FuturWiser 是最大的人工智慧工具中文目錄
AI: Glossary - 您全面的 A 到 Z - 關於 AI 的詞彙表。
人工智能 (AI) 是指在被編程為像人類一樣思考和行動的機器中模擬人類智能。這些智能機器可以通過處理大量數據並從中學習來訓練以執行各種任務。人工智能係統可分為兩大類:狹義或通用。狹義人工智能係統旨在執行特定任務,而通用人工智能係統旨在執行人類可以執行的任何智力任務。人工智能研究的最終目標是創建能夠以與人類無異的方式智能地理解、思考和行動的系統。
代理在強化學習問題中可以採取的所有可能行動的集合。
一種以人腦的結構和功能為模型的機器學習算法,由可以處理和傳輸信息的相互連接的“神經元”層組成。
一種用於降維和特徵學習的神經網絡,由編碼器和解碼器組成,分別學習壓縮和重建數據。
一種機器學習集成技術,其中多個模型在訓練數據的不同隨機子集上進行訓練,並組合起來進行預測,目的是減少方差並提高模型的泛化能力。
可以分析和使用大量數據來獲得洞察力並做出明智的決策。
一種機器學習集成技術,其中將弱學習器組合成強學習器,目的是提高整體預測精度。
OpenAI 的聊天機器人建立在他們的 GPT3.5 大型語言模型之上,使用公共數據進行訓練。
將數據分類到預定義的類或組中的過程。
根據相似性或共同特徵將數據點分組在一起的過程。
能夠執行通常需要類人智能的任務(例如學習和解決問題)的計算機系統的開發。
計算機解釋和理解來自世界的視覺數據(例如圖像和視頻)的能力。
一種專門為圖像和視頻識別任務設計的神經網絡,使用卷積層來學習和識別數據中的模式。
一種模型評估技術,其中將訓練數據分成多個折疊,並在每個折疊上訓練和評估模型以獲得對其泛化性能的估計。
從大型數據集中提取有用模式和知識的過程。
一種類似於流程圖的樹結構,用於根據一系列二進制拆分做出決策。
谷歌開發的一種圖像生成技術,使用卷積神經網絡通過放大網絡的特徵來生成夢幻般的圖像。
機器學習的一個子領域,涉及訓練多層神經網絡自行學習和做出決策。
在保留盡可能多的信息的同時減少數據集中特徵或維度數量的過程。
強化學習算法中未來獎勵的折扣因子,以平衡短期和長期獎勵之間的權衡。
一種通過將優化問題分解為更小的子問題並將這些子問題的解決方案存儲在表或數組中來解決優化問題的方法。
一種機器學習技術,其中訓練並組合多個模型以進行預測,目的是提高模型的整體性能。
代理在達到最終狀態之前在強化學習問題中經歷的狀態、動作和獎勵的序列。
一組使用自然進化原理(例如繁殖、突變和選擇)來尋找問題解決方案的算法。
一種利用人工智能技術模仿人類專家在特定領域的決策能力的計算機程序。
強化學習在探索新動作和利用已知良好動作之間的張力,以平衡代理的學習和獎勵最大化目標。
根據面部特徵識別和驗證個人的過程。
從原始數據中選擇和創建信息和相關特徵以用於機器學習模型的過程。
從較大的特徵集中選擇最相關特徵的子集用於機器學習模型的過程。
一種機器學習技術,涉及在新數據集上調整超參數或預訓練模型的參數,以優化其針對特定任務的性能。當預訓練模型可用於相關任務,但新任務的可用數據有限或目標任務與原始任務略有不同時,通常會使用微調。
當狀態或動作空間太大而無法明確表示時,使用函數來逼近強化學習問題中的價值函數或策略。
允許系統輸入和輸出中的不確定性和不精確性的一種數學邏輯形式。
一種生成模型,由兩個相互競爭的神經網絡(一個生成器和一個鑑別器)組成,它們分別學習生成和識別合成數據。
一種神經網絡,由兩個相互競爭的網絡(一個生成器和一個鑑別器)組成,它們分別學習生成和識別合成數據。
一種機器學習模型,可以學習數據的基本分佈,並可以從中生成新的合成樣本。
一種搜索算法,它使用自然進化原理(例如繁殖、變異和選擇)來尋找問題的解決方案。
由 OpenAI 開發的一種大型語言模型,它使用轉換器架構和自我監督學習來生成類似人類的文本。
一種解決問題的方法,涉及通過反複試驗和從過去的經驗中學習來找到解決方案。
調整訓練前設置的機器學習模型參數以提高其性能的過程。
使用相關信息(例如對像類或邊界框)標記或註釋圖像的過程。
生成圖像的自然語言描述的過程。
將圖像分配給一個或多個預定義類別或類別的過程。
向灰度圖像添加顏色的過程。
改善圖像視覺質量的過程,例如增加對比度或去除噪點。
使用人工智能技術創建新的合成圖像的過程。
準備圖像以供使用的過程
修復或恢復退化或損壞圖像的過程。
根據視覺內容從大型數據庫中搜索和檢索圖像的過程。
將圖像劃分為多個區域或片段的過程,每個區域或片段代表不同的對像或背景。
將圖像從一個域轉換到另一個域的過程,例如將照片轉換為繪畫或素描。
使用邏輯推理從前提推導出結論的過程。
修復或填充圖像損壞或缺失部分的過程。
一種無監督機器學習算法,用於將數據點聚類到預定義數量的聚類中。
知識在計算機系統中編碼和存儲的方式。
