交互考研熱點｜信息技術+人工智能術語名詞解釋

大數據智能big data intelligence是以人工智能手段對大數據進行深入分析，探析其隱含模式和規律的智能形態，實現從大數據到知識進而到決策的理論方法和支撐技術。 混合增強智能　hybrid Enhanced intelligence是利用人類和機器兩種智能的差異性和互補性，通過個體智能融合、群體智能融合、智能共同演進，實現人機智能共融共生的復雜感知和計算。 跨媒體智能　cross-media intelligence通過視聽感知、機器學習和語言計算，把實體世界轉化為內部模型，實現統一媒體語義表達的智能感知和認知。 人工智能　artificial intelligence；AI已工程化（即設計并制造）的系統感知環境的能力，以及獲取、處理、應用和表示知識的能力。 注：知識是通過經驗或教育獲得的事實、信息和技能。 關注良性界定的任務，處置特定問題的人工智能。 狹義人工智能　narrow AI弱人工智能 weak AI關注定義明確的任務以處置特定問題的人工智能。 自主智能　autonomous intelligence通過將計算機的邏輯分析提升為邏輯思維，實現在不同環境條件中自主產生新的邏輯并擺脫人類的框架式控制的智能思維。 大數據　big data具有體量巨大、來源多樣、生成極快、且多變等特征并且難以用傳統數據體系結構有效處理的包含大量數據集的數據。 注：國際上,大數據的4個特征普遍不加修飾地直接用volume、variety、velocity和variability予以表述，并分別賦予了它們在大數據語境下的定義；物聯網　Internet of things；IOT通過感知設備，按照約定協議，連接物、人、系統和信息資源，實現對物理和虛擬世界的信息進行處理并作出反應的智能服務系統。 計算即服務　compute as a Service；CompaaS為云服務客戶部署和運行軟件提供配置和使用計算資源能力的一種云服務類別。 注：為了運行某些軟件，除計算資源外可能還需要一些其他資源。 平臺即服務　platform as a service；PaaS為云服務客戶提供云能力類型中的平臺能力類型的一種云服務類別。 軟件即服務　software as a service；SaaS為云服務客戶提供云能力類型中的應用能力類型的一種云服務類別。 [來源：GB/T -2015，3.2.30]通信即服務　communications as a service；CaaS為云服務客戶提供實時交互與協作能力的一種云服務類別。 智能傳感器　intelligent sensor具有與外部系統雙向通信手段，用戶發送測量、狀態信息，接收和處理外部命令的傳感器。 神經網絡　neural network/neural net/artificial neural network一種網絡，由帶可調權重的加權鏈路將各原始處理元互連，通過對輸入值使用非線性函數使每個元素都產生一個值，然后將此值傳到其他元素，或表示為一個輸出值。 神經網絡模型　neural-network model神經網絡的抽象模型，它能用軟件來模擬或作為神經計算機加以實現。 深度學習　deep learning通過訓練具有許多隱層的神經網絡來創建豐富層次表示的方法。 無監督機器學習　unsupervised machine learning基于無標注的輸入數據，學習輸入-輸出映射函數的任務。 有監督機器學習　supervised machine learning基于標注的示例輸入-輸出對，學習輸入-輸出映射函數的任務。 知識存儲　knowledge storage組織將有價值的知識經過選擇、過濾、加工和提煉后，通過某些技術手段存儲于組織內部，并隨時更新和維護其內容和結構，以便用于用戶訪問、獲取知識的活動。 知識獲取　knowledge acquisition組織從某種知識源中總結和抽取有價值的知識的活動。 知識圖譜　knowledge graph一種由相互連接的概念及其關系組成，用以表示知識語義的圖示方法。 語義理解　semantic comprehension理解數據符號的語義信息，或在具體業務場景下的需求表達，并按照要求輸出正確反饋結果的過程。 自然語言理解　natural-language understanding通過對功能單元從已傳入的功能單元中的自然語言形式的文本或語音中的提取信息，并產生對給定文本或語音及其表示的描述。 話音識別　voice recognition利用功能單元進行的，表示從話音信號到話音某些聲學特征的某一的轉換人機（器）交互　human-robot interaction人和機器人通過用戶接口交流信息和動作來執行任務。 語音編碼　speech coding;speech encoding語音波形編碼 speech waveform coding按照一組能合理重構語音信號的規則，由經數字化的語音信號到離散的數據元序列的轉換。 注：語音數字化可與用于語音壓縮的某一編碼相結合。 因此，“語音編碼”這一術語常指這種組合運算。 語音處理　speech processing對語音信號所作的處理（如語音分析、語音壓縮、語音識別及語音合成）。 語音分析　speech analysis對某一語音信號的各特征參數的提取。 注：特征參數包括：單個聲段（元音與輔音）的性質，音節結構，韻律特征，形素結構，詞素，語段，短語，子句及長話語段的約束。 語音交互　speech interaction人類與功能單元之間通過語音進行的信息輸入輸出行為。 機器視覺　machine vision一種利用機器代替人眼做測量和判斷，實現人工視覺功能的綜合技術。 計算機圖形（學）　computer graphics借助計算機來創建、操縱、存儲和顯示各種對象及數據的圖畫表示的方法與技術。 注：計算機生成的圖像可以是二維的或三維的。 手勢識別　gesture recognition一種通過分析視頻（圖像）中手部姿勢或運動而獲取信息的方法。 圖像處理　image processing對于對象或數據的圖像表示，為給定目的而施加任一操作的過程。 注：操作實例有景物分析、圖像壓縮、圖像復原、圖像增強、預處理、量子化、空間過濾及二維與三維對象模型的構造。 姿態識別　pose recognition一種用于在圖像或視頻內預估標記物體或人的方位指向或動作狀態并進行分類的方法。 混合現實　mixed reality實現真實場景和虛擬場景的混合匹配的技術，場景中物理對象和虛擬對象共同存在且能夠實時交互，從而構建出的一個真實對象和虛擬對象實時交融的新環境。 注1：理想的混合現實是實現真實場景與虛擬環境在幾毫秒、光照、物理和交互一致性的完全匹配。 注2：增強現實和增強虛擬是混合現實的兩種形態。 虛擬現實　virtual reality采用以計算機為核心的現代高科技手段生成的逼真的視覺、聽覺、觸覺、嗅覺、味覺等多感官一體化的數字化人工環境，用戶借助一些輸入、輸出設備，采用自然的方式與虛擬世界的對象進行交互，相互影響，從而產生親臨真實環境的感覺和體驗。 虛實融合　virtual-reality integration將移動終端或計算機通過數字技術產生的虛擬場景與真實場景進行實時的數字化混合，使虛擬物體和真實物體共同存在同一個場景中。 增強現實　augmented reality采用以計算機為核心的現代高科技手段生成的附加信息對使用者感知到的真實世界進行增強的環境，生成的信息以視覺、聽覺、味覺、嗅覺、觸覺等生理感覺融合的方式疊加至真實場景中。 增強虛擬　augmented virtuality將真實場景中的物理對象的幾何和物理屬性融合至計算機生成的虛擬場景中，形成對虛擬場景進行增強。 注：區別于增強現實，增強虛擬的主體是由計算機生成的虛擬世界而非用戶所處的真實世界。

