Текст книги "Глоссариум по искусственному интеллекту: 2500 терминов"

Глоссариум по искусственному интеллекту: 2500 терминов
Александр Юрьевич Чесалов
Александр Николаевич Власкин
Матвей Олегович Баканач

Редактор Хаджимурад Ахмедович Магомедов

Дизайнер обложки Александр Юрьевич Чесалов

Иллюстратор Abidal | Dreamstime.com

© Александр Юрьевич Чесалов, 2022

© Александр Николаевич Власкин, 2022

© Матвей Олегович Баканач, 2022

© Александр Юрьевич Чесалов, дизайн обложки, 2022

© Abidal | Dreamstime.com, иллюстрации, 2022

ISBN 978-5-0056-8677-0

Создано в интеллектуальной издательской системе Ridero

От Авторов-составителей

Александр Юрьевич Чесалов,

Власкин Александр Николаевич,

Баканач Матвей Олегович

Эксперты по информационным технологиям и искусственному интеллекту, разработчики программы Центра искусственного интеллекта МГТУ им. Н. Э. Баумана, программы «Искусственный интеллект» и «Глубокая аналитика» проекта «Приоритет 2030» МГТУ им. Н. Э. Баумана в 2021—2022 годах.

Добрый день, дорогие Друзья и Коллеги!

Последние пару лет для нас – авторов-составителей этой книги выдались не просто «жаркими», но и щедрыми на разные события и мероприятия.

Несомненно, самое существенное событие для нас, произошедшее в 2021 году – это участие в Конкурсе, проводимом Аналитическим Центром при Правительстве России по отбору получателей поддержки исследовательских центров в сфере искусственного интеллекта, в том числе в области «сильного» искусственного интеллекта, систем доверенного искусственного интеллекта и этических аспектов применения искусственного интеллекта. Перед нами стояла неординарная и еще на тот момент времени никем не решенная задача создания Центра разработки и внедрения сильного и прикладного искусственного интеллекта МГТУ им. Н. Э. Баумана. Все авторы этой книги приняли самое непосредственное участие в разработке и написании программы и плана мероприятий нового Центра. Подробнее об этой истории можно узнать из книги Александра Чесалова «Как создать центр искусственного интеллекта за 100 дней». Информацию о ней вы можете также найти на блоге chesalov.com и сайте ridero.ru.

Первый международный форум «Этика искусственного интеллекта: начало доверия», который состоялся 26 октября 2021 года и в рамках которого была организована церемония торжественного подписания Национального кодекса этики искусственного интеллекта, устанавливающего общие этические принципы и стандарты поведения, которыми следует руководствоваться участникам отношений в сфере искусственного интеллекта в своей деятельности, также оказал на нас определенное влияние. По сути, форум стал первой в России специализированной площадкой, где около полутора тысяч разработчиков и пользователей технологий искусственного интеллекта обсудили шаги по эффективному внедрению этики искусственного интеллекта в приоритетных отраслях экономики Российской Федерации.

Мы не прошли мимо и Международной конференции по искусственному интеллекту и анализу данных AI Journey, в рамках которой 10 ноября 2021 года к подписанию Национального Кодекса этики искусственного интеллекта присоединились лидеры ИТ-рынка. Число спикеров конференции поражало воображение – их было более двухсот, а число онлайн-посещений сайта более сорока миллионов.

Также мы не прошли мимо таких важных мероприятий, как Международный военно-технический форум «Армия-2021», который посетило более 1,7 миллионов человек.

В 2022 году мы приняли уже непосредственное участие в Международном военно-техническом форуме «Армия-2022» с докладом «Разработка программно-аппаратных комплексов для решения широкого круга прикладных задач с использованием технологий машинного обучения и доверенного искусственного интеллекта в Оборонно-промышленном комплексе РФ».

