bannerbannerbanner
Глоссариум по искусственному интеллекту: 2500 терминов. Том 1

Александр Николаевич Власкин
Глоссариум по искусственному интеллекту: 2500 терминов. Том 1

Анализ временных рядов (Time series analysis) – это раздел машинного обучения и статистики, который анализирует временные данные. Многие типы задач машинного обучения требуют анализа временных рядов, включая классификацию, кластеризацию, прогнозирование и обнаружение аномалий. Например, вы можете использовать анализ временных рядов, чтобы спрогнозировать будущие продажи зимних пальто по месяцам на основе исторических данных о продажах55,56.

Анализ данных (Data analysis) – это область математики и информатики, занимающаяся построением и исследованием наиболее общих математических методов и вычислительных алгоритмов извлечения знаний из экспериментальных (в широком смысле) данных; процесс исследования, фильтрации, преобразования и моделирования данных с целью извлечения полезной информации и принятия решений. Анализ данных имеет множество аспектов и подходов, охватывает разные методы в различных областях науки и деятельности57.

Анализ настроений (Sentiment analysis) – это использование статистических алгоритмов или алгоритмов машинного обучения для определения общего отношения группы – положительного или отрицательного – к услуге, продукту, организации или теме. Например, используя понимание естественного языка, алгоритм может выполнять анализ настроений по текстовой обратной связи по университетскому курсу, чтобы определить степень, в которой студентам в целом понравился или не понравился учебный курс58.

Анализ основных компонентов (PCA) (Principal component analysis (PCA)) – это построение новых функций, которые являются основными компонентами набора данных. Главные компоненты представляют собой случайные величины максимальной дисперсии, построенные из линейных комбинаций входных признаков. Эквивалентно, они являются проекциями на оси главных компонентов, которые представляют собой линии, минимизирующие среднеквадратичное расстояние до каждой точки в наборе данных. Чтобы обеспечить уникальность, все оси главных компонентов должны быть ортогональны. PCA – это метод максимального правдоподобия для линейной регрессии при наличии гауссовского шума как на входе, так и на выходе. В некоторых случаях PCA соответствует преобразованию Фурье, например DCT, используемому при сжатии изображений JPEG59.

Аналитика принятия решений (Decision intelligence) – это практическая дисциплина, используемая для улучшения процесса принятия решений путем четкого понимания и программной разработки того, как принимаются решения, и как итоговые результаты оцениваются, управляются и улучшаются с помощью обратной связи60.

Аналитика данных (Data analytics) – это наука об анализе необработанных данных, чтобы делать выводы об этой информации. Многие методы и процессы анализа данных были автоматизированы в механические процессы и алгоритмы, которые работают с необработанными данными для потребления человеком61.

Аннотация (Annotation) – это специальный модификатор, используемый в объявлении класса, метода, параметра, переменной, конструктора и пакета, а также инструмент, выбранный стандартом JSR-175 для описания метаданных62.

Аннотация объекта (Entity annotation) – это процесс маркировки неструктурированных предложений такой информацией, чтобы машина могла их прочитать. Это может включать, например, маркировку всех людей, организаций и местоположений в документе63.

Анонимизация (Anonymization) – это процесс удаления данных (из документов, баз данных и т.д.) с целью сокрытия источника информации, действующего лица и т. д. Например: анонимизация выписки из стационара процесс удаления данных с целью предотвращения идентификации личности пациента64.

Ансамбль (Ensemble) – это слияние прогнозов нескольких моделей. Можно создать ансамбль с помощью одного или нескольких из следующих способов: различные инициализации; различные гиперпараметры; другая общая структура. Глубокие и широкие модели представляют собой своеобразный ансамбль65.

Антивирусное программное обеспечение (Antivirus software) – это программа или набор программ, предназначенных для предотвращения, поиска, обнаружения и удаления программных вирусов и других вредоносных программ, таких как черви, трояны, рекламное ПО и т.д.66.

АПИ-как-услуга (API-AS-a-service) – это подход, который сочетает в себе экономию API и аренду программного обеспечения и предоставляет интерфейсы прикладного программирования как услугу67.

 

АПИ набора данных (Dataset API) – это высокоуровневый API TensorFlow для чтения данных и преобразования их в форму, требуемую алгоритмом машинного обучения. Объект tf. data. Dataset представляет собой последовательность элементов, в которой каждый элемент содержит один или несколько тензоров. Объект tf.data.Iterator обеспечивает доступ к элементам набора данных68.

Аппаратное обеспечение (Hardware) – это система взаимосвязанных технических устройств, предназначенных для ввода (вывода), обработки и хранения данных69.

Аппаратное обеспечение ИИ (AI hardware, AI-enabled hardware, AI hardware platform) – это аппаратное обеспечение ИИ, аппаратные средства ИИ, аппаратная часть инфраструктуры или системы искусственного интеллекта, ИИ-инфраструктуры.

Аппаратное ускорение (Hardware acceleration) – это применение аппаратного обеспечения для выполнения некоторых функций быстрее по сравнению с выполнением программ процессором общего назначения70.

Аппаратно-программный комплекс (Hardware-software complex) – это набор технических и программных средств, работающих совместно для выполнения одной или нескольких сходных задач71.

Аппаратный акселератор (Hardware accelerator) – это устройство, выполняющее некоторый ограниченный набор функций для повышения производительности всей системы или отдельной её подсистемы. Например, purpose-built hardware accelerator – специализированный аппаратный ускоритель72.

