واژه‌نامه هوش مصنوعی

این واژه‌نامه هوش مصنوعی فهرستی از تعاریف اصطلاحات و مفاهیم مرتبط با مطالعه هوش مصنوعی (AI)، زیرشاخه‌ها و حوزه‌های وابسته به آن است. واژه‌نامه‌های مرتبط شامل واژه‌نامه علوم کامپیوتر، واژه‌نامه رباتیک، واژه‌نامه بینایی ماشین و واژه‌نامه منطق هستند.

آ

  • آزمون تورینگ (Turing test) – آزمونی برای سنجش توانایی ماشین در نمایش رفتار هوشمندانه هم‌ارز یا غیرقابل‌تشخیص از انسان، که در سال ۱۹۵۰ توسط آلن تورینگ پیشنهاد شد.[۱]
  • آزمون ابرت (Ebert test) – آزمونی برای ارزیابی این‌که آیا صدای سنتزشده رایانه‌ای می‌تواند لطیفه‌ای را با زمان‌بندی و لحن مناسب برای خنداندن مخاطب بازگو کند یا خیر؛ این آزمون توسط منتقد سینما راجر ایبرت در همایش تد ۲۰۱۱ مطرح شد.[۲][۳][۴]
  • آموزش تنبل (Lazy learning) – در یادگیری ماشین، یک روش یادگیری است که تعمیم داده‌های آموزشی را تا زمان ارسال پرس‌وجو به سیستم به تعویق می‌اندازد.
  • آموزش مشتاق (Eager learning) – روشی از یادگیری که در طول فرایند آموزش، می‌کوشد یک تابع هدف عمومی و مستقل از ورودی بسازد.[۵]
  • یادگیری برخط (آنلاین) (Online machine learning) – روشی که در آن داده‌ها به‌صورت متوالی در دسترس قرار می‌گیرند و مدل در هر گام به‌روزرسانی می‌شود.
  • یادگیری برون‌خط (آفلاین) (Offline learning) – رویکردی که در آن مدل روی یک مجموعه داده ثابت آموزش می‌بیند و در طول فرایند یادگیری داده جدیدی دریافت نمی‌کند.
  • آلفاگو (AlphaGo) – برنامه رایانه‌ای ارائه‌شده توسط دیپ‌مایند گوگل برای بازی تخته‌ای گو.[۶]

ا

  • تی‌اس‌ام‌سی (TSMC) (TSMC) – شرکت صنایع نیمه‌رسانای تایوان، بزرگ‌ترین تولیدکننده قراردادی نیمه‌رسانا در جهان.[۷]
  • ابرهوش (Superintelligence) – عاملی فرضی که هوش آن به‌مراتب فراتر از باهوش‌ترین و برجسته‌ترین ذهن‌های انسانی است.
  • اخلاق هوش مصنوعی (Ethics of artificial intelligence) – بخشی از اخلاق فناوری که به‌طور خاص به مسائل پیرامون هوش مصنوعی می‌پردازد.
  • استخراج ویژگی (Feature extraction) – ساخت متغیرهای مشتق‌شده از مجموعه داده‌های اندازه‌گیری‌شده اولیه به‌منظور کاهش ابعاد و تسهیل یادگیری.
  • استخراج دانش (Knowledge extraction) – ایجاد ساختارهای دانش از منابع داده‌ای ساختاریافته یا بدون ساختار.
  • استدلال خودکار (Automated reasoning) – حوزه‌ای برای تولید برنامه‌های رایانه‌ای که توانایی استدلال کاملاً خودکار را فراهم می‌کنند.
  • استدلال بر پایه مورد (Case-based reasoning) – فرایند حل مسائل جدید بر مبنای راه‌حل‌های مسائل مشابه گذشته.
  • استدلال حس سلیم (Commonsense reasoning) – شاخه‌ای از هوش مصنوعی برای شبیه‌سازی توانایی انسان در فرض‌سازی دربارهٔ موقعیت‌های روزمره.[۸]
  • استدلال فضایی-زمانی (Spatial-temporal reasoning) – بازنمایی و استدلال دربارهٔ دانش مکان و زمان در سیستم‌های محاسباتی و شناختی.
  • استدلال استنتاجی (قیاس مع الفارق) (Abductive reasoning) – شکلی از استنتاج منطقی که با مجموعه‌ای از مشاهدات آغاز شده و ساده‌ترین و محتمل‌ترین تبیین را برمی‌گزیند.[۹]
  • اصل عقلانیت (Principle of rationality) – مفهومی از کارل پوپر مبنی بر اینکه کنشگران مناسب‌ترین رفتار را با توجه به موقعیت عینی از خود نشان می‌دهند.[۱۰]
  • افزایش داده (Data augmentation) – روش‌هایی برای افزایش حجم داده‌های آموزشی به‌منظور کاهش بیش‌برازش.
  • الگوریتم (Algorithm) – توصیف صریح و گام‌به‌گام برای حل دسته‌ای از مسائل، پردازش داده‌ها یا استدلال خودکار.
  • الگوریتم تطبیقی (Adaptive algorithm) – الگوریتمی که رفتار خود را در زمان اجرا بر اساس معیارهای از پیش تعریف‌شده تغییر می‌دهد.
  • الگوریتم هرزمانی (Anytime algorithm) – الگوریتمی که حتی در صورت توقف پیش از موعد، پاسخی معتبر و تقریبی ارائه می‌دهد.
  • الگوریتم غیرقطعی (Nondeterministic algorithm) – الگوریتمی که حتی با ورودی یکسان رفتارهای متفاوتی در اجراهای گوناگون نشان می‌دهد.
  • الگوریتم جستجوی *A (A* search) – الگوریتم پیمایش گراف و مسیریابی که به دلیل بهینگی و کارایی بالا کاربرد گسترده‌ای دارد.
  • الگوریتم کلونی زنبور عسل (Bees algorithm) – الگوریتم بهینه‌سازی مبتنی بر جمعیت با الهام از رفتار کاوشگری زنبورهای عسل.[۱۱]
  • الگوریتم دایکسترا (Dijkstra's algorithm) – الگوریتمی برای یافتن کوتاه‌ترین مسیر میان گره‌ها در گراف وزن‌دار.
  • الگوریتم رته (Rete algorithm) – الگوریتم تطبیق الگو برای اجرای کارآمد سیستم‌های مبتنی بر قانون.
  • الگوریتم ژنتیک (Genetic algorithm) – فراابتکاری الهام‌گرفته از نظریه انتخاب طبیعی متعلق به رده الگوریتم‌های فرگشتی.[۱۲]
  • الگوریتم فرگشتی (Evolutionary algorithm) – روش‌های بهینه‌سازی فراابتکاری با مکانیسم‌هایی همچون جهش، بازترکیب و انتخاب طبیعی.[۱۳]
  • الگوریتم درخته اتصالی (Junction tree algorithm) – روشی در یادگیری ماشین برای محاسبه توزیع‌های حاشیه‌ای روی گراف‌ها.[۱۴]
  • قالب‌بندی دانش (KIF) (Knowledge Interchange Format) – زبان رایانه‌ای طراحی‌شده برای اشتراک و استفاده مجدد از دانش بین سیستم‌های ناهمگن.
  • نمونه‌برداری تامپسون (Thompson sampling) – روشی اکتشافی برای ایجاد توازن میان اکتشاف و بهره‌برداری در مسائل بندیت چنددست.[۱۵]
  • انتخاب (الگوریتم ژنتیک) (Selection) – مرحله‌ای از الگوریتم ژنتیک که در آن ژنوم‌های برتر برای زادآوری برگزیده می‌شوند.
  • انتخاب عمل (Action selection) – مسئله پایه‌ای تعیین گام بعدی در عامل‌های هوشمند.
  • انتخاب ویژگی (Feature selection) – انتخاب زیرمجموعه‌ای از ویژگی‌های مرتبط برای ساخت مدل.
  • انفجار هوش (Intelligence explosion) – سناریوی نظری که در آن هوش مصنوعی با بهبود پی‌درپی خود به هوش فوق‌بشری می‌رسد.
  • اوپن ای‌آی (OpenAI) – آزمایشگاه پژوهشی هوش مصنوعی برای ترویج و توسعه هوش عمومی مصنوعی ایمن و سودمند.
  • اوپن‌کاگ (OpenCog) – پروژه‌ای متن‌باز برای ایجاد ساختار هوش مصنوعی یکپارچه در سطح توانایی شناختی انسان.[۱۶]
  • اپوک (دوره آموزش) (Epoch) – در یادگیری ماشین، یک چرخه کامل عبور از تمامی داده‌های آموزشی در طول فرایند آموزش مدل.
  • ایست زودهنگام (Early stopping) – روشی برای تنظیم و جلوگیری از بیش‌برازش در بهینه‌سازی تکرارشونده مانند گرادیان کاهشی.

ب

  • بازیابی تقویت‌شده با تولید (RAG) (Retrieval-augmented generation) – روشی در پردازش زبان طبیعی که مدل‌های زبانی مولد را با یک سیستم بازیابی اطلاعات از پایگاه‌های دانش ترکیب می‌کند تا دقت افزایش یافته و توهم کاهش یابد.
  • بازشناسی الگو (Pattern recognition) – شناسایی خودکار ساختارها و نظم‌های آماری موجود در داده‌ها با به‌کارگیری الگوریتم‌ها.
  • بازشناسی گفتار (Speech recognition) – تبدیل زبان گفتاری به متن رایانه‌ای با استفاده از فنون مهندسی و علوم محاسباتی.
  • بازنمایی دانش و استدلال (Knowledge representation and reasoning) – شاخه‌ای از هوش مصنوعی برای تبدیل اطلاعات به فرمت‌های پردازش‌پذیر و قابل‌استنتاج توسط رایانه.[۱۷]
  • بانک اطلاعاتی گراف (Graph database) – پایگاه‌داده‌ای که ساختار گراف را برای ذخیره روابط و اجرای پرس‌وجوهای معنایی به‌کار می‌گیرد.[۱۸]
  • پای‌تورچ (PyTorch) – کتابخانه یادگیری ماشین متن‌باز بر مبنای تورچ، ویژه پردازش زبان طبیعی و بینایی ماشین.[۱۹]
  • بهبود بازگشتی خود (Recursive self-improvement) – فرایندی که در آن سیستم هوش مصنوعی کدهای خود را بازنویسی و تقویت می‌کند.[۲۰]
  • بهینه‌سازی ریاضی (Mathematical optimization) – انتخاب بهترین عضو با توجه به معیارهای مشخص از میان گزینه‌های موجود.
  • بهینه‌سازی ازدحام ذرات (Particle swarm optimization) – تکنیک بهینه‌سازی محاسباتی مبتنی بر حرکت دسته‌جمعی ذرات در فضای جستجو.
  • بهینه‌سازی تصادفی (Stochastic optimization) – روش‌های بهینه‌سازی مبتنی بر متغیرها و تکرارهای تصادفی.[۲۱]
  • بهینه‌سازی ترکیبیاتی (Combinatorial optimization) – یافتن عنصر بهینه از میان یک مجموعه متناهی از اشیاء در ریاضیات کاربردی و علوم کامپیوتر.[۲۲]
  • بهینه‌سازی کرم شب‌تاب (Glowworm swarm optimization) – الگوریتم بهینه‌سازی هوش ازدحامی با الهام از رفتار کرم‌های شب‌تاب.
  • بهینه‌سازی هایپرپارامتر (Hyperparameter optimization) – فرایند گزینش مقادیر بهینه برای فراپارامترهای الگوریتم یادگیری.
  • بیش‌برازش (Overfitting) – انطباق بیش از اندازه مدل با داده‌های آموزشی که مانع از تعمیم صحیح آن به داده‌های جدید می‌شود.
  • بینایی رایانه‌ای (Computer vision) – علمی میان‌رشته‌ای پیرامون درک سطح بالا از تصاویر و ویدئوهای دیجیتال توسط سامانه‌های رایانه‌ای.[۲۳]
  • بینایی ماشین (Machine vision) – فناوری به‌کارگیری بینایی و پردازش تصویر در اتوماسیون و بازرسی‌های صنعتی.