Армия-2022

Резюмируя нашу активную работу за последние пару лет, тот опыт, который уже был накоплен, мы можем сказать, что где бы мы не обсуждали тему «искусственного интеллекта», всегда возникали жаркие споры среди участников тех или иных мероприятий, среди различных специалистов и ученых, что же такое, например, «сильный искусственный интеллект» («Artificial general intelligence») и как перевести и интерпретировать слово «general» – («сильный» или «общий», а может быть «прикладной»? Много было споров по определению термина «доверенный искусственный интеллект» и многих других.

Несомненно, мы нашли ответы на эти и многие другие интересующие широкий круг специалистов вопросы.

Например, мы определили для себя то, что Искусственный интеллект – это компьютерная система, основанная на комплексе научных и инженерных знаний, а также технологий создания интеллектуальных машин, программ, сервисов и приложений (например, машинного обучения и глубокого обучения), имитирующая мыслительные процессы человека или живых существ, способная с определенной степенью автономности воспринимать информацию, обучаться и принимать решения на основе анализа больших массивов данных, целью создания которой является помощь людям в решении их повседневных рутинных задач.

Искусственный интеллект

Или, еще один пример. Мы определили, что Система доверенного искусственного интеллекта – это система обеспечивающая выполнение возложенных на нее задач с учетом ряда дополнительных требований и/или ограничений, обеспечивающих доверие к результатам ее работы:

Доверенный искусственный интеллект

А также то, что Машинное обучение – это одно из направлений (подмножеств) искусственного интеллекта, благодаря которому воплощается ключевое свойство интеллектуальных компьютерных систем – самообучение на основе анализа и обработки больших разнородных данных. Чем больше объем информации и ее разнообразие, тем проще искусственному интеллекту найти закономерности и тем точнее будет получаемый результат.

Искусственный интеллект

И то, что машинное обучение – очень интересная, многогранная и актуальная область науки и техники:

Машинное обучение

Слышали ли вы когда-нибудь о «Трансгуманистах»?

С одной стороны, как идея Трансгуманизм (Transhumanism) – это расширение возможностей человека с помощью науки. С другой стороны – это философская концепция и международное движение, приверженцы которого желают стать «постлюдьми» и преодолеть всевозможные физические ограничения, болезни, душевные страдания, старость и смерть благодаря использованию возможностей нано– и био– технологий, искусственного интеллекта и когнитивной науки.

На наш взгляд, идеи «трансгуманизма» очень тесно пересекаются с идеями «цифрового человеческого бессмертия».

TEDx ForestersPark 2019 год

Несомненно вы слышали и, конечно знаете, кто такой «Data Scientist» – ученый и специалист по работе с данными.

А слышали ли вы когда-нибудь о «датасатанистах»? :-)

Датасатанисты – это определение, придуманное авторами, но отражающее современную действительность (наравне, например, с термином «инфоцыганщина»), которая сложилась в период популяризации идей искусственного интеллекта в современном информационном обществе. Датасатанисты – это люди (по своей сути мошенники и преступники), которые очень умело маскируются под ученых и специалистов в области ИИ и МО, но при этом пользующиеся чужими заслугами, знаниями и опытом, в своих корыстных целях и целях незаконного обогащения. Их действия можно трактовать по Статье 159 УК РФ Мошенничество, Статье 174 УК РФ Легализация (отмывание) денежных средств или иного имущества, приобретенных другими лицами преступным путем, Статье 285 УК РФ Злоупотребление должностными полномочиями, Статье 286 УК РФ Превышение должностных полномочий и др.

А, как вам такой термин – «библеоклазм»?

Библиоклазм – человек, в силу своего трансформированного мировоззрения и чрезмерно раздутого эго, из зависти или какой-либо другой корыстной цели, уничтожающий книги других авторов.

Вы не поверите, но таких людей, как «датасатанисты» или «библиоклазмы» сейчас очень много.

Таких примеров «удивительных терминов» мы можем привести еще не мало. Но в своей работе мы не стали тратить время на «суровую действительность» и сместили акцент на конструктивный и позитивный настрой.

