neue Zürcher Zeitung . Озера 16 августа 2013 г.

[70] Официальная домашняя страница Roboy. Архивировано 3 августа 2013 г. в Wayback Machine . Сайт Робой. Видно 16 августа 2013 г.

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

[72] Сабур, Сара; Фрост, Николас; 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 г.

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

[75] «Робо-Земля — Новости технологий» . Робо Земля .

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

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

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

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

[80] Иба, Уильям; Лэнгли, Пэт (27 января 2011 г.). «Паутинные модели категоризации и формирования вероятностных концепций». В Потосе, Эммануэль М.; Уиллс, Энди Дж. (ред.). Формальные подходы в категоризации . Кембридж: Издательство Кембриджского университета. стр. 253–273. ISBN 9780521190480 .

[81] См. веб-сайт ИКТ: https://cogarch.ict.usc.edu/.

[82] «Лаборатория Хьюлетт-Паккард» . Архивировано из оригинала 30 октября 2016 года . Проверено 5 июля 2022 г.

[83] Тердиман, Дэниел (2014). Процессор TrueNorth от IBM имитирует человеческий мозг. https://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 мозгоподобных чипов SyNAPSE The Register: 8 августа 2013 г.

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

[87] Людвиг, Ларс (2013). Расширенная искусственная память: на пути к интегральной когнитивной теории памяти и технологий (pdf) (Диссертация). Технический университет Кайзерслаутерна . Проверено 7 февраля 2017 г.

[88] «Исследования в лаборатории HP» .

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

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

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

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

[93] «ПРОГРАММЫ СО ЗДРАВЫМ СМЫСЛОМ» . www-formal.stanford.edu . Проверено 11 апреля 2018 г.

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

[95] Хулстейн Дж. и Нейхолт А. (ред.). Материалы международного семинара по компьютерному юмору. Номер 12 на семинарах Twente по языковым технологиям, Энсхеде, Нидерланды. Университет Твенте, 1996 год.

[ACL-96] «ACL — Ассоциация компьютерного обучения» .

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

[98] Что такое вычислительная нейробиология? Патрисия С. Черчленд, Кристоф Кох, Терренс Дж. Сейновски. в области вычислительной нейронауки, стр. 46-55. Под редакцией Эрика Л. Шварца. 1993. Массачусетский технологический институт Пресс. «Вычислительная нейронаука под редакцией Эрика Л. Шварца» . Архивировано из оригинала 4 июня 2011 года . Проверено 11 июня 2009 г.

[99] «Теоретическая нейронаука» . Массачусетский технологический институт Пресс . Архивировано из оригинала 31 мая 2018 года . Проверено 24 мая 2018 г.

[100] Герстнер, В.; Кистлер, В.; Науд, Р.; Панинский, Л. (2014). Нейрональная динамика . Кембридж, Великобритания: Издательство Кембриджского университета. ISBN 9781107447615 .

[IBM-101] Каменский, Л.А.; Лю, К.-Н. (1963). «Компьютерно-автоматизированное проектирование логики распознавания многошрифтной печати» . Журнал исследований и разработок IBM . 7 (1): 2. дои : 10.1147/рд.71.0002 . Архивировано из оригинала 3 марта 2016 года . Проверено 5 июля 2022 г.

[102] Брнцик, М. (2000). «Компьютерное автоматизированное проектирование и компьютерное автоматизированное производство». Phys Med Rehabil Clin N Am . 11 (3): 701–13. дои : 10.1016/s1047-9651(18)30806-4 . ПМИД 10989487 .

[103] Ли, Ю.; и другие. (2004). «CAutoCSD - Эволюционный поиск и оптимизация позволили разработать автоматизированную систему управления» . Международный журнал автоматизации и вычислений . 1 (1): 76–88. дои : 10.1007/s11633-004-0076-8 . S2CID 55417415 .

[104] Крамер, GJE; Грирсон, Делавэр (1989). «Компьютерное автоматизированное проектирование конструкций, подвергающихся динамическим нагрузкам». Компьютеры и конструкции . 32 (2): 313–325. дои : 10.1016/0045-7949(89)90043-6 .

[105] Мохаррами, Х; Грирсон, Делавэр (1993). «Компьютерно-автоматизированное проектирование железобетонных конструкций». Журнал строительной техники . 119 (7): 2036–2058. дои : 10.1061/(asce)0733-9445(1993)119:7(2036) .

[106] Сюй, Л; Грирсон, Делавэр (1993). «Компьютерно-автоматизированное проектирование полужестких стальных каркасов». Журнал строительной инженерии . 119 (6): 1740–1760. дои : 10.1061/(asce)0733-9445(1993)119:6(1740) .

[107] Барсан, генеральный директор; Динсоряну, М. (1997). Компьютерно-автоматизированное проектирование на основе критериев эффективности конструкций, Столетняя конференция Mouchel по инновациям в гражданском и структурном проектировании, 19–21 августа, Кембридж, Англия, Инновации в гражданском и структурном проектировании, 167–172.

[108] Ли, Юн (1996). «Генетический алгоритмический автоматизированный подход к проектированию систем управления скользящим режимом». Международный журнал контроля . 63 (4): 721–739. дои : 10.1080/00207179608921865 .

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

[110] Барсан, Г.М., (1995) Компьютерное автоматизированное проектирование полужестких стальных каркасов в соответствии с ЕВРОКОДОМ-3, Северная конференция по стальному строительству, 95, 19–21 июня, 787–794.

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

[112] Чжан, Чжи-хуэй; Чэнь, Ни; Чжун, Цзин-хуэй ; «Вычисления и машинное обучение: обзор» . Журнал IEEE Computational Intelligence ( 4 ): 68–75. doi : 10.1109/ . MCI.2011.942584 . 6

[113] Грегори С. Хорнби (2003). Генеративные представления для систем автоматизированного проектирования, Исследовательский центр Эймса НАСА, Mail Stop 269-3, Moffett Field, CA 94035-1000

[114] Дж. Клюн и Х. Липсон (2011). Развивающиеся трехмерные объекты с генеративным кодированием, вдохновленным биологией развития. Материалы Европейской конференции по искусственной жизни. 2011.

[115] Жан, Ж; и другие. (2009). «Адаптивная оптимизация роя частиц» (PDF) . Транзакции IEEE о системах, человеке и кибернетике. Часть B: Кибернетика . 39 (6): 1362–1381. дои : 10.1109/tsmcb.2009.2015956 . ПМИД 19362911 . S2CID 11191625 .

[116] "WordNet Search—3.1". Wordnetweb.princeton.edu. Archived from the original on 14 January 2013. Retrieved 14 May 2012.

[117] Dana H. Ballard; Christopher M. Brown (1982). Computer Vision. Prentice Hall. ISBN 0-13-165316-4.

[118] Huang, T. (1996-11-19). Vandoni, Carlo, E, ed. Computer Vision : Evolution And Promise (PDF). 19th CERN School of Computing. Geneva: CERN. pp. 21–25. doi:10.5170/CERN-1996-008.21. ISBN 978-9290830955.

[119] Milan Sonka; Vaclav Hlavac; Roger Boyle (2008). Image Processing, Analysis, and Machine Vision. Thomson. ISBN 0-495-08252-X.

[120] Garson, James (27 November 2018). Zalta, Edward N. (ed.). The Stanford Encyclopedia of Philosophy. Metaphysics Research Lab, Stanford University – via Stanford Encyclopedia of Philosophy.

[121] "Ishtar for Belgium to Belgrade". European Broadcasting Union. Retrieved 19 May 2013.

