معجم الذكاء الاصطناعي

هذا القاموس الخاص بالذكاء الاصطناعي عبارة عن قائمة بتعاريف المصطلحات والمفاهيم ذات الصلة بدراسة الذكاء الاصطناعي ، وتخصصاته الفرعية، والمجالات ذات الصلة. تشمل القاموسات ذات الصلة قاموس علوم الكمبيوتر ، و قاموس الروبوتات ، و قاموس الرؤية الآلية .

أ

بحث أ*: خوارزمية عبور الرسم البياني وتحديد المسار والتي تستخدم في العديد من مجالات علوم الكمبيوتر بسبب اكتمالها ومثاليتها وكفاءتها المثلى.
برمجة المنطق الاستقرائي (ALP): إطار عمل تمثيل المعرفة عالي المستوى يمكن استخدامه لحل المشكلات بشكل إعلاني استنادًا إلى الاستدلال الاستنتاجي. وهو يمتد إلى برمجة المنطق العادي من خلال السماح بتعريف بعض المتنبئات بشكل غير كامل، وإعلانها كمتنبئات قابلة للاستنتاج.
الاستدلال الاستنباطي: شكل من أشكال الاستدلال المنطقي يبدأ بملاحظة أو مجموعة من الملاحظات ثم يسعى إلى إيجاد أبسط تفسير وأكثرها احتمالية. هذه العملية، على عكس الاستدلال الاستنتاجي ، تؤدي إلى نتيجة معقولة ولكنها لا تتحقق منها بشكل إيجابي. ^[1] الاستدلال الاستقرائي، ^[1] أو الإرجاع ^[2]
الاستئصال: إزالة أحد مكونات نظام الذكاء الاصطناعي. تهدف دراسة الاستئصال إلى تحديد مساهمة أحد المكونات في نظام الذكاء الاصطناعي من خلال إزالة المكون، ثم تحليل الأداء الناتج للنظام. ^[3]
نوع البيانات المجردة: نموذج رياضي لأنواع البيانات ، حيث يتم تعريف نوع البيانات من خلال سلوكه ( الدلالات ) من وجهة نظر مستخدم البيانات، وتحديدًا من حيث القيم المحتملة، والعمليات الممكنة على بيانات هذا النوع، وسلوك هذه العمليات.
التجريد: عملية إزالة التفاصيل المادية أو المكانية أو الزمنية ^[4] أو السمات في دراسة الأشياء أو الأنظمة من أجل الاهتمام بشكل أوثق بتفاصيل أخرى ذات أهمية ^[5]
تسريع التغيير: زيادة ملحوظة في معدل التغير التكنولوجي عبر التاريخ، مما قد يشير إلى تغير أسرع وأعمق في المستقبل وقد يكون أو لا يكون مصحوبًا بتغيير اجتماعي وثقافي عميق بنفس القدر.
لغة الفعل: لغة لتحديد أنظمة انتقال الحالة ، وتستخدم عادة لإنشاء نماذج رسمية لتأثيرات الإجراءات على العالم. ^[6] تُستخدم لغات الإجراء بشكل شائع في مجالات الذكاء الاصطناعي والروبوتات ، حيث تصف كيف تؤثر الإجراءات على حالات الأنظمة بمرور الوقت، ويمكن استخدامها للتخطيط الآلي .
نموذج التعلم العملي: مجال من مجالات التعلم الآلي يهتم بإنشاء وتعديل معرفة وكيل البرنامج حول التأثيرات والشروط المسبقة للإجراءات التي يمكن تنفيذها داخل بيئته. وعادةً ما يتم تمثيل هذه المعرفة في لغة وصف الإجراءات القائمة على المنطق واستخدامها كمدخلات للمخططين الآليين.
اختيار العمل: إنها طريقة لوصف المشكلة الأساسية التي تواجه الأنظمة الذكية: ما الذي ينبغي القيام به بعد ذلك. في مجال الذكاء الاصطناعي وعلوم الإدراك الحاسوبية، ترتبط "مشكلة اختيار الفعل" عادة بالوكلاء الأذكياء والأنظمة المتحركة ـ الأنظمة الاصطناعية التي تظهر سلوكاً معقداً في بيئة الوكلاء.
وظيفة التنشيط: في الشبكات العصبية الاصطناعية، تحدد دالة تنشيط العقدة مخرجات تلك العقدة بالنظر إلى مدخلات أو مجموعة من المدخلات.
خوارزمية تكيفية: خوارزمية تغير سلوكها في وقت تشغيلها، بناءً على آلية أو معيار مكافأة محدد مسبقًا .
نظام الاستدلال العصبي الضبابي التكيفي (ANFIS): نوع من الشبكات العصبية الاصطناعية التي تعتمد على نظام الاستدلال الضبابي تاكاجي-سوجينو . تم تطوير هذه التقنية في أوائل التسعينيات. ^[7]^[8] نظرًا لأنها تدمج كل من الشبكات العصبية ومبادئ المنطق الضبابي، فإنها تتمتع بالقدرة على الاستفادة من كليهما في إطار واحد. يتوافق نظام الاستدلال الخاص بها مع مجموعة من قواعد IF-THEN الضبابية التي تتمتع بالقدرة على التعلم لتقريب الوظائف غير الخطية. ^[9] وبالتالي، يُعتبر ANFIS مقدرًا عالميًا. ^[10] لاستخدام ANFIS بطريقة أكثر كفاءة وأفضل، يمكن للمرء استخدام أفضل المعلمات التي تم الحصول عليها بواسطة الخوارزمية الجينية. ^[11]^[12]
الاستدلال المقبول: في علوم الكمبيوتر ، وتحديدًا في الخوارزميات المتعلقة بتحديد المسار، يُقال إن الوظيفة الاستدلالية مقبولة إذا لم تبالغ أبدًا في تقدير تكلفة الوصول إلى الهدف، أي أن التكلفة التي تقدرها للوصول إلى الهدف ليست أعلى من أقل تكلفة ممكنة من النقطة الحالية في المسار. ^[13]
الحوسبة العاطفية: دراسة وتطوير الأنظمة والأجهزة القادرة على التعرف على المشاعر البشرية وتفسيرها ومعالجتها ومحاكاتها . الحوسبة العاطفية هي مجال متعدد التخصصات يشمل علوم الكمبيوتر وعلم النفس والعلوم المعرفية . ^[14]^[15]
هندسة الوكيل: مخطط تفصيلي لوكلاء البرمجيات وأنظمة التحكم الذكية، يصور ترتيب المكونات. يشار إلى البنيات التي ينفذها الوكلاء الأذكياء بالبنيات المعرفية . ^[16]
مُسرِّع الذكاء الاصطناعي: فئة من المعالجات الدقيقة ^[17] أو أنظمة الكمبيوتر ^[18] المصممة لتسريع الأجهزة لتطبيقات الذكاء الاصطناعي، وخاصة الشبكات العصبية الاصطناعية، والرؤية الآلية، والتعلم الآلي.
الذكاء الاصطناعي الكامل: في مجال الذكاء الاصطناعي، تُعرف المشكلات الأكثر صعوبة بشكل غير رسمي باسم AI-complete أو AI-hard، مما يعني أن صعوبة هذه المشكلات الحسابية تعادل صعوبة حل مشكلة الذكاء الاصطناعي المركزية - جعل أجهزة الكمبيوتر ذكية مثل البشر، أو الذكاء الاصطناعي القوي. ^[19] إن تسمية مشكلة بالذكاء الاصطناعي الكامل تعكس موقفًا مفاده أنه لن يتم حلها بواسطة خوارزمية محددة بسيطة.
خوارزمية: مواصفات واضحة لكيفية حل فئة من المشاكل. يمكن للخوارزميات إجراء عمليات حسابية ومعالجة بيانات ومهام استدلال آلي.
كفاءة الخوارزمية: خاصية الخوارزمية التي تتعلق بعدد الموارد الحسابية التي تستخدمها الخوارزمية. يجب تحليل الخوارزمية لتحديد استخدامها للموارد، ويمكن قياس كفاءة الخوارزمية بناءً على استخدام موارد مختلفة. يمكن اعتبار كفاءة الخوارزمية مماثلة لإنتاجية الهندسة لعملية متكررة أو مستمرة.
احتمالية خوارزمية: في نظرية المعلومات الخوارزمية ، الاحتمال الخوارزمي، المعروف أيضًا باسم احتمال سولومونوف، هو طريقة رياضية لتعيين احتمال مسبق لملاحظة معينة. اخترعها راي سولومونوف في ستينيات القرن العشرين. ^[20]
ألفاجو: برنامج كمبيوتر يلعب لعبة الطاولة جو . ^[21] تم تطويره بواسطة شركة جوجل ديب مايند التابعة لشركة ألفابت في لندن. يحتوي برنامج ألفا جو على عدة إصدارات بما في ذلك ألفا جو زيرو ، ألفا جو ماستر ، ألفا جو لي ، إلخ. ^[22] في أكتوبر 2015، أصبح ألفا جو أول برنامج جو حاسوبي يهزم لاعب جو محترف بشري دون إعاقات على لوحة بحجم 19 × 19 كاملة الحجم. ^[23]^[24]
الذكاء المحيط (AmI): بيئات إلكترونية حساسة ومتجاوبة مع وجود الأشخاص.
تحليل الخوارزميات: تحديد التعقيد الحسابي للخوارزميات، أي مقدار الوقت والتخزين و/أو الموارد الأخرى اللازمة لتنفيذها . وعادةً ما يتضمن ذلك تحديد دالة تربط طول مدخلات الخوارزمية بعدد الخطوات التي تتخذها (تعقيدها الزمني ) أو عدد مواقع التخزين التي تستخدمها ( تعقيدها المكاني ).
التحليلات: اكتشاف الأنماط ذات المعنى في البيانات وتفسيرها ونقلها.
برمجة مجموعة الإجابات (ASP): شكل من أشكال البرمجة التصريحية الموجهة نحو مشاكل البحث الصعبة (أساسًا NP-hard ) . وهي تستند إلى دلالات النموذج المستقر (مجموعة الإجابات) للبرمجة المنطقية . في ASP، يتم تقليص مشاكل البحث إلى حساب نماذج مستقرة، ويتم استخدام حلول مجموعة الإجابات -برامج لتوليد نماذج مستقرة- لإجراء البحث.
تحسين مستعمرة النمل (ACO): تقنية احتمالية لحل المشاكل الحسابية التي يمكن اختصارها في العثور على مسارات جيدة من خلال الرسوم البيانية .
خوارزمية في أي وقت: خوارزمية يمكنها إرجاع حل صالح لمشكلة حتى لو تمت مقاطعتها قبل نهايتها.
واجهة برمجة التطبيقات (API): مجموعة من تعريفات البرامج الفرعية وبروتوكولات الاتصال والأدوات لبناء البرامج. بشكل عام، إنها مجموعة من طرق الاتصال المحددة بوضوح بين المكونات المختلفة. تجعل واجهة برمجة التطبيقات الجيدة من السهل تطوير برنامج كمبيوتر من خلال توفير جميع اللبنات الأساسية، والتي يتم تجميعها بعد ذلك بواسطة المبرمج . قد تكون واجهة برمجة التطبيقات لنظام قائم على الويب أو نظام تشغيل أو نظام قاعدة بيانات أو أجهزة كمبيوتر أو مكتبة برامج .
مطابقة السلسلة التقريبية: تقنية العثور على سلاسل تطابق نمطًا ما تقريبًا (وليس تمامًا). تنقسم مشكلة المطابقة التقريبية للسلاسل عادةً إلى مشكلتين فرعيتين: العثور على سلاسل فرعية تقريبية مطابقة داخل سلسلة معينة والعثور على سلاسل قاموس تطابق النمط تقريبًا.
خطأ التقريب: التناقض بين القيمة الدقيقة وبعض التقريبات لها.
إطار الحجة: طريقة للتعامل مع المعلومات المثيرة للجدال واستخلاص النتائج منها. في إطار الحجج المجردة، ^[25] تكون المعلومات الأولية عبارة عن مجموعة من الحجج المجردة التي تمثل، على سبيل المثال، بيانات أو اقتراحًا. يتم تمثيل الصراعات بين الحجج من خلال علاقة ثنائية على مجموعة الحجج. من الناحية العملية، يمكنك تمثيل إطار الحجج برسم بياني موجه بحيث تكون العقد هي الحجج، وتمثل الأسهم علاقة الهجوم. توجد بعض الامتدادات لإطار دونج، مثل أطر الحجج القائمة على المنطق ^[26] أو أطر الحجج القائمة على القيمة. ^[27]
الذكاء العام الاصطناعي (AGI): نوع من الذكاء الاصطناعي الذي يطابق أو يتفوق على القدرات المعرفية البشرية عبر مجموعة واسعة من المهام المعرفية.
نظام المناعة الاصطناعي (AIS): فئة من أنظمة التعلم الآلي القائمة على القواعد والذكية حاسوبيًا والمستوحاة من مبادئ وعمليات الجهاز المناعي للفقاريات . عادةً ما يتم تصميم الخوارزميات وفقًا لخصائص الجهاز المناعي للتعلم والذاكرة لاستخدامها في حل المشكلات .
الذكاء الاصطناعي: أي ذكاء تظهره الآلات ، على النقيض من الذكاء الطبيعي الذي يظهره البشر والحيوانات الأخرى. في علوم الكمبيوتر ، يُعرَّف بحث الذكاء الاصطناعي بأنه دراسة "الوكلاء الأذكياء": أي جهاز يدرك بيئته ويتخذ إجراءات تزيد من فرصته في تحقيق أهدافه بنجاح. ^[28] بشكل عامي، يتم تطبيق مصطلح "الذكاء الاصطناعي" عندما تحاكي الآلة الوظائف "الإدراكية" التي يربطها البشر بعقول بشرية أخرى ، مثل "التعلم" و"حل المشكلات". ^[29]
لغة ترميز الذكاء الاصطناعي: لهجة XML لإنشاء وكلاء برمجيات اللغة الطبيعية .
جمعية النهوض بالذكاء الاصطناعي (AAAI): جمعية علمية دولية غير ربحية مكرسة لتعزيز البحث في الذكاء الاصطناعي والاستخدام المسؤول له. تهدف AAAI أيضًا إلى زيادة الفهم العام للذكاء الاصطناعي، وتحسين تعليم وتدريب ممارسي الذكاء الاصطناعي، وتقديم التوجيه لمخططي الأبحاث والجهات الممولة فيما يتعلق بأهمية وإمكانات تطورات الذكاء الاصطناعي الحالية والاتجاهات المستقبلية. ^[30]
التعقيد الحسابي المقارب: في نظرية التعقيد الحسابي، التعقيد الحسابي المقارب هو استخدام التحليل المقارب لتقدير التعقيد الحسابي للخوارزميات والمشكلات الحسابية ، ويرتبط عادة باستخدام تدوين O الكبير .
آلية الانتباه: الانتباه القائم على التعلم الآلي هو آلية تحاكي الانتباه المعرفي . فهو يحسب الأوزان "الناعمة" لكل كلمة، وبشكل أكثر دقة لتضمينها، في نافذة السياق . ويمكنه القيام بذلك إما بالتوازي (كما هو الحال في المحولات) أو بشكل متسلسل (كما هو الحال في الشبكات العصبية المتكررة ). ويمكن أن تتغير الأوزان "الناعمة" أثناء كل وقت تشغيل، على عكس الأوزان "الصعبة"، والتي يتم تدريبها (مسبقًا) وضبطها بدقة وتظل مجمدة بعد ذلك. تُستخدم رؤوس انتباه متعددة في نماذج اللغة الكبيرة القائمة على المحولات .
حساب الإسناد: نظام منطق وتمثيل حدده ريزارد س. ميخالسكي . وهو يجمع بين عناصر منطق المسند وحساب القضايا والمنطق متعدد القيم . يوفر حساب الإسناد لغة رسمية للاستدلال الطبيعي ، وهي عملية تعلم استقرائية تكون نتائجها في أشكال طبيعية للناس.
الواقع المعزز: تجربة تفاعلية لبيئة العالم الحقيقي حيث يتم "زيادة" الأشياء الموجودة في العالم الحقيقي من خلال المعلومات الإدراكية التي يتم إنشاؤها بواسطة الكمبيوتر، وأحيانًا عبر وسائط حسية متعددة، بما في ذلك البصرية والسمعية واللمسية والحسية الجسدية والشمية . [ ³¹ ]
مُشفِّر ذاتي: نوع من الشبكات العصبية الاصطناعية المستخدمة لتعلم الترميزات الفعّالة للبيانات غير المسمية (التعلم غير الخاضع للإشراف). أحد التطبيقات الشائعة هو المشفر التلقائي المتغير (VAE).
نظرية الأتمتة: دراسة الآلات المجردة والأتمتة ، وكذلك المشاكل الحسابية التي يمكن حلها باستخدامها. إنها نظرية في علوم الكمبيوتر النظرية والرياضيات المنفصلة (موضوع دراسة في كل من الرياضيات وعلوم الكمبيوتر ).
التعلم الآلي الآلي (AutoML): مجال من مجالات التعلم الآلي (ML) يهدف إلى تكوين نظام التعلم الآلي تلقائيًا لتحقيق أقصى قدر من الأداء (على سبيل المثال، دقة التصنيف).
التخطيط والجدولة الآلية: فرع من فروع الذكاء الاصطناعي يتعلق بتحقيق الاستراتيجيات أو تسلسلات العمل، وعادة ما يتم تنفيذها بواسطة وكلاء أذكياء والروبوتات المستقلة والمركبات غير المأهولة . وعلى عكس مشاكل التحكم والتصنيف الكلاسيكية، فإن الحلول معقدة ويجب اكتشافها وتحسينها في الفضاء متعدد الأبعاد. يرتبط التخطيط أيضًا بنظرية القرار . ^[32]
الاستدلال الآلي: مجال من علوم الكمبيوتر والمنطق الرياضي مخصص لفهم جوانب مختلفة من التفكير . تساعد دراسة التفكير الآلي في إنتاج برامج كمبيوتر تسمح لأجهزة الكمبيوتر بالاستدلال بشكل كامل أو شبه كامل تلقائيًا. على الرغم من أن التفكير الآلي يعتبر مجالًا فرعيًا من الذكاء الاصطناعي، إلا أنه يرتبط أيضًا بعلوم الكمبيوتر النظرية ، وحتى الفلسفة .
الحوسبة اللاإرادية (AC): الخصائص ذاتية الإدارة لموارد الحوسبة الموزعة ، والتكيف مع التغييرات غير المتوقعة مع إخفاء التعقيد الجوهري عن المشغلين والمستخدمين. بدأت هذه المبادرة التي أطلقتها شركة IBM في عام 2001، بهدف تطوير أنظمة كمبيوتر قادرة على الإدارة الذاتية، والتغلب على التعقيد المتزايد بسرعة لإدارة أنظمة الحوسبة ، وتقليل الحاجز الذي يفرضه التعقيد أمام المزيد من النمو. ^[33]
سيارة ذاتية القيادة: مركبة قادرة على استشعار بيئتها والتحرك مع القليل من التدخل البشري أو بدونه . [ 34 ^]^[35]^[36]
روبوت مستقل: روبوت يقوم بسلوكيات أو مهام بدرجة عالية من الاستقلالية . وعادة ما يُعتبر علم الروبوتات المستقل مجالًا فرعيًا من الذكاء الاصطناعي والروبوتات وهندسة المعلومات . ^[37]