Аппаратный Сервер (аппаратное обеспечение) (Hardware Server) – это выделенный или специализированный компьютер для выполнения сервисного программного обеспечения (в том числе серверов тех или иных задач) без непосредственного участия человека. Одновременное использование как высокопроизводительных процессоров, так и FPGA позволяет обрабатывать сложные гибридные приложения73.

Априорное (Prior) – это распределение вероятностей, которое будет представлять ранее существовавшие убеждения о конкретной величине до того, как будут рассмотрены новые данные74.

Артефакт (Artifact) – это один из многих видов материальных побочных продуктов, производимых в процессе разработки программного обеспечения. Некоторые артефакты (например, варианты использования, диаграммы классов и другие модели унифицированного языка моделирования (UML), требования и проектные документы) помогают описать функции, архитектуру и дизайн программного обеспечения. Другие артефакты связаны с самим процессом разработки, например, планы проектов, бизнес-кейсы и оценки рисков75.

Архивное хранилище (Archival Storage) – это источник данных, которые не нужны для повседневных операций организации, но к которым может потребоваться доступ время от времени. Используя архивное хранилище, организации могут использовать вторичные источники, сохраняя при этом защиту данных. Использование источников архивного хранения снижает необходимые затраты на первичное хранение и позволяет организации поддерживать данные, которые могут потребоваться для соблюдения нормативных или других требований76.

Архивный пакет информации (AIC) (Archival Information Collection (AIC)) – это информация, содержание которой представляет собой агрегацию других пакетов архивной информации. Функция цифрового сохранения сохраняет способность регенерировать провалы (пакеты информации) по мере необходимости с течением времени77.

Архитектура агента (Agent architecture) – это план программных агентов и интеллектуальных систем управления, изображающий расположение компонентов. Архитектуры, реализованные интеллектуальными агентами, называются когнитивными архитектурами78.

Архитектура вычислительной машины (Architecture of a computer) – это концептуальная структура вычислительной машины, определяющая проведение обработки информации и включающая методы преобразования информации в данные и принципы взаимодействия технических средств и программного обеспечения79.

Архитектура вычислительной системы (Architecture of a computing system) – это конфигурация, состав и принципы взаимодействия (включая обмен данными) элементов вычислительной системы80.

Архитектура механизма обработки матриц (MPE) (Matrix Processing Engine Architecture) – это многомерный массив обработки физических матриц цифровых устройств с умножением (MAC), который вычисляет серию матричных операций сверточной нейронной сети81,82.

Архитектура системы (Architecture of a system) – это принципиальная организация системы, воплощенная в её элементах, их взаимоотношениях друг с другом и со средой, а также принципы, направляющие её проектирование и эволюцию83.

Архитектура фон Неймана (Von Neumann architecture) – это широко известный принцип совместного хранения команд и данных в памяти компьютера. Вычислительные машины такого рода часто обозначают термином «машина фон Неймана», однако соответствие этих понятий не всегда однозначно. В общем случае, когда говорят об архитектуре фон Неймана, подразумевают принцип хранения данных и инструкций в одной памяти84.

 

Архитектурная группа описаний (Architectural description group, Architectural view) – это представление системы в целом с точки зрения связанного набора интересов85,86.

Архитектурный фреймворк (Architectural frameworks) – это высокоуровневые описания организации как системы; они охватывают структуру его основных компонентов на разных уровнях, взаимосвязи между этими компонентами и принципы, определяющие их эволюцию87.

Асимптотическая вычислительная сложность (Asymptotic computational complexity) – это использование асимптотического анализа для оценки вычислительной сложности алгоритмов и вычислительных задач, обычно связанных с использованием большой нотации O. Асимптотическая сложность является ключом к сравнению алгоритмов. Асимптотическая сложность раскрывает более глубокие математические истины об алгоритмах, которые не зависят от аппаратного обеспечения88.

Асинхронные межкристальные протоколы (Asynchronous inter-chip protocols) – это протоколы для обмена данных в низкоскоростных устройствах; для управления обменом данными используются не кадры, а отдельные символы89.

Ассоциация (Association) – это еще один тип метода обучения без учителя, который использует разные правила для поиска взаимосвязей между переменными в заданном наборе данных. Эти методы часто используются для анализа потребительской корзины и механизмов рекомендаций, подобно рекомендациям «Клиенты, которые купили этот товар, также купили»90.

Ассоциация по развитию искусственного интеллекта (Association for the Advancement of Artificial Intelligence) – это международное научное сообщество, занимающееся продвижением исследований и ответственным использованием искусственного интеллекта. AAAI также стремится повысить общественное понимание искусственного интеллекта (ИИ), улучшить обучение и подготовку специалистов, занимающихся ИИ, и предоставить рекомендации для планировщиков исследований и спонсоров относительно важности и потенциала текущих разработок ИИ и будущих направлений9192.

Атрибутивное исчисление (Attributional calculus) – это типизированная логическая система, сочетающая элементы логики высказываний, исчисления предикатов и многозначной логики с целью естественной индукции. Под естественной индукцией понимается форма индуктивного обучения, которая генерирует гипотезы в формах, ориентированных на человека, то есть в формах, которые кажутся людям естественными, их легко понять и соотнести с человеческим знанием. Для достижения этой цели AИ включает нетрадиционные логические операции и формы, которые могут сделать логические выражения более простыми и более тесно связанными с эквивалентными описаниями на естественном языке93.

Аффективные вычисления (также искусственный эмоциональный интеллект или эмоциональный ИИ) (Affective computing) – это вычисления, в которых системы и устройства могут распознавать, интерпретировать, обрабатывать и имитировать человеческие аффекты. Это междисциплинарная область, охватывающая информатику, психологию и когнитивную науку94.

