不知道是否知道......但人工智能存在很多误解。虽然有些人认为这意味着机器人会与人类进行互动，但其他人则认为这是一种超级智能，很快将会占领世界。好吧，这是非常令人沮丧的。不能解释知道AI是什么以及它能做什么的重要性（特别是如果正在考虑建立自己的AI专业知识，或者已经在使用它）。
今天提出要照顾术语，不再那么天真了。在本文中，将以明确，直接的方式强调一些最必要的概念。
因此，可以随意拿起咖啡和舒适的椅子，然后潜入水中。或者在想要提升知识的任何时候使用它作为参考。
人工智能和机器学习术语A到Z：
A
Algorithm（算法）
简单来说，算法是一个严格的逻辑序列，用于解决任何问题的明确的逐步指令。算法是构成机器学习和人工智能的基本构建块。算法通常作为一系列简单的if→then语句或一系列更复杂的数字和命令的书呆子结构来运行。算法的目标是教AI，神经网络或其他机器如何自己解决问题。
机器学习中的基本算法：聚类，分类，回归和推荐。
Analytical Validation （分析验证）
衡量任务从输入数据中准确可靠地生成预期技术输出的能力。机器学习中的验证技术用于获得ML模型的错误率。最常见的验证技术：重新取代，K折叠交叉验证，随机子抽样，引导。
Artificial general intelligence （通用人工智能）
通用人工智能（AGI），强大的人工智能和超级智能都基本上都指同一件事 - 一种等于或大于人类智能的人工智能。称之为通用，因为它适用于所有问题。强AI的反面是弱AI。一般AI的反面是狭窄的AI。
事实是，这是习惯在大片中看到的AI，在现实生活中无法达到这种智能水平。称之为强大，因为认为它比我们强大，但它只不过是一个不知道如何实现的想法。
Artificial Intelligence （人工智能）
“AI是制造智能机器的科学和工程，尤其是智能计算机程序。” - Alan Turing
AI是计算机科学的一个子集，旨在构建能够执行类似人类任务的机器：决策，对象分类和检测，语音识别和翻译。
人工智能和机器学习是相关的。但是，ML是AI的子集，反之亦然。AI和ML都是一组算法，但ML只能输入结构化数据，AI可以处理结构化和非结构化信息，以便完成任务而无需编程如何操作。
Artificial narrow intelligence （人工窄智能）
人工窄智能（ANI），也称为弱AI，是一种通用AI，指的是计算机能够非常好地执行单个任务，例如抓取网页或下棋。许多当前存在的AI驱动系统可能作为弱AI而运行，专注于狭义的特定问题（它用于构建像Siri这样的虚拟助手）。
Artificial neural network （人工神经网络）
AI中使用的模型，其灵感来自构成动物大脑的生物神经网络，但不一定相同。它由用于机器学习的神经层组成。这样的系统通过考虑示例来“学习”执行任务，通常不用任何特定任务规则编程。
Augmented Intelligence （增强智能，也称为智能增强）
它是人类智慧的补充 - 而不是替代。它是关于帮助人类在他们正在执行的任务中变得更快更聪明。
B
Backpropagation （反向传播）
“反向传播错误”的反向传播速记是神经网络学习的方式。信使告诉网络网络在做出预测时是否犯了错误。传播是在特定方向或通过特定介质传输某些东西（光，声音，运动或信息）。
Bayesian networks （贝叶斯网络）
贝叶斯网络也称为因果网络，信念网络和决策网络，是用于表示多变量概率分布的图形模型。目标是通过在有向图中用边表示条件依赖来模拟条件依赖性，从而建立因果关系。
Big data （大数据）
大量结构化和非结构化数据太复杂，无法通过标准数据处理软件处理
C
Chatbots （聊天机器人）
聊天机器人是用于运行信使界面的程序。主要功能是识别对话者的请求并正确回应。聊天机器人通过文本或语音消息模拟与用户的真实对话。
聊天机器人使用机器学习来识别通信模式。通过与人们的不断互动，他们学会模仿真实的对话，回应口头或书面的询问，帮助他们找到答案。因此，在每次对话之后，他们变得更聪明。
Classification （分类）
在机器学习和统计中，分类是一种监督学习算法技术，允许机器将类别分配给数据点（将数据分类到给定数量的类中）。分类（决策树和神经网络分类器）可用于营销中的文本分类。
