Глоссарий ИИ
Полный словарь искусственного интеллекта
Сверточные нейронные сети
Архитектура глубокого обучения, специализирующаяся на обработке изображений и пространственных данных. Использует сверточные слои для автоматического извлечения иерархических признаков.
Глубокое обучение с подкреплением
Комбинация обучения с подкреплением с глубокими нейронными сетями. Позволяет агентам изучать оптимальные стратегии в сложных средах.
Автоматическая обработка естественного языка
Область ИИ, которая позволяет машинам понимать, интерпретировать и генерировать человеческий язык. Включает анализ тональности, перевод и генерацию текста.
Рекомендательные системы
Алгоритмы, которые предлагают пользователям релевантные элементы на основе их предпочтений и поведения. Широко используются в электронной коммерции, стриминге и социальных сетях.
Компьютерное зрение
Позволяет компьютерам интерпретировать и понимать визуальное содержимое изображений и видео. Применения: обнаружение объектов, распознавание лиц, медицинский анализ.
Обучение с учителем
Метод обучения, при котором модель учится на размеченных данных для составления прогнозов. Включает классификацию и регрессию.
Обучение без учителя
Методы анализа данных без меток для обнаружения скрытых структур. В основном кластеризация и снижение размерности.
Рекуррентные нейронные сети
Архитектура глубокого обучения, предназначенная для обработки последовательных данных. Внутренняя память позволяет улавливать временные зависимости.
Трансформеры и архитектура внимания
Революционная архитектура, основанная на механизме внимания для обработки последовательностей. Основа современных языковых моделей, таких как GPT и BERT.
Трансферное обучение
Техника, повторно использующая предобученные модели на больших данных для конкретных задач. Резко сокращает потребность в данных и время обучения.
Инженерия признаков
Процесс создания и отбора оптимальных переменных для моделей машинного обучения. Ключевой этап, напрямую влияющий на производительность алгоритмов.
Кросс-валидация и оценка моделей
Статистические методы для строгой оценки производительности моделей машинного обучения. Необходимы для предотвращения переобучения и обеспечения обобщающей способности.
Большие данные и распределенные вычисления
Инфраструктура и алгоритмы для обработки огромных объемов данных. Используются фреймворки типа Spark, Hadoop для параллельных вычислений.
Эксплораторная наука о данных
Начальная фаза анализа для обнаружения паттернов, аномалий и взаимосвязей в данных. Сочетает статистику и визуализацию.
Онлайн-обучение и потоковая передача
Адаптивные методы обучения для непрерывных данных в реальном времени. Модели обновляются инкрементально без полного переобучения.
Федеративное обучение
Распределенный подход, при котором обучение происходит локально на устройствах без централизации данных. Сохраняет конфиденциальность пользователей.
Интерпретируемость и объяснимость ИИ
Набор методов для понимания и объяснения решений моделей ИИ. Критически важно для доверия и регулирования автономных систем.
Мультиагентное обучение с подкреплением
Расширение RL, где несколько агентов обучаются одновременно, часто в условиях конкуренции или кооперации. Применения в играх, робототехнике и экономике.
Генерация, Усиленная Поиском (RAG)
Архитектура, объединяющая поиск по документам и генерацию текста. Повышает точность и снижает галлюцинации больших языковых моделей.
Большие языковые модели
Массивные нейронные сети, предварительно обученные на огромных текстовых корпусах. Способны к продвинутому пониманию и генерации естественного языка.
Обработка сигналов и временные ряды
Специализированные методы анализа последовательных и временных данных. Применение в финансах, IoT и метеорологических прогнозах.
Мета-обучение (Meta-Learning)
Обучение обучению: модели, которые учатся быстро адаптироваться к новым задачам при наличии малого количества примеров. Также называется few-shot learning.
Обнаружение аномалий
Выявление закономерностей или наблюдений, которые значительно отклоняются от нормы. Критически важно в области безопасности, финансов и предиктивного обслуживания.
Графовые нейронные сети
Архитектура глубокого обучения, специализированная на обработке структурированных в виде графов данных. Применения в социальных сетях, молекулах и системах рекомендаций.
