你需要知道的25个人工智能术语

原文：25 Artificial Intelligence Terms You Need to Know
作者： Sarah Davis
翻译：黑色巧克力

译者注：作者按字母顺序列举了关于人工智能需要知道的一些最重要的定义，每个术语的定义虽然简单，但却是一个不错的信息参考。

人工智能已不再是一个模棱两可的营销术语，更像是一种精确的意识形态，而理解所有的人工智能术语越来越成为一个挑战，因此为了开启全新的人工智能区域。

A

算法（Algorithms）：为人工智能、神经网络或其他机器提供的一套规则或指令，以帮助自己学习；分类、聚类、推荐和回归是最流行的四种算法类型。

人工智能（Artificial intelligence）：机器做出决策和执行模拟人类智能和行为的能力。

人工神经网络（Artificial neural network ）：一个学习模型，它的作用就像人脑，解决了传统计算机系统很难解决的问题。

自主计算（Autonomic computing）：一种系统的自主适应自我管理的能力，用于在没有用户输入的情况下为高级计算函数提供自身的资源。

C

聊天机器人（Chatbots）：简称chatbot，它设计的目的是通过文字聊天、语音指令或两者同时进行交流来模拟与人类用户的对话。它们是包括人工智能在内的计算机程序的常用接口。

分类（Classification）：分类算法让机器根据训练数据给数据点分配类别。

群集分析（Cluster analysis）：一种无监督的学习方法，用于探索数据分析，以发现隐藏的模式或数据分组；集群的建模方法是类似于欧几里得或概率距离的度量。

聚类（Clustering）：聚类算法让机器组的数据点或项目分成具有相似特征的组。

认知计算（Cognitive computing）：一个模拟人脑思维方式的计算机模型。它涉及使用数据挖掘、自然语言处理和模式识别的方法进行自学。

卷积神经网络（Convolutional neural network）：一种识别和理解图像的神经网络。

D

数据挖掘（Data mining）：对数据集检查，以发现和挖掘可以进一步使用的数据模式。

数据科学（Data science）：由统计学、信息科学和计算机科学等结合科学的方法、系统和过程的跨学科领域，通过结构化或非结构化的数据来提供对现象的分析。

决策树（Decision tree）：用于映射决策及其可能结果的树和分支模型，类似于流程图。

深度学习（Deep learning）：通过由串联的信息层组成人工神经网络，机器能够自主地模拟人类思维模式。

F

变数（Fluent）：一种随时间变化的状况。

G

游戏AI（Game AI）：使用一种算法来代替随机性的特定游戏人工智能。它是一种用于非玩家角色的计算行为，以产生玩家所采取的类似于人类的智力和反应。

K

知识工程（Knowledge engineering）：重点是建立知识体系，包括所有的科学、技术和社会学方面。

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统称。

机器学习（Machine learning）：一个专注于算法的人工智能，当接触到新数据允许机器在不被编程和改变情况下学习。

机器知觉（Machine perception）：系统接收和解释外部世界数据的能力，类似于人类使用感官的能力。这通常是由附加的硬件完成的，虽然软件也可用。

N

自然语言处理（Natural language processing）：程序在理解的基础上识别人类交流的能力。

R

递归神经网络（Recurrent neural network）：神经网络的一种，它能够理解顺序信息和识别模式，并根据这些计算创建输出。

S

有监督学习（Supervised learning）：机器学习类型的一种，输出数据集训练机器生成所需的算法，像一个教师监督学生，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引起的紧急行为，不涉及任何中央协调。

U

无监督学习（Unsupervised learning）：一种机器学习算法，用于从不带标记响应的包含输入数据的数据集中提取结果。最常见的无监督学习方法是聚类分析。