ب

الانتشار العكسي: طريقة تستخدم في الشبكات العصبية الاصطناعية لحساب التدرج المطلوب في حساب الأوزان التي سيتم استخدامها في الشبكة. ^[38] الانتشار الخلفي هو اختصار لـ "الانتشار الخلفي للأخطاء"، حيث يتم حساب الخطأ عند الإخراج وتوزيعه للخلف عبر طبقات الشبكة. يستخدم بشكل شائع لتدريب الشبكات العصبية العميقة، ^[39] وهو مصطلح يشير إلى الشبكات العصبية التي تحتوي على أكثر من طبقة مخفية. ^[40]
الانتشار الخلفي من خلال البنية (BPTS): تقنية تعتمد على التدرج لتدريب الشبكات العصبية المتكررة، تم اقتراحها في ورقة بحثية كتبها كريستوف جولر وأندرياس كوشلر عام 1996. ^[41]
الانتشار العكسي عبر الزمن (BPTT): تقنية تعتمد على التدرج لتدريب أنواع معينة من الشبكات العصبية المتكررة، مثل شبكات إلمان . تم استنباط الخوارزمية بشكل مستقل من قبل العديد من الباحثين. ^[42]^[43]^[44]
التسلسل العكسي: طريقة استدلال توصف عاميًا بأنها تعمل في الاتجاه المعاكس للهدف. تُستخدم في أدوات إثبات النظريات الآلية ومحركات الاستدلال ومساعدي الإثبات وتطبيقات الذكاء الاصطناعي الأخرى. ^[45]
نموذج كيس الكلمات: تمثيل مبسط يستخدم في معالجة اللغة الطبيعية واسترجاع المعلومات . في هذا النموذج، يتم تمثيل النص (مثل الجملة أو المستند) على أنه حقيبة (مجموعة متعددة) من كلماته، متجاهلاً القواعد النحوية وحتى ترتيب الكلمات ولكن مع الحفاظ على التعدد . كما تم استخدام نموذج حقيبة الكلمات في الرؤية الحاسوبية. ^[46] يستخدم نموذج حقيبة الكلمات بشكل شائع في طرق تصنيف المستندات حيث يتم استخدام (تكرار) حدوث كل كلمة كميزة لتدريب المصنف. ^[47]
نموذج كيس الكلمات في الرؤية الحاسوبية: في مجال الرؤية الحاسوبية، يمكن تطبيق نموذج حقيبة الكلمات (نموذج BoW) على تصنيف الصور ، وذلك من خلال التعامل مع ميزات الصورة باعتبارها كلمات. في تصنيف المستندات، حقيبة الكلمات هي متجه متفرق لعدد مرات ظهور الكلمات؛ أي رسم بياني متفرق فوق المفردات. في مجال الرؤية الحاسوبية ، حقيبة الكلمات المرئية هي متجه لعدد مرات ظهور مفردات ميزات الصورة المحلية.
تطبيع الدفعة: تقنية لتحسين أداء واستقرار الشبكات العصبية الاصطناعية. إنها تقنية لتزويد أي طبقة في الشبكة العصبية بمدخلات ذات متوسط/تباين وحدة صفري. ^[48] تم تقديم التطبيع الدفعي في ورقة بحثية عام 2015. ^[49]^[50] يتم استخدامه لتطبيع طبقة الإدخال عن طريق ضبط وتوسيع التنشيطات.
البرمجة البايزية: صيغة ومنهجية للحصول على تقنية لتحديد النماذج الاحتمالية وحل المشكلات عندما تكون المعلومات المتاحة أقل من اللازم.
خوارزمية النحل: خوارزمية بحث تعتمد على السكان تم تطويرها بواسطة Pham و Ghanbarzadeh وآخرون في عام 2005. ^[51] تحاكي سلوك البحث عن الطعام لمستعمرات النحل. في نسختها الأساسية، تقوم الخوارزمية بنوع من البحث في الحي جنبًا إلى جنب مع البحث العالمي، ويمكن استخدامها لكل من التحسين التوليفي والتحسين المستمر . الشرط الوحيد لتطبيق خوارزمية النحل هو تحديد بعض مقاييس المسافة بين الحلول. وقد ثبتت فعالية وقدرات خوارزمية النحل المحددة في عدد من الدراسات. ^[52]^[53]^[54]^[55]
علم المعلومات السلوكية: علم المعلومات السلوكية من أجل الحصول على ذكاء سلوكي ورؤى سلوكية. ^[56]
شجرة السلوك (BT): نموذج رياضي لتنفيذ الخطة يستخدم في علوم الكمبيوتر والروبوتات وأنظمة التحكم وألعاب الفيديو . وهي تصف التبديلات بين مجموعة محدودة من المهام بطريقة معيارية. وتأتي قوتها من قدرتها على إنشاء مهام معقدة للغاية تتكون من مهام بسيطة، دون القلق بشأن كيفية تنفيذ المهام البسيطة. تقدم آلات الحالة الهرمية بعض أوجه التشابه مع آلات الحالة الهرمية مع الاختلاف الرئيسي وهو أن اللبنة الأساسية للسلوك هي المهمة وليس الحالة. إن سهولة فهمها من قبل البشر تجعل آلات الحالة أقل عرضة للخطأ وتحظى بشعبية كبيرة في مجتمع مطوري الألعاب. وقد أظهرت آلات الحالة الهرمية تعميم العديد من بنيات التحكم الأخرى. ^[57]^[58]
نموذج برمجي للاعتقاد والرغبة والنية (BDI): نموذج برمجي تم تطويره لبرمجة الوكلاء الأذكياء. يتميز ظاهريًا بتنفيذ معتقدات الوكيل ورغباته ونواياه ، ويستخدم في الواقع هذه المفاهيم لحل مشكلة معينة في برمجة الوكلاء. في الأساس، يوفر آلية لفصل نشاط اختيار خطة (من مكتبة خطط أو تطبيق مخطط خارجي) عن تنفيذ الخطط النشطة حاليًا. وبالتالي، يتمكن وكلاء BDI من موازنة الوقت المستغرق في المداولة حول الخطط (اختيار ما يجب القيام به) وتنفيذ تلك الخطط (القيام بها). النشاط الثالث، إنشاء الخطط في المقام الأول (التخطيط)، ليس ضمن نطاق النموذج، ويُترك لمصمم النظام والمبرمج.
مقايضة التحيز والتباين: في الإحصاء والتعلم الآلي، يعتبر التناقض بين التحيز والتباين خاصية لمجموعة من النماذج التنبؤية حيث أن النماذج ذات التحيز الأقل في تقدير المعلمات لها تباين أعلى في تقديرات المعلمات عبر العينات ، والعكس صحيح.
البيانات الكبيرة: مصطلح يستخدم للإشارة إلى مجموعات البيانات التي تكون كبيرة أو معقدة للغاية بحيث لا تتمكن برامج معالجة البيانات التقليدية من التعامل معها بشكل مناسب. توفر البيانات ذات الحالات العديدة (الصفوف) قوة إحصائية أكبر، بينما قد تؤدي البيانات ذات التعقيد الأعلى (المزيد من السمات أو الأعمدة) إلى معدل اكتشاف خاطئ أعلى . ^[59]
تدوين O الكبير: تدوين رياضي يصف السلوك المحدد لدالة عندما تتجه الحجة نحو قيمة معينة أو ما لا نهاية. وهو عضو في عائلة من التدوينات التي اخترعها بول باخمان ، ^[60]وإدموند لاندو ، ^[61] وآخرون، والتي يطلق عليها بشكل جماعي تدوين باخمان-لانداو أو التدوين المقارب.
شجرة ثنائية: هيكل بيانات شجرة حيث تحتوي كل عقدة على طفلين على الأكثر ، يشار إليهما باسمالطفل الأيسر والطفل الأيمن .التعريف المتكررنظرية المجموعاتفقطهو أن الشجرة الثنائية (غير الفارغة) هيمجموعة(L،S،R)، حيثLوRعبارة عن أشجار ثنائية أومجموعة فارغةوSعبارة عنمجموعة مفردة.^[62]يسمح بعض المؤلفين بأن تكون الشجرة الثنائية هي المجموعة الفارغة أيضًا.^[63]
نظام السبورة: نهج الذكاء الاصطناعي القائم على نموذج السبورة المعمارية ، ^[64]^[65]^[66]^[67] حيث يتم تحديث قاعدة المعرفة المشتركة، "السبورة"، بشكل متكرر من خلال مجموعة متنوعة من مصادر المعرفة المتخصصة، بدءًا من مواصفات المشكلة وانتهاءً بالحل. يقوم كل مصدر معرفة بتحديث السبورة بحل جزئي عندما تتطابق قيودها الداخلية مع حالة السبورة. وبهذه الطريقة، يعمل المتخصصون معًا لحل المشكلة.
آلة بولتزمان: نوع من الشبكات العصبية المتكررة العشوائية وحقل ماركوف العشوائي . ^[68] يمكن اعتبار آلات بولتزمان بمثابة النظير العشوائي والمولد لشبكات هوبفيلد .
مشكلة قابلية الإرضاء المنطقية: مشكلة تحديد ما إذا كان هناك تفسير يرضي صيغة منطقية معينة . بعبارة أخرى ، يسأل ما إذا كان من الممكن استبدال متغيرات صيغة منطقية معينة باستمرار بالقيم TRUE أو FALSE بطريقة يتم بها تقييم الصيغة على أنها TRUE. إذا كانت هذه هي الحالة، تسمى الصيغة قابلة للإرضاء . من ناحية أخرى، إذا لم يكن هناك مثل هذا التعيين، فإن الدالة المعبر عنها بالصيغة تكون FALSE لجميع تعيينات المتغيرات الممكنة والصيغة غير قابلة للإرضاء . على سبيل المثال، الصيغة " a AND NOT b " قابلة للإرضاء لأنه يمكن للمرء أن يجد القيم a = TRUE و b = FALSE، مما يجعل ( a AND NOT b ) = TRUE. على النقيض من ذلك، " a AND NOT a " غير قابلة للإرضاء.
تعزيز: مجموعة أدوات التعلم الآلي تهدف في المقام الأول إلى تقليل التحيز (على عكس التباين)، من خلال تدريب النماذج بشكل متسلسل، حيث يقوم كل نموذج بتصحيح أخطاء النموذج السابق له.
تجميع التمهيد: مجموعة أدوات التعلم الآلي تهدف في المقام الأول إلى تقليل التباين (على عكس التحيز)، من خلال تدريب نماذج متعددة بشكل مستقل وحساب متوسط تنبؤاتها.
تكنولوجيا الدماغ: تقنية تستخدم أحدث النتائج في علم الأعصاب . تم تقديم المصطلح لأول مرة بواسطة مختبر الذكاء الاصطناعي في زيورخ، سويسرا ، في سياق مشروع ROBOY . ^[69] يمكن استخدام تقنية الدماغ في الروبوتات، ^[70] وأنظمة إدارة المعرفة ^[71] وأي تطبيق آخر يتمتع بقدرات التعلم الذاتي. على وجه الخصوص، تسمح تطبيقات تقنية الدماغ بتصور بنية التعلم الأساسية التي غالبًا ما يطلق عليها "خرائط المعرفة".
عامل التفرع: في الحوسبة وهياكل بيانات الشجرة ونظرية الألعاب ، يُطلق على عدد الأطفال في كل عقدة الدرجة الخارجية . إذا لم تكن هذه القيمة موحدة، فيمكن حساب عامل التفرع المتوسط .
البحث بالقوة الغاشمة: تقنية عامة جدًا لحل المشكلات ونموذج خوارزمي يتكون من تعداد منهجي لجميع المرشحين المحتملين للحل والتحقق مما إذا كان كل مرشح يلبي بيان المشكلة.