«Б»

База данных (Database) – это упорядоченный набор структурированной информации или данных, которые обычно хранятся в электронном виде в компьютерной системе. База данных обычно управляется системой управления базами данных (СУБД). Данные вместе с СУБД, а также приложения, которые с ними связаны, называются системой баз данных, или, для краткости, просто базой данных95.

База Данных ImageNet (ImageNet) – это большая визуальная база данных, предназначенная для использования в исследованиях программного обеспечения для распознавания визуальных объектов. Более 14 миллионов изображений были вручную аннотированы в рамках проекта, чтобы указать, какие объекты изображены, и, по крайней мере, в одном миллионе изображений также предусмотрены ограничивающие рамки. ImageNet содержит более 20 000 категорий, среди которых типичная категория, такая как «воздушный шар» или «клубника», состоит из нескольких сотен изображений. База данных аннотаций URL-адресов сторонних изображений находится в свободном доступе непосредственно из ImageNet, хотя фактические изображения не принадлежат ImageNet. С 2010 года в рамках проекта ImageNet проводится ежегодный конкурс программного обеспечения ImageNet Large Scale Visual Recognition Challenge (ILSVRC), в котором программы соревнуются за правильную классификацию и обнаружение объектов и сцен. В задаче используется «усеченный» список из тысячи неперекрывающихся классов96.

База данных MNIST (MNIST) – это база данных образцов рукописного написания цифр от 0 до 9, содержит 60 000 образцов наборов данных для обучения и тестовый набор из 10 000 образцов. Цифры были нормализованы по размеру и расположены в центре изображения фиксированного размера. Каждое изображение хранится в виде массива целых чисел 28x28, где каждое целое число представляет собой значение в оттенках серого от 0 до 255 включительно. MNIST – это канонический набор данных для машинного обучения, часто используемый для тестирования новых подходов к машинному обучению. Это часть большой базы данных рукописных форм и символов, опубликованной Национальным институтом стандартов и технологий США (NIST)97.

Базовый уровень (Baseline) – это модель, используемая в качестве контрольной точки для сравнения того, насколько хорошо работает другая модель (как правило, более сложная). Например, модель логистической регрессии может служить базовым уровнем для глубокой модели. Для конкретной проблемы базовый уровень помогает разработчикам моделей количественно определить минимальную ожидаемую производительность, которую новая модель должна обеспечить, чтобы быть полезной98.

Байесовская оптимизация (Bayesian optimization) – это метод вероятностной регрессионной модели для оптимизации ресурсоемких целевых функций путем оптимизации суррогата с помощью байесовского метода обучения. Поскольку байесовская оптимизация сама по себе очень дорогая, ее обычно используют для оптимизации дорогостоящих задач с небольшим количеством параметров, таких как выбор гиперпараметров99.

Байесовская сеть (или Байесова сеть, Байесовская сеть доверия) (Bayesian Network) – это графическая вероятностная модель, представляющая собой множество переменных и их вероятностных зависимостей. Например, байесовская сеть может быть использована для вычисления вероятности того, чем болен пациент по наличию или отсутствию ряда симптомов, основываясь на данных о зависимости между симптомами и болезнями100.

Байесовский классификатор в машинном обучении (Bayesian classifier in machine learning) – это семейство простых вероятностных классификаторов, основанных на использовании теоремы Байеса и «наивном» предположении о независимости признаков классифицируемых объектов. Анализ на основе байесовской классификации активно изучался и использовался начиная с 1950-х годов в области классификации документов, где в качестве признаков использовались частоты слов. Алгоритм является масштабируемым по числу признаков, а по точности сопоставим с другими популярными методами, такими как машины опорных векторов. Как и любой классификатор, байесовский присваивает метки классов наблюдениям, представленным векторами признаков. При этом предполагается, что каждый признак независимо влияет на вероятность принадлежности наблюдения к классу. Например, объект можно считать яблоком, если он имеет округлую форму, красный цвет и диаметр около 10 см. Наивный байесовский классификатор «считает», что каждый из этих признаков независимо влияет на вероятность того, что этот объект является яблоком, независимо от любых возможных корреляций между характеристиками цвета, формы и размера. Простой байесовский классификатор строится на основе обучения с учителем. Несмотря на мало реалистичное предположение о независимости признаков, простые байесовские классификаторы хорошо зарекомендовали себя при решении многих практических задач. Дополнительным преимуществом метода является небольшое число примеров, необходимых для обучения101.

Байесовское программирование (Bayesian programming) — это формальная система и методология определения вероятностных моделей и решения задач, когда не вся необходимая информация является доступной102,103.

Башня (Tower) – это компонент глубокой нейронной сети, которая сама по себе является глубокой нейронной сетью без выходного слоя. Как правило, каждая башня считывает данные из независимого источника. Башни независимы до тех пор, пока их выходные данные не будут объединены в последнем слое104.

Байт (Byte) – это восемь битов. Байт – это просто кусок из 8 единиц и нулей. Например: 01000001 – это байт. Компьютер часто работает с группами битов, а не с отдельными битами, и наименьшая группа битов, с которой обычно работает компьютер, – это байт. Байт равен одному столбцу в файле, записанном в символьном формате105.

Безопасность критической информационной инфраструктуры (Security of a critical information infrastructure) – это состояние защищенности критической информационной инфраструктуры, обеспечивающее ее устойчивое функционирование при проведении в отношении ее компьютерных атак106.

Безопасность приложений (Application security) – это процесс повышения безопасности приложений путем поиска, исправления и повышения безопасности приложений. Многое из этого происходит на этапе разработки, но включает инструменты и методы для защиты приложений после их развертывания. Это становится все более важным, поскольку хакеры все чаще атакуют приложения107.