[LeCun-122] LeCun, Yann. "LeNet-5, convolutional neural networks". Retrieved 16 November 2013.

[123] Zhang, Wei (1988). "Shift-invariant pattern recognition neural network and its optical architecture". Proceedings of annual conference of the Japan Society of Applied Physics.

[124] Zhang, Wei (1990). "Parallel distributed processing model with local space-invariant interconnections and its optical architecture". Applied Optics. 29 (32): 4790–7. Bibcode:1990ApOpt..29.4790Z. doi:10.1364/AO.29.004790. PMID 20577468.

[facebook-paper2-125] Tian, Yuandong; Zhu, Yan (2015). "Better Computer Go Player with Neural Network and Long-term Prediction". arXiv:1511.06410v1 [cs.LG].

[126] "How Facebook's AI Researchers Built a Game-Changing Go Engine". MIT Technology Review. 4 December 2015. Retrieved 3 February 2016.

[127] "Facebook AI Go Player Gets Smarter With Neural Network And Long-Term Prediction To Master World's Hardest Game". Tech Times. 28 January 2016. Retrieved 24 April 2016.

[:2-128] "Facebook's artificially intelligent Go player is getting smarter". VentureBeat. 27 January 2016. Retrieved 24 April 2016.

[129] Solomonoff, R.J.The Time Scale of Artificial Intelligence; Reflections on Social Effects, Human Systems Management, Vol 5 1985, Pp 149-153

[130] Moor, J., The Dartmouth College Artificial Intelligence Conference: The Next Fifty years, AI Magazine, Vol 27, No., 4, Pp. 87-9, 2006

[131] Kline, Ronald R., Cybernetics, Automata Studies and the Dartmouth Conference on Artificial Intelligence, IEEE Annals of the History of Computing, October–December, 2011, IEEE Computer Society

[dca-132] Jump up to: ^a ^b Haghighat, Mohammad; Abdel-Mottaleb, Mohamed; Alhalabi, Wadee (2016). "Discriminant Correlation Analysis: Real-Time Feature Level Fusion for Multimodal Biometric Recognition". IEEE Transactions on Information Forensics and Security. 11 (9): 1984–1996. doi:10.1109/TIFS.2016.2569061. S2CID 15624506.

[refone-133] Lenzerini, Maurizio (2002). "Data Integration: A Theoretical Perspective" (PDF). PODS 2002. pp. 233–246. Archived from the original (PDF) on 27 October 2021. Retrieved 5 July 2022.

[DataExplode-134] Lane, Frederick (2006). "IDC: World Created 161 Billion Gigs of Data in 2006".

[135] Dhar, V. (2013). "Data science and prediction". Communications of the ACM. 56 (12): 64–73. doi:10.1145/2500499. S2CID 6107147.

[136] Leek, Jeff (12 December 2013). "The key word in 'Data Science' is not Data, it is Science". Simply Statistics. Archived from the original on 2 January 2014. Retrieved 11 November 2018.

[Hayashi-137] Hayashi, Chikio (1 January 1998). "What is Data Science ? Fundamental Concepts and a Heuristic Example". In Hayashi, Chikio; Yajima, Keiji; Bock, Hans-Hermann; Ohsumi, Noboru; Tanaka, Yutaka; Baba, Yasumasa (eds.). Data Science, Classification, and Related Methods. Studies in Classification, Data Analysis, and Knowledge Organization. Springer Japan. pp. 40–51. doi:10.1007/978-4-431-65950-1_3. ISBN 9784431702085.

[138] Dedić, Nedim; Stanier, Clare (2016). Hammoudi, Slimane; Maciaszek, Leszek; Missikoff, Michele M. Missikoff; Camp, Olivier; Cordeiro, José (eds.). An Evaluation of the Challenges of Multilingualism in Data Warehouse Development. International Conference on Enterprise Information Systems, 25–28 April 2016, Rome, Italy (PDF). Proceedings of the 18th International Conference on Enterprise Information Systems (ICEIS 2016). Vol. 1. SciTePress. pp. 196–206. doi:10.5220/0005858401960206. ISBN 978-989-758-187-8.

[rjmetrics-139] "9 Reasons Data Warehouse Projects Fail". blog.rjmetrics.com. 4 December 2014. Retrieved 30 April 2017.

[140] Huang; Green; Loo, "Datalog and Emerging applications", SIGMOD 2011 (PDF), UC Davis, archived from the original (PDF) on 1 July 2022, retrieved 5 July 2022.

[141] Steele, Katie and Stefánsson, H. Orri, "Decision Theory", The Stanford Encyclopedia of Philosophy (Winter 2015 Edition), Edward N. Zalta (ed.), URL = [1]

[142] Lloyd, J.W., Practical Advantages of Declarative Programming

[pami-143] Jump up to: ^a ^b Bengio, Y.; Courville, A.; Vincent, P. (2013). "Representation Learning: A Review and New Perspectives". IEEE Transactions on Pattern Analysis and Machine Intelligence. 35 (8): 1798–1828. arXiv:1206.5538. doi:10.1109/tpami.2013.50. PMID 23787338. S2CID 393948.

[144] Schmidhuber, J (2015). "Deep Learning in Neural Networks: An Overview". Neural Networks. 61: 85–117. arXiv:1404.7828. doi:10.1016/j.neunet.2014.09.003. PMID 25462637. S2CID 11715509.

[145] Bengio, Yoshua; LeCun, Yann; Hinton, Geoffrey (2015). "Deep Learning" (PDF). Nature. 521 (7553): 436–444. Bibcode:2015Natur.521..436L. doi:10.1038/nature14539. PMID 26017442. S2CID 3074096.

[146] "About Us | DeepMind". DeepMind.

[147] "A return to Paris | DeepMind". DeepMind. 29 March 2018.

[arxiv_medium-148] "The Last AI Breakthrough DeepMind Made Before Google Bought It". The Physics arXiv Blog. 29 January 2014. Retrieved 12 October 2014.

[arxiv-149] Graves, Alex; Wayne, Greg; Danihelka, Ivo (2014). "Neural Turing Machines". arXiv:1410.5401 [cs.NE].

[150] Best of 2014: Google's Secretive DeepMind Startup Unveils a "Neural Turing Machine" Archived 4 December 2015 at the Wayback Machine, MIT Technology Review

[DNCnature2016-151] Graves, Alex; Wayne, Greg; Reynolds, Malcolm; Harley, Tim; Danihelka, Ivo; Grabska-Barwińska, Agnieszka; Colmenarejo, Sergio Gómez; Grefenstette, Edward; Ramalho, Tiago (12 October 2016). "Hybrid computing using a neural network with dynamic external memory". Nature. 538 (7626): 471–476. Bibcode:2016Natur.538..471G. doi:10.1038/nature20101. ISSN 1476-4687. PMID 27732574. S2CID 205251479.

[152] Kohs, Greg (29 September 2017), AlphaGo, Ioannis Antonoglou, Lucas Baker, Nick Bostrom, retrieved 9 January 2018

[153] Silver, David; Hubert, Thomas; Schrittwieser, Julian; Antonoglou, Ioannis; Lai, Matthew; Guez, Arthur; Lanctot, Marc; Sifre, Laurent; Kumaran, Dharshan; Graepel, Thore; Lillicrap, Timothy; Simonyan, Karen; Hassabis, Demis (5 December 2017). "Mastering Chess and Shogi by Self-Play with a General Reinforcement Learning Algorithm". arXiv:1712.01815 [cs.AI].

[154] Sikos, Leslie F. (2017). Description Logics in Multimedia Reasoning. Cham: Springer International Publishing. doi:10.1007/978-3-319-54066-5. ISBN 978-3-319-54066-5. S2CID 3180114.

