一个
算法
用于执行任务的公式或规则集。在AI中，算法告诉机器如何找到问题的答案或问题的解决方案。
人工智能
机器能够做出决策并执行模拟人类智能和行为的任务。
人工神经网络（ANN）
创建的学习模型就像人脑一样，解决了传统计算机系统难以解决的任务。
自主计算
系统的自适应自我管理能力，用于高级计算功能，无需用户输入。
类比推理
通过比较过去的经验，通过使用类比来解决问题。
自主性
自治是独立于统治机构行事的能力。在AI中，如果机器或车辆不需要来自操作人员的输入以正常运行，则该机器或车辆被称为自主的。
乙
反向传播
反向传播是一种基于特定样本案例的已知所需输出来训练神经网络的方法。
向后链接
机器从期望目标或输出向后工作以确定是否存在支持这些目标或输出的任何数据或证据的方法。
大数据
大数据是如此庞大和复杂的数据集，传统的数据处理应用软件不足以应对它们。
C
基于案例的推理（CBR）
一种基于知识的问题解决方法，它使用过去类似问题（案例）的解决方案来解决现有问题。
聊天机器人
聊天机器人（简称聊天机器人），旨在通过文本聊天，语音命令或两者进行通信来模拟与人类用户的对话。它们是包含AI功能的计算机程序的常用接口。
分类
分类算法允许机器基于训练数据将类别分配给数据点。在训练系统之前，训练集中的所有示例必须由人类标记。例如，在图像分类中，输入是数字图像，标签是出现在这些图像中的各种对象的名称（“猫”，“汽车”，“人”等）。要训练分类器，我们不仅需要标记数据，还要首先定义我们将使用的标签集。不同标签的示例需要可区分，并且每个标签必须在我们的训练集中具有合理数量的示例出现。如果不同的标签大致“平衡”，那么分类器训练通常效果最好，也就是说，所有标签的示例数量大致相同。用于分类的流行机器学习系统包括神经网络，
聚类分析
一种用于探索性数据分析的无监督学习，用于查找数据中的隐藏模式或分组; 群集使用由欧几里得或概率距离等度量定义的相似性度量建模。
聚类
聚类算法允许机器将数据点或项目分组到具有相似特征的组中。
认知计算
一种模仿人类大脑思维方式的计算机模型。它涉及通过使用数据挖掘，自然语言处理和模式识别进行自学习。
卷积神经网络（CNN）
一种特殊的神经网络架构，特别适用于处理图像和语音数据。普通前馈网络和卷积网络之间的区别主要在于发生的数学处理。卷积网络使用称为卷积的操作来帮助在空间或时间上关联其输入的特征，使其擅长挑选复杂的扩展特征。但是，他们仍然分开处理每个输入，没有内存。
d
数据挖掘
检查数据集以发现和挖掘可以进一步使用的数据模式。
数据科学
跨学科领域，结合了统计学，信息科学和计算机科学的科学方法，系统和过程，通过结构化或非结构化数据提供对现象的洞察。
决策树
基于树和分支的模型，用于映射决策及其可能的后果，类似于流程图。
深度学习
深度学习是人工智能中的一种机器学习。它利用多层次的人工神经网络来解决问题。人工神经网络像人类大脑一样构建，节点像网络一样连接在一起。当程序线性分析数据时，深度学习使机器能够通过将数据从一个节点传递到下一个节点来非线性地处理数据，这在每次传递后提高了机器的准确性。深度学习通常用于高规模，复杂的问题。
F
功能（功能选择，功能学习）
用作模型输入的变量。
特色学习
一组技术旨在自动发现原始数据中特征检测或分类所需的表示。
正向链接
AI系统必须从问题中“前进”以找到解决方案的情况。使用基于规则的系统，AI将确定它将应用于问题的“if”规则。
G
游戏AI
一种特定于游戏的AI形式，使用算法代替随机性。它是非玩家角色中使用的计算行为，用于生成玩家所采取的类似人类智能和基于反应的动作。
通用数据保护法规（GDPR）
欧盟法律中关于欧盟内所有个人的数据保护和隐私的法规，旨在通过个人数据控制公民和居民。
遗传算法
一种基于遗传学和自然选择原理的进化算法，用于寻找困难问题的最佳或近似最优解，否则需要数十年时间才能解决。
H
启发式搜索技术
支持通过消除不正确的选项来缩小搜索问题的最佳解决方案的范围。
启发式
这些规则来自用于解决问题的经验，比AI中的传统问题解决方法更快。虽然速度更快，但启发式方法通常不如它替代的经典方法更优化。