Одним словом, мы провели для Вас большую работу и собрали более 2500 терминов и определений по машинному обучению и искусственному интеллекту на основе своего опыта, данных из более чем 3000 статей сети Интернет, книг, журналов и аналитических отчетов.

Также, в эту книгу вошли базовые термины и определения из книг одного из авторов-составителей – Александра Чесалова: «Глоссариум по искусственному интеллекту и информационным технологиям», «Глоссариум по цифровой экономике» (распространяются бесплатно на Ridero.ru), «Цифровая трансформация»11
  .Чесалов А. Ю. Цифровая трансформация. -М.: Ridero. 2020.-302c. URL: https://ridero.ru/books/cifrovaya_transformaciya_2/


[Закрыть], «Цифровая экосистема Института омбудсмена: концепция, технологии, практика»22
  .Чесалов А. Ю. Цифровая экосистема Института омбудсмена: концепция, технологии, практика. -М.: Ridero. 2020.-320c.


[Закрыть], а также термины и определения из следующих дополнительных источников:

– Указ Президента Российской Федерации от 7 мая 2018 №204 «О национальных целях и стратегических задачах развития Российской Федерации на период до 2024 года».33
  .Указ Президента Российской Федерации от 7 мая 2018 №204 «О национальных целях и стратегических задачах развития Российской Федерации на период до 2024 года».


[Закрыть]

– Федеральный закон от 27.07.2006 №149-ФЗ (ред. от 01.05.2019) «Об информации, информационных технологиях и о защите информации».44
  .Федерального закона от 27.07.2006 №149-ФЗ (ред. от 01.05.2019) «Об информации, информационных технологиях и о защите информации». [Электронный ресурс] // www.kremlin.ru. URL: http://www.kremlin.ru/acts/bank/24157


[Закрыть]

– Стратегия развития информационного общества в Российской Федерации на 2017 – 2030 годы.55
  .Указ Президента Российской Федерации от 09.05.2017 г. №203. О Стратегии развития информационного общества в Российской Федерации на 2017 – 2030 годы. [Электронный ресурс] // www.kremlin.ru. URL: http://kremlin.ru/acts/bank/41919


[Закрыть]

– Национальная стратегии развития искусственного интеллекта на период до 2030 года.66
  .Указ Президента Российской Федерации от 10.10.2019 г. №490. О развитии искусственного интеллекта в Российской Федерации. [Электронный ресурс] // www.kremlin.ru. URL: http://www.kremlin.ru/acts/bank/44731


[Закрыть]

– Кодекс этики ИИ.77
  .Кодекс этики в сфере ИИ. [Электронный ресурс] // a-ai.ru URL: https://a-ai.ru/code-of-ethics/


[Закрыть]

– Стратегия развития здравоохранения Российской Федерации на период до 2025 года, утвержденная Указом президента РФ от 6 июня 2019 года №254.88
  .Указ Президента Российской Федерации от 06.06.2019 г. №254 «О Стратегии развития здравоохранения в Российской Федерации на период до 2025 года». [Электронный ресурс] // kremlin.ru URL: http://www.kremlin.ru/acts/bank/44326


[Закрыть]

– Стратегия развития электронной промышленности РФ на период до 2030 года.99
  .Стратегия развития электронной промышленности РФ на период до 2030 года. [Электронный ресурс] // conference.tass.ru. URL: https://conference.tass.ru/events/prezentaciya-proekta-strategii-razvitiya-elektronnoj-promyshlennosti-rf-na-period-do-2030-g-


[Закрыть]

– Федеральный закон от 27.07.2006 N 152-ФЗ (ред. от 24.04.2020) «О персональных данных».1010
  .Федеральный закон от 27.07.2006 N 152-ФЗ (ред. от 24.04.2020) «О персональных данных». [Электронный ресурс] // legalacts.ru URL: https://legalacts.ru/doc/152_FZ-o-personalnyh-dannyh/


[Закрыть]

