分享 ：人工智能28个常见术语，别再说你不懂AI了！
作者：智心
文章来源：转载自 人工智能架构
image
由于人工智能不再是一个模糊的营销术语，而是更多的精确意识形态，因此理解所有AI术语越来越成为一项挑战。国外AI领域的专家们聚在一起，为大家定义了人工智能领域的一些最初常见的术语。
【A】
算法（Algorithms）：是神经网络或其他机器提供的一套规则或指令，以帮助它自己学习：分类、聚类、推荐和回归是四种最流行的类型。
人工智能（Artificial intelligence）：机器能够模拟人类智慧和行为，做出决策并执行任务。
人工神经网络（Artificial neural network ，ANN）：一种学习模型，可以像人脑一样工作，解决传统计算机系统难以解决的任务。
自主计算（Autonomic computing）：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。
【C】
聊天机器人（Chatbots）：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（Classification）：分类算法允许机器根据训练数据为数据点分配类别。
聚类分析（Cluster analysis）：是一种用于探索数据分析的无监督学习，用于查找数据中的隐藏特征或分组；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（Clustering）：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（Cognitive computing）：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（Convolutional neural network，CNN）：一种识别和理解图像的神经网络。
【D】
数据挖掘（Data mining）：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（Data science）：一个跨学科领域，它结合了统计学、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（Decision tree）：基于树和分支的模型，用于映射决策及其可能的结果，类似于流程图。
深度学习（Deep learning）：机器通过由级联信息层组成的人工神经网络自主模仿人类思维模式的能力。
【F】
流畅（Fluent）：一种可以随时间变化的状况。
【G】
****Game AI****：一种特定于游戏的AI形式，它使用算法来代替随机性。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。
遗传算法（Genetic algorithm）：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优或近似最优解，否则需要数十年才能解决。
【H】
启发式搜索技术（Heuristic search techniques）：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。
【K】
知识工程（Knowledge engineering）：专注于构建基于知识的系统，包括其所有科学，技术和社会方面。
【L】
逻辑编程（Logic programming）：一种编程范式，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。
【M】
机器智能（Machine intelligence）：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（Machine learning）：人工智能的一个方面，专注于算法，允许机器学习而不需要编程，并在暴露于新数据时进行更改。
机器感知（Machine perception）：系统接收和解释来自外部世界的数据的能力，类似于人类如何使用我们的感官。这通常使用附加的硬件来完成，尽管软件也是可用的。
【N】
自然语言处理（Natural language processing）：程序能够识别人类交流的能力。
【R】
递归神经网络（Recurrent neural network ，RNN）：一种神经网络，它能够理解顺序信息并识别模式，并根据这些计算创建输出。
【S】
监督学习（Supervised learning）：一种机器学习，其中输出数据集训练机器生成所需的算法，如监督学生的教师，比无监督学习更常见。
群体行为（Swarm behavior）：从数学建模者的角度来看，它是由个人遵循的简单规则产生的紧急行为，不涉及任何中心协调。
【U】
无监督学习（Unsupervised learning）：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。
【结 语】
目前深度学习、图像视频识别、语音识别和文本识别在智能领域应用范围非常广泛，市场潜力巨大，率先成为资本竞相追逐的对象。深度学习算法成为推动人工智能发展的焦点，相继在图片识别、机器翻译、语音识别、决策助手、生物特征识别等领域实现了创新突破。掌握上述技术的领先优势的个人或者企业，必然在未来人工智能领域占领一席之地。