Бенчмарк (Benchmark) (также benchmark program, benchmarking program, benchmark test) – это тестовая программа или пакет для оценки (измерения и/или сравнения) различных аспектов производительности процессора, отдельных устройств, компьютера, системы или конкретного приложения, программного обеспечения; эталон, который позволяет сравнивать продукты разных производителей друг с другом или с некоторым стандартом. Например, онлайн-бенчмарк – онлайн-бенчмарк; стандартный бенчмарк – стандартный бенчмарк; сравнение времени бенчмарка – сравнение времени выполнения бенчмарка108.

Бенчмаркинг (Benchmarking) – это набор методик, которые позволяют изучить опыт конкурентов и внедрить лучшие практики в своей компании109.

Беспроводная сеть (Wireless network) – это компьютерная сеть, в которой используются беспроводные соединения для передачи данных между сетевыми узлами. Беспроводная сеть – это метод, с помощью которого дома, телекоммуникационные сети и бизнес-установки избегают дорогостоящего процесса ввода кабелей в здание или в качестве соединения между различными местоположениями оборудования. Административные телекоммуникационные сети обычно реализуются и администрируются с использованием радиосвязи. Эта реализация происходит на физическом уровне (слое) сетевой структуры модели OSI110.

Беспроводная широкополосная связь (WiBB Wireless broadband) – это телекоммуникационная технология, которая обеспечивает высокоскоростной беспроводной доступ в Интернет или доступ к компьютерным сетям на большой территории. Этот термин включает как фиксированную, так и мобильную широкополосную связь111.

БЕТА версия (BETA) – это термин, который относится к этапу разработки онлайн-сервиса, на котором сервис объединяется с точки зрения функциональности, но требуется подлинный пользовательский опыт, прежде чем сервис можно будет завершить ориентированным на пользователя способом. При разработке онлайн-сервиса цель бета-фазы состоит в том, чтобы распознать как проблемы программирования, так и процедуры, повышающие удобство использования. Бета-фаза особенно часто используется в связи с онлайн-сервисами и, может быть, либо бесплатной (открытая бета-версия), либо ограниченной для определенной целевой группы (закрытая бета-версия)112.

Библиотека Keras (The Keras Library) – это библиотека Python, используемая для глубокого обучения и создания искусственных нейронных сетей. Выпущенный в 2015 году, Keras предназначен для быстрого экспериментирования с глубокими нейронными сетями. Keras предлагает несколько инструментов, которые упрощают работу с изображениями и текстовыми данными. Помимо стандартных нейронных сетей, Keras также поддерживает сверточные и рекуррентные нейронные сети. В качестве бэкэнда Keras обычно использует TensorFlow, Microsoft Cognitive toolkit или Theano. Он удобен для пользователя и требует минимального кода для выполнения функций и команд. Keras имеет модульную структуру и имеет несколько методов предварительной обработки данных. Keras также предлагает методы. evaluate () и predict_classes () для тестирования и оценки моделей. Github и Slack организуют форумы сообщества для Keras113.

Библиотека Matplotlib (Matplotlib) – это комплексная, популярная библиотека Python с открытым исходным кодом для создания визуализаций «качества публикации». Визуализации могут быть статическими, анимированными или интерактивными. Он был эмулирован из MATLAB и, таким образом, содержит глобальные стили, очень похожие на MATLAB, включая иерархию объектов114.

Библиотека Numpy (Numpy) – это библиотека Python, представленная в 2006 году для поддержки многомерных массивов и матриц. Библиотека также позволяет программистам выполнять высокоуровневые математические вычисления с массивами и матрицами. Можно сказать, что это объединение своих предшественников – The Numeric и Numarray. NumPy является неотъемлемой частью Python и по существу предоставляет программе математические функции типа MATLAB. По сравнению с обычными списками Python, он занимает меньше памяти, удобен в использовании и имеет более быструю обработку. При интеграции с другими библиотеками, такими как SciPy и / или Matplotlib, его можно эффективно использовать для целей анализа данных и анализа данных115.

Библиотека PyTorch & Torch (PyTorch (Torch Library) – это библиотека машинного обучения, которая в основном используется для приложений обработки естественного языка и компьютерного зрения. Разработанная исследовательской лабораторией искусственного интеллекта и выпущенная в сентябре 2016 года, это библиотека с открытым исходным кодом, основанная на библиотеке Torch для научных вычислений и машинного обучения. PyTorch предоставляет операции с объектом n-мерного массива, аналогичные NumPy, однако, кроме того, он предлагает более быстрые вычисления за счет интеграции с графическим процессором. PyTorch автоматически различает построение и обучение нейронных сетей. PyTorch – это внесла свой вклад в разработку нескольких программ глубокого обучения – Tesla Autopilot, Uber’s Pyro, PyTorch Lighten и т.д.116.

Библиотека Scikit-learn (Scikit-learn Library) – это простая в освоении библиотека Python с открытым исходным кодом для машинного обучения, построенная на NumPy, SciPy и matplotlib. Его можно использовать для классификации данных, регрессии, кластеризации, уменьшения размерности, выбора модели и предварительной обработки117.

Библиотека SciPy (SciPy Library) – это библиотека Python с открытым исходным кодом для выполнения научных и технических вычислений на Python. Она была разработана открытым сообществом разработчиков, которое также поддерживает его поддержку и спонсирует разработки. SciPy предлагает несколько пакетов алгоритмов и функций, которые поддерживают научные вычисления: константы, кластер, fft, fftpack, интегрировать и т. д. SciPy по сути является частью стека NumPy и использует многомерные массивы в качестве структур данных, предоставляемых модулем NumPy. Первоначально выпущенный в 2001 году, она распространялась по лицензии BSD с репозиторием на GitHub118.