ج

الشبكة العصبية الكبسولية (CapsNet): نظام تعلُّم آلي هو نوع من الشبكات العصبية الاصطناعية (ANN) التي يمكن استخدامها لنمذجة العلاقات الهرمية بشكل أفضل. النهج هو محاولة لمحاكاة التنظيم العصبي البيولوجي بشكل أوثق. ^[72]
الاستدلال القائم على الحالات (CBR): بالمعنى الواسع، هي عملية حل المشاكل الجديدة بناءً على حلول المشاكل السابقة المماثلة.
روبوت الدردشة: برنامج كمبيوتر أو ذكاء اصطناعي يجري محادثة عبر طرق سمعية أو نصية. ^[73]
الروبوتات السحابية: مجال الروبوتات الذي يحاول استدعاء تقنيات السحابة مثل الحوسبة السحابية والتخزين السحابي وتقنيات الإنترنت الأخرى التي تركز على فوائد البنية التحتية المتقاربة والخدمات المشتركة للروبوتات. عند الاتصال بالسحابة، يمكن للروبوتات الاستفادة من موارد الحوسبة والتخزين والاتصالات القوية لمركز البيانات الحديث في السحابة، والذي يمكنه معالجة المعلومات ومشاركتها من روبوتات أو وكلاء مختلفين (آلات أخرى، أشياء ذكية، بشر، إلخ). يمكن للبشر أيضًا تفويض المهام إلى الروبوتات عن بُعد من خلال الشبكات . تمكن تقنيات الحوسبة السحابية أنظمة الروبوت من أن تتمتع بقدرات قوية مع تقليل التكاليف من خلال تقنيات السحابة. وبالتالي، من الممكن بناء روبوتات خفيفة الوزن ومنخفضة التكلفة وأكثر ذكاءً ولديها "دماغ" ذكي في السحابة. يتكون "الدماغ" من مركز البيانات وقاعدة المعرفة ومخططي المهام والتعلم العميق ومعالجة المعلومات ونماذج البيئة ودعم الاتصالات وما إلى ذلك. ^[74]^[75]^[76]^[77]
تحليل المجموعات: مهمة تجميع مجموعة من الكائنات بطريقة تجعل الكائنات في نفس المجموعة (تسمى مجموعة) أكثر تشابهًا (بمعنى ما) مع بعضها البعض من تلك الموجودة في مجموعات أخرى (مجموعات). إنها مهمة رئيسية لتعدين البيانات الاستكشافي ، وتقنية شائعة لتحليل البيانات الإحصائية ، تُستخدم في العديد من المجالات، بما في ذلك التعلم الآلي، والتعرف على الأنماط ، وتحليل الصور ، واسترجاع المعلومات ، وعلم المعلومات الحيوية ، وضغط البيانات ، والرسومات الحاسوبية .
بيت العنكبوت: نظام تدريجي للتجمع المفاهيمي الهرمي . اخترع البروفيسور دوغلاس إتش فيشر ، الذي يعمل حاليًا في جامعة فاندربيلت، نظام COBWEB. ^[78]^[79] ينظم نظام COBWEB الملاحظات تدريجيًا في شجرة تصنيف . تمثل كل عقدة في شجرة التصنيف فئة (مفهوم) ويتم تمييزها بمفهوم احتمالي يلخص توزيعات القيمة والسمة للأشياء المصنفة تحت العقدة. يمكن استخدام شجرة التصنيف هذه للتنبؤ بالسمات المفقودة أو فئة الكائن الجديد. ^[80]
الهندسة المعرفية: يعرف معهد التقنيات الإبداعية العمارة المعرفية على أنها: "فرضية حول الهياكل الثابتة التي توفر العقل، سواء في الأنظمة الطبيعية أو الاصطناعية، وكيف تعمل معًا - بالتزامن مع المعرفة والمهارات المجسدة داخل العمارة - لإنتاج سلوك ذكي في مجموعة متنوعة من البيئات المعقدة." ^[81]
الحوسبة المعرفية: بشكل عام، تم استخدام مصطلح الحوسبة المعرفية للإشارة إلى الأجهزة و/أو البرامج الجديدة التي تحاكي عمل الدماغ البشري ^[82]^[83]^[84]^[85]^[86]^[87] وتساعد على تحسين عملية اتخاذ القرار البشري. ^[88] بهذا المعنى، فإن الحوسبة المعرفية هي نوع جديد من الحوسبة بهدف الحصول على نماذج أكثر دقة لكيفية استشعار الدماغ/ العقل البشري واستدلاله واستجابته للمحفزات.
العلوم المعرفية: الدراسة العلمية متعددة التخصصات للعقل وعملياته . ^[89]
التحسين التوافقي: في بحوث العمليات والرياضيات التطبيقية وعلوم الكمبيوتر النظرية ، التحسين التوافقي هو موضوع يتكون من إيجاد كائن مثالي من مجموعة محدودة من الكائنات. ^[90]
آلة اللجنة: نوع من الشبكات العصبية الاصطناعية يستخدم استراتيجية فرق تسد حيث يتم دمج استجابات الشبكات العصبية المتعددة (الخبراء) في استجابة واحدة. ^[91] من المفترض أن تكون الاستجابة المجمعة لآلة اللجنة متفوقة على استجابات الخبراء المكونين لها. قارن مجموعات المصنفات .
المعرفة السليمة: في أبحاث الذكاء الاصطناعي، تتكون المعرفة السليمة من حقائق حول العالم اليومي، مثل "الليمون حامض"، والتي من المتوقع أن يعرفها جميع البشر. كان أول برنامج ذكاء اصطناعي يتناول المعرفة السليمة هو Advice Taker في عام 1959 بواسطة جون مكارثي. ^[92]
المنطق السليم: فرع من فروع الذكاء الاصطناعي يهتم بمحاكاة قدرة الإنسان على تكوين افتراضات حول نوع وجوهر المواقف العادية التي يواجهها كل يوم. ^[93]
الكيمياء الحسابية: فرع من الكيمياء يستخدم المحاكاة الحاسوبية للمساعدة في حل المشاكل الكيميائية.
نظرية التعقيد الحسابي: يركز على تصنيف المشكلات الحسابية وفقًا لصعوبتها المتأصلة، وربط هذه الفئات ببعضها البعض. المشكلة الحسابية هي مهمة يتم حلها بواسطة الكمبيوتر. يمكن حل المشكلة الحسابية من خلال التطبيق الميكانيكي للخطوات الرياضية، مثل الخوارزمية.
الإبداع الحسابي: مسعى متعدد التخصصات يشمل مجالات الذكاء الاصطناعي وعلم النفس الإدراكي والفلسفة والفنون .
السيبرنيتيكا الحسابية: دمج تقنيات السيبرنيتيكا والذكاء الحسابي.
الفكاهة الحسابية: فرع من فروع اللغويات الحاسوبية والذكاء الاصطناعي يستخدم أجهزة الكمبيوتر في أبحاث الفكاهة . ^[94]
الذكاء الحسابي (CI): يشير عادة إلى قدرة الكمبيوتر على تعلم مهمة محددة من البيانات أو الملاحظة التجريبية.
نظرية التعلم الحسابي: في علوم الكمبيوتر ، نظرية التعلم الحسابي (أو نظرية التعلم فقط) هي مجال فرعي من الذكاء الاصطناعي مخصص لدراسة تصميم وتحليل خوارزميات التعلم الآلي. ^[95]
اللغويات الحاسوبية: مجال متعدد التخصصات يهتم بالنمذجة الإحصائية أو القائمة على القواعد للغة الطبيعية من منظور حسابي، بالإضافة إلى دراسة الأساليب الحسابية المناسبة للأسئلة اللغوية.
الرياضيات الحسابية: البحث الرياضي في مجالات العلوم حيث تلعب الحوسبة دورًا أساسيًا.
علوم الأعصاب الحاسوبية: فرع من فروع علم الأعصاب يستخدم النماذج الرياضية والتحليل النظري والتجريدات الخاصة بالدماغ لفهم المبادئ التي تحكم تطور الجهاز العصبي وبنيته ووظائفه الفيزيولوجية وقدراته المعرفية . [ ^96]^[97]^[98][ ^99]
نظرية الأعداد الحسابية: دراسة الخوارزميات المستخدمة في إجراء العمليات الحسابية النظرية للأعداد .
مشكلة حسابية: في علوم الكمبيوتر النظرية ، المشكلة الحسابية هي كائن رياضي يمثل مجموعة من الأسئلة التي قد تتمكن أجهزة الكمبيوتر من حلها.
الاحصاء الحسابي: الواجهة بين الإحصاء وعلوم الكمبيوتر.
التصميم الآلي بالحاسوب (CAutoD): يشير مصطلح أتمتة التصميم عادةً إلى أتمتة التصميم الإلكتروني ، أو أتمتة التصميم التي تعد مُكوِّن منتج . وبتوسيع التصميم بمساعدة الكمبيوتر (CAD)، يهتم التصميم الآلي والتصميم الآلي بالحاسوب ^[100]^[101]^{[102] بمجموعة أوسع من التطبيقات، مثل}هندسة السيارات ، والهندسة المدنية ، ^[103]^[104]^[105]^[106] وتصميم المواد المركبة ، وهندسة التحكم ، ^[107]وتحديد النظام الديناميكي وتحسينه، ^{[108] والأنظمة} المالية ، والمعدات الصناعية، والأنظمة الميكاترونية، والبناء الفولاذي ، ^[109]وتحسين الهياكل ، ^[110] واختراع أنظمة جديدة. وفي الآونة الأخيرة، يُرى أن محاكاة CAD التقليدية قد تحولت إلى CAutoD من خلال التعلم الآلي المستوحى بيولوجيًا، ^{[111] بما في ذلك}تقنيات البحث الاستدلالي مثل الحوسبة التطورية ، ^[112]^[113] وخوارزميات ذكاء السرب. ^[114]
اختبار الكمبيوتر (CA): انظر الاستماع الآلي.
علوم الحاسوب: النظرية والتجريب والهندسة التي تشكل الأساس لتصميم واستخدام أجهزة الكمبيوتر . وهي تتضمن دراسة الخوارزميات التي تعالج المعلومات الرقمية وتخزنها وتنقلها . ويتخصص عالم الكمبيوتر في نظرية الحوسبة وتصميم الأنظمة الحاسوبية. ^[115]
رؤية الكمبيوتر: مجال علمي متعدد التخصصات يتعامل مع كيفية جعل أجهزة الكمبيوتر قادرة على اكتساب فهم عالي المستوى من الصور الرقمية أو مقاطع الفيديو . ومن منظور الهندسة ، يسعى هذا المجال إلى أتمتة المهام التي يمكن للنظام البصري البشري القيام بها. ^[116]^[117]^[118]
انجراف المفهوم: في التحليلات التنبؤية والتعلم الآلي، يعني مفهوم الانحراف أن الخصائص الإحصائية للمتغير المستهدف، الذي يحاول النموذج التنبؤ به، تتغير بمرور الوقت بطرق غير متوقعة. وهذا يسبب مشاكل لأن التنبؤات تصبح أقل دقة بمرور الوقت.
الارتباطية: نهج في مجالات العلوم المعرفية ، والذي يأمل في تفسير الظواهر العقلية باستخدام الشبكات العصبية الاصطناعية. ^[119]
استدلال متسق: في دراسة مشاكل العثور على المسار في الذكاء الاصطناعي، يقال إن الدالة الاستدلالية متسقة أو رتيبة إذا كان تقديرها دائمًا أقل من أو يساوي المسافة المقدرة من أي رأس مجاور إلى الهدف، بالإضافة إلى تكلفة الوصول إلى هذا الجار.
نموذج الشرط المقيد (CCM): إطار عمل للتعلم الآلي والاستدلال يعمل على تعزيز تعلم النماذج الشرطية (الاحتمالية أو التمييزية) باستخدام القيود التصريحية.
برمجة المنطق المقيد: شكل من أشكال برمجة القيود ، حيث يتم توسيع برمجة المنطق لتشمل مفاهيم من إرضاء القيود . برنامج منطق القيود هو برنامج منطقي يحتوي على قيود في نص البنود. مثال على بند يتضمن قيدًا هو . في هذه الفقرة، يوجد قيد؛ و و و هي أحرف كما هو الحال في برمجة المنطق العادية. تنص هذه الفقرة على شرط واحد ينطبق عليه البيان : أكبر من الصفر وكلاهما و صحيحان.A(X,Y) :- X+Y>0, B(X), C(Y)X+Y>0A(X,Y)B(X)C(Y)A(X,Y)X+YB(X)C(Y)
برمجة القيود: نموذج برمجة يتم فيه تحديد العلاقات بين المتغيرات في شكل قيود . وتختلف القيود عن البدائيات الشائعة للغات البرمجة الإلزامية في أنها لا تحدد خطوة أو تسلسلًا من الخطوات التي يجب تنفيذها، بل تحدد خصائص الحل الذي يجب العثور عليه.
اللغة المصطنعة: لغة تم ابتكار علم الأصوات والقواعد والمفردات فيها بوعي ، بدلاً من تطويرها بشكل طبيعي . يمكن أيضًا الإشارة إلى اللغات المصطنعة على أنها لغات مصطنعة أو مخططة أو مخترعة. ^[120]
نظرية التحكم: في هندسة أنظمة التحكم، يعد هذا أحد فروع الرياضيات التي تتعامل مع التحكم في الأنظمة الديناميكية العاملة باستمرار في العمليات والآلات الهندسية. والهدف هو تطوير نموذج تحكم للتحكم في مثل هذه الأنظمة باستخدام إجراء تحكم بطريقة مثالية دون تأخير أو تجاوز وضمان استقرار التحكم .
الشبكة العصبية التلافيفية: في التعلم العميق، الشبكة العصبية التلافيفية (CNN، أو ConvNet) هي فئة من الشبكات العصبية العميقة التي يتم تطبيقها بشكل شائع على تحليل الصور. تستخدم CNNs مجموعة متنوعة من المدركات متعددة الطبقات المصممة لتتطلب الحد الأدنى من المعالجة المسبقة . ^[121] تُعرف أيضًا باسم الشبكات العصبية الاصطناعية الثابتة للتحول أو الثابتة في الفضاء (SIANN)، بناءً على بنية الأوزان المشتركة وخصائص ثبات الترجمة . ^[122]^[123]
كروس أوفر: في الخوارزميات الوراثية والحوسبة التطورية، عامل وراثي يستخدم لدمج المعلومات الوراثية لوالدين لتوليد ذرية جديدة. إنها إحدى الطرق لتوليد حلول جديدة عشوائيًا من مجموعة سكانية موجودة، وتشبه التقاطع الذي يحدث أثناء التكاثر الجنسي في الكائنات الحية. يمكن أيضًا توليد الحلول عن طريق استنساخ حل موجود، وهو ما يشبه التكاثر اللاجنسي . عادةً ما يتم تحوير الحلول المولدة حديثًا قبل إضافتها إلى المجموعة السكانية.