[:0ai-155] Ho, Jonathan; Jain, Ajay; Abbeel, Pieter (19 June 2020). Denoising Diffusion Probabilistic Models. arXiv:2006.11239.

[:1ai-156] Song, Yang; Sohl-Dickstein, Jascha; Kingma, Diederik P.; Kumar, Abhishek; Ermon, Stefano; Poole, Ben (10 February 2021). "Score-Based Generative Modeling through Stochastic Differential Equations". arXiv:2011.13456 [cs.LG].

[157] Gu, Shuyang; Chen, Dong; Bao, Jianmin; Wen, Fang; Zhang, Bo; Chen, Dongdong; Yuan, Lu; Guo, Baining (2021). "Vector Quantized Diffusion Model for Text-to-Image Synthesis". arXiv:2111.14822 [cs.CV].

[chang23design-158] Chang, Ziyi; Koulieris, George Alex; Shum, Hubert P. H. (2023). "On the Design Fundamentals of Diffusion Models: A Survey". arXiv:2306.04542 [cs.LG].

[159] Croitoru, Florinel-Alin; Hondru, Vlad; Ionescu, Radu Tudor; Shah, Mubarak (2023). "Diffusion Models in Vision: A Survey". IEEE Transactions on Pattern Analysis and Machine Intelligence. 45 (9): 10850–10869. arXiv:2209.04747. doi:10.1109/TPAMI.2023.3261988. PMID 37030794. S2CID 252199918.

[160] Roweis, S. T.; Saul, L. K. (2000). "Nonlinear Dimensionality Reduction by Locally Linear Embedding". Science. 290 (5500): 2323–2326. Bibcode:2000Sci...290.2323R. CiteSeerX 10.1.1.111.3313. doi:10.1126/science.290.5500.2323. PMID 11125150. S2CID 5987139.

[161] Pudil, P.; Novovičová, J. (1998). "Novel Methods for Feature Subset Selection with Respect to Problem Knowledge". In Liu, Huan; Motoda, Hiroshi (eds.). Feature Extraction, Construction and Selection. pp. 101. doi:10.1007/978-1-4615-5725-8_7. ISBN 978-1-4613-7622-4.

[162] Demazeau, Yves, and J-P. Müller, eds. Decentralized Ai. Vol. 2. Elsevier, 1990.

[163] Hendrickx, Iris; Van den Bosch, Antal (October 2005). "Hybrid algorithms with Instance-Based Classification". Machine Learning: ECML2005. Springer. pp. 158–169. ISBN 9783540292432.

[twsL35-164] Jump up to: ^a ^b Ostrow, Adam (5 March 2011). "Roger Ebert's Inspiring Digital Transformation". Mashable Entertainment. Retrieved 12 September 2011. With the help of his wife, two colleagues and the Alex-equipped MacBook that he uses to generate his computerized voice, famed film critic Roger Ebert delivered the final talk at the TED conference on Friday in Long Beach, California....

[twsL34-165] Lee, Jennifer (7 March 2011). "Roger Ebert Tests His Vocal Cords, and Comedic Delivery". The New York Times. Retrieved 12 September 2011. Now perhaps, there is the Ebert Test, a way to see if a synthesized voice can deliver humor with the timing to make an audience laugh.... He proposed the Ebert Test as a way to gauge the humanness of a synthesized voice.

[twsL41-166] "Roger Ebert's Inspiring Digital Transformation". Tech News. 5 March 2011. Archived from the original on 25 March 2011. Retrieved 12 September 2011. Meanwhile, the technology that enables Ebert to "speak" continues to see improvements – for example, adding more realistic inflection for question marks and exclamation points. In a test of that, which Ebert called the "Ebert test" for computerized voices,

[twsL37-167] Pasternack, Alex (18 April 2011). "A MacBook May Have Given Roger Ebert His Voice, But An iPod Saved His Life (Video)". Motherboard. Archived from the original on 6 September 2011. Retrieved 12 September 2011. He calls it the "Ebert Test," after Turing's AI standard...

[168] Jaeger, Herbert; Haas, Harald (2004). "Harnessing Nonlinearity: Predicting Chaotic Systems and Saving Energy in Wireless Communication" (PDF). Science. 304 (5667): 78–80. Bibcode:2004Sci...304...78J. doi:10.1126/science.1091277. PMID 15064413. S2CID 2184251. Archived from the original (PDF) on 1 September 2022. Retrieved 5 July 2022.

[169] Герберт Джагер (2007) Государственная сеть Echo. Архивировано 28 июня 2022 года в Wayback Machine Scholarpedia.

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

[EVOALG-171] Вихар, Пенсильвания (2016). «Эволюционные алгоритмы: критический обзор и его будущие перспективы». Международная конференция 2016 г. по глобальным тенденциям в области обработки сигналов, информационных вычислений и связи (ICGTSPICC) . Джалгаон, 2016, стр. 261–265. стр. 261–265. дои : 10.1109/ICGTSPICC.2016.7955308 . ISBN 978-1-5090-0467-6 . S2CID 22100336 .

[aima-172] Рассел, Стюарт ; Норвиг, Питер (2009). «26.3: Этика и риски разработки искусственного интеллекта». Искусственный интеллект: современный подход . Прентис Холл. ISBN 978-0-13-604259-4 .

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

[174] «Шпаргалка по искусственному интеллекту» . Сланец . 1 апреля 2016 года . Проверено 16 мая 2016 г.

[Jackson1998-175] Джексон, Питер (1998), Введение в экспертные системы (3-е изд.), Аддисон Уэсли, стр. 2, ISBN 978-0-201-87686-4

[176] «Обычное программирование» . Журнал ПК . Архивировано из оригинала 14 октября 2012 года . Проверено 15 сентября 2013 г.

[naive-177] Мартинньон, Лаура; Витуш, Оливер; Такезава, Масанори; Форстер, Малькольм. «Наивный и все же просвещенный: от естественных частот к быстрым и экономным деревьям решений» , опубликовано в журнале «Мышление: психологические взгляды на рассуждения, суждения и принятие решений » (Дэвид Хардман и Лаура Макки; редакторы), Чичестер: John Wiley & Sons, 2003.

[auto-178] Перейти обратно: ^а ^б Ходжсон, доктор JPE, «Логика первого порядка». Архивировано 21 сентября 2019 года в Wayback Machine , Университет Святого Иосифа , Филадельфия , 1995 год.

[179] Хьюз, GE , и Крессвелл, MJ , Новое введение в модальную логику ( Лондон : Routledge , 1996), стр.161 .

[180] Фейгенбаум, Эдвард (1988). Возникновение экспертной компании . Книги Таймс. п. 318 . ISBN 978-0-8129-1731-4 .

[181] Хейс, Патрик (1981). «Проблема фрейма и связанные с ней проблемы искусственного интеллекта» (PDF) . Чтения по искусственному интеллекту . Эдинбургский университет: 223–230. дои : 10.1016/B978-0-934613-03-3.50020-9 . ISBN 9780934613033 . S2CID 141711662 . Архивировано из оригинала (PDF) 3 декабря 2013 года . Проверено 9 марта 2019 г.

[Sardar,_Z._2010_pp._177-182] Сардар, З. (2010). «Тёзка: будущее; исследования будущего; футурология; футуристика; предвидение - что в имени?». Фьючерсы . 42 (3): 177–184. дои : 10.1016/j.futures.2009.11.001 .