پ

  • پایگاه دانش حس مشترک باز (Open Mind Common Sense) – پروژه هوش مصنوعی در آزمایشگاه رسانه دانشگاه ام‌آی‌تی برای ساخت پایگاه دانش عمومی.
  • پایتون (Python) – زبان برنامه‌نویسی سطح بالا، مفسری و همه‌منظوره با تمرکز بر خوانایی کد.[۲۴]
  • پایین‌برازش (Underfitting) – سادگی بیش از حد مدل که مانع یادگیری ساختارهای پیچیده موجود در داده‌ها می‌شود.
  • پردازش زبان‌های طبیعی (Natural language processing) – حوزه‌ای متمرکز بر تعامل میان رایانه و زبان انسانی به منظور تحلیل حجم عظیمی از داده‌های زبانی.
  • مهندسی اعلان (پرامپت) (Prompt engineering) – روش بهینه‌سازی دستورها و ورودی‌ها برای مدل‌های هوش مصنوعی مولد.
  • پرس‌وجوی معنایی (Semantic query) – اجرای پرس‌وجو بر پایه معنا و ساختار داده‌ها برای دستیابی به نتایج دقیق‌تر و غنی‌تر.
  • پرولوگ (Prolog) – زبان برنامه‌نویسی منطقی با کاربرد گسترده در هوش مصنوعی و زبان‌شناسی محاسباتی.[۲۵]
  • پرسپترون (Perceptron) – الگوریتمی برای یادگیری نظارت‌شده در دسته‌بندهای دودویی.
  • پرسپترون چندلایه (Multilayer perceptron) – شبکه عصبی پیش‌خور دارای چندین لایه نورون با توابع فعالیت غیرخطی.[۲۶]
  • یکپارچه‌سازی داده‌ها (Data integration) – فرایند ترکیب داده‌های موجود در منابع گوناگون و نمایش یکپارچه آن‌ها به کاربر.[۲۷]
  • پیمایش درخت (Tree traversal) – فرایند بازدید و بررسی هر یک از گره‌های ساختار درختی دقیقاً برای یک‌بار.
  • پیمایش گراف (Graph traversal) – فرایند بررسی یا به‌روزرسانی رأس‌ها در ساختار گراف.

ت

  • تطبیق رتبه پایین (LoRA) (LoRA) – روشی کارآمد برای تنظیم دقیق مدل‌های زبانی بزرگ از طریق به‌روزرسانی زیرمجموعه‌ای کوچک و مشخص از پارامترها.
  • تابع فعالیت (Activation function) – در شبکه‌های عصبی مصنوعی، تابعی که خروجی گره را بر اساس ورودی‌های آن تعیین می‌کند.
  • تبدیل ویژگی (یادگیری ویژگی) (Feature learning / Representation learning) – روش‌هایی خودکار برای استخراج ویژگی‌های موردنیاز دسته‌بندی از روی داده‌های خام.[۲۸]
  • محاسبات عاطفی (Affective computing) – مطالعه و توسعه سیستم‌هایی برای شناسایی، پردازش و شبیه‌سازی عواطف انسانی.[۲۹]
  • تحلیل داده‌ها (Analytics) – کشف، تفسیر و تبادل الگوهای معنادار در مجموعه‌های داده.[۳۰]
  • تحلیل خوشه‌ای (Cluster analysis) – دسته‌بندی داده‌ها به‌گونه‌ای که نمونه‌های درون یک خوشه شباهت بیشتری با یکدیگر داشته باشند.
  • تحلیل رگرسیون (Regression analysis) – فرایندهای آماری برای مدل‌سازی روابط میان متغیر وابسته و متغیرهای مستقل.
  • تحلیل مؤلفه‌های اصلی (Principal component analysis) – فرایندی آماری برای کاهش ابعاد با تبدیل متغیرهای وابسته به مؤلفه‌های ناهمبسته.
  • ترابشریت (Transhumanism) – جنبشی فلسفی با هدف ارتقای وضعیت انسانی از طریق توسعه فناوری‌های پیشرفته شناختی و زیستی.[۳۱]
  • ترجمه ماشینی عصبی (Neural machine translation) – رویکردی در ترجمه ماشینی مبتنی بر شبکه‌های عصبی بزرگ جهت پیش‌بینی توالی کلمات.
  • ترانسفورمر (Transformer) – معماری یادگیری عمیق مبتنی بر مکانیزم‌های توجه چندگانه که انقلاب بزرگی در پردازش زبان ایجاد کرد.[۳۲]
  • جی‌پی‌تی (GPT) (Generative pretrained transformer) – مدل‌های زبانی مبتنی بر ترانسفورمر که با پیش‌آموزش روی مقادیر انبوه متن، کلمات بعدی را پیش‌بینی می‌کنند.[۳۳]
  • تشخیص موجودیت‌های نام‌دار (Named-entity recognition) – استخراج و دسته‌بندی اسامی خاص (مانند اشخاص، سازمان‌ها و مکان‌ها) در متون بدون ساختار.
  • نظریه تصمیم (Decision theory) – مطالعه پایه‌های منطقی و ریاضی انتخاب‌های یک عامل در مواجهه با عدم قطعیت.[۳۴]
  • تعمیم (یادگیری) (Generalization) – توانایی مدل در استفاده از تجربیات گذشته برای حل مسائل جدید با شرایط مشابه.[۳۵]
  • تکامل رقابتی هوش مصنوعی (Artificial intelligence arms race) – رقابت اقتصادی و نظامی کشورها برای توسعه فناوری‌های پیشرفته هوش مصنوعی.
  • یادگیری رفاقت (یادگیری گروهی) (Ensemble learning) – استفاده ترکیبی از چند الگوریتم یادگیری برای بهبود کارایی پیش‌بینی در قیاس با هر یک از مدل‌ها به‌تنهایی.[۳۶]
  • تلفیق حسگرها (Sensor fusion) – ترکیب داده‌های دریافتی از حسگرهای گوناگون برای دستیابی به اطلاعات دقیق‌تر با عدم‌قطعیت کمتر.
  • تلفیق داده‌ها (Data fusion) – ادغام داده‌های چندمنبعی برای تولید نتایجی قابل‌اتکاتر.[۳۷]
  • توابع تعمیم و انطباق (تنش دوگانه) (Double descent) – پدیده‌ای که در آن با افزایش بسیار زیاد پارامترهای مدل، خطای آزمون پس از یک افزایش اولیه مجدداً افت می‌کند.[۳۸]
  • نرمال‌سازی دسته‌ای (Batch normalization) – روشی برای پایدارسازی و شتاب‌بخشی به آموزش شبکه‌های عصبی با استانداردسازی ورودی هر لایه.[۳۹]
  • تولید زبان طبیعی (Natural language generation) – فرایند تبدیل داده‌های ساختاریافته محاسباتی به متن روان به زبان انسانی.
  • توهم (هوش مصنوعی) (Hallucination) – پاسخی ساختگی یا غیرواقعی از سوی هوش مصنوعی که با لحنی مطمئن و به‌صورت واقعیت ارائه می‌شود.

ج

  • جستجوی ناآگاهانه (جستجوی جامع) (Brute-force search) – روش حل مسئله بر مبنای بررسی سیستماتیک تمام حالات ممکن.
  • جستجوی درخت مونت‌کارلو (Monte Carlo tree search) – الگوریتم جستجوی مکاشفه‌ای برای فرایندهای تصمیم‌گیری بر مبنای نمونه‌برداری‌های تصادفی.
  • جستجوی فرااکتشافی (Hyper-heuristic) – روش‌های خودکارسازی انتخاب و ترکیب اکتشاف‌های گوناگون در حل مسائل جستجو.[۴۰]
  • سیستم تابلوی سیاه (Blackboard system) – مدل محاسباتی مبتنی بر اشتراک دانش منابع گوناگون روی یک حافظه مشترک موسوم به بلک‌بورد.[۴۱]
  • جهش (الگوریتم ژنتیک) (Mutation) – عملگر ژنتیکی برای اعمال تغییرات تصادفی در کروموزوم‌ها جهت حفظ تنوع ژنتیکی.

چ

  • چت‌بات (Chatbot) – برنامه رایانه‌ای هدایت‌کننده گفتگو از طریق روش‌های متنی یا شنیداری.[۴۲]
  • زبان پرس‌وجوی اسپارکل (SPARQL) – زبان پرس‌وجوی معنایی برای پایگاه‌های داده گراف و ساختارهای مبتنی بر RDF.[۴۳]

ح

  • حباب هوش مصنوعی (AI bubble) – حباب فرضی در بازارهای مالی ناشی از رشد سریع و سرمایه‌گذاری سنگین در حوزه هوش مصنوعی.[۴۴]
  • حساب محمولات (Predicate logic / First-order logic) – سیستم صوری منطقی شامل متغیرهای مقید به سورها.[۴۵]
  • حساب گزاره‌ها (Propositional calculus) – شاخه‌ای از منطق که به بررسی گزاره‌ها و ترکیب آن‌ها از طریق رابط‌های منطقی می‌پردازد.
  • حساب ویژگی‌ها (Attributional calculus) – سیستم منطق و بازنمایی ارائه‌شده توسط ریشارد اس. میخالسکی برای استقرای طبیعی.
  • حساب موقعیت‌ها (Situation calculus) – فرمالیسم منطقی برای بازنمایی و استدلال دربارهٔ دامنه‌های پویا.

خ

  • هوش ازدحامی (Swarm intelligence) – رفتار جمعی سیستم‌های نامتمرکز و خودسازمان‌ده در محیط‌های طبیعی یا مصنوعی.[۴۶]
  • خطای تقریب (Approximation error) – اختلاف میان مقدار دقیق و مقدار تقریب‌زده‌شده.
  • خطای تعمیم (Generalization error) – معیاری برای دقت پیش‌بینی یک الگوریتم یادگیری روی داده‌های دیده‌نشده.[۴۷]
  • خودرمزگذار (Autoencoder) – نوعی شبکه عصبی مصنوعی در یادگیری بدون نظارت برای فشرده‌سازی و یادگیری کارآمد داده‌ها.
  • خودکارسازی طراحی با کامپیوتر (Computer-automated design) – استفاده از تکنیک‌های هوش مصنوعی و محاسبات تکاملی در خودکارسازی طراحی‌های مهندسی.[۴۸]
  • خودرو خودگردان (Autonomous car) – وسیله نقلیه‌ای مجهز به حسگرها و الگوریتم‌های هوش مصنوعی که می‌تواند بدون مداخله انسانی حرکت کند.[۴۹]