一世
图像分割
术语图像分割是指将图像划分为覆盖它的一组区域。许多任务的目标是使区域代表图像的有意义区域，例如作物，城市区域和卫星图像的森林。
归纳推理
在AI中，归纳推理使用证据和数据来创建陈述和规则。
情报
智力可以通过许多不同的方式来定义，包括某人的逻辑能力，理解能力，自我意识，学习能力，情感知识能力，计划能力，创造力和解决问题能力。人工智能是机器显示的智能，与人类和其他动物展示的自然智能形成对比。
ķ
知识工程
重点是建立基于知识的系统，包括其所有的科学，技术和社会方面。
大号
图层（隐藏图层）
人工神经网络中的一系列神经元，它们处理一组输入特征，或者，通过扩展，处理那些神经元的输出。
逻辑编程
一种编程范例，其中基于事实和规则的知识库进行计算; LISP和Prolog是用于AI编程的两种逻辑编程语言。
中号
机器智能
一个涵盖机器学习，深度学习和经典学习算法的总称。
机器学习
人工智能的一个方面，专注于算法，允许机器学习而无需编程，并在暴露于新数据时进行更改。
机器感知
系统接收和解释来自外部世界的数据的能力与人类如何使用我们的感官类似。这通常使用附加的硬件来完成，尽管软件也是可用的。
ñ
自然语言处理
程序识别人类交流的能力应该被理解。
Ø
本体/本体
在信息科学的背景下，本体是特定知识域的实体之间的一组正式定义，属性或关系。本体在不同的科学领域中有用，可以对术语进行分类或分类。
P
规划
AI的一个分支，处理由AI驱动的机器执行的计划序列或策略。考虑采取的行动，可变的考虑因素和绩效的持续时间等因素。
修剪
使用搜索算法来切断AI系统中的问题的不期望的解决方案。它减少了AI系统可以做出的决策数量。
模式识别
机器学习领域，侧重于（监督或无监督）识别数据中的模式。
精确
正确阳性结果的数量除以分类器返回的所有阳性结果的数量。
预测
具有输入实例的训练模型的推断输出。
预处理
将原始数据转换为更易理解的格式的过程。
预先训练的模型
通常使用其他数据集进行初步训练的模型或模型组件。另请参阅：转学习。
先
在考虑新证据之前，代表预先存在的关于特定数量的信念的概率分布。
[R
随机森林
一种集成学习方法，其通过在训练时构建多个决策树并输出每个单独树的结果的组合版本（例如均值或模式）来操作。
递归神经网络（RNN）
一种神经网络，可以识别顺序信息并识别模式，并根据这些计算创建输出。
强化学习
强化学习是机器学习的一种形式，其中系统与变化的动态环境交互，并在响应此环境时采取行动时呈现（正面和负面）反馈。没有预定义的对给定刺激的“正确”响应的概念，但是存在可以以某种方式在数学上指定的“更好”或“更差”的概念。强化学习通常用于训练机器学习系统以玩视频游戏或驾驶汽车。
小号
语义分割
一种复杂形式的图像分割，涉及使用可能数百个类别标签中的一个来标记图像中的每个像素，以描述像素所属的对象类型。
监督学习
一种机器学习，其中输出数据集训练机器生成所需的算法，如教师监督学生; 比无监督学习更常见。
群体行为
从数学建模者的角度来看，这是一种紧急行为，源于个人遵循的简单规则，不涉及任何中央协调。
情绪分析
情感分析涉及将可变大小的人类生成文本块作为输入，并自动确定所表达的视图是整体正面，负面还是中性。这可能是一个非常主观和特定于上下文的任务，但也是广告商和营销人员的直接价值之一。除了积极/消极/中立之外，其他形式的情感分析可能涉及将文本分类为客观与主观，或者试图更详细地分类作者的情绪状态。
Ť
图灵测试
由Alan Turing开发的一项测试，用于测试机器模仿人类行为的能力。该测试涉及一个人工评估员，他与另一个人和一台机器进行自然语言对话并对对话进行评分。
ü
不确定
一系列值可能包含真值。
欠拟合
机器学习算法无法正确捕获数据的底层结构这一事实，通常是因为模型要么不够复杂，要么不适合手头的任务; 过度拟合的反面。
无人监督的学习
一种机器学习算法，用于从没有标记响应的输入数据组成的数据集中进行推断。最常见的无监督学习方法是聚类分析。
意见反馈