[Pedrycz-183] Педрич, Витольд (1993). Нечеткое управление и нечеткие системы (2-е изд.). ООО «Исследовательские исследования Пресс»

[Hájek-184] Гаек, Петр (1998). Метаматематика нечеткой логики (4-е изд.). Springer Science & Business Media.

[:0-185] Д. Дюбуа и Х. Прад (1988) Нечеткие множества и системы. Академик Пресс, Нью-Йорк.

[186] Лян, Лили Р.; Лу, Шийонг; Ван, Сюэна; Лу, Йи; Мандал, Винай; Патасил, Доррелин; Кумар, Дипак (2006). «FM-тест: подход к анализу данных дифференциальной экспрессии генов, основанный на теории нечетких множеств» . БМК Биоинформатика . 7 (Дополнение 4): S7. дои : 10.1186/1471-2105-7-S4-S7 . ПМК 1780132 . ПМИД 17217525 .

[Myerson-187] Майерсон, Роджер Б. (1991). Теория игр: анализ конфликта, издательство Гарвардского университета, стр. 1 . Ссылки на предварительный просмотр глав, стр. vii–xi .

[188] 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. Архивировано из оригинала (PDF) 17 февраля 2020 года . Проверено 13 июня 2020 г.

[pellfirst-189] Пелл, Барни (1996). «Стратегический метаигровой игрок для обычных шахматных игр». Вычислительный интеллект . 12 (1): 177–198. дои : 10.1111/j.1467-8640.1996.tb00258.x . ISSN 1467-8640 . S2CID 996006 .

[ggppell-190] Генесерет, Михаил; С любовью, Натаниэль; Пелл, Барни (15 июня 2005 г.). «Общая игра: обзор соревнований AAAI». Журнал ИИ . 26 (2): 62. дои : 10.1609/aimag.v26i2.1813 . ISSN 2371-9621 .

[nytimes-191] Гриффит, Эрин; Мец, Кейд (27 января 2023 г.). «Говорят, что Anthropic приближается к 300 миллионам долларов на финансирование нового искусственного интеллекта» . Нью-Йорк Таймс . Проверено 14 марта 2023 г.

[bloomberg-192] Ланксон, Нейт; Басс, Дина; Давалос, Джеки (10 марта 2023 г.). «Шпаргалка по модным словам ИИ и их значениям» . Новости Блумберга . Проверено 14 марта 2023 г.

[193] Пасик, Адам (27 марта 2023 г.). «Глоссарий искусственного интеллекта: объяснение нейронных сетей и других терминов» . Нью-Йорк Таймс . ISSN 0362-4331 . Проверено 22 апреля 2023 г.

[194] Андрей Карпаты; Питер Аббель; Грег Брокман; Питер Чен; Вики Чунг; Ян Дуань; Ян Гудфеллоу; Дурк Кингма; Джонатан Хо; Рейн Хаутхофт; Тим Салиманс; Джон Шульман; Илья Суцкевер; Войцех Заремба (16 июня 2016 г.). «Генераторные модели» . ОпенАИ .

[FOOTNOTEMitchell19962-195] Митчелл 1996 , с. 2.

[196] Смит, Крейг С. (15 марта 2023 г.). «Создатель ChatGPT-4 Илья Суцкевер об ИИ-галлюцинациях и ИИ-демократии» . Форбс . Проверено 25 декабря 2023 г.

[197] Трюдо, Ричард Дж. (1993). Введение в теорию графов (Исправленное, расширенное издание. Под ред.). Нью-Йорк: Паб Dover. п. 19. ISBN 978-0-486-67870-2 . Проверено 8 августа 2012 г. Граф — это объект, состоящий из двух наборов, называемых набором вершин и набором ребер .

[198] Юн, Бён Ха; Ким, Сон Гю; Ким, Сон Ён (март 2017 г.). «Использование базы данных графов для интеграции гетерогенных биологических данных» . Геномика и информатика . 15 (1): 19–27. дои : 10.5808/GI.2017.15.1.19 . ISSN 1598-866X . ПМК 5389944 . ПМИД 28416946 .

[199] Бурбакис, Николаос Г. (1998). Искусственный интеллект и автоматизация . Всемирная научная. п. 381. ИСБН 9789810226374 . Проверено 20 апреля 2018 г.

[200] Перл, Иудея (1984). Эвристика: стратегии интеллектуального поиска для решения компьютерных задач . США: Паб Addison-Wesley. Co., Inc., Ридинг, Массачусетс. п. 3 . Бибкод : 1985hiss.book.....P . ОСТИ 5127296 .

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

[Ross05-202] П. Росс, Гиперэвристика, Методологии поиска: вводные уроки по методам оптимизации и поддержки принятия решений (ЭК Берк и Г. Кендалл , ред.), Springer, 2005, стр. 529-556.

[Ozcan08-203] Озджан, Э.; Билгин, Б.; Коркмаз, Э.Э. (2008). «Комплексный анализ гиперэвристики». Интеллектуальный анализ данных . 12 (1): 3–23. дои : 10.3233/ida-2008-12102 .

[IEEE_CIS_Scope-204] «Область применения IEEE СНГ» . Архивировано из оригинала 4 июня 2016 года . Проверено 18 марта 2019 г.

[205] «Контроль процессов обработки — Производственные лаборатории Purdue ME» . Engineering.purdue.edu .

[206] Хой, Мэтью Б. (2018). «Alexa, Siri, Cortana и многое другое: введение в голосовые помощники». Ежеквартальный журнал медицинских справочных служб . 37 (1): 81–88. дои : 10.1080/02763869.2018.1404391 . ПМИД 29327988 . S2CID 30809087 .

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

[208] Шевалье, Арно (2016). «Стратегическое мышление в решении сложных проблем». Оксфордская стипендия онлайн . Оксфорд; Нью-Йорк: Издательство Оксфордского университета . doi : 10.1093/acprof:oso/9780190463908.001.0001 . ISBN 9780190463908 . OCLC 940455195 . S2CID 157255130 .

[209] «Руководство по стратегии выживания: деревья проблем» . Лондон: Правительство Соединенного Королевства. Июль 2004 г. Архивировано из оригинала 17 февраля 2012 г. Проверено 6 октября 2018 г. Также доступен в формате PDF .

[:1-210] Паскин, Марк. «Краткий курс графических моделей» (PDF) . Стэнфорд .

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

[212] Брахман, Р.Дж. ; Шмольце, Дж. Г. (1985). «Обзор системы представления знаний KL-ONE» (PDF) . Когнитивная наука . 9 (2): 171. doi : 10.1207/s15516709cog0902_1 . ^{[ постоянная мертвая ссылка ]}

[213] Дуче, Д.А.; Рингленд, Джорджия (1988). Подходы к представлению знаний. Введение . Research Studies Press, Ltd. ISBN 978-0-86380-064-1 .

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

[215] «Представление знаний в нейронных сетях — deepMinds» . глубокие умы . 16 августа 2018 года. Архивировано из оригинала 17 августа 2018 года . Проверено 16 августа 2018 г.

[216] Кернер, Шон Майкл. «Что такое большие языковые модели?» . ТехТаржет . Проверено 28 января 2024 г.

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

[218] Хохрейтер, Зепп; Шмидхубер, Юрген (1997). «Длинная кратковременная память». Нейронные вычисления . 9 (8): 1735–1780. дои : 10.1162/neco.1997.9.8.1735 . ПМИД 9377276 . S2CID 1915014 .