– Национальная программа «Цифровая экономика Российской Федерации».1111
  .Национальная программа «Цифровая экономика Российской Федерации». Министерство цифрового развития, связи и массовых коммуникаций Российской Федерации. [Электронный ресурс] // digital.gov.ru. URL: https://digital.gov.ru/ru/activity/directions/858/


[Закрыть]

– Государственная Программа «Цифровая экономика Российской Федерации».1212
  .Государственная Программа «Цифровая экономика Российской Федерации». [Электронный ресурс] // static.government.ru URL: http://static.government.ru/media/files/9gFM4FHj4PsB79I5v7yLVuPgu4bvR7M0.pdf


[Закрыть]

2500 терминов и определений.

Много это или мало?

Наш опыт подсказывает, что для взаимопонимания двум собеседникам достаточно знать десяток или максимум два десятка определений, но когда дело касается профессиональной деятельности, то может получиться так, что мало знать даже нескольких десятков терминов.

В этой книге приведены термины, по-нашему мнению, наиболее часто употребляемые, как в повседневной работе, так и профессиональной деятельности специалистами самых разных профессий, интересующихся темой «искусственного интеллекта».

В заключение хочется добавить и проинформировать уважаемого читателя о том, что мы очень старались сделать для вас нужный и полезный «продукт» и «инструмент».

35-ая Московская международная книжная ярмарка

Первый вариант книги был представлен нами на 35-ой Московской международной книжной ярмарке в 2022 году.

Эта книга является абсолютно открытым и свободным к распространению документом. В случае, если Вы используете ее в своей практической работе, просим Вас делать ссылку на эту книгу.

Многие из терминов и определений к ним, в этой книге, встречаются в сети Интернет. Они повторяются десятки или сотни раз на различных информационных ресурсах (в основном на зарубежных). Тем не менее, мы поставили перед собой цель – собрать и систематизировать самые актуальные из них в одном месте из самых разных источников, нужные из них перевести на русский язык и адаптировать, а какие-то и написать заново, исходя из собственного опыта. Учитывая вышесказанное, мы не претендуем на авторство или уникальность представленных терминов и определений.

Ссылки на первоисточники проставлены у оригинальных терминов и определений (то есть, если определение изначально было на английском языке из иностранного источника, то ссылка указывается после данного определения. Ссылка на тоже определение, переведенное или адаптированное на русский язык не указывается. Это сделано с тем, чтобы не дублировать ссылки, не перегружать текст и не путать читателя).

Мы продолжаем работу по улучшению качества и содержания текста этой книги, в том числе дополняем ее новыми знаниями по предметной области. Будем Вам благодарны за любые отзывы, предложения и уточнения. Направляйте их, пожалуйста, на [email protected]

Приятного Вам чтения и продуктивной работы!

Ваши, Александр Чесалов, Александр Власкин и Матвей Баканач.

16.08.2022

Глоссариум по искусственному интеллекту

«А»

А/B-тестирование, также известное как сплит-тестирование (A/B Testing) – это процесс экспериментирования, при котором две или более версии переменной (веб-страницы, элемента страницы и т. д.) одновременно демонстрируются разным сегментам посетителей веб-сайта, чтобы определить, какая версия оказывает максимальное влияние и повышает бизнес-показатели.

Абдуктивное логическое программирование (ALP) (Abductive logic programming) – это высокоуровневая структура представления знаний, которая может использоваться для решения проблем декларативно – на основе абдуктивного рассуждения. Она расширяет нормальное логическое программирование, позволяя некоторым предикатам быть неполно определенными, объявленными как абдуктивные предикаты.

Абдукция (Abductive reasoning) – это форма логического вывода, которая начинается с наблюдения или набора наблюдений, а затем пытается найти самое простое и наиболее вероятное объяснение. Этот процесс, в отличие от дедуктивного рассуждения, дает правдоподобный вывод, но не подтверждает его основаниями для вывода.