Библиотека Seaborn (Seaborn) – это библиотека визуализации данных Python для построения «привлекательных и информативных» статистических графиков. Seaborn основан на Matplotlib. Он включает в себя множество визуализаций на выбор, включая временные ряды и совместные графики.

Библиотека Theano (Theano) – это библиотека Python, используемая для компиляции, определения, оптимизации и оценки математических выражений, содержащих многомерные массивы. Она была разработана Монреальским институтом алгоритмов обучения (MILA) при Монреальском университете и выпущена в 2007 году. Это библиотека с открытым исходным кодом под лицензией BSD. Библиотека построена поверх NumPy и имеет аналогичный интерфейс. Наряду с процессором он позволяет использовать графический процессор для ускорения вычислений. Theano вносит значительный вклад в крупномасштабные научные вычисления и связанные с ними исследования и поддерживается специальной группой из 13 разработчиков119.

Биграмм (Bigram) – N-грамм, в которой N=2120.

Бинарное дерево (Binary tree) – это иерархическая структура данных, в которой каждый узел имеет значение (оно же является в данном случае и ключом) и ссылки на левого и правого потомка. Как правило, первый называется родительским узлом, а дети называются левым и правым наследниками. Двоичное дерево не является упорядоченным ориентированным деревом121.

Биннинг (машинное зрение) (Binning) – это процесс объединения заряда от соседних пикселей в CCD матрице во время считывания. Этот процесс выполняется до оцифровки в микросхеме ПЗС (Прибор с обратной Зарядной Связью – CCD матрица) с помощью специализированного управления последовательным и параллельным регистрами. Двумя основными преимуществами биннинга являются улучшенное отношение сигнал/ шум (SNR) и возможность увеличивать частоту кадров, хотя и за счет уменьшения пиксельного разрешения.

Биоконсерватизм (Bioconservatism) – это позиция нерешительности и скептицизма в отношении радикальных технологических достижений, особенно тех, которые направлены на изменение или улучшение условий жизни человека. Биоконсерватизм характеризуется верой в то, что технологические тенденции в современном обществе рискуют поставить под угрозу человеческое достоинство, а также противодействием движениям и технологиям, включая трансгуманизм, генетическую модификацию человека, «сильный» искусственный интеллект и технологическую сингулярность. Многие биоконсерваторы также выступают против использования таких технологий, как продление жизни и преимплантационный генетический скрининг122,123.

Биометрия (Biometrics) – это система распознавания людей по одному или более физическим или поведенческим чертам124,125.

Блок IFU (Instruction Fetch Unit, IFU) – это блок предвыборки команд, который выстраивает в единую очередь команды, считываемые из внутренней или внешней памяти системы по шине EIB в соответствии с адресом, выставляемым по шине IAB126.

Блок обработки изображений (Vision Processing Unit, VPU) – это новый класс специализированных микропроцессоров, являющихся разновидностью ИИ -ускорителей, предназначенных для аппаратного ускорения работы алгоритмов машинного зрения127.

Блокчейн (Blockchain) – это алгоритмы и протоколы децентрализованного хранения и обработки транзакций, структурированных в виде последовательности связанных блоков без возможности их последующего изменения128.

Большая языковая модель (Large language model) – это неофициальный термин, который обычно означает языковую модель с большим количеством параметров. Некоторые большие языковые модели содержат более 100 миллиардов параметров129.

Большие данные (Big data) – это термин для наборов цифровых данных. Большой размер данных и их сложность требует значительных вычислительных мощностей компьютеров и специальных программных инструментов для их анализа и представления. К большим данным относят массивы числовых данных, изображения, аудио и видео файлы130.

Бритва Оккама (Occam’s razor) – это принцип принятия решения, сформулированный в XIV веке и франциским монахом Уильямом Оккаму, который. можно сформулировать так: «из двух конкурирующих теорий предпочтение следует отдавать более простому объяснению объекта». Этот принцип также выражается как «Сущности не должны умножаться сверх необходимости». Применительно к машинному обучению, в частности к теории обучения, интуитивную идею Бритвы Оккамы можно сформулировать так – Самое простое решение чаще всего является правильным!131.

Булевая нейронная сеть (невесомая нейронная сеть) (Boolean neural network) – это многослойная нейронная сеть, состоящая из модуля самоорганизующейся нейронной сети для извлечения признаков, за которым следует модуль нейронной сети и модуль классификации нейронной сети, который прошел самостоятельную подготовку.

Бустинг (Boosting) – это мета-алгоритм ансамбля машинного обучения, предназначенный в первую очередь для уменьшения предвзятости и дисперсии в обучении с учителем, а также семейство алгоритмов машинного обучения, которые превращают слабых учеников в сильных132.

Буфер воспроизведения (Replay buffer) – это память, используемая для хранения данных в промежутке между использованием или воспроизведением133.

Быстрое кодирование (One-hot encoding) – это процесс, с помощью которого категориальные переменные преобразуются в подходящую алгоритмам Машинного обучения (ML) форму. Большая часть предварительной обработки данных – это кодирование в понятный компьютеру язык чисел. Отсюда и название «encode», что буквально означает «преобразовать в компьютерный код». Существует множество различных способов кодирования, таких как Ярлычное (Label Encoding) или Быстрое кодирование134.