[Siegelmann92-219] Сигельманн, Хава Т.; Зонтаг, Эдуардо Д. (1992). «О вычислительной мощности нейронных сетей». Материалы пятого ежегодного семинара по теории вычислительного обучения . Том. КОЛЬТ 92 года. стр. 440–449. дои : 10.1145/130385.130432 . ISBN 978-0897914970 . S2CID 207165680 . {{cite book}}: |work= игнорируется ( помогите )

[220] Ганюк, Пол А. (2017). Цепи Маркова: от теории к реализации и экспериментам . США, Нью-Джерси: Джон Уайли и сыновья. стр. 1–235. ISBN 978-1-119-38755-8 .

[221] «Цепь Маркова | Определение цепи Маркова на американском английском языке в Оксфордских словарях» . Оксфордские словари | Английский . Архивировано из оригинала 15 декабря 2017 года . Проверено 14 декабря 2017 г.

[222] Определение на Brilliant.org «Brilliant Math and Science Wiki» . Проверено 12 мая 2019 г.

[223] « Природа математического программирования. Архивировано 5 марта 2014 г. в Wayback Machine », Глоссарий математического программирования , INFORMS Computing Society.

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

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

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

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

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

[229] «Что такое мехатроника?» . Информация о будущих студентах . Университет Ватерлоо. Архивировано из оригинала 6 октября 2011 года . Проверено 30 мая 2011 г.

[CZU-230] «Мехатроника (бакалавр, инженер, доктор философии)» . Архивировано из оригинала 15 августа 2016 года . Проверено 15 апреля 2011 г.

[Franke_2005-231] Франке; Зизен, Теусинк (2005). «Реконструкция метаболической сети бактерии по ее геному». Тенденции в микробиологии . 13 (11): 550–558. дои : 10.1016/j.tim.2005.09.001 . ПМИД 16169729 .

[232] Баламуруган, Р.; Натараджан, AM; Премалатха, К. (2015). «Оптимизация черной дыры звездной массы для бикластеризации данных об экспрессии генов на микрочипах» . Прикладной искусственный интеллект . 29 (4): 353–381. дои : 10.1080/08839514.2015.1016391 . S2CID 44624424 .

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

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

[235] ' ^ « Наивная семантика для поддержки автоматизированного проектирования баз данных », IEEE Transactions on Knowledge and Data Engineering , том 14, выпуск 1 (январь 2002 г.), В. К. Стори, Р. К. Гольдштейн и Х. Ульрих

[tkac08-236] Использование раннего и позднего связывания в Automation , Microsoft, 11 мая 2007 г. , получено 11 мая 2009 г.

[237] строго говоря, URIref

[238] ttps://w3.org/TR/PR-rdf-syntax/ «Модель и синтаксис структуры описания ресурсов (RDF)»

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

[240] Хопфилд, Джей-Джей (1982). «Нейронные сети и физические системы с возникающими коллективными вычислительными способностями» . Учеб. Натл. акад. наук. США . 79 (8): 2554–2558. Бибкод : 1982PNAS...79.2554H . дои : 10.1073/pnas.79.8.2554 . ПМЦ 346238 . ПМИД 6953413 .

[MyUser_Https:_May_17_2016c-241] «Глубокие разумы: интервью с Алексом Грейвсом из Google и Кораем Кавукчуоглу» . Проверено 17 мая 2016 г.

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

[Krucoff_584-243] Крукофф, Макс О.; Рахимпур, Шервин; Слуцкий, Марк В.; Эдгертон, В. Реджи; Тернер, Деннис А. (1 января 2016 г.). «Улучшение восстановления нервной системы с помощью нейробиопрепаратов, тренировки нейронного интерфейса и нейрореабилитации» . Границы в неврологии . 10 : 584. дои : 10.3389/fnins.2016.00584 . ПМК 5186786 . ПМИД 28082858 .

[244] Мид, Карвер (1990). «Нейроморфные электронные системы» (PDF) . Труды IEEE . 78 (10): 1629–1636. CiteSeerX 10.1.1.161.9762 . дои : 10.1109/5.58356 . S2CID 1169506 .

[Maan_1–13-245] Маан, АК; Джаядеви, Д.А.; Джеймс, AP (1 января 2016 г.). «Обзор мемристивных пороговых логических схем». Транзакции IEEE в нейронных сетях и системах обучения . ПП (99): 1734–1746. arXiv : 1604.07121 . дои : 10.1109/TNNLS.2016.2547842 . ISSN 2162-237X . ПМИД 27164608 . S2CID 1798273 .

[246] « Обзор спинтронных архитектур для обработки в памяти и нейронных сетей », JSA, 2018

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

[248] Монро, Д. (2014). «Нейроморфные вычисления готовятся к (действительно) большим временам». Коммуникации АКМ . 57 (6): 13–15. дои : 10.1145/2601069 . S2CID 20051102 .

[249] Чжао, WS; Агнус, Г.; Дерик, В.; Филорамо, А.; Бургуэн, Ж.-П.; Гамрат, К. (2010). «Кроссбарная архитектура на основе нанотрубок: на пути к нейроморфным вычислениям» . Нанотехнологии . 21 (17): 175202. Бибкод : 2010Nanot..21q5202Z . дои : 10.1088/0957-4484/21/17/175202 . ПМИД 20368686 . S2CID 16253700 . Архивировано из оригинала 10 апреля 2021 года . Проверено 2 декабря 2019 г.

[humanbrainproject-250] Проект человеческого мозга SP 9: Платформа нейроморфных вычислений на YouTube

[251] Коупленд, Джек (май 2000 г.). «Что такое искусственный интеллект?» . АланТуринг.нет . Архивировано из оригинала 9 ноября 2015 года . Проверено 7 ноября 2015 г.

[kleinberg2006-252] Кляйнберг, Джон; Тардос, Ева (2006). Разработка алгоритмов (2-е изд.). Аддисон-Уэсли. п. 464 . ISBN 0-321-37291-3 .

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

[255] «Что такое бритва Оккама?» . math.ucr.edu . Проверено 1 июня 2019 г.

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

[257] «OpenCog: общий искусственный интеллект с открытым исходным кодом для виртуальных миров» . Новости КиберТех . 6 марта 2009 года. Архивировано из оригинала 6 марта 2009 года . Проверено 1 октября 2016 г.

[258] Сен-Лоран, Эндрю М. (2008). Понимание лицензирования открытого и свободного программного обеспечения . О'Рейли Медиа. п. 4. ISBN 9780596553951 .

[Open_Collaboration-259] Левин, Шин С.; Приетула, Майкл Дж. (30 декабря 2013 г.). «Открытое сотрудничество ради инноваций: принципы и эффективность». Организационная наука . 25 (5): 1414–1433. arXiv : 1406.7541 . дои : 10.1287/orsc.2013.0872 . ISSN 1047-7039 . S2CID 6583883 .

[260] Бишоп, Кристофер М. (2006). Распознавание образов и машинное обучение (PDF) . Спрингер. п. VII. Распознавание образов зародилось в инженерии, тогда как машинное обучение выросло из информатики. Однако эту деятельность можно рассматривать как два аспекта одной и той же области, и вместе они претерпели существенное развитие за последние десять лет.

[261] Хьюз, GE , и Крессвелл, MJ , Новое введение в модальную логику ( Лондон : Routledge , 1996), стр.161 .

[Nyce-262] Найс, Чарльз (2007), Технический документ по прогнозной аналитике (PDF) , Американский институт дипломированных андеррайтеров по страхованию имущества/Американский институт страхования, стр. 1

[Eckerson-263] Экерсон, Уэйн (10 мая 2007 г.), Увеличение ценности ваших инвестиций в хранилище данных , Институт хранилищ данных.