د

  • کلان‌داده (داده‌های بزرگ) (Big data) – مجموعه‌های داده‌ای بسیار گسترده و پیچیده که پردازش آن‌ها با نرم‌افزارهای سنتی دشوار است.[۵۰]
  • داده‌کاوی (Data mining) – کشف الگوها در مجموعه‌های بزرگ داده با بهره‌گیری از آمار، یادگیری ماشین و پایگاه‌های داده.
  • دارک‌فارست (Darkforest) – برنامه رایانه‌ای بازی گو توسعه‌یافته توسط شرکت فیس‌بوک بر پایه یادگیری عمیق.[۵۱]
  • دانش حس سلیم (Commonsense knowledge) – حقایق بنیادین دربارهٔ جهان فیزیکی و اجتماعی که همه انسان‌ها به‌طور معمول از آن‌ها آگاه هستند.
  • درخت تصمیم (Decision tree learning) – مدل پیش‌بینی‌کننده‌ای که ساختاری درخت‌مانند برای رسیدن از مشاهدات به نتایج دارد.
  • درخت دودویی (Binary tree) – ساختار داده درختی که هر گره در آن حداکثر دارای دو فرزند است.[۵۲]
  • درخت رفتار (Behavior tree) – مدل ریاضی اجرای برنامه‌ها در رباتیک، بازی‌ها و سیستم‌های کنترل.[۵۳]
  • درخت مسائل (Issue tree) – تجزیه ساختاریافته یک مسئله به اجزای گوناگون برای تحلیل ریشه‌ای مشکلات.[۵۴]
  • درخت‌های سریع و کم‌هزینه (Fast-and-frugal trees) – نوعی درخت دسته‌بندی ساده برای تصمیم‌گیری‌های سریع و کم‌محاسبه.[۵۵]
  • دیتالاگ (Datalog) – زبان برنامه‌نویسی منطقی اعلانی که زیرمجموعه‌ای از پرولوگ به‌شمار می‌رود.[۵۶]
  • دسته‌بندی آماری (Statistical classification) – شناسایی تعلق یک مشاهده جدید به دسته‌ای مشخص بر مبنای داده‌های برچسب‌دار آموزشی.
  • دسته‌بند قیاسی (Deductive classifier) – موتور استنتاجی که بر پایه تعاریف صریح و رده‌بندی‌ها، مفاهیم جدید را استنتاج و دسته‌بندی می‌کند.
  • دسته‌بند بیز ساده (Naive Bayes classifier) – دسته‌بند آماری احتمالی مبتنی بر قضیه بیز با فرض استقلال قوی میان متغیرها.
  • دستیار صوتی هوشمند (Intelligent personal assistant) – عامل نرم‌افزاری که دستورها را به‌صورت صوتی دریافت و خدمات گوناگون ارائه می‌دهد.[۵۷]
  • عصر ماشین‌های معنوی (The Age of Spiritual Machines) – کتاب غیرداستانی از ری کرزویل دربارهٔ پیش‌بینی آینده تکامل هوش مصنوعی.
  • دیپ بلو (Deep Blue) – ابررایانه شطرنج‌باز ساخت شرکت آی‌بی‌ام که قهرمان شطرنج جهان گری کاسپارف را شکست داد.
  • دیپ‌مایند (DeepMind) – شرکت پیشگام هوش مصنوعی در لندن وابسته به هلدینگ آلفابت.[۵۸]

ر

  • عصب‌سایبرنتیک (Neurocybernetics) – ایجاد مسیر ارتباطی مستقیم میان مغز و ادوات خارجی.[۵۹]
  • نماد او بزرگ (Big O notation) – نماد ریاضی برای توصیف رفتار مجانبی و میزان پیچیدگی الگوریتم‌ها.[۶۰]
  • ربات خودمختار (Autonomous robot) – رباتی با درجات بالای استقلال در انجام وظایف و عکس‌العمل نسبت به محیط.[۶۱]
  • رباتیک (Robotics) – شاخه‌ای میان‌رشته‌ای از علوم و مهندسی برای طراحی، ساخت و به‌کارگیری ربات‌ها.
  • رباتیک ابری (Cloud robotics) – بهره‌گیری از محاسبات و ذخیره‌سازی ابری برای ارتقای توانایی‌های محاسباتی ربات‌ها.[۶۲]
  • رباتیک تکوینی (Developmental robotics) – رویکردی علمی برای مطالعه مکانیسم‌های شناختی یادگیری مداوم و مادام‌العمر در ربات‌ها.
  • جنگل تصادفی (Random forest) – روش یادگیری گروهی متشکل از درخت‌های تصمیم چندگانه برای دسته‌بندی و رگرسیون.[۶۳]
  • روش‌های هسته (Kernel method) – دسته‌ای از الگوریتم‌ها برای تحلیل الگو در داده‌ها که نام‌آشناترین آن‌ها ماشین بردار پشتیبان است.

ز

  • زبان برنامه‌نویسی (Programming language) – زبان صوری متشکل از مجموعه‌ای از دستورالعمل‌ها برای تولید خروجی‌های محاسباتی.
  • زبان برنامه‌نویسی R (R programming language) – محیط نرم‌افزاری و زبان برنامه‌نویسی ویژه محاسبات آماری و مصورسازی داده‌ها.
  • لیسپ (LISP) (Lisp) – زبان برنامه‌نویسی تاریخی با ساختار نحو پیشوندی و پرانتزگذاری ویژه.[۶۴]
  • آی‌پی‌ال (IPL) (Information Processing Language) – زبانی اولیه شامل امکانات پردازش لیست برای حل مسائل بنیادین هوش مصنوعی.
  • زبان توصیف عمل (Action language) – زبانی برای توصیف سیستم‌های گذار حالت و بررسی اثرات اعمال روی محیط.[۶۵]
  • زبان چارچوب (Frame language) – فناوری مورد استفاده برای بازنمایی دانش با ساختار چارچوب‌ها و آنتولوژی‌ها.
  • زبان صوری (Formal language) – مجموعه‌ای از رشته‌های متنی با الفبا و قواعد نحوی دقیق و خوش‌تعریف.
  • زبان ساختگی (Constructed language) – زبانی که واژگان و دستور زبان آن به‌صورت آگاهانه و مهندسی‌شده ساخته شده است.[۶۶]
  • زبان نشانه‌گذاری هوش مصنوعی (Artificial Intelligence Markup Language) – زبانی بر پایه XML برای ساخت عامل‌های مکالمه‌ای به زبان طبیعی.
  • زبان پرس‌وجو (Query language) – زبان‌های رایانه‌ای برای فراخوانی و اجرای پرسش‌ها در پایگاه‌های داده.
  • زبان‌شناسی رایانشی (Computational linguistics) – رشته‌ای میان‌رشته‌ای در تحلیل مدل‌های آماری یا منطقی زبان طبیعی.
  • زنجیره مارکوف (Markov chain) – مدلی تصادفی برای توصیف توالی رویدادها که احتمال هر حالت تنها به حالت پیشین بستگی دارد.[۶۷]
  • زنجیره‌سازی پس‌رو (Backward chaining) – روش استنتاج که از هدف نهایی به عقب حرکت می‌کند تا شواهد اثبات‌کننده را بیابد.[۶۸]
  • زنجیره‌سازی پیش‌رو (Forward chaining) – روش استنتاج مبتنی بر اعمال مکرر قاعده قیاس استثنایی که با داده‌های اولیه آغاز شده و به نتیجه می‌رسد.[۶۹]

س

  • چارچوب توصیف منبع (RDF) (Resource Description Framework) – استانداردی از کنسرسیوم وب برای مدل‌سازی و تبادل فراداده‌ها.[۷۰]
  • سارسا (SARSA) (SARSA) – الگوریتمی در یادگیری تقویتی برای یادگیری خط‌مشی فرایند تصمیم‌گیری مارکوف.
  • مسئله ان‌پی سخت (NP-hard) (NP-hardness) – دسته‌ای از مسائل محاسباتی که حداقل به‌اندازه سخت‌ترین مسائل NP دشوار هستند.
  • سلاح خودمختار مرگبار (Lethal autonomous weapon) – سامانه‌های نظامی و پهپادهایی با توانایی جستجو و درگیری مستقل با اهداف بر پایه الگوریتم‌ها.[۷۱]
  • مدل انتشار (Diffusion model) – کلاسی از مدل‌های مولد متغیر پنهان که داده‌ها را با معکوس‌کردن فرایند انتشار نویز تولید می‌کنند.[۷۲]
  • موازنه سوگیری و واریانس (Bias–variance tradeoff) – تعارض میان خطای سوگیری و خطای واریانس در تخمین مدل‌های پیش‌بین.
  • محاسبات خودمختار (Autonomic computing) – ویژگی‌های خودمدیریتی در منابع محاسباتی توزیع‌شده با هدف کاهش پیچیدگی سیستم‌ها.[۷۳]
  • سیستم خبره (Expert system) – سیستم رایانه‌ای که توانایی تصمیم‌گیری یک متخصص انسانی را در حوزه‌ای خاص شبیه‌سازی می‌کند.[۷۴]
  • سیستم ایمنی مصنوعی (Artificial immune system) – سیستم‌های یادگیری مبتنی بر قواعد با الهام از اصول سیستم ایمنی بدن موجودات زنده.
  • سیستم استنتاج عصبی فازی تطبیقی (ANFIS) (Adaptive neuro fuzzy inference system) – ساختاری ادغام‌شده از شبکه‌های عصبی و منطق فازی برای تقریب توابع غیرخطی.[۷۵]
  • سیستم مبتنی بر دانش (Knowledge-based system) – برنامه‌ای مجهز به پایگاه دانش و موتور استنتاج برای حل مسائل پیچیده.
  • سیستم مبتنی بر قانون (Rule-based system) – سیستمی که از مجموعه‌ای از قوانین دست‌ساز انسانی برای پردازش و تفسیر اطلاعات استفاده می‌کند.
  • سیستم گسسته (Discrete system) – سیستمی با تعداد حالات شمارش‌پذیر در نظریه محاسبات.
  • سیستم گفتگومحور (Dialogue system) – سامانه‌ای رایانه‌ای برای مکالمه دوسویه ساختاریافته با انسان.
  • سیستم کنترل فازی (Fuzzy control system) – سامانه‌ای کنترلی مبتنی بر منطق فازی برای پردازش متغیرهای پیوسته بین صفر و یک.[۷۶]
  • سیستم تولید (علوم رایانه) (Production system) – ساختاری محاسباتی متشکل از قواعد رفتاری برای تصمیم‌گیری بر پایه شرایط محیطی.
  • سیستم پشتیبانی تصمیم (Decision support system) – سیستمی اطلاعاتی برای تسهیل فرایندهای تصمیم‌گیری سازمانی و مدیریتی.
  • سیستم‌های چندعاملی (Multi-agent system) – سامانه‌ای متشکل از چندین عامل هوشمند که برای حل مسائل با یکدیگر تعامل دارند.

ش

  • شبکه عصبی مصنوعی (Artificial neural network) – مدل‌های محاسباتی با الهام از شبکه‌های عصبی زیستی متشکل از گره‌ها، وزن‌ها و توابع فعالیت.[۷۷]
  • شبکه عصبی پیچشی (Convolutional neural network) – کلاسی از شبکه‌های عصبی پیش‌خور با لایه‌های هم‌گشت، پرکاربرد در تحلیل و پردازش تصاویر.[۷۸]
  • شبکه عصبی بازگشتی (Recurrent neural network) – رده‌ای از شبکه‌های عصبی با اتصالات بازخوردی برای پردازش توالی‌های داده‌ای و الگوهای زمانی.[۷۹]
  • شبکه عصبی کپسولی (Capsule neural network) – ساختاری عصبی برای مدلسازی بهتر روابط سلسله‌مراتبی در مقایسه با شبکه‌های سنتی.[۸۰]
  • شبکه عصبی ضربانی (Spiking neural network) – نسلی از شبکه‌های عصبی مصنوعی که انتقال اطلاعات را با پالس‌های زمانی دقیق شبیه‌سازی می‌کنند.[۸۱]
  • شبکه عصبی تابع پایه شعاعی (Radial basis function network) – نوعی شبکه عصبی با توابع پایه شعاعی به‌عنوان توابع فعالیت.[۸۲]
  • شبکه وضعیت پژواک (Echo state network) – نوعی شبکه بازگشتی با مخزن نورونی تصادفی و خروجی آموزش‌پذیر خطی.[۸۳]
  • شبکه‌های زایای دشمن‌گونه (GAN) (Generative adversarial network) – ساختاری متشکل از دو شبکه عصبی (مولد و متمایزگر) که در قالب یک بازی مجموع‌صفر با هم رقابت می‌کنند.
  • شبکه معنایی (Semantic network) – گراف بازنمایی دانش شامل گره‌هایی به‌عنوان مفاهیم و یال‌هایی بیانگر روابط معنایی.[۸۴]
  • شتاب‌دهنده هوش مصنوعی (AI accelerator) – ریزپردازنده‌های اختصاصی برای تسریع محاسبات یادگیری عمیق و شبکه‌های عصبی.[۸۵]
  • شنوایی ماشین (Machine listening) – پردازش و فهم سیگنال‌های صوتی توسط الگوریتم‌های رایانه‌ای.[۸۶]

ص

  • صوت محاسباتی (Computational humor) – شاخه‌ای از زبان‌شناسی محاسباتی برای تحلیل و تولید طنز با رایانه.[۸۷]

ط

  • طراحی سازوکار (Mechanism design) – رویکردی در نظریه بازی‌ها برای طراحی انگیزه‌ها و قوانین به‌منظور دستیابی به اهداف مطلوب.