Абстрактный тип данных (Abstract data type) – это математическая модель для типов данных, где тип данных определяется поведением (семантикой) с точки зрения пользователя, а именно в терминах возможных значений, возможных операций над данными этого типа и поведения этих операций. Формально АТД может быть определён как множество объектов, определяемое списком компонентов (операций, применимых к этим объектам, и их свойствам).

Абстракция (Abstraction) – это использование только тех характеристик объекта, которые с достаточной точностью представляют его в данной системе. Основная идея состоит в том, чтобы представить объект минимальным набором полей и методов и при этом с достаточной точностью для решаемой задачи.

Автоассоциативная память (Auto Associative Memory) – это однослойная нейронная сеть, в которой входной обучающий вектор и выходные целевые векторы совпадают. Веса определяются таким образом, чтобы сеть хранила набор шаблонов. Как показано на следующем рисунке, архитектура сети автоассоциативной памяти имеет «n» количество входных обучающих векторов и аналогичное «n» количество выходных целевых векторов.

Автокодер (Autoencoder) – это нейронная сеть, которая копирует входные данные на выход. По архитектуре похож на персептрон. Автоэнкодеры сжимают входные данные для представления их в latent-space (скрытое пространство), а затем восстанавливают из этого представления output (выходные данные). Цель – получить на выходном слое отклик, наиболее близкий к входному. Отличительная особенность автоэнкодеров – количество нейронов на входе и на выходе совпадает.

Автоматизация (Automation) – это технология, с помощью которой процесс или процедура выполняется с минимальным участием человека.

Автоматизированная обработка персональных данных (Automated processing of personal data) – это обработка персональных данных с помощью средств вычислительной техники.

Автоматизированная система (Automated system) – это организационно-техническая система, которая гарантирует выработку решений, основанных на автоматизации информационных процессов во всевозможных отраслях деятельности.

Автоматизированная система управления (Automated control system) – это комплекс программных и программно-аппаратных средств, предназначенных для контроля за технологическим и (или) производственным оборудованием (исполнительными устройствами) и производимыми ими процессами, а также для управления такими оборудованием и процессами.

Автоматизированное мышление (Automated reasoning) – это область информатики, которая занимается применением рассуждений в форме логики к вычислительным системам. Если задан набор предположений и цель, автоматизированная система рассуждений должна быть способна автоматически делать логические выводы для достижения этой цели.

Автономное транспортное средство (Autonomous vehicle) – это вид транспорта, основанный на автономной системе управления. Управление автономным транспортным средством полностью автоматизировано и осуществляется без водителя при помощи оптических датчиков, радиолокации и компьютерных алгоритмов.

Автономность (Autonomous) – это способность машины выполнять свою задачу без вмешательства и контроля человека.

Автономные вычисления (Autonomic computing) – это способность системы к адаптивному самоуправлению собственными ресурсами для высокоуровневых вычислительных функций без ввода данных пользователем.

Автономный автомобиль (Autonomous car) – это транспортное средство, способное воспринимать окружающую среду и работать без участия человека. Пассажир-человек не обязан брать на себя управление транспортным средством в любое время, и пассажиру-человеку вообще не требуется присутствовать в транспортном средстве. Автономный автомобиль может проехать везде, где ездит традиционный автомобиль, и делать все то же, что и опытный водитель-человек.

Автономный вывод (Offline inference) – это генерация группы прогнозов, сохранение этих прогнозов, а затем извлечение этих прогнозов по запросу.

Автономный искусственный интеллект (Autonomous artificial intelligence) – это биологически инспирированная система, которая пытается воспроизвести устройство мозга, принципы его действия со всеми вытекающими отсюда свойствами.

Автономный робот (Autonomous robot) – это робот, который спроектирован и сконструирован так, чтобы самостоятельно взаимодействовать с окружающей средой и работать в течение длительных периодов времени без вмешательства человека. Автономные роботы часто обладают сложными функциями, которые могут помочь им воспринимать физическое окружение и автоматизировать действия и процессы, которые раньше выполнялись руками человека.