Clustering （聚类）
聚类是一种机器学习技术，涉及数据点的分组。聚类是一种无监督学习的方法，是许多领域中使用的统计数据分析的常用技术。群集与应用程序一起使用，包括客户细分，快速搜索和可视化。
Cognitive computing （认知计算）
认知计算（CC）是一种计算机化模型，通过数据挖掘，NLP和模式识别来模拟人类思维过程。认知计算与人工智能重叠，涉及许多相同的基础技术，为认知应用提供动力，包括专家系统，神经网络，机器人和虚拟现实（VR）。
Computer Aided Detection （计算机辅助检测）
属于模式识别软件，可对图像上的可疑特征进行分类，并将其引起放射科医师的注意，以减少假阴性读数。
Computer Aided Diagnosis （计算机辅助诊断）
属于检查放射照相发现的软件，以确定该特征呈现特定疾病过程的可能性（例如，良性与恶性）。
Computer vision （计算机视觉）
计算机视觉是人工智能领域，用于从图像中获取信息。机器学习算法（如K-means）用于图像分割，支持向量机用于图像分类等。因此计算机视觉利用人工智能技术来解决诸如物体检测，图像处理等复杂问题。总而言之，它是来自图像文件（JPEG）或相机输入的视觉输入。
Confidence Interval （置信区间）
关于点估计的间隔，其量化由于可变性而估计的真实值中的统计不确定性。
Continuous Learning Systems （连续学习系统）
系统本身能够从现实世界数据中学习，并且能够在公共使用中随着时间的推移自动更新。
Convolutional neural network （卷积神经网络）
一种神经网络，用于将图像数据映射到输出变量。事实证明它们非常有效，它们是涉及图像数据作为输入的任何类型的预测问题的首选方法。CNN用于通过使用多层感知器来分析，分类和聚类视觉图像。
D
Data mining （数据挖掘）
在建立问题解决关系的同时，对大量数据进行分类以识别重复模式的过程。
Deep learning （深度学习）
术语深度学习用于描述神经网络以及用于接受原始数据的算法（需要从中提取一些有用的信息）。通过穿过神经网络的层来处理该数据以获得期望的输出。
E
Embodied AI （嵌入人工智能）
嵌入人工智能的概念来自于具体的认知，这表明智力既是身体的一部分，也是身体的一部分。考虑到这一点，体现AI（例如，将感官输入和机器人技术纳入等式）对AI的认知功能有益，使其能够更好地了解其情况和环境，以进行更彻底的数据分析和响应处理。
Expert System （专业系统）
人工智能的一种形式，试图复制人类在某一领域的专业知识，例如医学诊断。它将知识库与一组用于应用该知识的手动编码规则相结合。机器学习技术正在逐渐取代手工编码。
Explainable AI （可解释的AI）
可解释的AI（XAI）是人工智能，其编程是以普通人可以理解的方式描述其目的，理由和决策过程。适合各种决策的信任程度。
F
False Negative （假阴性）
测试结果，当条件存在时不检测条件。
False Positive （假阳性）
检测条件不存在时的条件的测试结果。
Few-Shot Learning （少数学习）
通常，计算机视觉等机器学习任务需要输入大量图像数据来训练系统，然而，少数（甚至是一次性）学习的目标是创建一个大大减少训练量的系统需要学习。
Forward Chaining （正向链接）
AI回顾并分析基于规则的系统以查找“if”规则，并确定用于查找解决方案的规则的方法。
Friendly Artificial Intelligence （友好的人工智能）
如果人工智能的价值与我们自己的一致，那么它被称为友好的AI。在这个假设情景中，友好的人工智能将对人类产生积极的好处。另见不友好的人工智能。
G
Generative adversarial networks （生成对抗网络）
GAN是一种神经网络，可以在人眼的表面上产生看似真实的照片。GAN生成的图像采用摄影数据的元素，并将其塑造成人，动物和地方的逼真图像。GAN基本上由两个竞争神经网络模型（使用监督学习的生成模型）组成。它们相互竞争，能够分析，捕获和复制数据集中的变体。