ع

  • عامل هوشمند (Intelligent agent) – موجودیتی مستقل که از طریق حسگرها محیط را درک کرده و با محرک‌ها برای نیل به اهداف عمل می‌کند.
  • عامل تجسم‌یافته (Embodied agent) – عاملی هوشمند که دارای کالبد فیزیکی یا بازنمایی تصویری در محیط است.[۸۸]
  • علم داده‌ها (Data science) – حوزه‌ای میان‌رشته‌ای شامل فرایندها و سیستم‌هایی برای استخراج دانش از داده‌های ساختاریافته و بدون ساختار.[۸۹]
  • علوم شناختی (Cognitive science) – مطالعه علمی و میان‌رشته‌ای ذهن و فرایندهای آن.[۹۰]
  • علوم شناختی تجسم‌یافته (Embodied cognitive science) – بررسی هوش با در نظر گرفتن پیوستگی و یکپارچگی ذهن و بدن.
  • علوم رایانه (Computer science) – مطالعه تئوری، مهندسی و کاربرد سیستم‌های محاسباتی و پردازش اطلاعات.[۹۱]
  • علوم رایانه نظری (Theoretical computer science) – شاخه‌ای از علوم کامپیوتر متمرکز بر جنبه‌های بنیادین ریاضی و نظریه محاسبات.
  • عملیات بوستینگ (Boosting) – فراروشی در یادگیری گروهی برای کاهش خطا و سوگیری از طریق آموزش ترتیبی مدل‌ها.
  • بگینگ (ترکیب بوت‌استرپ) (Bootstrap aggregating) – فراروشی برای کاهش واریانس با آموزش موازی چندین مدل و میانگین‌گیری از آن‌ها.
  • علوم اعصاب محاسباتی (Computational neuroscience) – کاربرد مدل‌های ریاضی برای درک ساختار و کارکرد سیستم عصبی.[۹۲]

ف

  • فراابتکاری (Metaheuristic) – چارچوب‌های الگوریتمی سطح بالا برای حل مسائل بهینه‌سازی بدون اتکا به مشخصات دقیق مسئله.[۹۳]
  • فرایند تصمیم‌گیری مارکوف (MDP) (Markov decision process) – ساختار ریاضی برای مدلسازی فرایندهای تصمیم‌گیری در شرایط عدم‌قطعیت و تصادف.
  • فرایند تصمیم‌گیری مارکوف تا حدی مشاهده‌پذیر (POMDP) (Partially observable Markov decision process) – تعمیمی از MDP که در آن عامل دسترسی مستقیمی به حالت واقعی سیستم ندارد.
  • فراپارامتر (یادگیری ماشین) (Hyperparameter) – پارامترهایی که پیش از آغاز فرایند یادگیری برای کنترل رفتار الگوریتم تنظیم می‌شوند.
  • کاهش مرتبه جزئی (Partial order reduction) – روشی برای کاهش فضای جستجوی حالت‌ها در وارسی مدل و برنامه‌ریزی خودکار.
  • فناوری مغز (Brain technology) – سامانه‌های خودآموز با الهام از ساختارهای یادگیری علوم اعصاب.[۹۴]
  • فناوری اطلاعات (Information integration) – ادغام اطلاعات برگرفته از منابع ناهمگن در ساختاری یکپارچه.
  • مدل نرم‌افزاری BDI (Belief–desire–intention software model) – مدل برنامه‌نویسی عامل‌های هوشمند بر مبنای باورها، تمایلات و مقاصد.
  • فوق‌صفحه (Hyperplane) – مرز تصمیم‌گیری در دسته‌بندها که فضای ویژگی را به چند بخش مجزا تقسیم می‌کند.

ق

  • قاعده فازی (Fuzzy rule) – گزاره‌های شرطی اگر-آنگاه در منطق فازی برای استخراج خروجی‌ها.
  • قاعده وضع مقدم (Modus ponens) – قاعده پایه‌ای در استنتاج منطقی که بیان می‌کند اگر P درست باشد و P نتیجه دهد Q، آنگاه Q درست است.[۹۵]
  • قاعده نفی تالی (Modus tollens) – قاعده استنتاج منطقی مبنی بر اینکه اگر P نتیجه دهد Q و Q نادرست باشد، P نیز نادرست است.

ک

  • کارگاه دارتموث (Dartmouth workshop) – کارگاه تابستانی سال ۱۹۵۶ که نقطه آغاز رسمی هوش مصنوعی به‌عنوان یک حوزه علمی شناخته می‌شود.[۹۶]
  • کاهش ابعاد (Dimensionality reduction) – فرایند کاهش تعداد متغیرهای تصادفی تحت بررسی از طریق استخراج یا انتخاب ویژگی‌ها.[۹۷]
  • تعدیل عصبی (دراپ‌اوت) (Dropout) – تکنیک تنظیم برای حذف تصادفی برخی نورون‌ها در طول آموزش جهت جلوگیری از بیش‌برازش.
  • کارهای کامل هوش مصنوعی (AI-complete) – دشوارترین مسائل هوش مصنوعی که حل آن‌ها معادل حل کامل مسئله ساخت هوش عمومی مصنوعی است.[۹۸]
  • انبار داده (Data warehouse) – مخازن متمرکز برای ذخیره‌سازی داده‌های تجمیعی به‌منظور گزارش‌گیری و تحلیل داده‌ها.[۹۹]
  • خوشه‌بندی کی-میانگین (k-means) (k-means clustering) – روشی در کوانتیزاسیون برداری و خوشه‌بندی برای افراز n مشاهده به k خوشه مجزا.
  • کمیته ماشین‌ها (Committee machine) – ترکیبی از چند شبکه عصبی مجزا که با استراتژی تقسیم و حل پاسخی جامع ارائه می‌دهند.[۱۰۰]

گ

  • گرادیان بوستینگ (Gradient boosting) – روشی در یادگیری ماشین برای بهینه‌سازی توابع هدف از طریق افزودن پی‌درپی مدل‌های پایه در جهت گرادیان خطای باقی‌مانده.
  • گراف (ساختار داده) (Graph) – نوع داده انتزاعی برای نمایش مجموعه‌ای از گره‌ها و یال‌های رابط میان آن‌ها.[۱۰۱]
  • گراف نام‌دار (Named graph) – مفهومی در وب معنایی برای شناسایی مجموعه‌ای از گزاره‌های RDF با استفاده از شناسه یکنواخت منبع (URI).
  • سیستم گذار (Transition system) – ساختاری نظری متشکل از حالات و گذارها برای مدل‌سازی رفتار محاسباتی سیستم‌های گسسته.
  • کاب‌وب (COBWEB) (Cobweb) – سامانه‌ای برای خوشه‌بندی مفهومی سلسله‌مراتبی مشاهدات در قالب درخت‌های دسته‌بندی.[۱۰۲]

ل

  • لایه‌های پنهان (Hidden layer) – لایه‌های واسط میان لایه ورودی و لایه خروجی در ساختار یک شبکه عصبی مصنوعی.

م

  • ماشین بولتسمان (Boltzmann machine) – نوعی شبکه عصبی بازگشتی تصادفی و میدان تصادفی مارکوف با قابلیت مدل‌سازی زایا.[۱۰۳]
  • ماشین بولتسمان محدودشده (RBM) (Restricted Boltzmann machine) – شبکه عصبی زایای تصادفی بدون اتصالات درون‌لایه‌ای.
  • ماشین بردار پشتیبان (SVM) (Support vector machine) – مدل‌های یادگیری بانظارت برای دسته‌بندی و رگرسیون با تعیین ابرصفحه بهینه جداکننده داده‌ها.[۱۰۴]
  • ماشین تورینگ (Turing machine) – مدل ریاضی انتزاعی که کارکرد هر نوع الگوریتم محاسباتی را شبیه‌سازی می‌کند.[۱۰۵]
  • ماشین تورینگ عصبی (NTM) (Neural Turing machine) – ساختاری ادغام‌شده از شبکه‌های عصبی با حافظه خارجی برای یادگیری و اجرای الگوریتم‌ها.[۱۰۶]
  • مایسین (Mycin) – سیستم خبره اولیه با زنجیره‌سازی پس‌رو برای تشخیص باکتری‌های عفونی و تجویز پادزیست‌ها.
  • هوش محیطی (Ambient intelligence) – محیط‌های دیجیتالی حساس و پاسخگو به حضور و رفتارهای افراد.[۱۰۷]
  • مجموعه فازی (Fuzzy set) – تعمیمی از نظریه مجموعه‌ها که در آن عضویت عناصر با تابعی با مقادیر پیوسته در بازه [۰, ۱] مشخص می‌شود.[۱۰۸]
  • مجموعه داده (Data set) – گردایه‌ای ساختاریافته از داده‌ها، معمولاً در قالب سطرها و ستون‌های یک جدول آماری.
  • محاسبات شناختی (Cognitive computing) – پلتفرم‌های سخت‌افزاری و نرم‌افزاری با هدف بازآفرینی فرایندهای پردازش ذهن انسان.[۱۰۹]
  • محاسبات کوانتومی (Quantum computing) – به‌کارگیری پدیده‌های مکانیک کوانتومی مانند برهم‌نهی و درهم‌تنیدگی در پردازش داده‌ها.[۱۱۰]
  • محاسبات زیستی (محاسبات فرگشتی) (Evolutionary computation) – الگوریتم‌های حل مسئله بر پایه جمعیت و اصول فرگشت زیستی.
  • مهندسی نورومورفیک (Neuromorphic engineering) – طراحی مدارهای مجتمع الکترونیکی برای تقلید مستقیم از معماری عصبی زیستی سیستم عصبی.[۱۱۱]
  • محاسبات مخزنی (Reservoir computing) – چارچوب محاسباتی برگرفته از شبکه‌های عصبی بازگشتی با مخزن ثابت غیرخطی و خروجی قابل‌آموزش.[۱۱۲]
  • تنسورفلو (TensorFlow) – کتابخانه متن‌باز برای برنامه‌نویسی جریان داده‌ها و یادگیری ماشین.[۱۱۳]
  • مرز تصمیم (Decision boundary) – مرز مشخص‌کننده مرز تفکیک کلاس‌ها در فضای ویژگی توسط دسته‌بندها.
  • مرکز داده هوش مصنوعی (AI data center) – تأسیسات و مراکز داده تخصصی بهینه‌شده برای پردازش موازی سنگین آموزش و استنتاج مدل‌های هوش مصنوعی.
  • مسئله برآوردپذیری بولی (SAT) (Boolean satisfiability problem) – مسئله تعیین وجود مقادیر درستی برای متغیرهای یک فرمول بولی به‌گونه‌ای که مقدار کل فرمول درست شود.
  • مسئله انتساب ویژگی (مسئله چارچوب) (Frame problem) – چالش تعیین دقیق تغییرات و موارد بدون تغییر در محیط ربات پس از انجام هر عمل.[۱۱۴]
  • مسئله احراز شرایط (Qualification problem) – مسئله دشواری یا عدم‌امکان مشخص‌کردن تمامی پیش‌شرط‌های لازم برای موفقیت کامل یک عمل در جهان واقعی.[۱۱۵]
  • مسیریابی (Pathfinding) – محاسبه کوتاه‌ترین مسیر میان دو نقطه توسط الگوریتم‌های رایانه‌ای.
  • مکانیزم توجه (Attention mechanism) – مکانیزمی در یادگیری عمیق که با تخصیص وزن به بخش‌های گوناگون ورودی، توجه شناختی را شبیه‌سازی می‌کند.
  • مکاترونیک (Mechatronics) – رشته‌ای تلفیقی از مهندسی مکانیک، الکترونیک، کامپیوتر و کنترل.[۱۱۶]
  • منطق پویای معرفتی (DEL) (Dynamic epistemic logic) – فرمالیسم منطقی متمرکز بر تغییرات دانش و اطلاعات در عامل‌ها.
  • منطق پیش‌فرض (Default logic) – منطقی غیریکنواخت برای مدل‌سازی استدلال بر پایه فرضیات پیش‌فرض.
  • منطق توصیف (DL) (Description logic) – خانواده‌ای از زبان‌های صوری بازنمایی دانش با توازن میان قابلیت بیان و پیچیدگی استنتاج.[۱۱۷]
  • منطق فازی (Fuzzy logic) – فرمی از منطق چندارزشی با درجات درستی پیوسته بین صفر (کاملاً نادرست) و یک (کاملاً درست).
  • منطق جداسازی (Separation logic) – تعمیمی از منطق هوار برای استدلال پیرامون برنامه‌ها و مدیریت حافظه.[۱۱۸]
  • مهندسی نرم‌افزار (Software engineering) – کاربرد رویکردهای نظام‌مند و مهندسی‌شده در توسعه و نگهداری نرم‌افزارها.[۱۱۹]
  • مهندسی دانش (Knowledge engineering) – جنبه‌های فنی، علمی و اجتماعی مربوط به ساخت و نگهداری سیستم‌های مبتنی بر دانش.
  • موتور استنتاج (Inference engine) – مؤلفه‌ای در سیستم‌های هوشمند که با اعمال قواعد بر پایگاه دانش، داده‌های جدید استخراج می‌کند.
  • موتور استدلال معنایی (Semantic reasoner) – نرم‌افزاری برای استخراج پیامدهای منطقی از مجموعه‌ای از حقایق بر پایه آنتولوژی‌ها.
  • مدل زبانی (Language model) – مدل احتمالی که توزیع‌های آماری کلمات و جملات را در زبان طبیعی مدیریت می‌کند.
  • مدل‌های زبانی بزرگ (LLM) (Large language model) – مدل‌های پیشرفته هوش مصنوعی با میلیاردها پارامتر برای فهم و تولید متون به زبان طبیعی.[۱۲۰]
  • مدل‌های زبانی استدلال‌گر (Reasoning model) – رده‌ای از مدل‌های زبانی بزرگ که با تکنیک‌های تفکر زنجیره‌ای برای حل مسائل پیچیده چندمرحله‌ای بهینه‌سازی شده‌اند.[۱۲۱]
  • مدل جهان (هوش مصنوعی) (World model) – مدلی عصبی که با درک دینامیک جهان واقعی و قوانین فیزیک، محیط‌های فیزیکی را بازتولید و شبیه‌سازی می‌کند.
  • بازسازی و شبیه‌سازی شبکه متابولیک (Metabolic network reconstruction and simulation) – ساخت مدل‌های محاسباتی برای تحلیل ارتباط میان ژنوم و فیزیولوژی مولکولی موجودات زنده.[۱۲۲]
  • مدل کیسه کلمات (Bag-of-words model) – نمایشی ساده‌شده در پردازش زبان طبیعی و بازیابی اطلاعات که متن را بدون در نظر گرفتن گرامر به‌صورت مجموعه‌ای از کلمات و بسامد آن‌ها در نظر می‌گیرد.[۱۲۳]
  • مدل کیسه کلمات در بینایی رایانه‌ای (Bag-of-words model in computer vision) – کاربرد مدل کیسه کلمات در دسته‌بندی تصاویر با در نظر گرفتن ویژگی‌های محلی تصویر به‌عنوان کلمات بصری.