Авторегрессионная модель (Autoregressive Model) – это модель временного ряда, в которой наблюдения за предыдущими временными шагами используются в качестве входных данных для уравнения регрессии для прогнозирования значения на следующем временном шаге. В статистике и обработке сигналов авторегрессионная модель представляет собой тип случайного процесса. Он используется для описания некоторых изменяющихся во времени процессов в природе, экономике и т. д.

Агент (Agent) в обучении с подкреплением – это испытуемая система, которая обучается и взаимодействует с некоторой средой. Агент воздействует на среду, а среда воздействует на агента.

Агломеративная кластеризация (Agglomerative clustering) – это один из алгоритмов кластеризации, в котором процесс группировки похожих экземпляров начинается с создания нескольких групп, где каждая группа содержит один объект на начальном этапе, затем он находит две наиболее похожие группы, объединяет их, повторяет процесс до тех пор, пока не получит единую группу наиболее похожих экземпляров.

Агрегат (Aggregate) – это сумма, созданная из более мелких единиц. Например, население области – это совокупность населения городов, сельских районов и т. д., входящих в состав области. Суммировать данные из меньших единиц в большую единицу.

Агрегатор (Aggregator) – это тип программного обеспечения, которое объединяет различные типы веб-контента и предоставляет его в виде легкодоступного списка. Агрегаторы каналов собирают такие данные, как онлайн-статьи из газет или цифровых изданий, публикации в блогах, видео, подкасты и т. д. Агрегатор каналов также известен как агрегатор новостей, программа для чтения каналов, агрегатор контента или программа для чтения RSS.

Адаптивная система (Adaptive system) – это система, которая автоматически изменяет данные алгоритма своего функционирования и (иногда) свою структуру для поддержания или достижения оптимального состояния при изменении внешних условий.

Адаптивная система нейро-нечеткого вывода (Adaptive neuro fuzzy inference system) (ANFIS) (также адаптивная система нечеткого вывода на основе сети) – это разновидность искусственной нейронной сети, основанная на системе нечеткого вывода Такаги-Сугено. Методика была разработана в начале 1990-х годов. Поскольку она объединяет как нейронные сети, так и принципы нечеткой логики, то может использовать одновременно все имеющиеся преимущества в одной структуре. Его система вывода соответствует набору нечетких правил ЕСЛИ-ТО, которые имеют возможность обучения для аппроксимации нелинейных функций. Следовательно, ANFIS считается универсальной оценочной функцией. Для более эффективного и оптимального использования ANFIS можно использовать наилучшие параметры, полученные с помощью генетического алгоритма.

Адаптивный алгоритм (Adaptive algorithm) – это алгоритм, который пытается выдать лучшие результаты путём постоянной подстройки под входные данные. Такие алгоритмы применяются при сжатии без потерь [1313
  Сжатие без потерь. [Электронный ресурс] // dic.academic.ru URL: https://dic.academic.ru/dic.nsf/ruwiki/38681 (дата обращения: 27.01.2022)


[Закрыть]]. Классическим вариантом можно считать Алгоритм Хаффмана.

Адаптивный градиентный алгоритм (Adaptive Gradient Algorithm) (AdaGrad) – это cложный алгоритм градиентного спуска, который перемасштабирует градиент отдельно на каждом параметре, эффективно присваивая каждому параметру независимый коэффициент обучения.

Аддитивные технологии (Additive technologies) ― это технологии послойного создания трехмерных объектов на основе их цифровых моделей («двойников»), позволяющие изготавливать изделия сложных геометрических форм и профилей.

Айзек Азимов (Isaac Asimov) (1920—1992) -автор научной фантастики, сформулировал три закона робототехники, которые продолжают оказывать влияние на исследователей в области робототехники и искусственного интеллекта (ИИ).