Genetic algorithm （遗传算法）
基于遗传学原理的算法，用于高效快速地找到难题的解决方案
H
Heuristic Search Techniques （启发式搜索技术）
通过消除不正确的选项，将搜索范围缩小到问题的最佳解决方案的支持。
I
Image recognition （图像识别）
图像识别是系统或软件识别图像中的对象，人物，地点和动作的能力。它使用机器视觉技术，人工智能和训练有素的算法，通过摄像系统识别图像。
Inductive reasoning （归纳推理）
一个逻辑过程，其中大多数时间都是真实或真实的多个前提，被组合起来形成结论。通常用于预测和预测。
Intelligence Explosion （情报爆炸）
为描述一般人工智能工作的最终结果而创造的一个术语，它推断这项工作将导致人工智能的奇点，其中“人工超级智能”超越人类认知的能力。
K
Knowledge Engineering （知识工程）
知识工程是一个人工智能（AI）领域，试图模仿特定领域的人类专家的判断和行为。知识工程是创建专家系统背后的技术，以协助与其编程的知识领域相关的问题。
L
Limited memory （记忆力有限）
具有短期记忆的系统限于给定的时间范围
M
Machine learning （机器学习）
机器学习是一组算法，只能使用结构化数据来完成任务，而无需编程如何执行任务。所有这些算法都构建了一个称为“训练数据”的数学模型，以便进行预测或决策。
虽然AI是一种使机器能够模仿人类行为的技术，但机器学习是一种用于实现人工智能的技术。这是一个特定的过程，在这个过程中，机器（计算机）通过向他们提供数据并让他们自己学习一些技巧来学习，而没有明确地编程这样做。总而言之，机器学习是人工智能的核心和土豆。
Machine Perception （机器感知）
机器感知是计算机系统以类似于人类使用他们的感官与周围世界相关的方式来解释数据的能力。计算机接收和响应其环境的基本方法是通过附加的硬件。
Machine translation （机器翻译）
机器翻译（MT）是一种自动翻译。这是使用计算机软件将文本从一种自然语言（如英语）翻译成另一种语言（如西班牙语）的过程。
N
Narrow Intelligence （狭隘的情报）
狭窄的人工智能是编程执行单个任务的人工智能 - 无论是检查天气，下棋还是分析原始数据来编写新闻报道。
Natural language processing （自然语言处理）
自然语言处理（简称NLP）是一个专注于人类语言和计算机之间相互作用的研究领域。NLP通过模拟人类理解语言的能力来帮助机器“阅读”文本。它位于计算机科学，人工智能和计算语言学的交叉点。
Neural networks （神经网络）
参见人工神经网络
Neuromorphic Chip （神经形态芯片）
设计用作神经网络的计算机芯片。它可以是模拟，数字或组合。
O
Optical Character Recognition （光学字符识别）
光学字符识别或光学字符阅读器是将打字，手写或打印文本的图像转换为机器编码的文本，无论是来自扫描文档，文档照片，场景照片还是叠加在图像上的字幕文本。
P
Pattern recognition （模式识别）
模式识别是检测产生关于给定系统或数据集的信息的特征或数据的排列的能力。模式识别对于IT的许多重叠领域至关重要，包括大数据分析，生物识别，安全和人工智能（AI）。
Perceptron （感知）
早期类型的神经网络，发展于20世纪50年代。它获得了很大的宣传，但后来被证明有局限性，多年来抑制了对神经网络的兴趣。
R
Real Time Health Systems （实时卫生系统）
下一代护理递送系统，其中，提供者可以实时共享，适应和应用他们的医疗掌握。它涉及来自不同来源（设备，应用程序，电子记录）的相关信息的集合，因此可以快速做出决策。
Recommendation Algorithms （推荐算法）
帮助机器基于其与历史数据的共性来建议选择的算法。
Recurrent neural network （递归神经网络）