د

الغابة المظلمة: برنامج جو للكمبيوتر طورته شركة فيسبوك ، ويعتمد على تقنيات التعلم العميق باستخدام شبكة عصبية ملتوية . يجمع الإصدار المحدث Darkfores2 بين تقنيات سابقته مع بحث شجرة مونت كارلو . ^[124]^[125] يأخذ MCTS بفعالية طرق البحث الشجري الشائعة في برامج الشطرنج على الكمبيوتر ويجعلها عشوائية. ^[126] مع التحديث، يُعرف النظام باسم Darkfmcts3. ^[127]
ورشة عمل دارتموث: كان مشروع دارتموث الصيفي للأبحاث حول الذكاء الاصطناعي هو اسم ورشة عمل صيفية عام 1956 والتي يعتبرها الكثيرون الآن ^[128]^[129] (ولكن ليس جميعهم ^[130] ) الحدث الرائد للذكاء الاصطناعي كمجال.
زيادة البيانات: تعد زيادة البيانات في تحليل البيانات من التقنيات المستخدمة لزيادة كمية البيانات. فهي تساعد في تقليل الإفراط في التجهيز عند تدريب خوارزمية التعلم.
دمج البيانات: عملية دمج مصادر بيانات متعددة لإنتاج معلومات أكثر اتساقًا ودقة وفائدة من تلك التي يوفرها أي مصدر بيانات فردي. ^[131]
تكامل البيانات: عملية دمج البيانات الموجودة في مصادر مختلفة وتزويد المستخدمين بوجهة نظر موحدة عنها. ^[132] تصبح هذه العملية مهمة في مجموعة متنوعة من المواقف، والتي تشمل المجالات التجارية (مثل عندما تحتاج شركتان متشابهتان إلى دمج قواعد بياناتهما ) والعلمية (دمج نتائج البحث من مستودعات المعلومات الحيوية المختلفة، على سبيل المثال). يظهر تكامل البيانات بتردد متزايد مع تزايد الحجم (أي البيانات الضخمة ) والحاجة إلى مشاركة البيانات الموجودة . ^[133] لقد أصبح محور العمل النظري المكثف، ولا تزال العديد من المشاكل المفتوحة دون حل.
استخراج البيانات: عملية اكتشاف الأنماط في مجموعات البيانات الكبيرة والتي تتضمن أساليب تقاطع التعلم الآلي والإحصاء وأنظمة قواعد البيانات.
علم البيانات: مجال متعدد التخصصات يستخدم الأساليب العلمية والعمليات والخوارزميات والأنظمة لاستخراج المعرفة والرؤى من البيانات بأشكال مختلفة، سواء كانت منظمة أو غير منظمة، ^[134]^[135] على غرار استخراج البيانات . علم البيانات هو "مفهوم لتوحيد الإحصاء وتحليل البيانات والتعلم الآلي والأساليب ذات الصلة" من أجل "فهم وتحليل الظواهر الفعلية" بالبيانات. ^[136] وهو يستخدم تقنيات ونظريات مستمدة من العديد من المجالات في سياق الرياضيات والإحصاء وعلوم المعلومات وعلوم الكمبيوتر .
مجموعة البيانات: مجموعة من البيانات . في أغلب الأحيان، تتوافق مجموعة البيانات مع محتويات جدول قاعدة بيانات واحد ، أو مصفوفة بيانات إحصائية واحدة ، حيث يمثل كل عمود في الجدول متغيرًا معينًا، ويتوافق كل صف مع عضو معين من مجموعة البيانات المعنية. تسرد مجموعة البيانات قيمًا لكل متغير، مثل ارتفاع ووزن كائن، لكل عضو من أعضاء مجموعة البيانات. تُعرف كل قيمة باسم البيانات المرجعية. قد تتضمن مجموعة البيانات بيانات لعضو واحد أو أكثر، تتوافق مع عدد الصفوف.
مستودع البيانات (DW أو DWH): نظام يستخدم لإعداد التقارير وتحليل البيانات . ^[137] تعد المستودعات الرقمية مستودعات مركزية للبيانات المتكاملة من مصدر واحد أو أكثر. وهي تخزن البيانات الحالية والتاريخية في مكان واحد ^[138]
سجل البيانات: لغة برمجة منطقية إعلانية تُعد من الناحية النحوية جزءًا من لغة Prolog. تُستخدم غالبًا كلغة استعلام لقواعد البيانات الاستنتاجية . في السنوات الأخيرة، وجدت لغة Datalog تطبيقًا جديدًا في تكامل البيانات واستخراج المعلومات والشبكات وتحليل البرامج والأمان والحوسبة السحابية . ^[139]
حدود القرار: في حالة الشبكات العصبية الاصطناعية القائمة على الانتشار الخلفي أو المدركات، يتم تحديد نوع حدود القرار التي يمكن للشبكة تعلمها من خلال عدد الطبقات المخفية في الشبكة. إذا لم يكن لديها طبقات مخفية، فيمكنها فقط تعلم المشكلات الخطية. إذا كانت لديها طبقة مخفية واحدة، فيمكنها تعلم أي دالة مستمرة على مجموعات فرعية مضغوطة من R ⁿ كما هو موضح بواسطة نظرية التقريب الشامل ، وبالتالي يمكن أن يكون لها حدود قرار تعسفية.
نظام دعم القرار (DSS): نظام معلومات يدعم أنشطة اتخاذ القرار في الأعمال أو المنظمات. تخدم أنظمة دعم القرار مستويات الإدارة والعمليات والتخطيط في المنظمة (عادةً الإدارة المتوسطة والعليا) وتساعد الأشخاص على اتخاذ القرارات بشأن المشكلات التي قد تتغير بسرعة ولا يمكن تحديدها بسهولة مسبقًا - أي مشكلات القرار غير المنظمة وشبه المنظمة. يمكن أن تكون أنظمة دعم القرار إما محوسبة بالكامل أو مدعومة بالطاقة البشرية، أو مزيج من الاثنين.
نظرية القرار: دراسة المنطق الكامن وراء اختيارات الوكيل . ^[140] يمكن تقسيم نظرية القرار إلى فرعين: نظرية القرار المعياري ، والتي تقدم المشورة حول كيفية اتخاذ أفضل القرارات في ضوء مجموعة من المعتقدات غير المؤكدة ومجموعة من القيم ، ونظرية القرار الوصفي التي تحلل كيف يتخذ الوكلاء الحاليون وغير العقلانيين القرارات بالفعل.
تعلم شجرة القرار: يستخدم شجرة القرار (كنموذج تنبؤي ) للانتقال من الملاحظات حول عنصر ما (الممثلة في الفروع) إلى الاستنتاجات حول القيمة المستهدفة للعنصر (الممثلة في الأوراق). وهو أحد أساليب النمذجة التنبؤية المستخدمة في الإحصاء واستخراج البيانات والتعلم الآلي.
البرمجة التصريحية: نموذج برمجة - أسلوب لبناء هيكل وعناصر برامج الكمبيوتر - يعبر عن منطق الحساب دون وصف تدفق التحكم الخاص به . ^[141]
مصنف استنتاجي: نوع من محركات الاستدلال بالذكاء الاصطناعي . يأخذ كمدخلات مجموعة من الإعلانات بلغة إطارية حول مجال مثل البحث الطبي أو البيولوجيا الجزيئية. على سبيل المثال، أسماء الفئات والفئات الفرعية والخصائص والقيود المفروضة على القيم المسموح بها.
أزرق عميق: كان جهاز كمبيوتر للعب الشطرنج طورته شركة IBM . وهو معروف بأنه أول نظام كمبيوتر للعب الشطرنج يفوز بلعبة شطرنج ومباراة شطرنج ضد بطل العالم الحالي في ظل ضوابط زمنية منتظمة.
التعلم العميق: مجموعة فرعية من التعلم الآلي تركز على استخدام الشبكات العصبية لأداء مهام مثل التصنيف والانحدار والتعلم التمثيلي. يستلهم هذا المجال من علم الأعصاب البيولوجي ويركز على تكديس الخلايا العصبية الاصطناعية في طبقات و"تدريبها" على معالجة البيانات. تشير صفة "عميق" إلى استخدام طبقات متعددة (تتراوح من ثلاث طبقات إلى عدة مئات أو آلاف الطبقات) في الشبكة. يمكن أن تكون الأساليب المستخدمة إما خاضعة للإشراف أو شبه خاضعة للإشراف أو غير خاضعة للإشراف.
تقنيات ديب مايند: شركة ذكاء اصطناعي بريطانية تأسست في سبتمبر 2010، مملوكة حاليًا لشركة Alphabet Inc. يقع مقر الشركة في لندن ، ولها مراكز أبحاث في كندا ، ^[142] وفرنسا ، ^[143] والولايات المتحدة . استحوذت عليها جوجل في عام 2014، وأنشأت الشركة شبكة عصبية تتعلم كيفية لعب ألعاب الفيديو بطريقة مماثلة لتلك التي يتعلمها البشر، ^[144] بالإضافة إلى آلة تورينج العصبية ، ^[145] أو شبكة عصبية قد تكون قادرة على الوصول إلى ذاكرة خارجية مثل آلة تورينج التقليدية ، مما أدى إلى إنشاء كمبيوتر يحاكي الذاكرة قصيرة المدى للدماغ البشري. ^[146]^[147] تصدرت الشركة عناوين الأخبار في عام 2016 بعد أن تغلب برنامج AlphaGo الخاص بها على لاعب Go المحترف البشري Lee Sedol ، بطل العالم، في مباراة من خمس مباريات ، والتي كانت موضوع فيلم وثائقي. ^[148] تمكن برنامج أكثر عمومية، AlphaZero ، من التغلب على أقوى البرامج التي تلعب لعبة Go والشطرنج والشوجي ( الشطرنج الياباني) بعد بضعة أيام من اللعب ضد نفسه باستخدام التعلم التعزيزي. ^[149]
المنطق الافتراضي: منطق غير رتيب اقترحه ريموند رايتر لإضفاء الطابع الرسمي على التفكير باستخدام الافتراضات الافتراضية.
التجميع المكاني القائم على الكثافة للتطبيقات ذات الضوضاء (DBSCAN): خوارزمية التجميع التي اقترحها مارتن إستر ، وهانز بيتر كريجيل ، وجورج ساندر، وشياووي شو في عام 1996. ^[150]
منطق الوصف (DL): عائلة من لغات تمثيل المعرفة الرسمية . العديد من لغات تمثيل المعرفة أكثر تعبيرًا من المنطق القياسي ولكنها أقل تعبيرًا من منطق الدرجة الأولى . وعلى النقيض من الأخير، فإن مشاكل الاستدلال الأساسية لـ لغات تمثيل المعرفة قابلة للحل (عادةً)، وقد تم تصميم وتنفيذ إجراءات اتخاذ القرار الفعالة لهذه المشاكل. هناك منطق وصف عام ومكاني وزماني ومكاني زماني وغامض، ويتميز كل منطق وصف بتوازن مختلف بين تعبيرية لغة تمثيل المعرفة وتعقيد الاستدلال من خلال دعم مجموعات مختلفة من المنشئين الرياضيين. ^[151]
الروبوتات التنموية (DevRob): مجال علمي يهدف إلى دراسة آليات التطوير والهندسة والقيود التي تسمح بالتعلم مدى الحياة والمفتوح للمهارات الجديدة والمعرفة الجديدة في الآلات المجسدة .
تشخبص: يهتم بتطوير الخوارزميات والتقنيات القادرة على تحديد ما إذا كان سلوك النظام صحيحًا أم لا. إذا لم يكن النظام يعمل بشكل صحيح، فيجب أن تكون الخوارزمية قادرة على تحديد أي جزء من النظام يفشل، ونوع الخطأ الذي يواجهه، بدقة قدر الإمكان. تعتمد الحسابات على الملاحظات ، والتي توفر معلومات حول السلوك الحالي.
نظام الحوار: نظام كمبيوتر يهدف إلى المحادثة مع إنسان باستخدام بنية متماسكة. استخدمت أنظمة الحوار النص والكلام والرسومات واللمس والإيماءات وغيرها من الأساليب للتواصل على كل من قناة الإدخال والإخراج.
نموذج الانتشار: في التعلم الآلي، نماذج الانتشار ، والمعروفة أيضًا باسم نماذج احتمالية الانتشار أو نماذج التوليد القائمة على الدرجات ، هي فئة من نماذج المتغيرات الكامنة . وهي عبارة عن سلاسل ماركوف مدربة باستخدام الاستدلال المتغير . ^[152] والهدف من نماذج الانتشار هو تعلم البنية الكامنة لمجموعة البيانات من خلال نمذجة الطريقة التي تنتشر بها نقاط البيانات عبر الفضاء الكامن . في الرؤية الحاسوبية ، يعني هذا أن الشبكة العصبية مدربة على إزالة الضوضاء من الصور الضبابية بالضوضاء الغوسية من خلال تعلم عكس عملية الانتشار. ^[153]^[154] وتتكون بشكل أساسي من ثلاثة مكونات رئيسية: العملية الأمامية، والعملية العكسية، وإجراء أخذ العينات. ^[155] ثلاثة أمثلة على أطر نمذجة الانتشار العامة المستخدمة في الرؤية الحاسوبية هي نماذج احتمالية انتشار إزالة الضوضاء، وشبكات الدرجات المشروطة بالضوضاء، والمعادلات التفاضلية العشوائية. ^[156]
خوارزمية ديكسترا: خوارزمية للعثور على أقصر المسارات بين العقد في الرسم البياني المرجح ، والذي قد يمثل، على سبيل المثال، شبكات الطرق .
تخفيض الأبعاد: عملية تقليل عدد المتغيرات العشوائية قيد الدراسة ^[157] من خلال الحصول على مجموعة من المتغيرات الأساسية. ويمكن تقسيمها إلى اختيار السمات واستخراج السمات . ^[158]
نظام منفصل: أي نظام به عدد قابل للعد من الحالات. يمكن مقارنة الأنظمة المنفصلة بالأنظمة المستمرة، والتي قد تسمى أيضًا بالأنظمة التناظرية. غالبًا ما يتم نمذجة النظام المنفصل النهائي برسم بياني موجه ويتم تحليله من حيث الدقة والتعقيد وفقًا للنظرية الحسابية . نظرًا لأن الأنظمة المنفصلة لها عدد قابل للعد من الحالات، فيمكن وصفها في نماذج رياضية دقيقة . الكمبيوتر هو آلة ذات حالة محدودة يمكن اعتبارها نظامًا منفصلًا. نظرًا لأن أجهزة الكمبيوتر تُستخدم غالبًا لنمذجة ليس فقط الأنظمة المنفصلة الأخرى ولكن أيضًا الأنظمة المستمرة، فقد تم تطوير طرق لتمثيل الأنظمة المستمرة في العالم الحقيقي كأنظمة منفصلة. تتضمن إحدى هذه الطرق أخذ عينات من إشارة مستمرة على فترات زمنية منفصلة .
الذكاء الاصطناعي الموزع (DAI): مجال فرعي من أبحاث الذكاء الاصطناعي مخصص لتطوير حلول موزعة للمشاكل. يرتبط الذكاء الاصطناعي ارتباطًا وثيقًا بمجال أنظمة الوكلاء المتعددين وهو سابق له. ^[159]
نزول مزدوج: ظاهرة في الإحصاء والتعلم الآلي حيث يكون للنموذج الذي يحتوي على عدد صغير من المعلمات والنموذج الذي يحتوي على عدد كبير للغاية من المعلمات خطأ اختبار صغير ، ولكن النموذج الذي يكون عدد معلماته مساويًا تقريبًا لعدد نقاط البيانات المستخدمة لتدريب النموذج سيكون به خطأ كبير. ^[160] تم اعتبار هذه الظاهرة مفاجئة، لأنها تتناقض مع الافتراضات حول الإفراط في التجهيز في التعلم الآلي الكلاسيكي. ^[161]
أوقع: تقنية التنظيم لتقليل الإفراط في التجهيز في الشبكات العصبية الاصطناعية من خلال منع التكيفات المعقدة في بيانات التدريب.
المنطق المعرفي الديناميكي (DEL): إطار منطقي يتعامل مع تغير المعرفة والمعلومات. عادةً ما يركز DEL على المواقف التي تنطوي على وكلاء متعددين ويدرس كيفية تغير معرفتهم عند وقوع الأحداث .

هـ

التعلم الشغوف: طريقة تعلم يحاول فيها النظام إنشاء دالة هدف عامة مستقلة عن المدخلات أثناء تدريب النظام، على عكس التعلم الكسول ، حيث يتم تأخير التعميم خارج بيانات التدريب حتى يتم إجراء استعلام للنظام. ^[162]
التوقف المبكر: تقنية التنظيم المستخدمة غالبًا عند تدريب نموذج التعلم الآلي باستخدام طريقة تكرارية مثل الانحدار التدرجي .
اختبار ايبرت: اختبار يقيس ما إذا كان الصوت الاصطناعي المعتمد على الكمبيوتر ^[163]^[164] قادرًا على سرد نكتة بمهارة كافية لإضحاك الناس . [ ^165] اقترحه ناقد الأفلام روجر إيبرت في مؤتمر TED لعام 2011 كتحدٍ لمطوري البرامج لجعل الصوت الحاسوبي يتقن انعطافات الصوت وطريقة تقديمه وتوقيته ونبرات صوت الإنسان المتحدث. ^[163] الاختبار مشابه لاختبار تورينج الذي اقترحه آلان تورينج في عام 1950 كطريقة لقياس قدرة الكمبيوتر على إظهار سلوك ذكي من خلال توليد أداء لا يمكن تمييزه عن أداء الإنسان . ^[166]
شبكة حالة الصدى (ESN): شبكة عصبية متكررة ذات طبقة مخفية متصلة بشكل متفرق (بنسبة اتصال 1%). يتم تحديد اتصال وأوزان الخلايا العصبية المخفية بشكل ثابت ويتم تعيينها عشوائيًا. يمكن تعلم أوزان الخلايا العصبية الناتجة حتى تتمكن الشبكة من إعادة إنتاج أنماط زمنية محددة. الاهتمام الرئيسي لهذه الشبكة هو أنه على الرغم من أن سلوكها غير خطي، فإن الأوزان الوحيدة التي يتم تعديلها أثناء التدريب هي للمشابك التي تربط الخلايا العصبية المخفية بالخلايا العصبية الناتجة. وبالتالي، تكون دالة الخطأ تربيعية بالنسبة لمتجه المعلمة ويمكن تمييزها بسهولة إلى نظام خطي. ^[167]^[168]
وكيل مجسد: وكيل ذكي يتفاعل مع البيئة من خلال جسم مادي داخل تلك البيئة. الوكلاء الذين يتم تمثيلهم بيانياً بجسم، على سبيل المثال إنسان أو حيوان كرتوني، يُطلق عليهم أيضًا وكلاء مجسدون، على الرغم من أن لديهم تجسيدًا افتراضيًا وليس ماديًا. ^[169]
العلوم المعرفية المجسدة: مجال بحثي متعدد التخصصات يهدف إلى شرح الآليات التي يقوم عليها السلوك الذكي. وهو يتألف من ثلاث مناهج رئيسية: 1) نمذجة الأنظمة النفسية والبيولوجية بطريقة شاملة تنظر إلى العقل والجسد ككيان واحد، 2) تشكيل مجموعة مشتركة من المبادئ العامة للسلوك الذكي، و3) الاستخدام التجريبي للوكلاء الروبوتيين في بيئات خاضعة للرقابة.
التعلم القائم على الخطأ: مجال فرعي من التعلم الآلي يهتم بكيفية قيام العميل باتخاذ إجراءات في بيئة معينة لتقليل بعض ردود الفعل الناتجة عن الخطأ. وهو نوع من التعلم التعزيزي.
التعلم الجماعي: استخدام خوارزميات التعلم الآلي المتعددة للحصول على أداء تنبؤي أفضل مما يمكن الحصول عليه من أي من خوارزميات التعلم المكونة وحدها. ^[170]^[171]^[172]
عصر: في التعلم الآلي، وخاصة في إنشاء الشبكات العصبية الاصطناعية، يتم تدريب النموذج لدورة واحدة من خلال مجموعة بيانات التدريب الكاملة. يتم تدريب النماذج الصغيرة عادةً لعدد من العصور حسب الحاجة للوصول إلى أفضل أداء على مجموعة بيانات التحقق. قد يتم تدريب النماذج الأكبر حجمًا لعصر واحد فقط.
أخلاقيات الذكاء الاصطناعي: الجزء من أخلاقيات التكنولوجيا الخاص بالذكاء الاصطناعي.
الخوارزمية التطورية: مجموعة فرعية من الحوسبة التطورية، ^{[173] خوارزمية}تحسين ميتاهيوريستية عامة تعتمد على السكان . تستخدم الخوارزمية التطورية آليات مستوحاة من التطور البيولوجي ، مثل التكاثر ، والطفرة ، وإعادة التركيب ، والاختيار . تلعب الحلول المرشحة لمشكلة التحسين دور الأفراد في السكان، وتحدد دالة اللياقة جودة الحلول (انظر أيضًا دالة الخسارة ). ثم يحدث تطور السكان بعد التطبيق المتكرر للمشغلات المذكورة أعلاه.
الحساب التطوري: عائلة من الخوارزميات للتحسين الشامل مستوحاة من التطور البيولوجي ، والمجال الفرعي للذكاء الاصطناعي والحوسبة الناعمة الذي يدرس هذه الخوارزميات. من الناحية الفنية، فهي عائلة من حلول المشكلات القائمة على التجربة والخطأ القائمة على السكان مع طابع تحسين ميتاهيوريستي أو عشوائي .
دالة التصنيف المتطورة (ECF): تُستخدم وظائف التصنيف المتطورة للتصنيف والتجميع في مجال التعلم الآلي والذكاء الاصطناعي، ويتم استخدامها عادةً لمهام استخراج تدفق البيانات في البيئات الديناميكية والمتغيرة.
خطر وجودي: فرضية مفادها أن التقدم الكبير في الذكاء الاصطناعي العام (AGI) قد يؤدي يومًا ما إلى انقراض البشر أو بعض الكوارث العالمية الأخرى التي لا يمكن التعافي منها . ^[174]^[175]^[176]
نظام الخبراء: نظام كمبيوتر يحاكي قدرة الخبير البشري على اتخاذ القرار. ^[177] تم تصميم أنظمة الخبراء لحل المشكلات المعقدة من خلال التفكير من خلال مجموعات المعرفة، والتي يتم تمثيلها بشكل أساسي على أنها قواعد إذا - إذن بدلاً من خلال التعليمات البرمجية الإجرائية التقليدية . ^[178]