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

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

[physorg-266] «Вероятностное программирование позволяет с помощью 50 строк кода сделать то, что раньше требовало тысяч» . физ.орг . 13 апреля 2015 года . Проверено 13 апреля 2015 г.

[267] «Вероятностное программирование» . Вероятностное программирование.org . Архивировано из оригинала 10 января 2016 года . Проверено 31 июля 2019 г.

[Pfeffer2014-268] Пфеффер, Авром (2014), Практическое вероятностное программирование , Manning Publications. стр.28. ISBN 978-1 6172-9233-0

[Clocksin2003-269] Клоксин, Уильям Ф.; Меллиш, Кристофер С. (2003). Программирование на Прологе . Берлин; Нью-Йорк: Springer-Verlag. ISBN 978-3-540-00678-7 .

[Bratko2012-270] Братко, Иван (2012). Программирование на Прологе для искусственного интеллекта (4-е изд.). Харлоу, Англия; Нью-Йорк: Эддисон Уэсли. ISBN 978-0-321-41746-6 .

[Covington1994-271] Ковингтон, Майкл А. (1994). Обработка естественного языка для программистов на Прологе . Энглвуд Клиффс, Нью-Джерси: Прентис Холл. ISBN 978-0-13-629213-5 .

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

[273] Кульман, Дэйв. «Книга Python: Начало Python, продвинутый уровень Python и упражнения по Python». Раздел 1.1. Архивировано из оригинала (PDF) 23 июня 2012 года.

[reiter-274] Перейти обратно: ^а ^б Райтер, Раймонд (2001). Знания в действии: логические основы определения и реализации динамических систем . Кембридж, Массачусетс: MIT Press. стр. 20–22 . ISBN 9780262527002 .

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

[2018Report-276] Ворчишь, Эмили; Горовиц, Марк, ред. (2019). Квантовые вычисления: прогресс и перспективы (2018) . Вашингтон, округ Колумбия: Издательство национальных академий. п. Я-5. дои : 10.17226/25196 . ISBN 978-0-309-47969-1 . ОСЛК 1081001288 . S2CID 125635007 .

[277] Язык R и окружающая среда Хорник, Курт (4 октября 2017 г.). «Р FAQ» . Комплексная сеть архивов R. 2.1 Что такое Р? . Проверено 6 августа 2018 г. Фонд Р Хорник, Курт (4 октября 2017 г.). «Р FAQ» . Комплексная сеть архивов R. 2.13 Что такое Фонд R? . Проверено 6 августа 2018 г. Команда R Core просит авторов, использующих R в своем анализе данных, цитировать программное обеспечение, используя: Основная команда R (2016). Р: Язык и среда для статистических вычислений. Фонд статистических вычислений R, Вена, Австрия. URL https://R-project.org/ .

[278] широко используется Фокс, Джон и Андерсен, Роберт (январь 2005 г.). «Использование среды статистических вычислений R для преподавания курсов социальной статистики» (PDF) . Кафедра социологии Университета Макмастера . Проверено 6 августа 2018 г. Вэнс, Эшли (6 января 2009 г.). «Аналитики данных, очарованные мощью R» . Нью-Йорк Таймс . Проверено 6 августа 2018 г. R — это также название популярного языка программирования, используемого все большим числом аналитиков данных в корпорациях и научных кругах. Это становится их лингва-франка...

[279] Вэнс, Эшли (6 января 2009 г.). «Аналитики данных, очарованные мощью R» . Нью-Йорк Таймс . Проверено 6 августа 2018 г. R — это также название популярного языка программирования, используемого все большим числом аналитиков данных в корпорациях и научных кругах. Это становится их лингва-франка...

[280] Broomhead, D. S.; Lowe, David (1988). Radial basis functions, multi-variable functional interpolation and adaptive networks (PDF) (Technical report). RSRE. 4148. Archived from the original on 9 April 2013.

[281] Broomhead, D. S.; Lowe, David (1988). "Multivariable functional interpolation and adaptive networks" (PDF). Complex Systems. 2: 321–355.

[282] Schwenker, Friedhelm; Kestler, Hans A.; Palm, Günther (2001). "Three learning phases for radial-basis-function networks". Neural Networks. 14 (4–5): 439–458. doi:10.1016/s0893-6080(01)00027-2. PMID 11411631.

[283] Ho, Tin Kam (1995). Random Decision Forests (PDF). Proceedings of the 3rd International Conference on Document Analysis and Recognition, Montreal, QC, 14–16 August 1995. pp. 278–282. Archived from the original (PDF) on 17 April 2016. Retrieved 5 June 2016.

[284] Ho, TK (1998). "The Random Subspace Method for Constructing Decision Forests". IEEE Transactions on Pattern Analysis and Machine Intelligence. 20 (8): 832–844. doi:10.1109/34.709601. S2CID 206420153.

[285] Hastie, Trevor; Tibshirani, Robert; Friedman, Jerome(2008). The Elements of Statistical Learning (2nd ed.). Springer. ISBN 0-387-95284-5.

[286] Graves, A.; Liwicki, M.; Fernandez, S.; Bertolami, R.; Bunke, H.; Schmidhuber, J. (2009). "A Novel Connectionist System for Improved Unconstrained Handwriting Recognition" (PDF). IEEE Transactions on Pattern Analysis and Machine Intelligence. 31 (5): 855–868. CiteSeerX 10.1.1.139.4502. doi:10.1109/tpami.2008.137. PMID 19299860. S2CID 14635907.

[sak2014-287] Sak, Hasim; Senior, Andrew; Beaufays, Francoise (2014). "Long Short-Term Memory recurrent neural network architectures for large scale acoustic modeling" (PDF). Archived from the original (PDF) on 24 April 2018. Retrieved 6 August 2019.

[liwu2015-288] Li, Xiangang; Wu, Xihong (15 October 2014). "Constructing Long Short-Term Memory based Deep Recurrent Neural Networks for Large Vocabulary Speech Recognition". arXiv:1410.4281 [cs.CL].

[kaelbling-289] Kaelbling, Leslie P.; Littman, Michael L.; Moore, Andrew W. (1996). "Reinforcement Learning: A Survey". Journal of Artificial Intelligence Research. 4: 237–285. arXiv:cs/9605103. doi:10.1613/jair.301. S2CID 1708582. Archived from the original on 20 November 2001. Retrieved 5 July 2022.

[290] Patrizio, Andy. "What is reinforcement learning from human feedback (RLHF)?". TechTarget. Retrieved 28 January 2024.

[291] Schrauwen, Benjamin, David Verstraeten, and Jan Van Campenhout. "An overview of reservoir computing: theory, applications, and implementations." Proceedings of the European Symposium on Artificial Neural Networks ESANN 2007, pp. 471-482.

[292] Mass, Wolfgang; Nachtschlaeger, T.; Markram, H. (2002). "Real-time computing without stable states: A new framework for neural computation based on perturbations". Neural Computation. 14 (11): 2531–2560. doi:10.1162/089976602760407955. PMID 12433288. S2CID 1045112.

[293] Jaeger, Herbert, "The echo state approach to analyzing and training recurrent neural networks." Technical Report 154 (2001), German National Research Center for Information Technology.

[294] Jaeger, Herbert (2007). "Echo state network". Scholarpedia. 2 (9): 2330. Bibcode:2007SchpJ...2.2330J. doi:10.4249/scholarpedia.2330.

[295] "XML and Semantic Web W3C Standards Timeline" (PDF). 4 February 2012. Archived from the original (PDF) on 6 July 2022. Retrieved 5 July 2022.

[296] See, for example, Boolos and Jeffrey, 1974, chapter 11.