55Time series analysis [Электронный ресурс] https://developers.google.com URL: https://developers.google.com/machine-learning/glossary/clustering#time-series-analysis (дата обращения: 27.03.2023)
56Time series analysis [Электронный ресурс] https://www.primeclasses.in URL: https://www.primeclasses.in/glossary/data-science-course/machine-learning/time-series-analysis (дата обращения: 27.03.2023)
57Data analysis [Электронный ресурс] https://dic.academic.ru URL: https://dic.academic.ru/dic.nsf/ruwiki/1727524 (дата обращения: 16.02.2022)
58Sentiment analysis [Электронный ресурс] https://developers.google.com URL: https://developers.google.com/machine-learning/glossary/language#sentiment-analysis (дата обращения: 16.02.2022)
59Principal component analysis (PCA) [Электронный ресурс] http://alumni.media.mit.edu URL: http://alumni.media.mit.edu/~tpminka/statlearn/glossary/glossary.html (дата обращения: 27.03.2023)
60Decision intelligence [Электронный ресурс] https://www.simplilearn.com URL: https://www.simplilearn.com/decision-intelligence-article (дата обращения: 27.03.2023)
61Data analytics [Электронный ресурс] www.investopedia.com (дата обращения: 07.07.2022) URL: https://www.investopedia.com/terms/d/data-analytics.asp
62Annotation [Электронный ресурс] https://appen.com URL: https://appen.com/ai-glossary/ (дата обращения 05.04.2020)
63Entity annotation [Электронный ресурс] https://bigdataanalyticsnews.com URL: https://bigdataanalyticsnews.com/artificial-intelligence-glossary/ (дата обращения: 27.03.2023)
64Анонимизация [Электронный ресурс] https://ru.wikipedia.org URL: https://ru.wikipedia.org/wiki/Анонимизация (дата обращения: 27.03.2023)
65Ensemble [Электронный ресурс] https://www.primeclasses.in URL: https://www.primeclasses.in/glossary/data-science-course/machine-learning/ensemble (дата обращения: 27.03.2023)
66Antivirus software [Электронный ресурс] www.webroot.com (дата обращения: 07.07.2022) URL: https://www.webroot.com/ca/en/resources/tips-articles/what-is-anti-virus-software
67API-AS-a-service [Электронный ресурс] www.sofokus.com (дата обращения: 07.07.2022) URL: https://www.sofokus.com/glossary-of-digital-business/#ABCD
68Dataset API (tf. data) [Электронный ресурс] https://developers.google.com URL: https://developers.google.com/machine-learning/glossary/tensorflow#dataset-api-tf.data (дата обращения: 27.03.2023)
69Аппаратное обеспечение [Электронный ресурс] https://cdto.wiki URL: https://cdto.wiki/Аппаратное_обеспечение (дата обращения: 27.03.2023)
70Аппаратное ускорение [Электронный ресурс] https://ru.wikipedia.org URL: https://ru.wikipedia.org/wiki/Аппаратное_ускорение (дата обращения: 27.03.2023)
71Аппаратно-программный комплекс [Электронный ресурс] https://ru.wikipedia.org URL: https://ru.wikipedia.org/wiki/ (дата обращения: 27.03.2023)
72Аппаратный акселератор [Электронный ресурс] https://www.computer-museum.ru URL: https://www.computer-museum.ru/dictionary/term/4783/ (дата обращения: 27.03.2023)
73Аппаратный Сервер [Электронный ресурс] https://ru.wikipedia.org URL: https://ru.wikipedia.org/wiki/Сервер_(аппаратное_обеспечение) (дата обращения: 27.03.2023)
74Prior [Электронный ресурс] https://en.wikipedia.org URL: https://en.wikipedia.org/wiki/Prior_probability (дата обращения: 27.03.2023)
75Artifact [Электронный ресурс] https://en.wikipedia.org https://en.wikipedia.org/wiki/Artifact_(software_development) (дата обращения: 07.07.2022)
76Archival Storage [Электронный ресурс] www.komprise.com (дата обращения: 07.07.2022) URL: https://www.komprise.com/glossary_terms/archival-storage/
77Archival Information Collection (AIC) [Электронный ресурс] www.umich.edu URL: https://www.icpsr.umich.edu/web/ICPSR/cms/2042#A (дата обращения: 07.07.2022)
78Agent architecture [Электронный ресурс] https://dic.academic URL: https://en-academic.com/dic.nsf/enwiki/2205509 (дата обращения 28.02.2022)
79Архитектура вычислительной машины [Электронный ресурс] https://ru.wikipedia.org URL: https://ru.wikipedia.org/wiki/Архитектура_(значения) (дата обращения: 28.03.2023)
80Архитектура вычислительной системы [Электронный ресурс] https://cdto.wiki URL: https://cdto.wiki/Архитектура_вычислительной_системы (дата обращения: 28.03.2023)
81Matrix Processing Engine Architecture (MPE) [Электронный ресурс] https://en.wikipedia.org URL: https://en.wikipedia.org/wiki/Systems_architecture#cite_note-5 (дата обращения: 28.03.2023)
82Matrix Processing Engine Architecture (MPE) [Электронный ресурс] https://www.gyrfalcontech.ai URL: https://www.gyrfalcontech.ai/mpe-architecture/ page 9 (дата обращения: 28.03.2023)
83Architecture of a system [Электронный ресурс] http://cabibbo.dia URL: http://cabibbo.dia.uniroma3.it/ids/altrui/ieee1471.pdf (дата обращения: 28.03.2023)
