Александр Чесалов – Глоссариум по искусственному интеллекту: 2500 терминов. Том 1 (страница 19)

Исследование (Study) – это вся информация, собранная в одно время или для одной цели или одним главным исследователем. Исследование состоит из одного или нескольких файлов394.

Исследования будущего (Futures studies) – это изучение постулирования возможных, вероятных и предпочтительных вариантов будущего, а также мировоззрений и мифов, лежащих в их основе395.

Исходная отметка (Бенчмарк) ИИ (AI benchmark) – это эталонный тест ИИ для оценки возможностей, эффективности, производительности и для сравнения ИНС, моделей машинного обучения (МО), архитектур и алгоритмов при решении различных задач ИИ создаются и стандартизируется специальные эталонные тесты, исходные отметки. Например, Benchmarking Graph Neural Networks – бенчмаркинг (эталонное тестирование) графовых нейронных сетей (ГНС, GNN) – обычно включает инсталляцию конкретного бенчмарка, загрузку исходных датасетов, проведение тестирования ИНС, добавление нового датасета и повторение итераций.

Исчисление высказываний (также логика высказываний и логика нулевого порядка) (Propositional calculus) – это раздел логики, который имеет дело с высказываниями (которые могут быть истинными или ложными) и потоком аргументов. Сложные предложения образуются путем соединения предложений логическими связками. Предложения без логических связок называются атомарными предложениями. В отличие от логики первого порядка, логика высказываний не имеет дело с нелогическими объектами, предикатами о них или кванторами. Однако весь механизм пропозициональной логики включен в логику первого порядка и логику высшего порядка. В этом смысле логика высказываний является основой логики первого порядка и логики высшего порядка396.

Исчисление соединений регионов (Region connection calculus, RCC) – это действие предназначено для качественного пространственного представления и рассуждений. RCC абстрактно описывает регионы (в евклидовом пространстве или в топологическом пространстве) их возможными отношениями друг к другу. RCC8 состоит из 8 основных отношений, которые возможны между двумя регионами397.

Итерация (Iteration) – это обновление весов после анализа пакета входных записей, которое представляет собой одну итерацию обновления параметров модели нейронной сети398.

Исходный код (Source code) – это любой набор кода с комментариями или без них, написанный с использованием удобочитаемого языка программирования, обычно в виде простого текста. Исходный код программы специально разработан для облегчения работы компьютерных программистов, которые определяют действия, которые должны выполняться компьютером, в основном, путем написания исходного кода. Исходный код часто преобразуется ассемблером или компилятором в двоичный машинный код, который может выполняться компьютером. Затем машинный код может быть сохранен для выполнения в более позднее время399.

«К»

Калибровочный слой (Calibration layer) – это корректировка после прогнозирования, обычно для учета смещения прогноза. Скорректированные прогнозы и вероятности должны соответствовать распределению наблюдаемого набора меток400.

Канонические форматы (Canonical Formats) в информационных технологиях канонизация – это процесс приведения чего-либо в соответствие с некоторой спецификацией… и в утвержденном формате. Канонизация иногда может означать создание канонических данных из неканонических данных. Канонические форматы широко поддерживаются и считаются оптимальными для долгосрочного хранения401.

Капсульная нейронная сеть (Capsule neural network) – это архитектура искусственных нейронных сетей, которая предназначена для распознавания изображений. Главными преимуществами данной архитектуры является существенное снижение размеров необходимой для обучения выборки, а также повышение точности распознавания и устойчивость к атакам типа «белый ящик». Ключевым нововведением капсульных нейросетей является наличие так называемых капсул – элементов, являющихся промежуточными единицами между нейронами и слоями, которые представляют собой группы виртуальных нейронов, отслеживающих не только отдельные детали изображения, но и их расположение друг относительно друга. Данная архитектура была задумана Джеффри Хинтоном в 1979 году, сформулирована в 2011 году и опубликована в двух статьях в октябре 2017 года402,403.