[Sowa-297] Sowa, John F. (1987). "Semantic Networks". In Shapiro, Stuart C (ed.). Encyclopedia of Artificial Intelligence. Retrieved 29 April 2008.

[bi-298] O'Hearn, P. W.; Pym, D. J. (June 1999). "The Logic of Bunched Implications". Bulletin of Symbolic Logic. 5 (2): 215–244. CiteSeerX 10.1.1.27.4742. doi:10.2307/421090. JSTOR 421090. S2CID 2948552.

[BoDu04-299] Abran et al. 2004, pp. 1–1

[300] "Computing Degrees & Careers". ACM. 2007. Archived from the original on 17 June 2011. Retrieved 23 November 2010.

[301] Laplante, Phillip (2007). What Every Engineer Should Know about Software Engineering. Boca Raton: CRC. ISBN 978-0-8493-7228-5. Retrieved 21 January 2011.

[302] Rapoza, Jim (2 May 2006). "SPARQL Will Make the Web Shine". eWeek. Retrieved 17 January 2007.

[303] Segaran, Toby; Evans, Colin; Taylor, Jamie (2009). Programming the Semantic Web. O'Reilly Media, Inc., 1005 Gravenstein Highway North, Sebastopol, CA 95472. p. 84. ISBN 978-0-596-15381-6.

[Maas_1996-304] Maass, Wolfgang (1997). "Networks of spiking neurons: The third generation of neural network models". Neural Networks. 10 (9): 1659–1671. doi:10.1016/S0893-6080(97)00011-7. ISSN 0893-6080.

[305] "What is stateless? - Definition from WhatIs.com". techtarget.com.

[Getoor2007-306] Lise Getoor and Ben Taskar: Introduction to statistical relational learning, MIT Press, 2007

[307] Ryan A. Rossi, Luke K. McDowell, David W. Aha, and Jennifer Neville, "Transforming Graph Data for Statistical Relational Learning. Archived 6 January 2018 at the Wayback Machine" Journal of Artificial Intelligence Research (JAIR), Volume 45 (2012), pp. 363-441.

[spall2003-308] Spall, J. C. (2003). Introduction to Stochastic Search and Optimization. Wiley. ISBN 978-0-471-33052-3.

[309] Language Understanding Using Two-Level Stochastic Models by F. Pla, et al, 2001, Springer Lecture Notes in Computer Science ISBN 978-3-540-42557-1

[310] Stuart J. Russell, Peter Norvig (2010) Artificial Intelligence: A Modern Approach, Third Edition, Prentice Hall ISBN 9780136042594.

[311] Mehryar Mohri, Afshin Rostamizadeh, Ameet Talwalkar (2012) Foundations of Machine Learning, The MIT Press ISBN 9780262018258.

[312] Cortes, Corinna; Vapnik, Vladimir N (1995). "Support-vector networks". Machine Learning. 20 (3): 273–297. doi:10.1007/BF00994018.

[313] Beni, G.; Wang, J. (1993). "Swarm Intelligence in Cellular Robotic Systems". Proceed. NATO Advanced Workshop on Robots and Biological Systems, Tuscany, Italy, June 26–30 (1989). pp. 703–712. doi:10.1007/978-3-642-58069-7_38. ISBN 978-3-642-63461-1.

[FOOTNOTEHaugeland1985255-314] Haugeland 1985, p. 255.

[FOOTNOTEPooleMackworthGoebel19981-315] Poole, Mackworth & Goebel 1998, p. 1.

[316] "Collection of sources defining "singularity"". singularitysymposium.com. Retrieved 17 April 2019.

[Singularity_hypotheses-317] Eden, Amnon H.; Moor, James H. (2012). Singularity hypotheses: A Scientific and Philosophical Assessment. Dordrecht: Springer. pp. 1–2. ISBN 9783642325601.

[318] Cadwalladr, Carole (2014). "Are the robots about to rise? Google's new director of engineering thinks so..." The Guardian. Guardian News and Media Limited.

[RSutton-1998-319] Sutton, Richard & Andrew Barto (1998). Reinforcement Learning. MIT Press. ISBN 978-0-585-02445-5. Archived from the original on 30 March 2017.

[Neuroscience1980-Pellionisz-320] Pellionisz, A.; Llinás, R. (1980). "Tensorial Approach To The Geometry Of Brain Function: Cerebellar Coordination Via A Metric Tensor" (PDF). Neuroscience. 5 (7): 1125––1136. doi:10.1016/0306-4522(80)90191-8. PMID 6967569. S2CID 17303132.^{[dead link]}

[Neuroscience1985-Pellionisz-321] Pellionisz, A.; Llinás, R. (1985). "Tensor Network Theory Of The Metaorganization Of Functional Geometries In The Central Nervous System". Neuroscience. 16 (2): 245–273. doi:10.1016/0306-4522(85)90001-6. PMID 4080158. S2CID 10747593.

[YoutubeClip-322] "TensorFlow: Open source machine learning" "It is machine learning software being used for various kinds of perceptual and language understanding tasks" — Jeffrey Dean, minute 0:47 / 2:17 from YouTube clip

[Sipser-3rd-323] Sipser, Michael (2013). Introduction to the Theory of Computation 3rd. Cengage Learning. ISBN 978-1-133-18779-0. central areas of the theory of computation: automata, computability, and complexity. (Page 1)

[324] Thompson, William R (1933). "On the likelihood that one unknown probability exceeds another in view of the evidence of two samples". Biometrika. 25 (3–4): 285–294. doi:10.1093/biomet/25.3-4.285.

[325] Russo, Daniel J.; Van Roy, Benjamin; Kazerouni, Abbas; Osband, Ian; Wen, Zheng (2018). "A Tutorial on Thompson Sampling". Foundations and Trends in Machine Learning. 11 (1): 1–96. arXiv:1707.02038. doi:10.1561/2200000070. S2CID 3929917.

[326] Dickson, Ben (2 May 2022). "Machine learning: What is the transformer architecture?". TechTarget. Retrieved 2 May 2022.

[Mercer-327] Mercer, Calvin. Religion and Transhumanism: The Unknown Future of Human Enhancement. Praeger.

[Bostrom_2005-328] Bostrom, Nick (2005). "A history of transhumanist thought" (PDF). Journal of Evolution and Technology. Retrieved 21 February 2006.

[329] Turing originally suggested a teleprinter, one of the few text-only communication systems available in 1950. (Turing 1950, p. 433)

[FOOTNOTEPierce20021-330] Pierce 2002, p. 1: "A type system is a tractable syntactic method for proving the absence of certain program behaviors by classifying phrases according to the kinds of values they compute."

[FOOTNOTECardelli20041-331] Cardelli 2004, p. 1: "The fundamental purpose of a type system is to prevent the occurrence of execution errors during the running of a program."

[Hinton99a-332] Hinton, Jeffrey; Sejnowski, Terrence (1999). Unsupervised Learning: Foundations of Neural Computation. MIT Press. ISBN 978-0262581684.

[333] Colaner, Seth; Humrick, Matthew (3 January 2016). "A third type of processor for AR/VR: Movidius' Myriad 2 VPU". Tom's Hardware.

[334] Banerje, Prasid (28 March 2016). "The rise of VPUs: Giving Eyes to Machines". Digit.in. Archived from the original on 11 December 2018. Retrieved 5 July 2022.

[ibm-335] "DeepQA Project: FAQ". IBM. Retrieved 11 February 2011.

[336] Ferrucci, David; Levas, Anthony; Bagchi, Sugato; Gondek, David; Mueller, Erik T. (1 June 2013). "Watson: Beyond Jeopardy!". Artificial Intelligence. 199: 93–105. doi:10.1016/j.artint.2012.06.009.