84Архитектура фон Неймана [Электронный ресурс] https://en.wikipedia.org URL: https://en.wikipedia.org/wiki/Von_Neumann_architecture (дата обращения: 07.07.2022)
85Архитектурная группа описаний [Электронный ресурс] https://ru.wikipedia.org URL: https://ru.wikipedia.org/wiki/Архитектура_системы (дата обращения: 28.03.2023)
86Архитектурная группа описаний [Электронный ресурс] https://habr.com URL: https://habr.com/ru/post/347204/ (дата обращения: 28.03.2023)
87Architectural frameworks [Электронный ресурс] https://implementationscience.biomedcentral.com URL: https://implementationscience.biomedcentral.com /articles/10.1186/s13012-017-0607-7#:~:text=Architectural%20frameworks %20are%20high%2Dlevel, principles %20that%20guide%20their%20evolution (дата обращения: 07.07.2022)
88Asymptotic computational complexity [Электронный ресурс] https://dic.academic.ru URL: https://dic.academic.ru/dic.nsf/eng_rus/429332/asymptotic (дата обращения: 27.01.2022)
89Асинхронные межкристальные протоколы [Электронный ресурс] https://studopedia.ru URL: https://studopedia.ru/3_184365_asinhronnie-i-sinhronnie-protokoli.html (дата обращения: 28.03.2023)
90Association [Электронный ресурс] https://www.ibm.com URL: https://www.ibm.com/cloud/blog/supervised-vs-unsupervised-learning (дата обращения: 28.03.2023)
91Association for the Advancement of Artificial Intelligence (AAAI) [Электронный ресурс] https://en.wikipedia.org URL: https://en.wikipedia.org/wiki/Association_for_the_Advancement_of_Artificial_Intelligence#cite_note-1 (дата обращения: 28.03.2023)
92Association for the Advancement of Artificial Intelligence (AAAI) [Электронный ресурс] https://en.wikipedia.org URL: https://en.wikipedia.org/wiki/Association_ for_the_Advancement_of_Artificial_Intelligence#cite_note-1 (дата обращения: 28.03.2023)
93Attributional calculus Ryszard S. Michalski (2004), ATTRIBUTIONAL CALCULUS: A LOGIC AND REPRESENTATION LANGUAGE FOR NATURAL INDUCTION. Machine Learning and Inference Laboratory, George Mason University, Fairfax, VA 22030—4444 and Institute of Computer Science, Polish Academy of Sciences, Warsaw.
94Affective computing [Электронный ресурс] //OpenMind URL: https://www.bbvaopenmind.com/en/technology/digital-world/what-is-affective-computing/ (дата обращения 14.02.2022)
95Database [Электронный ресурс] https://www.coe.int URL: https://www.coe.int/en/web/artificial-intelligence/glossary (дата обращения: 28.03.2023)
96База Данных ImageNet [Электронный ресурс] www.wikiwand.com/en URL: https://www.wikiwand.com/en/IEEE_Computational_Intelligence_Society (дата обращения: 07.07.2022)
97MNIST [Электронный ресурс] https://www.primeclasses.in URL: https://www.primeclasses.in/glossary/data-science-course/machine-learning/mnist (дата обращения: 28.03.2023)
98Baseline [Электронный ресурс] https://developers.google.com URL: https://developers.google.com/machine-learning/glossary#baseline (дата обращения: 28.03.2023)
99Bayesian optimization [Электронный ресурс] https://developers.google.com URL: https://developers.google.com/machine-learning/glossary#bayesian-optimization (дата обращения: 28.03.2023)
100Bayesian Network [Электронный ресурс] https://dic.academic.ru URL: https://dic.academic.ru/dic.nsf/ruwiki/1738444 (дата обращения: 31.01.2022)
101Байесовский классификатор в машинном обучении [Электронный ресурс] https://wiki.loginom.ru URL: https://wiki.loginom.ru/articles/bayesian_classifier.html (дата обращения: 07.07.2022)
102Bayesian programming [Электронный ресурс] https://en.wikipedia.org URL: https://en.wikipedia.org/wiki/Bayesian_programming (дата обращения: 28.03.2023)
103Байесовское программирование [Электронный ресурс] https://ru.wikipedia.org URL: https://ru.wikipedia.org/wiki/Байесовское_программирование (дата обращения: 28.03.2023)
104Tower [Электронный ресурс] https://developers.google.com URL: https://developers.google.com/machine-learning/glossary#tower (дата обращения: 28.03.2023)
105Byte [Электронный ресурс] www.umich.edu (дата обращения: 07.07.2022) URL: https://www.icpsr.umich.edu/web/ICPSR/cms/2042#B
106Безопасность критической информационной инфраструктуры [Электронный ресурс] http://www.kremlin.ru URL: http://www.kremlin.ru/acts/bank/42128 (дата обращения: 28.03.2023)
107Application security [Электронный ресурс] www.csoonline.com URL: https://www.csoonline.com/article/3315700/what-is-application-security-a-process-and-tools-for-securing-software.html (дата обращения: 07.07.2022)
108Benchmark [Электронный ресурс] https://medium.com URL: https://medium.com/@tauheedul/it-hardware-benchmarks-for-machine-learning-and-artificial-intelligence-6183ceed39b8 (дата обращения 11.03.2022)
109Бенчмаркинг [Электронный ресурс] https://trends.rbc.ru URL: https://trends.rbc.ru/trends/education/61540f1e9a7947ed382de149 (дата обращения: 28.03.2023)
110Wireless network [Электронный ресурс] https://en.wikipedia.org (дата обращения: 07.07.2022) URL: https://en.wikipedia.org/wiki/Wireless_network