Категориальные данные (Categorical data) – это данные, качественно характеризующие исследуемый процесс или объект, не имеющие количественного выражения. В них каждая единица наблюдения назначается определенной группе или номинальной категории на основе некоторого качественного свойства. Обычно представляют собой построчные значения из ограниченного набора категорий (например, названия городов, наименования товаров, имена сотрудников и клиентов и т.д.). В некоторых случаях могут использоваться и числа, кодирующие эти категории. При обработке таких данных применяются только операции сравнения: «равно» и «не равно», производится их упорядочение, например, по алфавиту. Применение арифметических операций к категориальным данным некорректно, даже если они представлены числами404.

Квантильное группирование (Quantile bucketing) – это распределение значений объекта по сегментам таким образом, чтобы каждый сегмент содержал одинаковое (или почти одинаковое) количество примеров. Например, на следующем рисунке 44 точки разделены на 4 корзины, каждая из которых содержит 11 точек. Чтобы каждый сегмент на рисунке содержал одинаковое количество точек, некоторые сегменты охватывают разную ширину значений x405.

Квантификатор (Quantifier) в логике – это количественная оценка указывает количество экземпляров в области дискурса, которые удовлетворяют открытой формуле. Два наиболее распространенных квантификатора означают «для всех» и «существует». Например, в арифметике квантификаторы позволяют сказать, что натуральные числа продолжаются вечно, записав, что для всех n (где n – натуральное число) существует другое число (скажем, следующее за n), которое на единицу больше, чем n406.

Квантование (Quantization) – это разбиение диапазона отсчётных значений сигнала на конечное число уровней и округления этих значений до одного из двух ближайших к ним уровней407.

Квантовые вычисления (Quantum computing) – это использование квантово-механических явлений, таких как суперпозиция и запутанность, для выполнения вычислений. Квантовый компьютер используется для выполнения таких вычислений, которые могут быть реализованы теоретически или физически408,409.

Квантовые технологии (Quantum technologies) – это технологии создания вычислительных систем, основанные на новых принципах (квантовых эффектах), позволяющие радикально изменить способы передачи и обработки больших массивов данных410.

Киберфизические системы (Cyber-physical systems) – это интеллектуальные сетевые системы со встроенными датчиками, процессорами и приводами, которые предназначены для взаимодействия с физической окружающей средой и поддержки работы компьютерных информационных систем в режиме реального времени411.

Класс (Class) – это термин из набора перечисленных целевых значений меток. Например, в модели бинарной классификации, обнаруживающей спам-рассылку, существует два класса – это спам и не спам. В многоклассовой модели классификации, которая идентифицирует породы собак, классами будут пудель, бигль, мопс и так далее412.

Класс большинства (Majority class) – это метка в наборе данных с несбалансированным классом. Несбалансированные данные относятся к случаям, когда количество наблюдений в классе распределено неравномерно, и часто существует основной класс -класс большинства, который имеет гораздо больший процент набора данных, и второстепенные классы, в которых недостаточно примеров413.

Класс меньшинства (Minority class) – это метка в несбалансированном по классам наборе данных. Например, учитывая набор данных, содержащий 99% ярлыков, не относящихся к спаму, и 1% ярлыков для спама, ярлыки для спама относятся к классу меньшинства в наборе данных с несбалансированным классом414.

Класс сложности NP (недетерминированное полиномиальное время) (NP) – в теории вычислительной сложности – это класс, используемый для классификации проблем принятия решений. NP – это множество проблем решения, для которых экземпляры проблемы, где ответ «да», имеют доказательства, проверяемые за полиномиальное время с помощью детерминированной машины Тьюринга415.

Классификация (Classification). В задачах классификации используется алгоритм для точного распределения тестовых данных по определенным категориям, например, при отделении яблок от апельсинов. Или, в реальном мире, алгоритмы обучения с учителем можно использовать для классификации спама в отдельной папке из вашего почтового ящика. Линейные классификаторы, машины опорных векторов, деревья решений и случайный лес – все это распространенные типы алгоритмов классификации416.

Кластеризация (Clustering) – это метод интеллектуального анализа данных для группировки неразмеченных данных на основе их сходства или различия. Например, алгоритмы кластеризации K-средних распределяют сходные точки данных по группам, где значение K представляет размер группировки и степень детализации. Этот метод полезен для сегментации рынка, сжатия изображений и т.д.417.