[NYT_20110208-337] Hale, Mike (8 February 2011). "Actors and Their Roles for $300, HAL? HAL!". The New York Times. Retrieved 11 February 2011.

[338] "The DeepQA Project". IBM Research. Retrieved 18 February 2011.

[339] 9.com mentions narrow AI. Published 1 April 2013. Retrieved 16 February 2014: https://io9.com/how-much-longer-before-our-first-ai-catastrophe-464043243

[340] AI researcher Ben Goertzel explains why he became interested in AGI instead of narrow AI. Published 18 Oct 2013. Retrieved 16 February 2014. https://intelligence.org/2013/10/18/ben-goertzel/

[341] TechCrunch discusses AI App building regarding Narrow AI. Published 16 Oct 2015. Retrieved 17 Oct 2015. https://techcrunch.com/2015/10/15/machine-learning-its-the-hard-problems-that-are-valuable/

[253] polynomial time refers to how quickly the number of operations needed by an algorithm, relative to the size of the problem, grows. It is therefore a measure of efficiency of an algorithm.

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]

[13]

[14]

[15]

[16]

[17]

[18]

[19]

[20]

[21]

[22]

[23]

[24]

[25]

[26]

[27]

[28]

[29]

[30]

[31]

[32]

[33]

[34]

[35]

[36]

[37]

[38]

[39]

[40]

[41]

[42]

[43]

[44]

[45]

[46]

[47]

[48]

[49]

[50]

[51]

[52]

[53]

[54]

[55]

[56]

[57]

[58]

[59]

[60]

[61]

[62]

[63]

[64]

[65]

[66]

[67]

[68]

[69]

[70]

[71]

[72]

[73]

[74]

[75]

[76]

[77]

[78]

[79]

[80]

[81]

[82]

[83]

[84]

[85]

[86]

[87]

[88]

[89]

[90]

[91]

[92]

[93]

[94]

[95]

[96]

[97]

[98]

[99]

[100]

v t e Computer science
Note: This template roughly follows the 2012 ACM Computing Classification System.
Hardware	Printed circuit board Peripheral Integrated circuit Very Large Scale Integration Systems on Chip (SoCs) Energy consumption (Green computing) Electronic design automation Hardware acceleration
Computer systems organization	Computer architecture Computational complexity Dependability Embedded system Real-time computing
Networks	Network architecture Network protocol Network components Network scheduler Network performance evaluation Network service
Software organization	Interpreter Middleware Virtual machine Operating system Software quality
Software notations and tools	Programming paradigm Programming language Compiler Domain-specific language Modeling language Software framework Integrated development environment Software configuration management Software library Software repository
Software development	Control variable Software development process Requirements analysis Software design Software construction Software deployment Software engineering Software maintenance Programming team Open-source model
Theory of computation	Model of computation Formal language Automata theory Computability theory Computational complexity theory Logic Semantics
Algorithms	Algorithm design Analysis of algorithms Algorithmic efficiency Randomized algorithm Computational geometry
Mathematics of computing	Discrete mathematics Probability Statistics Mathematical software Information theory Mathematical analysis Numerical analysis Theoretical computer science
Information systems	Database management system Information storage systems Enterprise information system Social information systems Geographic information system Decision support system Process control system Multimedia information system Data mining Digital library Computing platform Digital marketing World Wide Web Information retrieval
Security	Cryptography Formal methods Security hacker Security services Intrusion detection system Hardware security Network security Information security Application security
Human–computer interaction	Interaction design Social computing Ubiquitous computing Visualization Accessibility
Concurrency	Concurrent computing Parallel computing Distributed computing Multithreading Multiprocessing
Artificial intelligence	Natural language processing Knowledge representation and reasoning Computer vision Automated planning and scheduling Search methodology Control method Philosophy of artificial intelligence Distributed artificial intelligence
Machine learning	Supervised learning Unsupervised learning Reinforcement learning Multi-task learning Cross-validation
Graphics	Animation Rendering Photograph manipulation Graphics processing unit Mixed reality Virtual reality Image compression Solid modeling
Applied computing	Quantum Computing E-commerce Enterprise software Computational mathematics Computational physics Computational chemistry Computational biology Computational social science Computational engineering Differentiable computing Computational healthcare Digital art Electronic publishing Cyberwarfare Electronic voting Video games Word processing Operations research Educational technology Document management
Category Outline WikiProject Commons

v t e Evolutionary computation
Main Topics	Evolutionary algorithm Evolutionary data mining Evolutionary multimodal optimization Human-based evolutionary computation Interactive evolutionary computation
Algorithms	Cellular evolutionary algorithm Covariance Matrix Adaptation Evolution Strategy (CMA-ES) Cultural algorithm Differential evolution Evolutionary programming Genetic algorithm Genetic programming Gene expression programming Evolution strategy Natural evolution strategy Neuroevolution Learning classifier system
Related techniques	Swarm intelligence Ant colony optimization Bees algorithm Cuckoo search Particle swarm optimization Bacterial Colony Optimization
Metaheuristic methods	Firefly algorithm Harmony search Gaussian adaptation Memetic algorithm
Related topics	Artificial development Artificial intelligence Artificial life Digital organism Evolutionary robotics Fitness function Fitness landscape Fitness approximation Genetic operators Interactive evolutionary computation No free lunch in search and optimization Machine learning Mating pool Program synthesis
Journals	Evolutionary Computation (journal)

v t e Robotics
Main articles	Outline Glossary Index History Geography Hall of Fame Ethics Laws Competitions AI competitions
Types	Aerobot Anthropomorphic Humanoid Android Cyborg Gynoid Claytronics Companion Automaton Animatronic Audio-Animatronics Industrial Articulated arm Domestic Educational Entertainment Juggling Military Medical Service Disability Agricultural Food service Retail BEAM robotics Soft robotics
Classifications	Biorobotics Cloud robotics Continuum robot Unmanned vehicle aerial ground Mobile robot Microbotics Nanorobotics Necrobotics Robotic spacecraft Space probe Swarm Telerobotics Underwater remotely-operated Robotic fish
Locomotion	Tracks Walking Hexapod Climbing Electric unicycle Robotic fins
Navigation and mapping	Motion planning Simultaneous localization and mapping Visual odometry Vision-guided robot systems
Research	Evolutionary Kits Simulator Suite Open-source Software Adaptable Developmental Human–robot interaction Paradigms Perceptual Situated Ubiquitous
Companies	Amazon Robotics Anybots Barrett Technology Boston Dynamics Energid Technologies FarmWise FANUC Figure AI Foster-Miller Harvest Automation Honeybee Robotics Intuitive Surgical IRobot KUKA Starship Technologies Symbotic Universal Robotics Wolf Robotics Yaskawa
Related	Critique of work Powered exoskeleton Workplace robotics safety Robotic tech vest Technological unemployment Terrainability Fictional robots
Category Outline

А [ править ]

Б [ править ]

С [ править ]

Д [ править ]

Э [ править ]

Ф [ править ]

Г [ править ]

Х [ править ]

Я [ править ]

Я говорю ​ ]

Редактировать ​ ​ ]

Л [ править ]

М [ править ]

Н [ править ]

Или [ править ]

П [ править ]

Вопрос [ править ]

Р [ править ]

С [ править ]

Т [ править ]

У [ править ]

V [ edit ]

В [ править ]

См. также [ править ]

Ссылки [ править ]

Works cited[edit]

Notes[edit]

Я говорю ]

Редактировать ]