人工智能中的語言模型是一種統計模型,用於預測語言中一系列單詞或標記的可能性。語言模型通常用於自然語言處理任務,以生成連貫且適當的文本。
人工智能中的大型語言模型是一種統計模型,它在非常大的文本數據集上進行訓練,並使用機器學習技術來學習語言的模式和結構。大型語言模型通常用於語言生成、機器翻譯和文本分類等任務,能夠生成高度連貫和流暢的類人文本。
一種使用大量數據訓練算法並允許算法自行學習和改進而無需顯式編程的方法。
強化學習中使用的數學框架,用於模擬代理在連續、不確定環境中的決策過程。
馬爾可夫決策過程中的狀態屬性表示,在給定當前狀態的情況下,未來獨立於過去。
只有獎勵成分的馬爾可夫決策過程,不涉及任何決策。
模型是問題或系統的表示,可用於做出預測、決策或學習數據中的模式。模型是機器學習的基本組成部分,用於執行各種任務,例如分類、回歸、聚類或降維。可以使用各種機器學習算法(例如監督學習、無監督學習或強化學習)在數據集上訓練模型,以學習數據中的關係和模式,並根據它們做出預測或決策。
使機器學習模型可用於生產環境的過程,例如將其部署到 Web 服務器或將其集成到應用程序中。
使用準確度、精確度和召回率等指標衡量機器學習模型在特定任務上的性能的過程。
為給定任務在一組候選模型中選擇最佳模型的過程。
一種使用隨機抽樣來估計價值函數或最優策略的強化學習算法。
一個強化學習問題,代理必須在一組動作中進行選擇,每個動作都有未知的獎勵分佈,並通過反複試驗了解哪些動作是最有價值的。
基於貝葉斯概率定理的用於分類任務的機器學習算法。
計算機理解、解釋和生成人類語言的能力。
一種以人腦的結構和功能為模型的機器學習算法,由可以處理和傳輸信息的相互連接的“神經元”層組成。
將特徵或數據集的值縮放到公共範圍的過程,例如 [0, 1] 或 [-1, 1]。
識別和定位圖像或視頻中的對象的過程。
表示特定知識領域內的關係和類別的系統。
在強化學習問題中最大化預期累積獎勵的策略。
與強化學習問題中的最優策略相對應的價值函數。
機器學習模型在訓練數據上表現良好但在新的、未見過的數據上表現不佳的情況,原因是過於復雜並且適合訓練數據中的噪聲。
識別數據中的模式或規律的能力。
為實現特定目標而確定行動方案的過程。
一種強化學習算法,涉及在評估當前策略和基於學習的價值函數改進它之間交替。
準備用於機器學習模型的數據的過程,包括清理、轉換和縮放數據。
一種學習動作價值函數(也稱為 Q 函數)的強化學習算法,它估計給定狀態下每個動作的預期未來回報。
根據證據和邏輯論證得出結論的過程。
一種專門為處理順序數據而設計的神經網絡,使用反饋連接讓網絡記住並利用過去的信息。
一種機器學習技術,用於根據一組輸入特徵預測連續數值。
一種機器學習類型,在這種機器學習中,代理通過與其環境交互並接受對其行為的獎勵或懲罰來通過反複試驗進行學習。
一種機器學習技術,其中人工智能 (AI) 系統從人類用戶或培訓師提供的反饋或獎勵中學習
定義代理人因其在強化學習問題中的行為而收到的獎勵或懲罰的函數。
機器人與自動化的研究與應用。
SARSA算法是機器學習領域的一種強化學習算法,得名於「狀態-動作-獎勵-狀態-動作」的英文首字母縮寫。 SARSA算法最早是由G.A. Rummery, M. Niranjan在1994年提出的,當時稱為「改進型聯結主義Q學習」。Richard S. Sutton提出了使用替代名SARSA強化學習算法,它使用預期獎勵和下一個動作的價值來學習動作價值函數,而不是像 Q 學習中那樣使用最終獎勵。
萬維網的擴展,使機器能夠理解網絡上數據的含義。
Stable Diffusion 是一種基於深度學習的文本轉圖像模型,可以根據文本描述生成高度詳細的圖像。
將要素或數據集的值轉換為零均值和單位方差的過程。
強化學習問題中所有可能狀態的集合。
基於動作和環境的轉換概率,代理在強化學習問題中從一種狀態移動到另一種狀態。
將一個圖像的風格轉移到另一個圖像的過程,同時保留第二個圖像的內容。
通過填充缺失的細節來提高圖像或視頻分辨率的過程。
用於分類和回歸任務的機器學習算法。
一種強化學習算法,它使用時間差異誤差(估計的未來獎勵與實際的未來獎勵之間的差異)來更新動作價值函數。
基於自然語言描述生成圖像的機器學習系統。
訓練是指從數據中學習以提高模型或系統性能的過程。訓練是機器學習的基本組成部分,涉及為模型提供數據集並調整其參數或權重以優化其針對特定任務的性能。
代理在強化學習問題中遵循的狀態和動作序列。
一種機器學習技術,其中針對一項任務訓練的模型針對相關任務進行微調或調整。
由於過於簡單且無法捕獲數據中的潛在模式,機器學習模型在訓練和新的、看不見的數據上表現不佳的情況。
一種強化學習算法,涉及迭代改進價值函數,直到它收斂到最優價值函數。
一種生成模型,由將輸入數據映射到潛在表示的編碼器網絡和將潛在表示映射回原始數據空間的解碼器網絡組成。