ف

أشجار سريعة واقتصادية: نوع من أشجار التصنيف . يمكن استخدام الأشجار السريعة والمقتصدة كأدوات لاتخاذ القرار تعمل كمصنفات معجمية، وإذا لزم الأمر، تربط إجراءً (قرارًا) بكل فئة أو فئة. ^[179]
ميزة: خاصية أو سمة فردية قابلة للقياس لظاهرة ما. ^[180] في الرؤية الحاسوبية ومعالجة الصور ، السمة هي جزء من المعلومات حول محتوى الصورة؛ عادةً حول ما إذا كانت منطقة معينة من الصورة لها خصائص معينة. قد تكون السمات هياكل محددة في الصورة (مثل النقاط أو الحواف أو الأشياء)، أو نتيجة لعملية جوار عامة أو اكتشاف سمة يتم تطبيقها على الصورة.
استخراج الميزات: في التعلم الآلي والتعرف على الأنماط ومعالجة الصور ، يبدأ استخراج الميزات من مجموعة أولية من البيانات المقاسة ويبني القيم المشتقة (الميزات) المقصود منها أن تكون إعلامية وغير مكررة، مما يسهل خطوات التعلم والتعميم اللاحقة، وفي بعض الحالات يؤدي إلى تفسيرات بشرية أفضل.
التعلم المميز: في التعلم الآلي، يعد تعلم الميزات أو تعلم التمثيل ^[181] مجموعة من التقنيات التي تسمح للنظام باكتشاف التمثيلات اللازمة لاكتشاف الميزات أو تصنيفها تلقائيًا من البيانات الخام. يحل هذا محل هندسة الميزات اليدوية ويسمح للآلة بتعلم الميزات واستخدامها لأداء مهمة محددة.
اختيار الميزة: في التعلم الآلي والإحصاء ، يعد اختيار الميزة، المعروف أيضًا باسم اختيار المتغير أو اختيار السمة أو اختيار مجموعة فرعية من المتغيرات، عملية اختيار مجموعة فرعية من الميزات ذات الصلة (المتغيرات، المتنبئات) لاستخدامها في بناء النموذج.
التعلم الفيدرالي: تقنية التعلم الآلي التي تسمح بتدريب النماذج على أجهزة متعددة باستخدام بيانات لامركزية، وبالتالي تساعد في الحفاظ على خصوصية المستخدمين الفرديين وبياناتهم.
منطق من الدرجة الأولى: مجموعة من الأنظمة الرسمية المستخدمة في الرياضيات والفلسفة واللغويات وعلوم الكمبيوتر . يستخدم المنطق من الدرجة الأولى متغيرات كمية على الأشياء غير المنطقية ويسمح باستخدام الجمل التي تحتوي على متغيرات، بحيث بدلاً من القضايا مثل سقراط رجل يمكن للمرء أن يكون لديه تعبيرات في شكل "يوجد X بحيث يكون X هو سقراط و X رجل" ويوجد كم بينما X متغير. ^[182] وهذا يميزه عن المنطق القياسي ، الذي لا يستخدم الكميات أو العلاقات. ^[183]
طلِق: حالة يمكن أن تتغير بمرور الوقت. في المناهج المنطقية للتفكير في الأفعال، يمكن تمثيل الطلاقة في المنطق من الدرجة الأولى من خلال مسندات لها حجة تعتمد على الوقت.
اللغة الرسمية: مجموعة من الكلمات التي يتم أخذ حروفها من الأبجدية ويتم تشكيلها بشكل جيد وفقًا لمجموعة محددة من القواعد.
تسلسل للأمام: أحد الطريقتين الرئيسيتين للاستدلال عند استخدام محرك الاستدلال ويمكن وصفه منطقيًا بأنه تطبيق متكرر لـ modus ponens . التسلسل الأمامي هو استراتيجية تنفيذ شائعة لأنظمة الخبراء والشركات وأنظمة قواعد الإنتاج . عكس التسلسل الأمامي هو التسلسل الخلفي. يبدأ التسلسل الأمامي بالبيانات المتاحة ويستخدم قواعد الاستدلال لاستخراج المزيد من البيانات (من المستخدم النهائي، على سبيل المثال) حتى يتم الوصول إلى هدف . يبحث محرك الاستدلال الذي يستخدم التسلسل الأمامي في قواعد الاستدلال حتى يجد قاعدة حيث يُعرف أن السابقة (شرط If) صحيحة. عندما يتم العثور على مثل هذه القاعدة، يمكن للمحرك استنتاج أو استنتاج النتيجة ( شرط Then)، مما يؤدي إلى إضافة معلومات جديدة إلى بياناته. ^[184]
إطار: بنية بيانات الذكاء الاصطناعي المستخدمة لتقسيم المعرفة إلى هياكل فرعية من خلال تمثيل " مواقف نمطية ". الإطارات هي بنية البيانات الأساسية المستخدمة في لغة إطار الذكاء الاصطناعي.
لغة الإطار: تقنية تستخدم لتمثيل المعرفة في الذكاء الاصطناعي. يتم تخزين الإطارات كمجموعات من المفاهيم الإطارية . وهي تشبه التسلسل الهرمي للفئات في اللغات الموجهة للكائنات على الرغم من أن أهداف تصميمها الأساسية مختلفة. تركز الإطارات على التمثيل الصريح والبديهي للمعرفة بينما تركز الكائنات على التغليف وإخفاء المعلومات . نشأت الإطارات في أبحاث الذكاء الاصطناعي والكائنات في المقام الأول في هندسة البرمجيات . ومع ذلك، في الممارسة العملية تتداخل تقنيات وقدرات الإطارات واللغات الموجهة للكائنات بشكل كبير.
مشكلة الإطار: مشكلة العثور على مجموعات كافية من البديهيات لوصف قابل للتطبيق لبيئة الروبوت. ^[185]
الذكاء الاصطناعي الودود: ذكاء اصطناعي عام افتراضي من شأنه أن يكون له تأثير إيجابي على البشرية. وهو جزء من أخلاقيات الذكاء الاصطناعي ويرتبط ارتباطًا وثيقًا بأخلاقيات الآلة . وفي حين تهتم أخلاقيات الآلة بكيفية تصرف العميل الذكي الاصطناعي، فإن أبحاث الذكاء الاصطناعي الودية تركز على كيفية تحقيق هذا السلوك عمليًا وضمان تقييده بشكل كافٍ.
دراسات المستقبل: دراسة افتراضات المستقبل الممكنة والمحتملة والمفضلة والنظرة العالمية والأساطير التي تكمن وراءها. ^[186]
نظام التحكم الضبابي: نظام تحكم يعتمد على المنطق الضبابي - وهو نظام رياضي يحلل قيم الإدخال التناظرية من حيث المتغيرات المنطقية التي تأخذ قيمًا مستمرة بين 0 و 1، على النقيض من المنطق الكلاسيكي أو الرقمي ، والذي يعمل على قيم منفصلة إما 1 أو 0 (صواب أو خطأ، على التوالي). ^[187]^[188]
المنطق الضبابي: شكل بسيط للمنطق متعدد القيم ، حيث يمكن أن يكون لقيم الحقيقة للمتغيرات أي درجة من " الصدق " والتي يمكن تمثيلها بأي رقم حقيقي في النطاق بين 0 (كما في "خطأ تام") و1 (كما في "صواب تام") شاملاً. وبالتالي، يتم استخدامه للتعامل مع مفهوم الحقيقة الجزئية، حيث يمكن أن تتراوح قيمة الحقيقة بين الصواب التام والخطأ التام. على النقيض من المنطق البولياني ، حيث يمكن أن يكون لقيم الحقيقة للمتغيرات القيم الصحيحة 0 أو 1 فقط.
قاعدة غامضة: قاعدة تستخدم داخل أنظمة المنطق الضبابي لاستنتاج إخراج بناءً على متغيرات الإدخال.
مجموعة غامضة: في نظرية المجموعات الكلاسيكية ، يتم تقييم عضوية العناصر في مجموعة ما من حيث النظام الثنائي وفقًا لشرط ثنائي التكافؤ - حيث ينتمي العنصر إلى المجموعة أو لا ينتمي إليها. وعلى النقيض من ذلك، تسمح نظرية المجموعات الضبابية بالتقييم التدريجي لعضوية العناصر في مجموعة ما؛ ويتم وصف ذلك بمساعدة دالة عضوية يتم تقييمها في الفاصل الزمني الوحدوي الحقيقي [0، 1]. تعمم المجموعات الضبابية المجموعات الكلاسيكية، نظرًا لأن الدوال المؤشرية (المعروفة أيضًا باسم الدوال المميزة ) للمجموعات الكلاسيكية هي حالات خاصة لدوال العضوية للمجموعات الضبابية، إذا كانت الأخيرة تأخذ القيم 0 أو 1 فقط. ^[189] في نظرية المجموعات الضبابية، تسمى المجموعات الثنائية التكافؤ الكلاسيكية عادةً بالمجموعات الواضحة . يمكن استخدام نظرية المجموعات الضبابية في مجموعة واسعة من المجالات التي تكون فيها المعلومات غير كاملة أو غير دقيقة، مثل المعلوماتية الحيوية . ^[190]

ج

نظرية اللعبة: دراسة النماذج الرياضية للتفاعل الاستراتيجي بين صناع القرار العقلانيين. ^[191]
اللعب العام (GGP): اللعب العام هو تصميم برامج الذكاء الاصطناعي لتكون قادرة على تشغيل ولعب أكثر من لعبة بنجاح. ^[192]^[193]^[194]
تعميم: المفهوم الذي مفاده أن البشر والحيوانات الأخرى والشبكات العصبية الاصطناعية يستخدمون التعلم الماضي في مواقف التعلم الحالية إذا تم اعتبار الظروف في المواقف متشابهة. ^[195]
خطأ التعميم: بالنسبة لتطبيقات التعلم الخاضع للإشراف في التعلم الآلي ونظرية التعلم الإحصائي ، فإن خطأ التعميم ^[196] (المعروف أيضًا باسم خطأ خارج العينة ^[197] أو المخاطرة ) هو مقياس لمدى دقة قدرة خوارزمية التعلم على التنبؤ بالنتائج للبيانات غير المرئية سابقًا.
الشبكة التنافسية التوليدية (GAN): فئة من أنظمة التعلم الآلي. تتنافس شبكتان عصبيتان مع بعضهما البعض في إطار لعبة محصلتها صفر .
الذكاء الاصطناعي التوليدي: الذكاء الاصطناعي التوليدي هو الذكاء الاصطناعي القادر على توليد النصوص أو الصور أو الوسائط الأخرى استجابةً للمطالبات . ^[198]^[199] تتعلم نماذج الذكاء الاصطناعي التوليدي أنماط وبنية بيانات التدريب المدخلة الخاصة بها ثم تولد بيانات جديدة لها خصائص مماثلة، عادةً باستخدام الشبكات العصبية العميقة القائمة على المحولات. ^[200]^[201]
محول توليدي مدرب مسبقًا (GPT): نموذج لغوي كبير يعتمد على بنية المحول الذي يولد النص. يتم تدريبه مسبقًا أولاً للتنبؤ بالرمز التالي في النصوص (الرمز هو عادةً كلمة أو كلمة فرعية أو علامة ترقيم). بعد التدريب المسبق، يمكن لنماذج GPT إنشاء نص يشبه النص البشري من خلال التنبؤ بشكل متكرر بالرمز الذي يتوقعون اتباعه. عادةً ما يتم ضبط نماذج GPT أيضًا، على سبيل المثال باستخدام التعلم التعزيزي من ردود الفعل البشرية لتقليل الهلوسة أو السلوك الضار، أو لتنسيق الناتج في تنسيق محادثة. ^[202]
الخوارزمية الجينية: خوارزمية استدلالية مستوحاة من عملية الانتقاء الطبيعي وتنتمي إلى فئة أكبر من الخوارزميات التطورية . تُستخدم الخوارزميات الجينية عادةً لتوليد حلول عالية الجودة لمشاكل التحسين والبحث من خلال الاعتماد على مشغلات مستوحاة من البيولوجيا مثل الطفرة والتبادل والاختيار . ^[203]
عامل وراثي: عامل يستخدم في الخوارزميات الجينية لتوجيه الخوارزمية نحو حل لمشكلة معينة. هناك ثلاثة أنواع رئيسية من العوامل ( الطفرة ، والتبادل ، والاختيار )، والتي يجب أن تعمل جنبًا إلى جنب مع بعضها البعض حتى تنجح الخوارزمية.
تحسين سرب الديدان المتوهجة: خوارزمية لتحسين ذكاء السرب تعتمد على سلوك الديدان المتوهجة (المعروفة أيضًا باسم اليراعات أو حشرات البرق).
تعزيز التدرج: تقنية التعلم الآلي تعتمد على التعزيز في مساحة وظيفية، حيث يكون الهدف هو البقايا الزائفة بدلاً من البقايا كما هو الحال في التعزيز التقليدي.
الرسم البياني (نوع البيانات المجردة): في علوم الكمبيوتر ، الرسم البياني هو نوع بيانات مجردة يهدف إلى تنفيذ مفاهيم الرسم البياني غير الموجه والرسم البياني الموجه من الرياضيات ؛ على وجه التحديد، مجال نظرية الرسم البياني.
الرسم البياني (الرياضيات المنفصلة): في الرياضيات، وبشكل أكثر تحديدًا في نظرية الرسم البياني، الرسم البياني هو بنية تتألف من مجموعة من الأشياء حيث تكون بعض أزواج الأشياء "مرتبطة" بمعنى ما. تتوافق الأشياء مع تجريدات رياضية تسمى الرؤوس (وتسمى أيضًا العقد أو النقاط ) ويسمى كل زوج من أزواج الرؤوس المرتبطة حافة (وتسمى أيضًا قوسًا أو خطًا ). ^[204]
قاعدة بيانات الرسم البياني (GDB): قاعدة بيانات تستخدم هياكل الرسم البياني للاستعلامات الدلالية مع العقد والحواف والخصائص لتمثيل وتخزين البيانات. أحد المفاهيم الرئيسية للنظام هو الرسم البياني (أو الحافة أو العلاقة )، والذي يربط مباشرة عناصر البيانات في المتجر مجموعة من عقد البيانات والحواف التي تمثل العلاقات بين العقد. تسمح العلاقات بربط البيانات الموجودة في المتجر معًا بشكل مباشر، وفي كثير من الحالات يتم استردادها بعملية واحدة. تحتفظ قواعد بيانات الرسم البياني بالعلاقات بين البيانات كأولوية. يعد الاستعلام عن العلاقات داخل قاعدة بيانات الرسم البياني سريعًا لأنها مخزنة بشكل دائم داخل قاعدة البيانات نفسها. يمكن تصور العلاقات بشكل حدسي باستخدام قواعد بيانات الرسم البياني، مما يجعلها مفيدة للبيانات المترابطة بشكل كبير. ^[205]^[206]
نظرية الرسم البياني: دراسة الرسوم البيانية ، وهي هياكل رياضية تستخدم لنمذجة العلاقات الزوجية بين الكائنات.
عبور الرسم البياني: عملية زيارة (فحص و/أو تحديث) كل رأس في الرسم البياني . يتم تصنيف مثل هذه التنقلات حسب الترتيب الذي تتم به زيارة الرؤوس. يعد التنقل عبر الشجرة حالة خاصة من التنقل عبر الرسم البياني.