111WiBB Wireless broadband [Электронный ресурс] https://en.wikipedia.org URL: https://en.wikipedia.org/wiki/Wireless_broadband (дата обращения: 07.07.2022)
112BETA [Электронный ресурс] www.sofokus.com URL: https://www.sofokus.com/glossary-of-digital-business/#ABCD (дата обращения: 07.07.2022)
113The Keras Library [Электронный ресурс] https://datawider.com URL: https://datawider.com/top-10-python-libraries/#_ftn2 (дата обращения: 28.03.2023)
114Matplotlib [Электронный ресурс] https://books.google.ru URL: https://books.google.ru/books?id=-w2DEAAAQBAJ&pg=PT391&lpg=PT391&dq=It +has+been+emulated+from+MATLAB+and+thus +contains+global+styles+very+similar+to+MATLAB, +including+the+object+hierarchy&source=bl&ots=ruX5Ow1E-j&sig=ACfU3U1FqV3-RtxTevhXaIQNPRheAJbv8A&hl= ru&sa=X&ved=2ahUKEwjzycGevP79AhXSy4sKHdq3 Dsc4ChDoAXoECBYQAw#v=onepage&q=It%20has %20been%20emulated%20from%20MATLAB %20and%20thus%20contains%20global%20styles %20very%20similar%20to%20MATLAB%2C %20including%20the%20object%20hierarchy&f=false (дата обращения: 28.03.2023)
115Библиотека Numpy [Электронный ресурс] https://datawider.com URL: https://datawider.com/top-10-python-libraries/#_ftn1 (дата обращения: 07.07.2022)
116PyTorch (Torch Library) [Электронный ресурс] https://datawider.com URL: https://datawider.com/top-10-python-libraries/#_ftn3 (дата обращения: 28.03.2023)
117Scikit-learn Library [Электронный ресурс] https://datawider.com URL: https://datawider.com/top-10-python-libraries/#_ftn10 (дата обращения: 28.03.2023)
118SciPy Library [Электронный ресурс] https://datawider.com URL: https://datawider.com/top-10-python-libraries/#_ftn6 (дата обращения: 28.03.2023)
119Theano [Электронный ресурс] https://datawider.com URL: https://datawider.com/top-10-python-libraries/#_ftn7 (дата обращения: 28.03.2023)
120Bigram [Электронный ресурс] https://en.wikipedia.org URL: https://en.wikipedia.org/wiki/Bigram (дата обращения: 28.03.2023)
121Binary tree [Электронный ресурс] https://habr.com URL: https://habr.com/ru/post/267855/ (дата обращения: 31.01.2022)
122Bioconservatism [Электронный ресурс] https://en.wikipedia.org URL: https://en.wikipedia.org/wiki/Bioconservatism (дата обращения: 07.07.2022)
123.Bioconservatism [Электронный ресурс] www.wise-geek.com URL: https://www.wise-geek.com/what-is-bioconservatism.htm (дата обращения: 07.07.2022)
124Biometrics [Электронный ресурс] https://recfaces.com URL: https://recfaces.com/articles/types-of-biometrics (дата обращения: 28.03.2023)
125Биометрия [Электронный ресурс] https://ru.wikipedia.org URL: https://ru.wikipedia.org/wiki/Биометрия (дата обращения: 28.03.2023)
126IFU (Instruction Fetch Unit) [Электронный ресурс] https://www.module.ru URL: https://www.module.ru/uploads/media/1507808903-512-gflops-f52673fe3c.pdf (дата обращения: 28.03.2023)
127Vision Processing Unit (VPU) [Электронный ресурс] https://en.wikipedia.org URL: https://en.wikipedia.org/wiki/Vision_processing_unit#cite_note-1 (дата обращения: 28.03.2023)
128Blockchain [Электронный ресурс] https://books.google.ru URL: https://books.google.ru/books?id=-w2DEAAAQBAJ&pg=PT301&lpg=PT301&dq= algorithms+and+protocols+for+decentralized +storage+and+processing+of+transactions+structured +as+a+sequence+of+linked+blocks+without+the +possibility+of+their+subsequent+change&source =bl&ots=ruX5Ow4F-g&sig=ACfU3U0fmUw6tcXO QoRbPdWNAfwf5AFY WQ&hl=ru&sa=X&ved=2ahUKEwjmpsrjx_79AhW DmIsKHQqDBvMQ6AF6BAgrEAM#v=onepage&q= algorithms%20and%20protocols%20for %20decentralized%20storage%20and%20processing %20of%20transactions%20structured%20as%20a %20sequence%20of%20linked%20blocks%20without %20the%20possibility%20of%20their%20subsequent %20change&f=false (дата обращения: 28.03.2023)
129Large language model [Электронный ресурс] https://medium.com URL: https://medium.com/unpackai/language-models-in-ai-70a318f43041 (дата обращения: 07.07.2022)
130Большие данные [Электронный ресурс] https://ulgov.ru URL: https://ulgov.ru/page/index/permlink/id/14949/ (дата обращения: 28.03.2023)
131Occam’s razor [Электронный ресурс] https://medium.com URL: https://medium.com/mlearning-ai/an-introduction-to-occams-razor-bound-in-machine-learning-80ba5456c8dc (дата обращения: 07.07.2022)
132Boosting [Электронный ресурс] https://en.wikipedia.org URL: https://en.wikipedia.org/wiki/Boosting_(machine_learning) (дата обращения: 28.03.2023)
133Replay buffer [Электронный ресурс] https://developers.google.com URL: https://developers.google.com/machine-learning/glossary#replay-buffer (дата обращения: 28.03.2023)
134Быстрое кодирование [Электронный ресурс] www.helenkapatsa.ru URL: https://www.helenkapatsa.ru/bystroie-kodirovaniie/ (дата обращения: 07.07.2022)
1  2  3  4  5  6  7  8  9  10  11  12  13  14  15  16  17  18  19 
Рейтинг@Mail.ru