計算機與智能技術包括哪些?

計算機與智能技術包括以下幾個方面：1. 人工智能（Artificial Intelligence，AI）：人工智能是計算機科學的一個分支，涉及構建智能系統，使計算機能夠模擬和執行類似于人類智能的任務。 人工智能包括機器學習、深度學習、專家系統、自然語言處理、計算機視覺等技術，用于實現自動化決策、模式識別、語言理解、圖像識別等智能任務。 2. 數據科學與大數據：數據科學涉及使用計算機技術和算法來收集、處理和分析大量的數據。 大數據技術包括存儲和處理大規模數據集的方法和工具，例如分布式存儲系統、數據挖掘、數據可視化和數據分析等。 3. 機器學習（Machine Learning）：機器學習是一種人工智能技術，通過讓計算機系統從數據中學習和改進性能，而不需要顯式地進行編程。 機器學習可以應用于各種任務，如預測分析、模式識別、推薦系統等。 4. 自然語言處理（Natural Language Processing，NLP）：自然語言處理涉及計算機對人類語言進行理解和處理的技術。 它包括文本分析、語義理解、情感分析、語言生成等任務，使計算機能夠與人類語言進行交互和理解。 5. 計算機視覺（Computer Vision）：計算機視覺是一種使用計算機和算法來模擬和理解人類視覺系統的技術。 它涉及圖像和視頻的處理、分析和理解，用于對象識別、人臉識別、圖像分割等應用。 6. 自動化與機器人技術：自動化技術使用計算機控制系統和機器人來自動執行任務和操作。 它包括工業自動化、無人駕駛技術、智能家居等領域的應用，提高了生產效率和生活便利性。 以上只是計算機與智能技術領域的一些重要方面，隨著科技的不斷進步和創新，還會涌現出更多新的技術和應用。

ml是什么

ML（Machine Learning），翻譯為機器學習，是一種人工智能（AI）的分支領域，是計算機科學中研究和開發能夠從數據中學習并不斷改進的算法和模型的科學。