ح

هلوسة: استجابة تم إنشاؤها بواسطة الذكاء الاصطناعي تحتوي على معلومات خاطئة أو مضللة يتم تقديمها على أنها حقيقة .
إرشادي: تقنية مصممة لحل مشكلة بشكل أسرع عندما تكون الطرق الكلاسيكية بطيئة للغاية، أو لإيجاد حل تقريبي عندما تفشل الطرق الكلاسيكية في إيجاد أي حل دقيق. يتم تحقيق ذلك من خلال تداول الأمثلية أو الاكتمال أو الدقة أو الدقة من أجل السرعة. بطريقة ما، يمكن اعتبارها اختصارًا. الدالة الاستدلالية، والتي تسمى أيضًا ببساطة الاستدلالية، هي دالة تصنف البدائل في خوارزميات البحث في كل خطوة من خطوات التفرع بناءً على المعلومات المتاحة لتحديد الفرع الذي يجب اتباعه. على سبيل المثال، قد تقرب الحل الدقيق. ^[207]
طبقة مخفية: طبقة من الخلايا العصبية في الشبكة العصبية الاصطناعية التي لا تعد طبقة إدخال ولا طبقة إخراج.
مفرط في الاستدلال: طريقة بحث استدلالية تسعى إلى أتمتة عملية اختيار أو دمج أو إنشاء أو تكييف العديد من الاستدلالات البسيطة (أو مكونات هذه الاستدلالات) لحل مشكلات البحث الحسابية بكفاءة، غالبًا من خلال دمج تقنيات التعلم الآلي. أحد الدوافع وراء دراسة الاستدلالات الفائقة هو بناء أنظمة يمكنها التعامل مع فئات من المشكلات بدلاً من حل مشكلة واحدة فقط. ^[208]^[209]^[210]
المعلمة الفائقة: معلمة يمكن ضبطها لتحديد أي جزء قابل للتكوين من عملية التعلم الخاصة بنموذج التعلم الآلي .
تحسين المعلمات الفائقة: عملية اختيار مجموعة من المعلمات الفائقة المثالية لخوارزمية التعلم.
المستوى الفائق: حدود القرار في مصنفات التعلم الآلي التي تقسم مساحة الإدخال إلى قسمين أو أكثر، حيث يتوافق كل قسم مع تسمية فئة فريدة.

أنا

جمعية الذكاء الحاسوبي IEEE: جمعية مهنية تابعة لمعهد مهندسي الكهرباء والإلكترونيات (IEEE) تركز على "النظرية والتصميم والتطبيق وتطوير النماذج الحسابية ذات الدوافع البيولوجية واللغوية التي تؤكد على الشبكات العصبية، والأنظمة الاتصالية، والخوارزميات الوراثية ، والبرمجة التطورية ، والأنظمة الضبابية، والأنظمة الذكية الهجينة التي تحتوي على هذه النماذج". ^[211]
التعلم التدريجي: طريقة من طرق التعلم الآلي، حيث يتم استخدام بيانات الإدخال بشكل مستمر لتوسيع معرفة النموذج الحالي، أي لتدريب النموذج بشكل أكبر. إنها تمثل تقنية ديناميكية للتعلم الخاضع للإشراف وغير الخاضع للإشراف والتي يمكن تطبيقها عندما تصبح بيانات التدريب متاحة تدريجيًا بمرور الوقت أو عندما يكون حجمها خارج حدود ذاكرة النظام. تُعرف الخوارزميات التي يمكنها تسهيل التعلم التدريجي باسم خوارزميات التعلم الآلي التدريجي.
محرك الاستدلال: أحد مكونات النظام الذي يطبق القواعد المنطقية على قاعدة المعرفة لاستنتاج معلومات جديدة.
تكامل المعلومات (II): دمج المعلومات من مصادر غير متجانسة ذات تمثيلات مفاهيمية وسياقية وطباعية مختلفة. يتم استخدامه في استخراج البيانات وتوحيد البيانات من مصادر غير منظمة أو شبه منظمة. عادةً، يشير تكامل المعلومات إلى التمثيلات النصية للمعرفة ولكن يتم تطبيقه أحيانًا على محتوى الوسائط الغنية . يتضمن دمج المعلومات، وهو مصطلح ذو صلة، الجمع بين المعلومات في مجموعة جديدة من المعلومات بهدف تقليل التكرار وعدم اليقين. ^[131]
لغة معالجة المعلومات (IPL): لغة برمجة تتضمن ميزات تهدف إلى المساعدة في البرامج التي تقوم بإجراءات حل المشكلات البسيطة مثل القوائم وتخصيص الذاكرة الديناميكية وأنواع البيانات والتكرار والوظائف كحجج والمولدات وتعدد المهام التعاوني . اخترعت IPL مفهوم معالجة القائمة، وإن كان بأسلوب لغة التجميع .
تضخيم الذكاء: الاستخدام الفعال لتكنولوجيا المعلومات في تعزيز الذكاء البشري .
انفجار الذكاء: نتيجة محتملة لبناء الذكاء الاصطناعي العام (AGI) من قبل البشر. سيكون الذكاء الاصطناعي العام قادرًا على التحسين الذاتي المتكرر مما يؤدي إلى ظهور سريع للذكاء الاصطناعي الفائق (ASI )، الذي لا تزال حدوده غير معروفة، في وقت التفرد التكنولوجي.
العميل الذكي (IA): كيان مستقل يعمل ويوجه نشاطه نحو تحقيق الأهداف (أي أنه وكيل ) ، على بيئة باستخدام الملاحظة من خلال أجهزة الاستشعار والمحركات اللاحقة (أي أنه ذكي). قد يتعلم الوكلاء الأذكياء أيضًا أو يستخدمون المعرفة لتحقيق أهدافهم. قد يكونون بسيطين جدًا أو معقدين جدًا .
التحكم الذكي: فئة من تقنيات التحكم التي تستخدم أساليب حوسبة الذكاء الاصطناعي المختلفة مثل الشبكات العصبية ، والاحتمالية البايزية ، والمنطق الضبابي، والتعلم الآلي، والتعلم المعزز، والحوسبة التطورية ، والخوارزميات الوراثية . ^[212]
مساعد شخصي ذكي: وكيل برمجي يمكنه أداء المهام أو الخدمات لشخص ما بناءً على أوامر لفظية. في بعض الأحيان، يُستخدم مصطلح " روبوت المحادثة " للإشارة إلى المساعدين الافتراضيين الذين يمكن الوصول إليهم بشكل عام أو خاص من خلال الدردشة عبر الإنترنت (أو في بعض الحالات برامج الدردشة عبر الإنترنت المخصصة لأغراض الترفيه فقط). يتمكن بعض المساعدين الافتراضيين من تفسير الكلام البشري والاستجابة عبر الأصوات المصطنعة. يمكن للمستخدمين طرح الأسئلة على مساعديهم والتحكم في أجهزة الأتمتة المنزلية وتشغيل الوسائط عبر الصوت وإدارة المهام الأساسية الأخرى مثل البريد الإلكتروني وقوائم المهام والتقويمات باستخدام الأوامر اللفظية. ^[213]
تفسير: إسناد معنى لرموز لغة رسمية. يتم تعريف العديد من اللغات الرسمية المستخدمة في الرياضيات والمنطق وعلوم الكمبيوتر النظرية من خلال مصطلحات نحوية بحتة ، وبالتالي ليس لها أي معنى حتى يتم تفسيرها. الدراسة العامة لتفسير اللغات الرسمية تسمى الدلالات الرسمية .
الدافع الجوهري: إن العامل الذكي لديه دافع داخلي للتصرف إذا كان محتوى المعلومات وحده، من الخبرة الناتجة عن الفعل، هو العامل المحفز. يتم قياس محتوى المعلومات في هذا السياق بمعنى نظرية المعلومات باعتباره قياسًا لعدم اليقين. الدافع الداخلي النموذجي هو البحث عن مواقف غير عادية (مفاجئة)، على النقيض من الدافع الخارجي النموذجي مثل البحث عن الطعام. يُظهر الوكلاء الاصطناعيون المحفزون داخليًا سلوكيات تشبه الاستكشاف والفضول . [ ^214]
شجرة القضايا: تحليل بياني لسؤال يشرحه إلى مكوناته المختلفة عموديًا ويتقدم إلى التفاصيل أثناء قراءته على اليمين. ^[215]^{: 47} تعتبر أشجار المشكلات مفيدة في حل المشكلات لتحديد الأسباب الجذرية للمشكلة وكذلك لتحديد حلولها المحتملة. كما أنها توفر نقطة مرجعية لمعرفة كيفية ملاءمة كل جزء في الصورة الكاملة للمشكلة. ^[216]

ج

خوارزمية شجرة التقاطع: طريقة تستخدم في التعلم الآلي لاستخراج التهميش في الرسوم البيانية العامة . في الأساس، تتضمن هذه الطريقة إجراء عملية انتشار الاعتقاد على رسم بياني معدّل يسمى شجرة الوصلات . يُطلق على الرسم البياني اسم شجرة لأنه يتفرع إلى أقسام مختلفة من البيانات؛ وعُقَد المتغيرات هي الفروع. ^[217]

ك

طريقة النواة: في التعلم الآلي، تعتبر طرق النواة فئة من الخوارزميات لتحليل الأنماط ، وأشهر أعضائها هو آلة الدعم المتجهي (SVM). تتمثل المهمة العامة لتحليل الأنماط في العثور على أنواع عامة من العلاقات ودراستها (على سبيل المثال، تحليل المجموعات، والتصنيفات ، والمكونات الرئيسية ، والارتباطات ، والتصنيفات) في مجموعات البيانات.
كوالالمبور-وان: نظام تمثيل المعرفة المعروف في تقليد الشبكات والإطارات الدلالية ؛ أي أنه لغة إطارية . والنظام هو محاولة للتغلب على عدم التمييز الدلالي في تمثيلات الشبكة الدلالية وتمثيل المعلومات المفاهيمية صراحةً كشبكة وراثة منظمة. ^{[218] [}219 ^]^[220]
ك- أقرب الجيران: طريقة التعلم الخاضع للإشراف غير المعيارية التي طورها لأول مرة إيفلين فيكس وجوزيف هودجز في عام 1951، ^[221] وتم توسيعها لاحقًا بواسطة توماس كوفر . ^[217] تُستخدم للتصنيف والانحدار.
اكتساب المعرفة: العملية المستخدمة لتحديد القواعد والأنطولوجيات المطلوبة لنظام قائم على المعرفة . تم استخدام العبارة لأول مرة بالتزامن مع أنظمة الخبراء لوصف المهام الأولية المرتبطة بتطوير نظام الخبراء، وهي العثور على خبراء المجال وإجراء مقابلات معهم والتقاط معرفتهم عبر القواعد والأشياء والأنطولوجيات القائمة على الإطارات .
نظام قائم على المعرفة (KBS): برنامج كمبيوتر يستنتج ويستخدم قاعدة المعرفة لحل المشكلات المعقدة . المصطلح واسع ويشير إلى العديد من أنواع الأنظمة المختلفة. الموضوع المشترك الذي يوحد جميع الأنظمة القائمة على المعرفة هو محاولة تمثيل المعرفة صراحة ونظام استدلال يسمح لها باستخلاص معرفة جديدة. وبالتالي، فإن النظام القائم على المعرفة له ميزتان مميزتان: قاعدة المعرفة ومحرك الاستدلال .
تقطير المعرفة: عملية نقل المعرفة من نموذج التعلم الآلي الكبير إلى نموذج أصغر.
هندسة المعرفة: جميع الجوانب التقنية والعلمية والاجتماعية المتعلقة ببناء وصيانة واستخدام الأنظمة القائمة على المعرفة.
استخراج المعرفة: إنشاء المعرفة من مصادر منظمة ( قواعد بيانات علائقية ، XML ) وغير منظمة ( نصوص ، مستندات، صور ). يجب أن تكون المعرفة الناتجة في صيغة قابلة للقراءة والتفسير بواسطة الآلة ويجب أن تمثل المعرفة بطريقة تسهل الاستدلال. على الرغم من أنها تشبه منهجيًا استخراج المعلومات واستخراج البيانات وتحويلها وتحميلها ، فإن المعيار الرئيسي هو أن نتيجة الاستخراج تتجاوز إنشاء معلومات منظمة أو تحويلها إلى مخطط علائقي . يتطلب إما إعادة استخدام المعرفة الرسمية الموجودة (إعادة استخدام المعرفات أو الأنطولوجيات ) أو إنشاء مخطط بناءً على بيانات المصدر.
تنسيق تبادل المعرفة (KIF): لغة كمبيوتر مصممة لتمكين الأنظمة من مشاركة وإعادة استخدام المعلومات من الأنظمة القائمة على المعرفة . تشبه KIF لغات الإطار مثل KL-ONE و LOOM ولكن على عكس هذه اللغة فإن دورها الأساسي ليس المقصود منه أن يكون إطارًا للتعبير عن المعرفة أو استخدامها بل لتبادل المعرفة بين الأنظمة. شبهها مصممو KIF بـ PostScript . لم يتم تصميم PostScript في المقام الأول كلغة لتخزين المستندات ومعالجتها بل كتنسيق تبادل للأنظمة والأجهزة لمشاركة المستندات. بنفس الطريقة، يُقصد من KIF تسهيل مشاركة المعرفة عبر أنظمة مختلفة تستخدم لغات وصيغًا ومنصات مختلفة وما إلى ذلك.
تمثيل المعرفة والاستدلال (KR² أو KR&R): مجال الذكاء الاصطناعي المخصص لتمثيل المعلومات حول العالم في شكل يمكن لنظام الكمبيوتر الاستفادة منه لحل المهام المعقدة مثل تشخيص حالة طبية أو إجراء حوار بلغة طبيعية . يتضمن تمثيل المعرفة النتائج المستمدة من علم النفس ^[222] حول كيفية حل البشر للمشكلات وتمثيل المعرفة من أجل تصميم أشكال رسمية تجعل الأنظمة المعقدة أسهل في التصميم والبناء. يتضمن تمثيل المعرفة والاستدلال أيضًا النتائج المستمدة من المنطق لأتمتة أنواع مختلفة من الاستدلال ، مثل تطبيق القواعد أو علاقات المجموعات والمجموعات الجزئية . ^[223] تتضمن أمثلة أشكال تمثيل المعرفة الشبكات الدلالية وهندسة الأنظمة والإطارات والقواعد والأنطولوجيات . تتضمن أمثلة محركات الاستدلال الآلي محركات الاستدلال ومثبتات النظريات والمصنفات.
التجميع باستخدام طريقة k-means: طريقة لتكميم المتجهات ، مستمدة في الأصل من معالجة الإشارات ، تهدف إلى تقسيم n ملاحظة إلى k مجموعة حيث تنتمي كل ملاحظة إلى المجموعة ذات المتوسط الأقرب (مراكز المجموعة أو مركز المجموعة )، والتي تعمل كنموذج أولي للمجموعة.