ن

  • مسیریابی اکتشافی پذیرفتنی (Admissible heuristic) – تابع اکتشافی در الگوریتم‌های جستجو که هزینه رسیدن به هدف را هرگز بیش از هزینه واقعی تخمین نمی‌زند.[۱۲۴]
  • اکتشاف سازگار (Consistent heuristic) – تابعی مکاشفه‌ای که برآورد آن همواره کمتر یا مساوی فاصله تا گره مجاور به‌علاوه هزینه رسیدن به آن گره باشد.
  • نرم‌افزار متن‌باز (Open-source software) – نرم‌افزاری که کد منبع آن تحت اجازه‌نامه‌ای برای مطالعه، تغییر و توزیع همگانی در دسترس قرار دارد.[۱۲۵]
  • نظریه بازی‌ها (Game theory) – مطالعه مدل‌های ریاضی تعاملات استراتژیک میان تصمیم‌گیرندگان عقلانی.[۱۲۶]
  • نظریه پیچیدگی محاسباتی (Computational complexity theory) – شاخه‌ای برای دسته‌بندی مسائل محاسباتی بر اساس دشواری ذاتی و منابع مورد نیاز.
  • نظریه پیچیدگی محاسباتی مجانبی (Asymptotic computational complexity) – ارزیابی میزان رشد مصرف منابع الگوریتم با میل‌کردن اندازه ورودی به سمت بی‌نهایت.
  • نظریه خودکاره‌ها (Automata theory) – مطالعه ماشین‌های انتزاعی و مسائل محاسباتی قابل‌حل با آن‌ها در علوم رایانه نظری.
  • نظریه شبکه تانسوری (Tensor network theory) – تئوری ریاضی کارکرد مخچه مغز بر مبنای تبدیلات تانسوری مختصات فضازمان به مختصات حرکتی.[۱۲۷]
  • نظریه گراف (Graph theory) – مطالعه گراف‌ها به‌عنوان ساختارهایی ریاضی برای مدل‌سازی روابط جفتی میان اشیاء.
  • نظریه کنترل (Control theory) – شاخه‌ای از ریاضیات و مهندسی برای مدیریت و تنظیم رفتار سیستم‌های پویا در فرایندها.
  • نظریه یادگیری محاسباتی (Computational learning theory) – شاخه‌ای از هوش مصنوعی برای تحلیل ریاضی و طراحی الگوریتم‌های یادگیری ماشین.[۱۲۸]
  • نظریه محاسبات (Theory of computation) – شاخه‌ای بنیادین پیرامون امکان و چگونگی حل مسائل بر روی مدل‌های محاسباتی.[۱۲۹]

و

  • واتسون (رایانه) (Watson) – سامانه رایانه‌ای پاسخ‌دهنده به پرسش‌های زبان طبیعی، توسعه‌یافته در شرکت آی‌بی‌ام.[۱۳۰]
  • وارسی مدل (Model checking) – بررسی الگوریتمی و جامع مدل یک سیستم جهت ارزیابی انطباق آن با نیازمندی‌های صوری مشخص.
  • واقعیت افزوده (AR) (Augmented reality) – محیطی تعاملی که در آن عناصر ادراکی تولیدشده توسط رایانه با دنیای واقعی ادغام می‌شوند.[۱۳۱]
  • واحد پردازش بینایی (VPU) (Vision processing unit) – کلاسی از ریزپردازنده‌ها برای شتاب‌بخشی سخت‌افزاری به وظایف بینایی ماشین.[۱۳۲]
  • وابستگی متقابل (قطع اجزا) (Ablation) – حذف یا غیرفعال‌کردن عمدی بخشی از سیستم هوش مصنوعی برای ارزیابی سهم عملکردی آن جزء.[۱۳۳]
  • جاسازی کلمه (تعبیه کلمات) (Word embedding) – بازنمایی برداری کلمات در فضای پیوسته، به‌گونه‌ای که کلمات با معانی مشابه در فاصله نزدیک‌تری قرار گیرند.[۱۳۴]

ه

  • هوش مصنوعی (Artificial intelligence) – هرگونه هوش و توانایی محاسباتی ابرازشده توسط ماشین‌ها در برابر هوش طبیعی انسان‌ها.[۱۳۵][۱۳۶]
  • هوش عمومی مصنوعی (AGI) (Artificial general intelligence) – هوش مصنوعی پیشرفته‌ای که می‌تواند تمام وظایف شناختی را در سطح انسان یا فراتر از آن به انجام رساند.
  • هوش مصنوعی مولد (Generative AI) – سیستم‌های هوش مصنوعی با قابلیت تولید محتوای جدید مانند متن، تصویر، صدا و ویدئو بر پایه اعلان‌های دریافتی.[۱۳۷]
  • هوش مصنوعی نمادین (Symbolic artificial intelligence) – رویکردی کلاسیک در هوش مصنوعی مبتنی بر دستکاری نمادهای صریح و قواعد منطقی خوانا برای انسان.
  • هوش مصنوعی توزیع‌شده (DAI) (Distributed artificial intelligence) – حوزه‌ای متمرکز بر توسعه راه‌حل‌های پردازش توزیع‌شده برای حل مسائل چندعاملی.[۱۳۸]
  • هوش مصنوعی ضعیف (Weak AI / Narrow AI) – سامانه‌های هوش مصنوعی متمرکز بر انجام یک وظیفه یا دامنه محدود و خاص.
  • هوش مصنوعی دوستانه (Friendly artificial intelligence) – مفهوم طراحی هوش عمومی مصنوعی به‌گونه‌ای که رفتارها و اهداف آن هم‌راستا با منافع و بقای بشریت باشد.
  • هوش محاسباتی (CI) (Computational intelligence) – شاخه‌ای متمرکز بر توانایی سامانه‌های رایانه‌ای در یادگیری وظایف از روی داده‌ها یا مشاهدات تجربی.
  • هوش مصنوعی نوول (Nouvelle AI) – رویکردی در هوش مصنوعی با هدف دستیابی به رفتارهای هوشمندانه ساده زیستی از طریق تعامل مستقیم با جهان فیزیکی.[۱۳۹]
  • هوش مصنوعی سنتتیک (Synthetic intelligence) – اصطلاحی تأکیدکننده بر اینکه هوش ماشین‌ها صرفاً یک تقلید مصنوعی نیست، بلکه نوعی هوش واقعی و اصیل است.[۱۴۰][۱۴۱]
  • هوش‌افزایی (Intelligence amplification) – به‌کارگیری اثربخش فناوری اطلاعات و ابزارهای هوشمند در راستای ارتقای هوش طبیعی انسان.