MLOps и промышленная реализация ИИ
Практики DevOps, адаптированные к жизненному циклу ML-моделей. Автоматизация развёртывания, мониторинг и обновления систем ИИ в производственной среде.
AutoML и автоматизация МL
Системы, автоматизирующие полный процесс создания моделей ML. Снижает требуемую экспертизу и ускоряет разработку решений ИИ.
Edge AI и Встроенный Искусственный Интеллект
Развертывание моделей ИИ непосредственно на периферийных устройствах. Снижение задержки, сохранение конфиденциальности и работа в офлайн-режиме.
Этика ИИ и алгоритмическая предвзятость
Изучение моральных и социальных последствий систем ИИ. Обнаружение и смягчение предвзятости для обеспечения справедливости и недискриминации.
Безопасность и конфиденциальность в машинном обучении
Техники защиты моделей и данных от состязательных атак. Включает гомоморфное шифрование и дифференциальную конфиденциальность.
Apprentissage par Renforcement Classique
Ensemble des méthodes fondamentales d'apprentissage par renforcement incluant Q-learning, SARSA, et les méthodes de programmation dynamique pour la prise de décision séquentielle.
Arbres de Décision et Méthodes d'Ensemble
Techniques basées sur les structures arborescentes comme Random Forest, Gradient Boosting, et XGBoost pour la classification et la régression robustes.
Машины опорных векторов
Алгоритмы обучения с учителем, использующие гиперплоскости для классификации, максимизирующие зазор между классами, с расширениями на нелинейные ядра.
Продвинутые генеративные модели
Совокупность техник генерации данных, включая GAN, VAE, модели диффузии и автоэнкодеры для синтетического создания контента.
Символический искусственный интеллект
Подход к ИИ, основанный на манипуляции символами и логическими правилами, включающий экспертные системы и дедуктивные рассуждения.
Эволюционные алгоритмы
Методы оптимизации, вдохновленные естественной эволюцией, включая генетические алгоритмы, эволюционные стратегии и генетическое программирование.
Полуобученное обучение
Техники, сочетающие размеченные и неразмеченные данные для улучшения производительности моделей, когда размеченные данные являются редкими.
Обучение с использованием контраста
Парадигма самоконтролируемого обучения, основанная на сравнении пар примеров для изучения различающих представлений.
Байесовские сети
Вероятностные графические модели, представляющие условные зависимости между переменными для вывода и принятия решений в условиях неопределенности.
Снижение Размерности
Совокупность методов (PCA, t-SNE, UMAP) для уменьшения сложности данных при сохранении релевантной информации.
Активное обучение
Стратегии, при которых модель интеллектуально выбирает образцы для разметки для оптимизации обучения при ограниченном бюджете на разметку.
Обнаружение изменений
Методы выявления переходов в распределениях данных и непрерывной адаптации моделей к новым контекстам.
Самоконтролируемое обучение
Парадигма, автоматически создающая метки из немеченых данных для предварительного обучения моделей на прокси-задачах.
Коллективный интеллект
Подходы, вдохновленные коллективным поведением социальных насекомых для оптимизации и распределенного решения задач.
Спайковые нейронные сети
Нейроморфные модели, имитирующие временную коммуникацию биологических нейронов для более эффективных и биоинспирированных вычислений.
Инкрементальное обучение
Способность моделей непрерывно обучаться на новых данных без забывания ранее полученных знаний.
Квантование моделей
Техники сжатия нейронных сетей, снижающие точность весов для оптимизации памяти и вычислений.
Causal Learning
Field studying cause-and-effect relationships in data to improve model generalization and robustness.
Атаки с противодействием и защита
Исследование уязвимостей моделей ИИ к злонамеренным возмущениям и разработка методов защиты.
Квантовый ИИ
Пересечение квантовых вычислений и ИИ, использующее квантовые явления для ускорения алгоритмов обучения.
Обучение по примеру
Техники, в которых агент обучается, имитируя экспертные демонстрации без необходимости явных вознаграждений.