Активное обучение/Стратегия активного обучения (Active Learning/ Active Learning Strategy) – это особый способ полууправляемого машинного обучения, в котором обучающий агент может в интерактивном режиме запрашивать оракула (обычно человека-аннотатора) для получения меток в новых точках данных. Подход к такому обучению основывается на самостоятельном выборе алгоритма некоторых данных из массы тех, на которых он учится. Активное обучение особенно ценно, когда помеченных примеров мало или их получение слишком затратно. Вместо слепого поиска разнообразных помеченных примеров алгоритм активного обучения выборочно ищет конкретный набор примеров, необходимых для обучения.

Алгоритм (Algorithm) – это точное предписание о выполнении в определенном порядке системы операций для решения любой задачи из некоторого данного класса (множества) задач. Термин «алгоритм» происходит от имени узбекского математика Мусы аль-Хорезми, который еще в 9 веке (ок. 820 г. н.э.) предложил простейшие арифметические алгоритмы. В математике и кибернетике класс задач определенного типа считается решенным, когда для ее решения установлен алгоритм. Нахождение алгоритмов является естественной целью человека при решении им разнообразных классов задач. Также, алгоритм – это набор правил или инструкций, данных ИИ, нейронной сети или другим машинам, чтобы помочь им учиться самостоятельно; классификация, кластеризация, рекомендация и регрессия – четыре самых популярных типа

Алгоритм BLEU (BLEU) – это алгоритм оценки качества текста, который был автоматически переведен с одного естественного языка на другой. Качество считается соответствием между переводом машины и человека: «чем ближе машинный перевод к профессиональному человеческому переводу, тем лучше» – это основная идея BLEU.

Алгоритм Q-обучения (Q-learning) – это алгоритм обучения, основанный на ценностях. Алгоритмы на основе значений обновляют функцию значений на основе уравнения (в частности, уравнения Беллмана). В то время как другой тип, основанный на политике, оценивает функцию ценности с помощью жадной политики, полученной из последнего улучшения политики. Табличное Q-обучение (при обучении с подкреплением) представляет собой реализацию Q-обучения с использованием таблицы для хранения Q-функций для каждой комбинации состояния и действия. «Q» в Q-learning означает качество. Качество здесь показывает, насколько полезно данное действие для получения вознаграждения в будущем.

Алгоритм дерева соединений (также алгоритм Хьюгина) (Junction tree algorithm) – это метод, используемый в машинном обучении для извлечения маргинализации в общих графах. Граф называется деревом, потому что он разветвляется на разные разделы данных; узлы переменных являются ветвями.

Алгоритм любого времени (Anytime algorithm) – это алгоритм, который может дать частичный ответ, качество которого зависит от объема вычислений, которые он смог выполнить. Ответ, генерируемый алгоритмами anytime, является приближенным к правильному. Большинство алгоритмов выполняются до конца: они дают единственный ответ после выполнения некоторого фиксированного объема вычислений. Однако в некоторых случаях пользователь может захотеть завершить алгоритм до его завершения. Эта особенность алгоритмов anytime моделируется такой теоретической конструкцией, как предельная машина Тьюринга (Бургин, 1992; 2005).

Алгоритм обучения (Learning Algorithm) – это фрагменты кода, которые помогают исследовать, анализировать и находить смысл в сложных наборах данных. Каждый алгоритм представляет собой конечный набор однозначных пошаговых инструкций, которым машина может следовать для достижения определенной цели. В модели машинного обучения цель состоит в том, чтобы установить или обнаружить шаблоны, которые люди могут использовать для прогнозирования или классификации информации. Они используют параметры, основанные на обучающих данных – подмножестве данных, которое представляет больший набор. По мере расширения обучающих данных для более реалистичного представления мира, алгоритм вычисляет более точные результаты. [1414
  Алгоритм обучения [Электронный ресурс] //azure.microsoft.com URL: https://azure.microsoft.com/en-gb/overview/machine-learning-algorithms/#overview (дата обращения: 07.07.2022)


[Закрыть]]

Алгоритм оптимизации Адам (Adam optimization algorithm) – это расширение стохастического градиентного спуска, который в последнее время получил широкое распространение для приложений глубокого обучения в области компьютерного зрения и обработки естественного языка.