機器學習旨在讓計算機系統具備類似人類學習和決策的能力，以便更好地應對各種任務和挑戰。

機器學習的基本原理

機器學習的核心思想是，通過分析和學習數據，計算機可以自動識別模式、做出預測和優化決策。 機器學習系統不是通過硬編碼規則來執行任務，而是從數據中提取模式和規律，然后利用這些模式做出決策。

機器學習的基本原理包括以下幾個方面：

人工智能的概念及其技術包括哪些方面？

人工智能（Artificial Intelligence，AI）是探索使計算機能夠執行通常需要人類智力才能完成的任務的研究領域。 這一領域涉及的技術和概念廣泛，主要包括：1. 機器學習（Machine Learning）：機器學習是人工智能的一個子領域，專注于開發算法，使計算機可以從數據中學習并做出預測或決策，而無需顯式編程。 它包括監督學習、無監督學習、強化學習等多種方法。 2. 深度學習（Deep Learning）：深度學習是機器學習的一個分支，利用人工神經網絡模擬人腦工作方式，實現對復雜數據的高級抽象和學習。 它在圖像識別、語音識別等領域取得了顯著成果。 3. 自然語言處理（Natural Language Processing，NLP）：自然語言處理研究如何使計算機理解、解釋和處理人類語言，包括文本分析、語音識別、機器翻譯等。 4. 專家系統（Expert Systems）：專家系統利用知識庫和推理機制模擬人類專家的決策過程，應用于診斷、咨詢、規劃等領域。 5. 計算機視覺（Computer Vision）：計算機視覺研究如何使計算機能夠“看”和理解圖像或視頻，包括圖像識別、目標檢測、圖像生成等。 6. 智能代理（Intelligent Agents）：智能代理是能夠感知環境并采取行動以實現特定目標的自主實體，是人工智能在實際應用中的關鍵部分。 除了上述技術領域，人工智能還涉及倫理、法律、社會等方面的問題，如道德問題、隱私保護、智能系統的透明度和可解釋性等，這些都是在發展人工智能時需要認真考慮的議題。

人工神經網絡與機器學習的關系

人工神經網絡與機器學習的關系如下：

人工神經網絡（Artificial Neural Networks，ANN）和機器學習（Machine Learning，是兩個密切相關但又有所區別的概念。

人工神經網絡是機器學習中的一種方法。 它是一種模擬人腦神經元工作模式的計算模型，用于識別模式、分類數據或預測結果。 神經網絡由許多相互連接的節點（或“神經元”）組成，每個節點都可以接收輸入、處理信息并產生輸出。 通過調整網絡中的權重和偏置，神經網絡可以學習從輸入到輸出的映射關系。

而機器學習則是一種更廣泛的概念，它指的是讓機器從數據中學習并做出預測或決策的過程。 機器學習的方法包括監督學習、無監督學習、半監督學習和強化學習等。 人工神經網絡是監督學習中最常用的一種方法，特別是在處理復雜的非線性問題時，如圖像識別、語音識別和自然語言處理等。

盡管人工神經網絡是機器學習的一部分，但它們之間的區別也很明顯。 一方面神經網絡只是機器學習眾多方法中的一種；另一方面并非所有的機器學習算法都需要使用神經網絡。

支持向量機（SVM）就是一種常用的機器學習算法，但它并不基于神經網絡。 人工神經網絡和機器學習是相互關聯的兩個概念。 神經網絡是實現機器學習目標的一種有效工具，而機器學習則為我們提供了一種理解和利用數據的框架。

人工智能

人工智能（英文名：Artificial Intelligence，英文縮寫：AI），誕生于1956年的達特茅斯學會議，人工智能是指通過分析其環境而具有一定程度的自主性行動，以實現特定目標而顯示智能行為的系統。

上一篇：數據參量化對數據可視化的影響提升溝通和洞

下一篇：駕馭大數據浪潮數據參量化在數據倉庫和數據