递归神经网络是一类人工神经网络，其中节点之间的连接形成沿时间序列的有向图。这允许它展示时间动态行为。与前馈神经网络不同，RNN可以使用其内部状态来处理输入序列。
Regression （回归）
一种统计方法，通过求解过去输入的模式（例如统计中的线性回归）来估计变量之间的关系并预测连续数据集中的未来结果或项目。回归是机器学习和人工智能的基础。
Reinforcement learning （强化学习）
“如果情报是一块蛋糕，监督学习将成为锦上添花，强化学习将成为锦上添花。” - Yann LeCun，卷积网的创始之父
RL是一种机器学习算法，它允许软件代理和机器自动确定特定上下文中的理想行为，以最大化其性能。强化算法未给出明确的目标; 相反，他们被迫通过反复试验来学习这些最佳目标。
RL，我们有一个代理人在一个能够采取行动的环境中移动（比如在特定方向上移动）。该代理可以是算法，人或对象。该操作对来自环境的输入生效。只有在代理经过几次迭代后，我们才能知道它与实现最终目标的距离有多远。在监督学习方面，输入和输出从一开始就已经很好地定义了。
Robotic process automation （机器人自动化处理）
使用具有AI和ML功能的软件，一旦人类完成，就可以执行重复性任务。
Robotics （机器人）
处理机器人的设计，构造，操作和应用的技术分支。今天的大多数机器人习惯于重复行动或被认为对人类过于危险的工作。机器人非常适合进入可能有炸弹的建筑物。机器人也被用于制造汽车，糖果棒和电子产品等物品。
S
Shadow learning （影子学习）
用于描述深度学习的简化形式的术语，其中搜索数据的关键特征之前是由人处理并进入特定于该数据所涉及的球体的系统。由于投入到系统设计中的时间增加，这些模型更“透明”（在获得结果的意义上）和高性能。
Singularity （奇异）
技术奇点是一个假设的未来时间点，技术增长变得无法控制和不可逆转，导致人类文明的不可思议的变化。
Strong AI （强大的AI）
见人工智能（AGI）
Structured data （结构化数据）
清晰定义的数据，易于搜索的模式
Superintelligence （超级智能）
超级智能是一种假设的代理人，拥有的智能远远超过了大大超过我们自己的智能水平。
Supervised learning （监督学习）
深度学习可以是监督，半监督或无监督。监督学习算法分析训练数据并产生推断函数，该函数可用于映射新示例。
T
Tensorflow
TensorFlow是由Google开发的免费开源软件工具集合，用于跨任务执行数据流和差异化编程。它是开源的，意味着任何人都可以使用或改进它。类似的项目包括Torch和Theano。TensorFlow是实施深度学习的最佳库之一。
Transfer learning （迁移学习）
机器学习中的一种技术，其中算法学习执行一项任务，例如识别汽车，并在学习不同但相关的任务时建立该知识，例如识别猫。
True Negative （真正的否定）
测试结果，当条件不存在时不检测条件。
True Positive （真正的积极）
检测条件存在时的条件的测试结果。
Turing Test （图灵测试）
计算机科学家艾伦·图灵（Alan Turing，1950）创造的一项测试，看看机器是否能表现出与人类相同或无法区分的智能
U
Unfriendly Artificial Intelligence （不友好的人工智能）
能够对人类造成巨大伤害的人工一般智能，并且具有使AI有用的目标。
Unstructured data （非结构化数据）
信息既没有预定义的数据模型，也没有以预定义的方式组织。
Unsupervised learning （无监督学习）
使用既未分类也未标记的信息训练人工智能（AI）算法，并允许算法在没有指导的情况下对该信息起作用。无监督学习算法可以执行比监督学习系统更复杂的处理任务。
W
Weak AI （弱AI）
见人工狭义智能（ANI）
最后的话
恭喜刚刚结识了人工智能和机器学习术语！希望这个全面的术语表能够增加术语的清晰度并消除对AI的任何误解。现在无论何时碰巧使用一个或另一个术语，都会知道在哪里可以回忆必要的信息。