ی

  • یادگیری ماشین (ML) (Machine learning) – مطالعه الگوریتم‌ها و مدل‌های آماری که رایانه‌ها را قادر می‌سازد بدون برنامه‌نویسی صریح، وظایف را با استفاده از الگوها و استنتاج انجام دهند.
  • یادگیری عمیق (Deep learning) – زیرمجموعه‌ای از یادگیری ماشین مبتنی بر شبکه‌های عصبی مصنوعی چندلایه با ساختار عمیق.
  • یادگیری بانظارت (Supervised learning) – روشی از یادگیری ماشین که تابعی را بر پایه داده‌های آموزشی ورودی-خروجی برچسب‌دار استخراج می‌کند.[۱۴۲]
  • یادگیری بدون نظارت (Unsupervised learning) – استخراج الگوها و ساختارهای نهفته در داده‌ها بدون بهره‌گیری از برچسب‌های از پیش تعیین‌شده.[۱۴۳]
  • یادگیری نیمه‌نظارتی (Semi-supervised learning / Weak supervision) – پارادایم یادگیری که ترکیبی از مقدار کمی داده برچسب‌دار و حجم زیادی داده بدون برچسب را به‌کار می‌گیرد.
  • یادگیری تقویتی (RL) (Reinforcement learning) – آموزش عامل‌های هوشمند جهت اتخاذ رفتارهایی در محیط که بیشترین پاداش انباشته را حاصل کند.[۱۴۴]
  • یادگیری تقویتی بر اساس بازخورد انسانی (RLHF) (Reinforcement learning from human feedback) – روشی برای هم‌راستاسازی مدل‌های زبانی از طریق آموزش مدلی از پاداش بر مبنای ترجیحات انسانی.[۱۴۵]
  • یادگیری انتقالی (Transfer learning) – استفاده مجدد از دانش به‌دست‌آمده در یک وظیفه برای افزایش سرعت و کارایی یادگیری در مسئله‌ای مرتبط.[۱۴۶]
  • یادگیری فدرال (Federated learning) – روشی در یادگیری ماشین برای آموزش مدل‌ها روی چندین دستگاه غیرمتمرکز بدون نیاز به تجمیع داده‌های کاربران و حفظ حریم خصوصی آن‌ها.
  • یادگیری مبتنی بر تفاوت زمانی (Temporal difference learning) – کلاسی از روش‌های یادگیری تقویتی بدون مدل مبتنی بر روش‌های نمونه‌برداری مونت‌کارلو و برنامه‌نویسی پویا.[۱۴۷]
  • یادگیری شباهت (Similarity learning) – یادگیری یک تابع شباهت که میزان نزدیکی دو شیء را اندازه‌گیری می‌کند.
  • یادگیری با کدگذاری تنک (Sparse dictionary learning) – نمایش تنک داده‌های ورودی در قالب ترکیبی خطی از عناصر پایه دیکشنری.
  • یادگیری رابطه آماری (SRL) (Statistical relational learning) – شاخه‌ای از یادگیری ماشین متمرکز بر دامنه‌هایی با ساختار رابطه‌ای پیچیده و عدم‌قطعیت آماری.[۱۴۸]
  • حافظه کوتاه‌مدت ماندگار (LSTM) (Long short-term memory) – نوعی معماری شبکه عصبی بازگشتی ویژه پردازش داده‌های متوالی و سری‌های زمانی با رفع مشکل محو گرادیان.[۱۴۹]
  • یادگیری کیو (Q-learning) – الگوریتم یادگیری تقویتی بدون مدل برای یادگیری ارزش اقدامات در حالات گوناگون.
  • یادگیری ماشین خودکار (AutoML) (Automated machine learning) – فرایند خودکارسازی مراحل آماده‌سازی، تنظیم و انتخاب مدل‌های یادگیری ماشین.
  • اکس‌جی‌بوست (XGBoost) (XGBoost) – کتابخانه نرم‌افزاری بهینه‌سازی‌شده برای الگوریتم‌های گرادیان بوستینگ درخت‌ها.[۱۵۰]
  • کا-نزدیک‌ترین همسایه (k-NN) (k-nearest neighbors) – روش ناپارامتری در یادگیری بانظارت برای دسته‌بندی و رگرسیون بر پایه فاصله اقلیدسی میان داده‌ها.[۱۵۱]
  • پس‌انتشار خطا (پس‌انتشار) (Backpropagation) – الگوریتم کلیدی آموزش شبکه‌های عصبی مصنوعی از طریق انتشار رو به عقب گرادیان خطا.[۱۵۲]
  • پس‌انتشار خطا در طول زمان (BPTT) (Backpropagation through time) – تکنیک مبتنی بر گرادیان برای آموزش شبکه‌های عصبی بازگشتی در گام‌های زمانی.[۱۵۳]
  • پس‌انتشار خطا در ساختار (BPTS) (Backpropagation through structure) – روشی مبتنی بر گرادیان برای آموزش شبکه‌های عصبی روی ساختارهای درختی و گرافی.[۱۵۴]

جستارهای وابسته

  • طرح کلی هوش مصنوعی
  • طرح کلی یادگیری عمیق
  • طرح کلی یادگیری ماشین
  • فهرست الگوریتم‌های هوش مصنوعی