ل

نموذج اللغة: نموذج احتمالي يتلاعب باللغة الطبيعية .
نموذج اللغة الكبيرة (LLM): نموذج لغوي يحتوي على عدد كبير من المعلمات (عادةً مليار على الأقل) يتم تعديلها أثناء التدريب. نظرًا لحجمه، فإنه يتطلب قدرًا كبيرًا من البيانات وقدرة الحوسبة للتدريب. تعتمد نماذج اللغة الكبيرة عادةً على بنية المحول. ^[224]
التعلم الكسول: في التعلم الآلي، التعلم الكسول هو أسلوب تعلم يتم فيه تأخير تعميم بيانات التدريب ، من الناحية النظرية، حتى يتم إجراء استعلام للنظام، على عكس التعلم الحريص ، حيث يحاول النظام تعميم بيانات التدريب قبل تلقي الاستعلامات.
ليسب (لغة برمجة) (LISP): عائلة من لغات البرمجة ذات تاريخ طويل وتتميز بنظام تدوين بادئة مميز بين قوسين كاملين . ^[225]
برمجة منطقية: نوع من نماذج البرمجة التي تعتمد إلى حد كبير على المنطق الرسمي . أي برنامج مكتوب بلغة برمجة منطقية هو مجموعة من الجمل في شكل منطقي، تعبر عن الحقائق والقواعد حول بعض مجالات المشكلة. تشمل عائلات لغات البرمجة المنطقية الرئيسية Prolog وبرمجة مجموعة الإجابات (ASP) وDatalog.
الذاكرة طويلة المدى (LSTM): هندسة شبكة عصبية متكررة اصطناعية ^[226] تستخدم في مجال التعلم العميق. على عكس الشبكات العصبية الأمامية القياسية ، فإن LSTM لديها اتصالات تغذية مرتدة تجعلها "كمبيوترًا للأغراض العامة" (أي أنه يمكنه حساب أي شيء يمكن لآلة تورينج أن تحسبه). ^[227] لا يمكنه فقط معالجة نقاط بيانات فردية (مثل الصور)، ولكن أيضًا تسلسلات كاملة من البيانات (مثل الكلام أو الفيديو).

م

الرؤية الآلية (MV): التكنولوجيا والطرق المستخدمة لتوفير الفحص والتحليل التلقائي القائم على التصوير لتطبيقات مثل الفحص التلقائي والتحكم في العمليات وتوجيه الروبوت، وعادةً في الصناعة. الرؤية الآلية هو مصطلح يشمل عددًا كبيرًا من التقنيات ومنتجات البرامج والأجهزة والأنظمة المتكاملة والإجراءات والطرق والخبرات. يمكن اعتبار الرؤية الآلية كتخصص في هندسة الأنظمة مختلفة عن الرؤية الحاسوبية ، وهو شكل من أشكال علوم الكمبيوتر . تحاول دمج التقنيات الحالية بطرق جديدة وتطبيقها لحل مشاكل العالم الحقيقي. المصطلح هو السائد لهذه الوظائف في بيئات الأتمتة الصناعية ولكنه يستخدم أيضًا لهذه الوظائف في بيئات أخرى مثل الأمن وتوجيه المركبات.
سلسلة ماركوف: نموذج عشوائي يصف سلسلة من الأحداث المحتملة حيث يعتمد احتمال كل حدث فقط على الحالة التي تم الوصول إليها في الحدث السابق. ^[228]^[229]
عملية اتخاذ القرار ماركوف (MDP): عملية تحكم عشوائية في وقت منفصل . وهي توفر إطارًا رياضيًا لنمذجة عملية اتخاذ القرار في المواقف التي تكون فيها النتائج عشوائية جزئيًا وتحت سيطرة صانع القرار جزئيًا. تعد عمليات معالجة البيانات متعددة المتغيرات مفيدة لدراسة مشكلات التحسين التي يتم حلها من خلال البرمجة الديناميكية والتعلم التعزيزي.
التحسين الرياضي: في الرياضيات وعلوم الكمبيوتر وبحوث العمليات ، اختيار أفضل عنصر (مع مراعاة بعض المعايير) من مجموعة من البدائل المتاحة. ^[230]
التعلم الآلي (ML): الدراسة العلمية للخوارزميات والنماذج الإحصائية التي تستخدمها أنظمة الكمبيوتر من أجل أداء مهمة محددة بشكل فعال دون استخدام تعليمات صريحة، والاعتماد على الأنماط والاستدلال بدلاً من ذلك.
الاستماع الآلي: مجال عام لدراسة الخوارزميات والأنظمة المستخدمة في فهم الصوت بواسطة الآلة. ^[231]^[232]
الإدراك الآلي: قدرة نظام الكمبيوتر على تفسير البيانات بطريقة مماثلة للطريقة التي يستخدم بها البشر حواسهم للتواصل مع العالم من حولهم. ^[233]^[234]^[235]
تصميم الآلية: مجال في الاقتصاد ونظرية الألعاب يتبنى نهجًا هندسيًا لتصميم الآليات أو الحوافز الاقتصادية ، نحو الأهداف المرغوبة، في المواقف الاستراتيجية ، حيث يتصرف اللاعبون بعقلانية . ولأنه يبدأ في نهاية اللعبة، ثم يتجه للخلف، فإنه يُسمى أيضًا نظرية الألعاب العكسية. وله تطبيقات واسعة النطاق، من الاقتصاد والسياسة (الأسواق والمزادات وإجراءات التصويت) إلى الأنظمة الشبكية (توجيه الإنترنت بين المجالات، ومزادات البحث المدعومة).
الميكاترونيات: فرع متعدد التخصصات ^من الهندسة يركز على هندسة كل من الأنظمة الكهربائية والميكانيكية ، ويتضمن أيضًا مزيجًا من الروبوتات والإلكترونيات والكمبيوتر والاتصالات والأنظمة والتحكم وهندسة المنتجات . [ ^236][ 237 ]
إعادة بناء الشبكة الأيضية والمحاكاة: يسمح برؤية متعمقة للآليات الجزيئية لكائن حي معين. وعلى وجه الخصوص، تربط هذه النماذج بين الجينوم وعلم وظائف الأعضاء الجزيئي. ^[238]
استدلالي: في علوم الكمبيوتر والتحسين الرياضي ، تعد الخوارزمية الاستدلالية إجراءً أو خوارزمية استدلالية عالية المستوى مصممة للعثور على أو إنشاء أو تحديد خوارزمية استدلالية (خوارزمية بحث جزئية) قد توفر حلاً جيدًا بدرجة كافية لمشكلة التحسين ، خاصةً مع المعلومات غير المكتملة أو غير الكاملة أو سعة الحساب المحدودة. ^[239]^[240] الخوارزميات الاستدلالية هي مجموعة من الحلول التي تكون كبيرة جدًا بحيث لا يمكن أخذ عينات منها بالكامل.
فحص النموذج: في علوم الكمبيوتر ، فحص النموذج أو فحص الخصائص هو فحص شامل وتلقائي لنموذج معين من النظام لمعرفة ما إذا كان هذا النموذج يلبي مواصفات معينة . عادةً، يكون لدى المرء أنظمة أجهزة أو برامج في الاعتبار، في حين تحتوي المواصفات على متطلبات السلامة مثل عدم وجود جمود وحالات حرجة مماثلة يمكن أن تتسبب في تعطل النظام . فحص النموذج هو تقنية للتحقق تلقائيًا من خصائص صحة أنظمة الحالة المحدودة .
طريقة السداد: في المنطق القياسي ، modus ponens هي قاعدة استدلال . ^[241] ويمكن تلخيصها على النحو التالي " P يستلزم Q ويتم تأكيد أن P صحيحة، وبالتالي يجب أن تكون Q صحيحة".
طريقة تولينس: في المنطق القياسي ، يعد modus tollens شكلاً من أشكال الحجة الصحيحة وقاعدة من قواعد الاستدلال . وهو تطبيق للحقيقة العامة التي تنص على أنه إذا كانت العبارة صحيحة، فإن نقيضها صحيح أيضًا . تؤكد قاعدة الاستدلال modus tollens أن الاستدلال من P يستلزم Q وأن نفي Q يستلزم أن نفي P صحيح.
البحث عن شجرة مونت كارلو: في علوم الكمبيوتر ، تعد شجرة البحث مونت كارلو (MCTS) خوارزمية بحث استدلالية لبعض أنواع عمليات اتخاذ القرار .
نظام متعدد الوكلاء (MAS): نظام حاسوبي يتألف من عدة وكلاء أذكياء متفاعلين. يمكن للأنظمة متعددة الوكلاء حل المشكلات التي يصعب أو يستحيل على وكيل فردي أو نظام متجانس حلها. قد يشمل الذكاء أساليب منهجية أو وظيفية أو إجرائية أو بحث خوارزمي أو تعلم معزز.
المدرك متعدد الطبقات (MLP): في التعلم العميق، يعد المدرك متعدد الطبقات (MLP) اسمًا لشبكة عصبية حديثة ذات تغذية أمامية تتكون من خلايا عصبية متصلة بالكامل مع وظائف تنشيط غير خطية، منظمة في طبقات، وتتميز بقدرتها على التمييز بين البيانات التي لا يمكن فصلها خطيًا . ^[242]
تحسين أسراب متعددة: أحد أشكال تحسين أسراب الجسيمات (PSO) يعتمد على استخدام أسراب فرعية متعددة بدلاً من سرب واحد (قياسي). النهج العام في تحسين أسراب متعددة هو أن كل سرب فرعي يركز على منطقة معينة بينما تحدد طريقة تنويع محددة مكان ووقت إطلاق الأسراب الفرعية. إطار عمل أسراب متعددة مناسب بشكل خاص للتحسين في المشكلات متعددة الوسائط، حيث توجد العديد من الحلول المثلى (المحلية).
طفرة: عامل وراثي يستخدم للحفاظ على التنوع الجيني من جيل إلى جيل من مجموعة من كروموسومات الخوارزمية الوراثية . وهو مماثل للطفرة البيولوجية . تغير الطفرة قيمة جين واحد أو أكثر في كروموسوم من حالته الأولية. في الطفرة، قد يتغير الحل تمامًا عن الحل السابق. وبالتالي يمكن للخوارزمية الوراثية التوصل إلى حل أفضل باستخدام الطفرة. تحدث الطفرة أثناء التطور وفقًا لاحتمالية الطفرة التي يمكن للمستخدم تحديدها. يجب ضبط هذا الاحتمال على مستوى منخفض. إذا تم ضبطه على مستوى مرتفع للغاية، فسيتحول البحث إلى بحث عشوائي بدائي.
مايسين: نظام خبير مبكر للتسلسل العكسي استخدم الذكاء الاصطناعي لتحديد البكتيريا المسببة للعدوى الشديدة، مثل بكتيريا الدم والتهاب السحايا ، والتوصية بالمضادات الحيوية ، مع تعديل الجرعة وفقًا لوزن جسم المريض - الاسم مشتق من المضادات الحيوية نفسها، حيث أن العديد من المضادات الحيوية لها اللاحقة "-mycin". كما تم استخدام نظام MYCIN لتشخيص أمراض تخثر الدم.