Алгоритм оптимизации роя светлячков (Glowworm swarm optimization algorithm) – это метаэвристический алгоритм без производных, имитирующий поведение свечения светлячков, который может эффективно фиксировать все максимальные мультимодальные функции.

Алгоритм Персептрона (Perceptron algorithm) – это линейный алгоритм машинного обучения для задач бинарной классификации. Его можно считать одним из первых и одним из самых простых типов искусственных нейронных сетей. Это определенно не «глубокое» обучение, но это важный строительный блок. Как и логистическая регрессия, он может быстро изучить линейное разделение в пространстве признаков для задач классификации двух классов, хотя, в отличие от логистической регрессии, он обучается с использованием алгоритма оптимизации стохастического градиентного спуска и не предсказывает калиброванные вероятности.

Алгоритм поиска (Search algorithm) – это любой алгоритм, который решает задачу поиска, а именно извлекает информацию, хранящуюся в некоторой структуре данных или вычисленную в пространстве поиска проблемной области, либо с дискретными, либо с непрерывными значениями.

Алгоритм пчелиной колонии (алгоритм оптимизации подражанием пчелиной колонии, artificial bee colony optimization, ABC) (Bees algorithm) – это один из полиномиальных эвристических алгоритмов для решения оптимизационных задач в области информатики и исследования операций. Относится к категории стохастических биоинспирированных алгоритмов, базируется на имитации поведения колонии медоносных пчел при сборе нектара в природе.

Алгоритмическая оценка (Algorithmic Assessment) – это техническая оценка, которая помогает выявлять и устранять потенциальные риски и непредвиденные последствия использования систем искусственного интеллекта, чтобы вызвать доверие и создать поддерживающие системы вокруг принятия решений ИИ.

Алгоритмическая предвзятость (Biased algorithm) – это систематические и повторяющиеся ошибки в компьютерной системе, которые приводят к несправедливым результатам, например, привилегия одной произвольной группы пользователей над другими.

Алгоритмы машинного обучения (Machine learning algorithms) – это фрагменты кода, которые помогают пользователям исследовать и анализировать сложные наборы данных и находить в них смысл или закономерность. Каждый алгоритм – это конечный набор однозначных пошаговых инструкций, которые компьютер может выполнять для достижения определенной цели. В модели машинного обучения цель заключается в том, чтобы установить или обнаружить закономерности, с помощью которых пользователи могут создавать прогнозы либо классифицировать информацию. В алгоритмах машинного обучения используются параметры, основанные на учебных данных (подмножество данных, представляющее более широкий набор). При расширении учебных данных для более реалистичного представления мира с помощью алгоритма вычисляются более точные результаты. В различных алгоритмах применяются разные способы анализа данных. Они часто группируются по методам машинного обучения, в рамках которых используются: контролируемое обучение, неконтролируемое обучение и обучение с подкреплением. В наиболее популярных алгоритмах для прогнозирования целевых категорий, поиска необычных точек данных, прогнозирования значений и обнаружения сходства используются регрессия и классификация [1515
  Алгоритмы машинного обучения [Электронный ресурс] //azure.microsoft.com URL: https://azure.microsoft.com/ru-ru/overview/machine-learning-algorithms/#overview (дата обращения: 07.07.2022)


[Закрыть]].

Анализ алгоритмов (Analysis of algorithms) – это область на границе компьютерных наук и математики. Цель его состоит в том, чтобы получить точное представление об асимптотических характеристиках алгоритмов и структур данных в усредненном виде. Объединяющей темой является использование вероятностных, комбинаторных и аналитических методов. Объектами изучения являются случайные ветвящиеся процессы, графы, перестановки, деревья и строки.

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 продажах.

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 деятельности.