منابع

  1. ↑ Turing originally suggested a teleprinter, one of the few text-only communication systems available in 1950. (Turing 1950, p. 433)
  2. ↑ خطای یادکرد: خطای یادکرد:برچسب <ref>‎ غیرمجاز؛ متنی برای یادکردهای با نام twsL35 وارد نشده است. (صفحهٔ راهنما را مطالعه کنید.).
  3. ↑ Lee, Jennifer (March 7, 2011). "Roger Ebert Tests His Vocal Cords, and Comedic Delivery". The New York Times. Retrieved 2011-09-12.
  4. ↑ "Roger Ebert's Inspiring Digital Transformation". Tech News. March 5, 2011. Archived from the original on 25 March 2011. Retrieved 2011-09-12.
  5. ↑ Hendrickx, Iris; Van den Bosch, Antal (October 2005). "Hybrid algorithms with Instance-Based Classification". Machine Learning: ECML2005. Springer. pp. 158–169. ISBN 978-3-540-29243-2.
  6. ↑ "Artificial intelligence: Google's AlphaGo beats Go master Lee Se-dol". BBC News. 2016-03-12. Retrieved 17 March 2016.
  7. ↑ "Global Pure Foundry Market Share: Quarterly". counterpointresearch.com (in English). 18 March 2026. Retrieved 2026-03-25.
  8. ↑ Davis, Ernest; Marcus, Gary (2015). "Commonsense reasoning". Communications of the ACM. Vol. 58, no. 9. pp. 92–103. doi:10.1145/2701413.
  9. ↑ For example: Josephson, John R.; Josephson, Susan G., eds. (1994). Abductive Inference: Computation, Philosophy, Technology. Cambridge, UK; New York: Cambridge University Press. doi:10.1017/CBO9780511530128. ISBN 978-0-521-43461-4. OCLC 28149683.
  10. ↑ Karl R. Popper, The Myth of Framework, London (Routledge) 1994, chap. 8.
  11. ↑ Pham DT, Ghanbarzadeh A, Koc E, Otri S, Rahim S and Zaidi M. The Bees Algorithm. Technical Note, Manufacturing Engineering Centre, Cardiff University, UK, 2005.
  12. ↑ Mitchell 1996, p. 2.
  13. ↑ Vikhar, P. A. (2016). "Evolutionary algorithms: A critical review and its future prospects". 2016 International Conference on Global Trends in Signal Processing, Information Computing and Communication (ICGTSPICC). Jalgaon, 2016, pp. 261–265. pp. 261–265. doi:10.1109/ICGTSPICC.2016.7955308. ISBN 978-1-5090-0467-6. S2CID 22100336.
  14. ↑ Paskin, Mark. "A Short Course on Graphical Models" (PDF). Stanford.
  15. ↑ Thompson, William R (1933). "On the likelihood that one unknown probability exceeds another in view of the evidence of two samples". Biometrika. 25 (3–4): 285–294. doi:10.1093/biomet/25.3-4.285.
  16. ↑ "OpenCog: Open-Source Artificial General Intelligence for Virtual Worlds". CyberTech News. 2009-03-06. Archived from the original on 2009-03-06. Retrieved 2016-10-01.
  17. ↑ "Knowledge Representation in Neural Networks – deepMinds". deepMinds. 2018-08-16. Archived from the original on 17 August 2018. Retrieved 2018-08-16.
  18. ↑ Yoon, Byoung-Ha; Kim, Seon-Kyu; Kim, Seon-Young (March 2017). "Use of Graph Database for the Integration of Heterogeneous Biological Data". Genomics & Informatics. 15 (1): 19–27. doi:10.5808/GI.2017.15.1.19. ISSN 1598-866X. PMC 5389944. PMID 28416946.
  19. ↑ Yegulalp, Serdar (19 January 2017). "Facebook brings GPU-powered machine learning to Python". InfoWorld. Retrieved 11 December 2017.
  20. ↑ Creighton, Jolene (2019-03-19). "The Unavoidable Problem of Self-Improvement in AI: An Interview with Ramana Kumar, Part 1". Future of Life Institute (in American English). Retrieved 2024-01-23.
  21. ↑ Spall, J. C. (2003). Introduction to Stochastic Search and Optimization. Wiley. ISBN 978-0-471-33052-3.
  22. ↑ Schrijver, Alexander (February 1, 2006). A Course in Combinatorial Optimization (PDF), page 1.
  23. ↑ Dana H. Ballard; Christopher M. Brown (1982). Computer Vision. Prentice Hall. شابک ‎۰−۱۳−۱۶۵۳۱۶−۴.
  24. ↑ Kuhlman, Dave. "A Python Book: Beginning Python, Advanced Python, and Python Exercises". Section 1.1. Archived from the original (PDF) on 23 June 2012.
  25. ↑ Clocksin, William F.; Mellish, Christopher S. (2003). Programming in Prolog. Berlin; New York: Springer-Verlag. ISBN 978-3-540-00678-7.
  26. ↑ Cybenko, G. 1989. Approximation by superpositions of a sigmoidal function Mathematics of Control, Signals, and Systems, 2(4), 303–314.
  27. ↑ Lenzerini, Maurizio (2002). "Data Integration: A Theoretical Perspective" (PDF). PODS 2002. pp. 233–246. Archived from the original (PDF) on 27 October 2021. Retrieved 5 July 2022.
  28. ↑ Bengio, Y.; Courville, A.; Vincent, P. (2013). "Representation Learning: A Review and New Perspectives". IEEE Transactions on Pattern Analysis and Machine Intelligence. 35 (8): 1798–1828. arXiv:1206.5538. Bibcode:2013ITPAM..35.1798B. doi:10.1109/tpami.2013.50. PMID 23787338. S2CID 393948.
  29. ↑ Tao, Jianhua; Tieniu Tan (2005). "Affective Computing: A Review". Affective Computing and Intelligent Interaction. Vol. LNCS 3784. Springer. pp. 981–995. doi:10.1007/11573548.
  30. ↑ Provost, Foster; Fawcett, Tom (2013). Data Science for Business. O’Reilly Media.
  31. ↑ Mercer, Calvin. Religion and Transhumanism: The Unknown Future of Human Enhancement. Praeger.
  32. ↑ Dickson, Ben (2 May 2022). "Machine learning: What is the transformer architecture?". TechTarget (in English). Retrieved 2 May 2022.
  33. ↑ Smith, Craig S. (March 15, 2023). "ChatGPT-4 Creator Ilya Sutskever on AI Hallucinations and AI Democracy". Forbes (in English). Retrieved 2023-12-25.
  34. ↑ Steele, Katie and Stefánsson, H. Orri, "Decision Theory", The Stanford Encyclopedia of Philosophy (Winter 2015 Edition), Edward N. Zalta (ed.), URL =
  35. ↑ Gluck, Mark A.; Mercado, Eduardo; Myers, Catherine E. (2011). Learning and memory: from brain to behavior (2nd ed.). New York: Worth Publishers. p. 209. ISBN 978-1-4292-4014-7.
  36. ↑ Opitz, D.; Maclin, R. (1999). "Popular ensemble methods: An empirical study". Journal of Artificial Intelligence Research. 11: 169–198. arXiv:1106.0257. doi:10.1613/jair.614.
  37. ↑ Haghighat, Mohammad; Abdel-Mottaleb, Mohamed; Alhalabi, Wadee (2016). "Discriminant Correlation Analysis: Real-Time Feature Level Fusion for Multimodal Biometric Recognition". IEEE Transactions on Information Forensics and Security. 11 (9): 1984–1996. Bibcode:2016ITIF...11.1984H. doi:10.1109/TIFS.2016.2569061. S2CID 15624506.
  38. ↑ "Deep Double Descent". OpenAI (in English). 2019-12-05. Retrieved 2022-08-12.
  39. ↑ "Understanding the backward pass through Batch Normalization Layer". kratzert.github.io. Retrieved 24 April 2018.
  40. ↑ E. K. Burke, E. Hart, G. Kendall, J. Newall, P. Ross, and S. Schulenburg, Hyper-heuristics: An emerging direction in modern search technology, Handbook of Metaheuristics (F. Glover and G. Kochenberger, eds.), Kluwer, 2003, pp. 457–474.
  41. ↑ Erman, L. D.; Hayes-Roth, F.; Lesser, V. R.; Reddy, D. R. (1980). "The Hearsay-II Speech-Understanding System: Integrating Knowledge to Resolve Uncertainty". ACM Computing Surveys. 12 (2): 213. doi:10.1145/356810.356816. S2CID 118556.
  42. ↑ "What is a chatbot?". techtarget.com. Archived from the original on 2 نوامبر 2010. Retrieved 30 January 2017.
  43. ↑ Rapoza, Jim (2 May 2006). "SPARQL Will Make the Web Shine". eWeek. Retrieved 2007-01-17.
  44. ↑ Multiple sources:
  45. ↑ Hodgson, Dr. J. P. E. , "First Order Logic" بایگانی‌شده در ۲۱ سپتامبر ۲۰۱۹ توسط Wayback Machine, Saint Joseph's University, Philadelphia, 1995.
  46. ↑ Beni, G.; Wang, J. (1993). "Swarm Intelligence in Cellular Robotic Systems". Proceed. NATO Advanced Workshop on Robots and Biological Systems, Tuscany, Italy, June 26–30 (1989). pp. 703–712. doi:10.1007/978-3-642-58069-7_38. ISBN 978-3-642-63461-1.
  47. ↑ Mohri, M. , Rostamizadeh A. , Talwakar A. , (2018) Foundations of Machine learning, 2nd ed. , Boston: MIT Press
  48. ↑ Kamentsky, L.A.; Liu, C. -N. (1963). "Computer-Automated Design of Multifont Print Recognition Logic". IBM Journal of Research and Development. 7 (1): 2. doi:10.1147/rd.71.0002. Archived from the original on 3 March 2016. Retrieved 5 July 2022.
  49. ↑ Gehrig, Stefan K.; Stein, Fridtjof J. (1999). Dead reckoning and cartography using stereo vision for an automated car. IEEE/RSJ International Conference on Intelligent Robots and Systems. Vol. 3. Kyongju. pp. 1507–1512. doi:10.1109/IROS.1999.811692. ISBN 0-7803-5184-3.
  50. ↑ Breur, Tom (July 2016). "Statistical Power Analysis and the contemporary "crisis" in social sciences". Journal of Marketing Analytics. 4 (2–3): 61–65. doi:10.1057/s41270-016-0001-3. ISSN 2050-3318.
  51. ↑ Tian, Yuandong; Zhu, Yan (2015). "Better Computer Go Player with Neural Network and Long-term Prediction". arXiv:1511.06410v1 [cs.LG].
  52. ↑ John, Taylor (2009). Garnier, Rowan (ed.). Discrete Mathematics: Proofs, Structures and Applications, Third Edition. CRC Press. p. 620. ISBN 978-1-4398-1280-8.
  53. ↑ Colledanchise Michele, and Ögren Petter 2016. How Behavior Trees Modularize Hybrid Control Systems and Generalize Sequential Behavior Compositions, the Subsumption Architecture, and Decision Trees. In IEEE Transactions on Robotics vol.PP, no.99, pp.1–18 (2016)
  54. ↑ Chevallier, Arnaud (2016). "Strategic thinking in complex problem solving". Oxford Scholarship Online. Oxford; New York: Oxford University Press. doi:10.1093/acprof:oso/9780190463908.001.0001. ISBN 978-0-19-046390-8. OCLC 940455195. S2CID 157255130.
  55. ↑ Martignon, Laura; Vitouch, Oliver; Takezawa, Masanori; Forster, Malcolm. "Naive and Yet Enlightened: From Natural Frequencies to Fast and Frugal Decision Trees", published in Thinking: Psychological perspectives on reasoning, judgement and decision making (David Hardman and Laura Macchi; editors), Chichester: John Wiley & Sons, 2003.
  56. ↑ Huang; Green; Loo, "Datalog and Emerging applications", SIGMOD 2011 (PDF), UC Davis, archived from the original (PDF) on 1 July 2022, retrieved 5 July 2022.
  57. ↑ Hoy, Matthew B. (2018). "Alexa, Siri, Cortana, and More: An Introduction to Voice Assistants". Medical Reference Services Quarterly. 37 (1): 81–88. doi:10.1080/02763869.2018.1404391. PMID 29327988. S2CID 30809087.
  58. ↑ "About Us | DeepMind". DeepMind. 17 December 2024.
  59. ↑ Krucoff, Max O.; Rahimpour, Shervin; Slutzky, Marc W.; Edgerton, V. Reggie; Turner, Dennis A. (2016-01-01). "Enhancing Nervous System Recovery through Neurobiologics, Neural Interface Training, and Neurorehabilitation". Frontiers in Neuroscience. 10: 584. doi:10.3389/fnins.2016.00584. PMC 5186786. PMID 28082858.
  60. ↑ Bachmann, Paul (1894). Analytische Zahlentheorie [Analytic Number Theory] (in German). Vol. 2. Leipzig: Teubner.
  61. ↑ "Information Engineering Main/Home Page". University of Oxford. Archived from the original on 3 July 2022. Retrieved 2018-10-03.
  62. ↑ Civera, Javier; Ciocarlie, Matei; Aydemir, Alper; Bekris, Kostas; Sarma, Sanjay (2015). "Guest Editorial Special Issue on Cloud Robotics and Automation". IEEE Transactions on Automation Science and Engineering. 12 (2): 396–397. Bibcode:2015ITASE..12..396C. doi:10.1109/TASE.2015.2409511. S2CID 16080778.
  63. ↑ Ho, Tin Kam (1995). Random Decision Forests (PDF). Proceedings of the 3rd International Conference on Document Analysis and Recognition, Montreal, QC, 14–16 August 1995. pp. 278–282.
  64. ↑ Reilly, Edwin D. (2003). Milestones in computer science and information technology. Greenwood Publishing Group. pp. 156–157. ISBN 978-1-57356-521-9.
  65. ↑ Michael Gelfond, Vladimir Lifschitz (1998) "Action Languages", Linköping Electronic Articles in Computer and Information Science.
  66. ↑ "Ishtar for Belgium to Belgrade". European Broadcasting Union. Retrieved 19 May 2013.
  67. ↑ "Markov chain | Definition of Markov chain in US English by Oxford Dictionaries". Oxford Dictionaries | English. Archived from the original on 15 December 2017. Retrieved 2017-12-14.
  68. ↑ Feigenbaum, Edward (1988). The Rise of the Expert Company. Times Books. p. 317. ISBN 978-0-8129-1731-4.
  69. ↑ Feigenbaum, Edward (1988). The Rise of the Expert Company. Times Books. p. 318. ISBN 978-0-8129-1731-4.
  70. ↑ "XML and Semantic Web W3C Standards Timeline" (PDF). 2012-02-04. Archived from the original (PDF) on 6 July 2022. Retrieved 5 July 2022.
  71. ↑ "Military drone systems in the EU and global context: Types, capabilities and regulatory frameworks" (PDF).
  72. ↑ Ho, Jonathan; Jain, Ajay; Abbeel, Pieter (19 June 2020). Denoising Diffusion Probabilistic Models. arXiv:2006.11239.
  73. ↑ Kephart, J.O.; Chess, D.M. (2003), "The vision of autonomic computing", Computer, 36 (1): 41–52, Bibcode:2003Compr..36a..41K, CiteSeerX 10.1.1.70.613, doi:10.1109/MC.2003.1160055
  74. ↑ Jackson, Peter (1998), Introduction To Expert Systems (3 ed.), Addison Wesley, p. 2, ISBN 978-0-201-87686-4
  75. ↑ Jang, J. -S.R. (1993). "ANFIS: adaptive-network-based fuzzy inference system". IEEE Transactions on Systems, Man, and Cybernetics. 23 (3): 665–685. Bibcode:1993ITSMC..23..665J. doi:10.1109/21.256541. S2CID 14345934.
  76. ↑ Pedrycz, Witold (1993). Fuzzy control and fuzzy systems (2 ed.). Research Studies Press Ltd.
  77. ↑ Hopfield, J. J. (1982). "Neural networks and physical systems with emergent collective computational abilities". Proc. Natl. Acad. Sci. U.S.A. 79 (8): 2554–2558. Bibcode:1982PNAS...79.2554H. doi:10.1073/pnas.79.8.2554. PMC 346238. PMID 6953413.
  78. ↑ LeCun, Yann. "LeNet-5, convolutional neural networks". Retrieved 16 November 2013.
  79. ↑ Graves, A.; Liwicki, M.; Fernandez, S.; Bertolami, R.; Bunke, H.; Schmidhuber, J. (2009). "A Novel Connectionist System for Improved Unconstrained Handwriting Recognition" (PDF). IEEE Transactions on Pattern Analysis and Machine Intelligence. 31 (5): 855–868. CiteSeerX 10.1.1.139.4502. doi:10.1109/tpami.2008.137. PMID 19299860. S2CID 14635907.
  80. ↑ Sabour, Sara; Frosst, Nicholas; Hinton, Geoffrey E. (2017-10-26). "Dynamic Routing Between Capsules". arXiv:1710.09829 [cs.CV].
  81. ↑ Maass, Wolfgang (1997). "Networks of spiking neurons: The third generation of neural network models". Neural Networks. 10 (9): 1659–1671. doi:10.1016/S0893-6080(97)00011-7. ISSN 0893-6080.
  82. ↑ Broomhead, D. S.; Lowe, David (1988). "Multivariable functional interpolation and adaptive networks" (PDF). Complex Systems. 2: 321–355.
  83. ↑ Jaeger, Herbert; Haas, Harald (2004). "Harnessing Nonlinearity: Predicting Chaotic Systems and Saving Energy in Wireless Communication" (PDF). Science. 304 (5667): 78–80. Bibcode:2004Sci...304...78J. doi:10.1126/science.1091277. PMID 15064413. S2CID 2184251. Archived from the original (PDF) on 1 September 2022. Retrieved 5 July 2022.
  84. ↑ Sowa, John F. (1987). "Semantic Networks". In Shapiro, Stuart C (ed.). Encyclopedia of Artificial Intelligence. Retrieved 2008-04-29.
  85. ↑ "Intel unveils Movidius Compute Stick USB AI Accelerator". 2017-07-21. Archived from the original on 11 August 2017. Retrieved 28 November 2018.
  86. ↑ Wang, Wenwu (1 July 2010). Machine Audition: Principles, Algorithms and Systems. IGI Global. ISBN 978-1-61520-919-4. Archived from the original on 24 ژانویه 2025. Retrieved 25 اوت 2026 – via igi-global.com.
  87. ↑ Hulstijn, J, and Nijholt, A. (eds.). Proceedings of the International Workshop on Computational Humor. Number 12 in Twente Workshops on Language Technology, Enschede, Netherlands. University of Twente, 1996.
  88. ↑ Serenko, Alexander; Bontis, Nick; Detlor, Brian (2007). "End-user adoption of animated interface agents in everyday work applications" (PDF). Behaviour and Information Technology. 26 (2): 119–132. doi:10.1080/01449290500260538. S2CID 2175427.
  89. ↑ Dhar, V. (2013). "Data science and prediction". Communications of the ACM. 56 (12): 64–73. doi:10.1145/2500499. S2CID 6107147.
  90. ↑ How We Learn: Ask the Cognitive Scientist
  91. ↑ "WordNet Search—3.1". Wordnetweb.princeton.edu. Archived from the original on 14 January 2013. Retrieved 14 May 2012.
  92. ↑ Trappenberg, Thomas P. (2002). Fundamentals of Computational Neuroscience. United States: Oxford University Press Inc. p. 1. شابک ‎۹۷۸−۰−۱۹−۸۵۱۵۸۲−۱.
  93. ↑ Balamurugan, R.; Natarajan, A.M.; Premalatha, K. (2015). "Stellar-Mass Black Hole Optimization for Biclustering Microarray Gene Expression Data". Applied Artificial Intelligence. 29 (4): 353–381. doi:10.1080/08839514.2015.1016391. S2CID 44624424.
  94. ↑ NZZ - Die Zangengeburt eines möglichen Stammvaters.
  95. ↑ Herbert B. Enderton, 2001, A Mathematical Introduction to Logic Second Edition Enderton:110, Harcourt Academic Press, Burlington MA, شابک ‎۹۷۸−۰−۱۲−۲۳۸۴۵۲−۳.
  96. ↑ Solomonoff, R.J.The Time Scale of Artificial Intelligence; Reflections on Social Effects, Human Systems Management, Vol 5 1985, Pp 149–153
  97. ↑ Roweis, S. T.; Saul, L. K. (2000). "Nonlinear Dimensionality Reduction by Locally Linear Embedding". Science. 290 (5500): 2323–2326. Bibcode:2000Sci...290.2323R. CiteSeerX 10.1.1.111.3313. doi:10.1126/science.290.5500.2323. PMID 11125150. S2CID 5987139.
  98. ↑ Shapiro, Stuart C. (1992). Artificial Intelligence In Stuart C. Shapiro (Ed.), Encyclopedia of Artificial Intelligence (Second Edition, pp. 54–57). New York: John Wiley.
  99. ↑ Dedić, Nedim; Stanier, Clare (2016). "An Evaluation of the Challenges of Multilingualism in Data Warehouse Development". Proceedings of the 18th International Conference on Enterprise Information Systems. International Conference on Enterprise Information Systems, 25–28 April 2016, Rome, Italy. Vol. 1. SciTePress. pp. 196–206. doi:10.5220/0005858401960206. ISBN 978-989-758-187-8.
  100. ↑ HAYKIN, S. Neural Networks – A Comprehensive Foundation. Second edition. Pearson Prentice Hall: 1999.
  101. ↑ Trudeau, Richard J. (1993). Introduction to Graph Theory. Dover Pub. p. 19. ISBN 978-0-486-67870-2.
  102. ↑ Fisher, Douglas (1987). "Knowledge acquisition via incremental conceptual clustering". Machine Learning. 2 (2): 139–172. Bibcode:1987MLear...2..139F. doi:10.1007/BF00114265.
  103. ↑ Hinton, Geoffrey E. (2007-05-24). "Boltzmann machine". Scholarpedia. 2 (5): 1668. Bibcode:2007SchpJ...2.1668H. doi:10.4249/scholarpedia.1668. ISSN 1941-6016.
  104. ↑ Cortes, Corinna; Vapnik, Vladimir N (1995). "Support vector networks". Machine Learning. 20 (3): 273–297. doi:10.1007/BF00994018.
  105. ↑ Minsky 1967:107 "In his 1936 paper, A. M. Turing defined the class of abstract machines that now bear his name..."
  106. ↑ Graves, Alex; Wayne, Greg; Danihelka, Ivo (2014). "Neural Turing Machines". arXiv:1410.5401 [cs.NE].
  107. ↑ Aarts, Emile; Marzano, Stefano (2003). "The New Everyday: Views on Ambient Intelligence". 010 Publishers. ISBN 978-9064505171.
  108. ↑ D. Dubois and H. Prade (1988) Fuzzy Sets and Systems. Academic Press, New York.
  109. ↑ Denning., P.J. (2014). "Surfing Toward the Future". Communications of the ACM. 57 (3): 26–29. doi:10.1145/2566967. S2CID 20681733.
  110. ↑ Grumbling, Emily; Horowitz, Mark, eds. (2019). Quantum Computing: Progress and Prospects (2018). Washington, DC: National Academies Press. p. I-5. doi:10.17226/25196. ISBN 978-0-309-47969-1. OCLC 1081001288. S2CID 125635007.
  111. ↑ Mead, Carver (1990). "Neuromorphic electronic systems" (PDF). Proceedings of the IEEE. 78 (10): 1629–1636. Bibcode:1990IEEEP..78.1629M. CiteSeerX 10.1.1.161.9762. doi:10.1109/5.58356. S2CID 1169506.
  112. ↑ Schrauwen, Benjamin, David Verstraeten, and Jan Van Campenhout. "An overview of reservoir computing: theory, applications, and implementations." 2007.
  113. ↑ "TensorFlow: Open source machine learning"
  114. ↑ Hayes, Patrick (1981). "The Frame Problem and Related Problems in Artificial Intelligence" (PDF). Readings in Artificial Intelligence. University of Edinburgh: 223–230. doi:10.1016/B978-0-934613-03-3.50020-9. ISBN 978-0-934613-03-3. S2CID 141711662. Archived from the original (PDF) on 3 December 2013. Retrieved 9 March 2019.
  115. ↑ Reiter, Raymond (2001). Knowledge in Action: Logical Foundations for Specifying and Implementing Dynamical Systems. Cambridge, Massachusetts: The MIT Press. pp. 20–22. ISBN 978-0-262-52700-2.
  116. ↑ "What is Mechatronics Engineering?". Prospective Student Information. University of Waterloo. Archived from the original on 6 October 2011. Retrieved 30 May 2011.
  117. ↑ Sikos, Leslie F. (2017). Description Logics in Multimedia Reasoning. Cham: Springer International Publishing. doi:10.1007/978-3-319-54066-5. ISBN 978-3-319-54066-5. S2CID 3180114.
  118. ↑ O'Hearn, P. W.; Pym, D. J. (June 1999). "The Logic of Bunched Implications". Bulletin of Symbolic Logic. 5 (2): 215–244. CiteSeerX 10.1.1.27.4742. doi:10.2307/421090. JSTOR 421090. S2CID 2948552.
  119. ↑ Abran et al. 2004‌ pp. 1–1
  120. ↑ Kerner, Sean Michael. "What are Large Language Models?". TechTarget (in English). Retrieved 2024-01-28.
  121. ↑ Besta, Maciej; Barth, Julia; Schreiber, Eric; Kubicek, Ales; Catarino, Afonso; Gerstenberger, Robert; Nyczyk, Piotr; Iff, Patrick; Li, Yueling (2025-01-23). "Reasoning Language Models: A Blueprint". arXiv:2501.11223 [cs.CL].
  122. ↑ Franke; Siezen, Teusink (2005). "Reconstructing the metabolic network of a bacterium from its genome". Trends in Microbiology. 13 (11): 550–558. Bibcode:2005TrMic..13..550F. doi:10.1016/j.tim.2005.09.001. PMID 16169729.
  123. ↑ Sivic, Josef (April 2009). "Efficient visual search of videos cast as text retrieval" (PDF). IEEE Transactions on Pattern Analysis and Machine Intelligence. 31 (4): 591–605. Bibcode:2009ITPAM..31..591S. CiteSeerX 10.1.1.174.6841. doi:10.1109/TPAMI.2008.111. PMID 19229077. S2CID 9899337. Archived from the original (PDF) on 31 March 2022. Retrieved 5 July 2022.
  124. ↑ Russell, S.J.; Norvig, P. (2002). Artificial Intelligence: A Modern Approach. Prentice Hall. ISBN 978-0-13-790395-5.
  125. ↑ St. Laurent, Andrew M. (2008). Understanding Open Source and Free Software Licensing. O'Reilly Media. p. 4. ISBN 978-0-596-55395-1.
  126. ↑ Myerson, Roger B. (1991). Game Theory: Analysis of Conflict, Harvard University Press, p. 1.
  127. ↑ Pellionisz, A.; Llinás, R. (1980). "Tensorial Approach To The Geometry Of Brain Function: Cerebellar Coordination Via A Metric Tensor" (PDF). Neuroscience. 5 (7): 1125––1136. doi:10.1016/0306-4522(80)90191-8. PMID 6967569. S2CID 17303132.
  128. ↑ "ACL – Association for Computational Learning".
  129. ↑ Sipser, Michael (2013). Introduction to the Theory of Computation 3rd. Cengage Learning. ISBN 978-1-133-18779-0.
  130. ↑ "DeepQA Project: FAQ". IBM. 22 April 2009. Archived from the original on 5 November 2015. Retrieved February 11, 2011.
  131. ↑ Cipresso, Pietro; Giglioli, Irene Alice Chicchi; Raya, iz; Riva, Giuseppe (2011-12-07). "The Past, Present, and Future of Virtual and Augmented Reality Research: A Network and Cluster Analysis of the Literature". Frontiers in Psychology. 9 2086. doi:10.3389/fpsyg.2018.02086. PMC 6232426. PMID 30459681.
  132. ↑ Colaner, Seth; Humrick, Matthew (January 3, 2016). "A third type of processor for AR/VR: Movidius' Myriad 2 VPU". Tom's Hardware.
  133. ↑ Sheikholeslami, Sina (2019). Ablation Programming for Machine Learning.
  134. ↑ Jurafsky, Daniel; H. James, Martin (2000). Speech and language processing: an introduction to natural language processing, computational linguistics, and speech recognition. Upper Saddle River, N.J.: Prentice Hall. ISBN 978-0-13-095069-7.
  135. ↑
  136. ↑ Russell & Norvig 2009, p. 2.
  137. ↑ Griffith, Erin; Metz, Cade (2023-01-27). "Anthropic Said to Be Closing In on $300 Million in New A.I. Funding". The New York Times. Retrieved 2023-03-14.
  138. ↑ Demazeau, Yves, and J-P. Müller, eds. Decentralized Ai. Vol. 2. Elsevier, 1990.
  139. ↑ Copeland, Jack (May 2000). "What is Artificial Intelligence?". AlanTuring.net. Archived from the original on 9 November 2015. Retrieved 7 November 2015.
  140. ↑ Haugeland 1985, p. 255.
  141. ↑ Poole, Mackworth & Goebel 1998, p. 1.
  142. ↑ Stuart J. Russell, Peter Norvig (2010) Artificial Intelligence: A Modern Approach, Third Edition, Prentice Hall شابک ‎۹۷۸۰۱۳۶۰۴۲۵۹۴.
  143. ↑ Hinton, Jeffrey; Sejnowski, Terrence (1999). Unsupervised Learning: Foundations of Neural Computation. MIT Press. ISBN 978-0-262-58168-4.
  144. ↑ Kaelbling, Leslie P.; Littman, Michael L.; Moore, Andrew W. (1996). "Reinforcement Learning: A Survey". Journal of Artificial Intelligence Research. 4: 237–285. arXiv:cs/9605103. doi:10.1613/jair.301. S2CID 1708582. Archived from the original on 20 November 2001. Retrieved 5 July 2022.
  145. ↑ Patrizio, Andy. "What is reinforcement learning from human feedback (RLHF)?". TechTarget (in English). Retrieved 2024-01-28.
  146. ↑ West, Jeremy; Ventura, Dan; Warnick, Sean (2007). "Spring Research Presentation: A Theoretical Foundation for Inductive Transfer". Brigham Young University, College of Physical and Mathematical Sciences. Archived from the original on 2007-08-01. Retrieved 2007-08-05.
  147. ↑ Sutton, Richard & Andrew Barto (1998). Reinforcement Learning. MIT Press. ISBN 978-0-585-02445-5. Archived from the original on 2017-03-30.
  148. ↑ Lise Getoor and Ben Taskar: Introduction to statistical relational learning, MIT Press, 2007
  149. ↑ Hochreiter, Sepp; Schmidhuber, Jürgen (1997). "Long short-term memory". Neural Computation. 9 (8): 1735–1780. doi:10.1162/neco.1997.9.8.1735. PMID 9377276. S2CID 1915014.
  150. ↑ "GitHub project webpage". GitHub. June 2022. Archived from the original on 2021-04-01. Retrieved 2016-04-05.
  151. ↑ Fix, Evelyn; Hodges, Joseph L. (1951). Discriminatory Analysis. Nonparametric Discrimination: Consistency Properties (PDF) (Report). USAF School of Aviation Medicine, Randolph Field, Texas. Archived (PDF) from the original on September 26, 2020.
  152. ↑ Goodfellow, Ian; Bengio, Yoshua; Courville, Aaron (2016) Deep Learning. MIT Press. p. 196. شابک ‎۹۷۸۰۲۶۲۰۳۵۶۱۳
  153. ↑ Mozer, M. C. (1995). "A Focused Backpropagation Algorithm for Temporal Pattern Recognition". In Chauvin, Y.; Rumelhart, D. (eds.). Backpropagation: Theory, architectures, and applications (in English). Hillsdale, NJ: Lawrence Erlbaum Associates. pp. 137–169. Retrieved 2017-08-21.
  154. ↑ Goller, Christoph; Küchler, Andreas (1996). "Learning Task-Dependent Distributed Representations by Backpropagation Through Structure". Proceedings of International Conference on Neural Networks (ICNN'96). Vol. 1. pp. 347–352. CiteSeerX 10.1.1.49.1968. doi:10.1109/ICNN.1996.548916. ISBN 0-7803-3210-5. S2CID 6536466.

آثار ارجاع‌شده

یادداشت‌ها

```wikitext

```

This page is issued from ویکی‌پدیا. The text is available under Creative Commons Attribution-Share Alike 4.0 unless otherwise noted. Additional terms may apply for the media files.