ن

تصنيف بايز الساذج: في التعلم الآلي، تعتبر مصنفات بايز الساذجة عائلة من المصنفات الاحتمالية البسيطة القائمة على تطبيق نظرية بايز مع افتراضات الاستقلال القوية (الساذجة) بين الميزات.
دلالات ساذجة: نهج يستخدم في علوم الكمبيوتر لتمثيل المعرفة الأساسية حول مجال معين، وقد تم استخدامه في تطبيقات مثل تمثيل معنى جمل اللغة الطبيعية في تطبيقات الذكاء الاصطناعي. في إطار عام، تم استخدام المصطلح للإشارة إلى استخدام مخزن محدود من المعرفة المفهومة عمومًا حول مجال معين في العالم، وتم تطبيقه على مجالات مثل التصميم القائم على المعرفة لمخططات البيانات. ^[243]
ربط الاسم: في لغات البرمجة، ربط الأسماء هو ربط الكيانات (البيانات و/أو التعليمات البرمجية) بالمعرفات . [ ^244] ويقال إن المعرف المرتبط بكائن ما يشير إلى ذلك الكائن. لا تحتوي لغات الآلة على فكرة مدمجة عن المعرفات، ولكن يتم تنفيذ ربط الأسماء بالكائنات كخدمة وتدوين للمبرمج بواسطة لغات البرمجة. يرتبط الربط ارتباطًا وثيقًا بالنطاق ، حيث يحدد النطاق الأسماء التي ترتبط بأي كائنات - في أي مواقع في كود البرنامج ( معجميًا ) وفي أي من مسارات التنفيذ الممكنة ( زمنيًا ). يُطلق على استخدام معرف idفي سياق ينشئ ربطًا لـ idحدث ربط (أو تعريف). في جميع الأحداث الأخرى (على سبيل المثال، في التعبيرات والمهام ومكالمات البرامج الفرعية)، يمثل المعرف ما يرتبط به؛ وتسمى مثل هذه الأحداث أحداثًا تطبيقية.
التعرف على الكيانات المسماة (NER): مهمة فرعية لاستخراج المعلومات تسعى إلى تحديد وتصنيف الكيانات المذكورة في نص غير منظم إلى فئات محددة مسبقًا مثل أسماء الأشخاص والمنظمات والمواقع والرموز الطبية وتعبيرات الوقت والكميات والقيم النقدية والنسب المئوية وما إلى ذلك.
رسم بياني مسمى: مفهوم رئيسي لهندسة الويب الدلالي حيث يتم تحديد مجموعة من عبارات إطار وصف الموارد ( رسم بياني ) باستخدام URI ، ^[245] مما يسمح بعمل أوصاف لتلك المجموعة من العبارات مثل السياق أو معلومات المنشأ أو غيرها من البيانات الوصفية . الرسوم البيانية المسماة هي امتداد بسيط لنموذج بيانات RDF ^[246] والذي يمكن من خلاله إنشاء الرسوم البيانية ولكن النموذج يفتقر إلى وسيلة فعالة للتمييز بينها بمجرد نشرها على الويب على نطاق واسع.
توليد اللغة الطبيعية (NLG): عملية برمجية تقوم بتحويل البيانات المنظمة إلى محتوى باللغة الإنجليزية البسيطة. ويمكن استخدامها لإنتاج محتوى طويل للمنظمات لأتمتة التقارير المخصصة، فضلاً عن إنتاج محتوى مخصص لتطبيق ويب أو جوال. ويمكن استخدامها أيضًا لإنشاء مقاطع نصية قصيرة في المحادثات التفاعلية (روبوت المحادثة ) والتي قد يتم قراءتها بصوت عالٍ بواسطة نظام تحويل النص إلى كلام .
معالجة اللغة الطبيعية (NLP): مجال فرعي من علوم الكمبيوتر وهندسة المعلومات والذكاء الاصطناعي يهتم بالتفاعلات بين أجهزة الكمبيوتر واللغات البشرية (الطبيعية)، وخاصة كيفية برمجة أجهزة الكمبيوتر لمعالجة وتحليل كميات كبيرة من بيانات اللغة الطبيعية .
برمجة اللغة الطبيعية: طريقة برمجة بمساعدة الأنطولوجيا من حيث الجمل المكتوبة باللغة الطبيعية ، مثل اللغة الإنجليزية . ^[247]
نمط الشبكة: يمكن تمثيل جميع الشبكات، بما في ذلك الشبكات البيولوجية والشبكات الاجتماعية والشبكات التكنولوجية (مثل شبكات الكمبيوتر والدوائر الكهربائية) وغيرها، على هيئة رسوم بيانية ، والتي تتضمن مجموعة كبيرة ومتنوعة من الرسوم البيانية الفرعية. إحدى الخصائص المحلية المهمة للشبكات هي ما يسمى بأنماط الشبكة، والتي يتم تعريفها على أنها رسوم بيانية فرعية أو أنماط متكررة وذات دلالة إحصائية .
الترجمة الآلية العصبية (NMT): نهج للترجمة الآلية يستخدم شبكة عصبية اصطناعية كبيرة للتنبؤ باحتمالية ظهور تسلسل من الكلمات، وعادة ما يتم نمذجة الجمل بأكملها في نموذج متكامل واحد.
الشبكة العصبية: يمكن أن تشير الشبكة العصبية إما إلى دائرة عصبية من الخلايا العصبية البيولوجية (وتسمى أحيانًا أيضًا شبكة عصبية بيولوجية )، أو شبكة من الخلايا العصبية الاصطناعية أو العقد في حالة الشبكة العصبية الاصطناعية. ^[248] تُستخدم الشبكات العصبية الاصطناعية لحل مشكلات الذكاء الاصطناعي؛ فهي تنمذج اتصالات الخلايا العصبية البيولوجية كأوزان بين العقد. يعكس الوزن الإيجابي اتصالاً مثيرًا، بينما تعني القيم السلبية اتصالات مثبطة. يتم تعديل جميع المدخلات بواسطة وزن ومجموعها. يشار إلى هذا النشاط باسم تركيبة خطية . أخيرًا، تتحكم دالة التنشيط في سعة الإخراج. على سبيل المثال، يكون النطاق المقبول للإخراج عادةً بين 0 و1، أو يمكن أن يكون -1 و1.
آلة تورينج العصبية (NTM): نموذج الشبكة العصبية المتكررة . تجمع نماذج الشبكة العصبية المتكررة بين قدرات مطابقة الأنماط الضبابية للشبكات العصبية والقوة الخوارزمية لأجهزة الكمبيوتر القابلة للبرمجة . تحتوي نماذج الشبكة العصبية المتكررة على وحدة تحكم في الشبكة العصبية مقترنة بموارد الذاكرة الخارجية ، والتي تتفاعل معها من خلال آليات الانتباه. تفاعلات الذاكرة قابلة للتفاضل من البداية إلى النهاية، مما يجعل من الممكن تحسينها باستخدام الانحدار التدريجي . ^[249] يمكن لنماذج الشبكة العصبية المتكررة مع وحدة تحكم شبكة الذاكرة الطويلة والقصيرة المدى (LSTM) استنتاج خوارزميات بسيطة مثل النسخ والفرز والتذكر الترابطي من الأمثلة وحدها. ^[250]
عصبي غامض: مزيج من الشبكات العصبية الاصطناعية والمنطق الضبابي.
السيبرنيتيكا العصبية: مسار اتصال مباشر بين دماغ معزز أو سلكي وجهاز خارجي. يختلف BCI عن التعديل العصبي في أنه يسمح بتدفق المعلومات في اتجاهين. غالبًا ما يتم توجيه BCIs إلى البحث أو رسم الخرائط أو المساعدة أو التعزيز أو إصلاح الوظائف المعرفية أو الحسية الحركية البشرية. ^[251]
الهندسة العصبية: مفهوم يصف استخدام أنظمة التكامل واسعة النطاق (VLSI) التي تحتوي على دوائر إلكترونية تناظرية لمحاكاة البنيات العصبية الحيوية الموجودة في الجهاز العصبي. ^[252] في الآونة الأخيرة، تم استخدام مصطلح الشكل العصبي لوصف أنظمة التكامل واسعة النطاق التناظرية والرقمية والمختلطة الوضع التناظرية/الرقمية والأنظمة البرمجية التي تنفذ نماذج الأنظمة العصبية ( للإدراك أو التحكم الحركي أو التكامل متعدد الحواس ). يمكن تحقيق تنفيذ الحوسبة الشكلية العصبية على مستوى الأجهزة من خلال المقاومات الذاكرة القائمة على الأكسيد ^[253] والذاكرات الإلكترونية الدورانية ^[254] ومفاتيح العتبة والترانزستورات . ^[255]^[256]^[257]^[258]
العقدة: وحدة أساسية في بنية البيانات ، مثل بنية البيانات القائمة على الارتباطات أو الشجرة . تحتوي العقد على بيانات وقد ترتبط أيضًا بعقد أخرى. غالبًا ما يتم تنفيذ الروابط بين العقد بواسطة المؤشرات .
خوارزمية غير حتمية: خوارزمية يمكنها، حتى بالنسبة لنفس المدخلات، إظهار سلوكيات مختلفة في عمليات تشغيل مختلفة، على عكس الخوارزمية الحتمية .
الذكاء الاصطناعي الجديد: تختلف الذكاء الاصطناعي الجديد عن الذكاء الاصطناعي الكلاسيكي من خلال استهداف إنتاج روبوتات بمستويات ذكاء مماثلة للحشرات. يعتقد الباحثون أن الذكاء يمكن أن ينشأ بشكل عضوي من سلوكيات بسيطة حيث تتفاعل هذه الذكاءات مع "العالم الحقيقي"، بدلاً من استخدام العوالم المصطنعة التي تحتاج الذكاءات الذكية الرمزية عادةً إلى برمجتها فيها. ^[259]
ن ب: في نظرية التعقيد الحسابي، NP (زمن متعدد الحدود غير حتمي) هو فئة تعقيد تستخدم لتصنيف مشاكل القرار . NP هي مجموعة مشاكل القرار التي تحتوي حالات المشكلة فيها ، حيث تكون الإجابة "نعم"، على إثباتات يمكن التحقق منها في زمن متعدد الحدود . ^[260]^{[ملاحظة 1]}
اكتمال NP: في نظرية التعقيد الحسابي، تكون المشكلة مكتملة NP عندما يمكن حلها بواسطة فئة مقيدة من خوارزميات البحث بالقوة الغاشمة ويمكن استخدامها لمحاكاة أي مشكلة أخرى بخوارزمية مماثلة. وبشكل أكثر دقة، يجب ربط كل مدخل للمشكلة بمجموعة من الحلول ذات الطول الحدودي، والتي يمكن اختبار صلاحيتها بسرعة (في وقت حدودي ^[261] )، بحيث يكون الناتج لأي مدخل "نعم" إذا كانت مجموعة الحلول غير فارغة و"لا" إذا كانت فارغة.
صلابة NP: في نظرية التعقيد الحسابي، الخاصية المحددة لفئة من المشاكل التي تكون، بشكل غير رسمي، "على الأقل بنفس صعوبة أصعب المشاكل في NP". مثال بسيط على مشكلة صعبة في NP هي مشكلة مجموع المجموعات الجزئية .

ا

شفرة أوكام: مبدأ حل المشكلات الذي ينص على أنه عند تقديم فرضيات متنافسة تقدم نفس التنبؤات، يجب على المرء اختيار الحل بأقل عدد من الافتراضات؛ ^[262] لا يهدف المبدأ إلى تصفية الفرضيات التي تقدم تنبؤات مختلفة. تُنسب الفكرة إلى الراهب الفرنسيسكاني الإنجليزي ويليام الأوكامي ( حوالي 1287-1347)، وهو فيلسوف مدرسي وعالم لاهوت .
التعلم دون اتصال بالإنترنت: نهج تدريب التعلم الآلي حيث يتم تدريب النموذج على مجموعة بيانات ثابتة لا يتم تحديثها أثناء عملية التعلم.
التعلم الآلي عبر الإنترنت: طريقة من طرق التعلم الآلي حيث تصبح البيانات متاحة بترتيب تسلسلي وتُستخدم لتحديث أفضل متنبئ للبيانات المستقبلية في كل خطوة، على عكس تقنيات التعلم الدفعي التي تولد أفضل متنبئ من خلال التعلم على مجموعة بيانات التدريب بأكملها دفعة واحدة. التعلم عبر الإنترنت هو تقنية شائعة تُستخدم في مجالات التعلم الآلي حيث يكون من غير الممكن حسابيًا التدريب على مجموعة البيانات بأكملها، مما يتطلب الحاجة إلى خوارزميات خارج النواة . كما تُستخدم أيضًا في المواقف التي يكون من الضروري فيها أن تتكيف الخوارزمية ديناميكيًا مع الأنماط الجديدة في البيانات، أو عندما يتم إنشاء البيانات نفسها كدالة للوقت.
التعلم الأنطولوجي: إنشاء الأنطولوجيات بشكل تلقائي أو شبه تلقائي ، بما في ذلك استخراج مصطلحات المجال المقابلة والعلاقات بين المفاهيم التي تمثلها هذه المصطلحات من مجموعة من النصوص باللغة الطبيعية، وترميزها باستخدام لغة الأنطولوجيا لسهولة استرجاعها.
أوبن أيه آي: شركة OpenAI LP التي تعمل بهدف الربح، والمنظمة الأم هي منظمة غير ربحية OpenAI Inc ^[263] تجري أبحاثًا في مجال الذكاء الاصطناعي بهدف معلن يتمثل في تعزيز وتطوير الذكاء الاصطناعي الودود بطريقة تعود بالنفع على البشرية ككل.
أوبن كوج: مشروع يهدف إلى بناء إطار عمل مفتوح المصدر للذكاء الاصطناعي. OpenCog Prime عبارة عن بنية للإدراك المتجسد للروبوت والواقع الافتراضي والتي تحدد مجموعة من المكونات المتفاعلة المصممة لظهور الذكاء الاصطناعي العام المكافئ للإنسان (AGI) كظاهرة ناشئة للنظام بأكمله. ^[264]
العقل المنفتح والحس السليم: مشروع ذكاء اصطناعي مقره مختبر الوسائط التابع لمعهد ماساتشوستس للتكنولوجيا (MIT)، ويهدف إلى بناء قاعدة كبيرة من المعرفة السليمة والاستفادة منها من مساهمات آلاف الأشخاص عبر الويب.
البرمجيات مفتوحة المصدر (OSS): نوع من برامج الكمبيوتر التي يتم إصدار الكود المصدري فيها بموجب ترخيص يمنح فيه حامل حقوق النشر المستخدمين الحق في دراسة البرنامج وتغييره وتوزيعه على أي شخص ولأي غرض. ^[265] يمكن تطوير البرامج مفتوحة المصدر بطريقة تعاونية عامة . تعد البرامج مفتوحة المصدر مثالاً بارزًا للتعاون المفتوح . ^[266]
الإفراط في التجهيز: "إنتاج تحليل يتوافق بشكل وثيق للغاية أو دقيق للغاية مع مجموعة معينة من البيانات، وبالتالي قد يفشل في التكيف مع البيانات الإضافية أو التنبؤ بالملاحظات المستقبلية بشكل موثوق". ^[267] بعبارة أخرى، يحفظ النموذج المفرط في التجهيز تفاصيل بيانات التدريب ولكنه لا يستطيع التعميم على البيانات الجديدة. وعلى العكس من ذلك، يكون النموذج غير الملائم بسيطًا للغاية بحيث لا يتمكن من التقاط تعقيد بيانات التدريب.

ص

تخفيض جزئي للطلب: تقنية لتقليل حجم مساحة الحالة التي سيتم البحث فيها بواسطة خوارزمية فحص النموذج أو التخطيط والجدولة الآلية . وهي تستغل القدرة على التبديل بين التحولات التي يتم تنفيذها في وقت واحد ، والتي تؤدي إلى نفس الحالة عند تنفيذها بترتيبات مختلفة.
عملية اتخاذ القرار ماركوف القابلة للملاحظة جزئيًا (POMDP): تعميم لعملية اتخاذ القرار ماركوف (MDP). تقوم عملية اتخاذ القرار ماركوف بوضع نموذج لعملية اتخاذ القرار للوكيل حيث يُفترض أن ديناميكيات النظام يتم تحديدها بواسطة عملية اتخاذ القرار ماركوف، ولكن الوكيل لا يمكنه ملاحظة الحالة الأساسية بشكل مباشر. بدلاً من ذلك، يجب عليه الحفاظ على توزيع الاحتمالات على مجموعة الحالات المحتملة، بناءً على مجموعة من الملاحظات واحتمالات الملاحظة، وعملية اتخاذ القرار ماركوف الأساسية.
تحسين أسراب الجسيمات (PSO): طريقة حسابية تعمل على تحسين المشكلة من خلال محاولة تحسين حل مرشح بشكل متكرر فيما يتعلق بمقياس معين للجودة. وهي تحل المشكلة من خلال الحصول على مجموعة من الحلول المرشحة، والتي يطلق عليها هنا اسم الجسيمات ، وتحريك هذه الجسيمات في مساحة البحث وفقًا لصيغ رياضية بسيطة حول موضع الجسيم وسرعته. تتأثر حركة كل جسيم بأفضل موضع محلي معروف له، ولكنها أيضًا موجهة نحو أفضل المواضع المعروفة في مساحة البحث، والتي يتم تحديثها مع العثور على مواضع أفضل بواسطة جسيمات أخرى. ومن المتوقع أن يؤدي هذا إلى تحريك السرب نحو أفضل الحلول.
إيجاد المسار: رسم أقصر طريق بين نقطتين باستخدام تطبيق حاسوبي. وهو شكل أكثر عملية لحل المتاهات . ويعتمد هذا المجال البحثي بشكل كبير على خوارزمية ديكسترا لإيجاد أقصر مسار على رسم بياني مرجح .
التعرف على الأنماط: يهتم بالاكتشاف التلقائي للانتظامات في البيانات من خلال استخدام خوارزميات الكمبيوتر واستخدام هذه الانتظامات لاتخاذ إجراءات مثل تصنيف البيانات إلى فئات مختلفة. ^[268]
المدرك: خوارزمية للتعلم الخاضع للإشراف للمصنفات الثنائية.
منطق المسند: مجموعة من الأنظمة الرسمية المستخدمة في الرياضيات والفلسفة واللغويات وعلوم الكمبيوتر . يستخدم المنطق من الدرجة الأولى متغيرات كمية على الأشياء غير المنطقية ويسمح باستخدام الجمل التي تحتوي على متغيرات، بحيث بدلاً من القضايا مثل سقراط رجل يمكن للمرء أن يكون لديه تعبيرات في شكل "يوجد x بحيث يكون x هو سقراط و x رجل" ويوجد كم بينما x متغير. ^[182] وهذا يميزه عن المنطق القياسي ، الذي لا يستخدم الكميات أو العلاقات ؛ ^[269] بهذا المعنى، فإن المنطق القياسي هو أساس المنطق من الدرجة الأولى.
التحليلات التنبؤية: مجموعة متنوعة من التقنيات الإحصائية من استخراج البيانات ، والنمذجة التنبؤية ، والتعلم الآلي، والتي تحلل الحقائق الحالية والتاريخية للتنبؤ بالأحداث المستقبلية أو غير المعروفة. ^[270]^[271]
تحليل المكونات الأساسية (PCA): إجراء إحصائي يستخدم تحويلاً متعامداً لتحويل مجموعة من ملاحظات المتغيرات المرتبطة بشكل محتمل (كيانات يأخذ كل منها قيماً عددية مختلفة) إلى مجموعة من قيم المتغيرات غير المرتبطة خطياً والتي تسمى المكونات الرئيسية. يتم تعريف هذا التحويل بطريقة تجعل المكون الرئيسي الأول يتمتع بأكبر قدر ممكن من التباين (أي أنه يمثل أكبر قدر ممكن من التباين في البيانات)، ويكون لكل مكون لاحق بدوره أعلى تباين ممكن تحت القيد الذي يجعله متعامداً مع المكونات السابقة. المتجهات الناتجة (كل منها عبارة عن تركيبة خطية من المتغيرات وتحتوي على n ملاحظة) هي مجموعة أساسية متعامدة غير مرتبطة . تحليل المكونات الرئيسية حساس للقياس النسبي للمتغيرات الأصلية.
مبدأ العقلانية: مبدأ صاغه كارل ر. بوبر في محاضرته بجامعة هارفارد عام 1963، ونشره في كتابه أسطورة الإطار . ^[272] وهو مرتبط بما أسماه "منطق الموقف" في مقال في مجلة إيكونوميكا عام 1944/1945، نُشر لاحقًا في كتابه فقر التاريخية . ^[273] وفقًا لمبدأ العقلانية لدى بوبر، يتصرف الوكلاء بالطريقة الأكثر ملاءمة وفقًا للموقف الموضوعي. إنه مفهوم مثالي للسلوك البشري استخدمه لدفع نموذجه للمنطق الموقفي .
البرمجة الاحتمالية: نموذج برمجة يتم فيه تحديد نماذج احتمالية ويتم إجراء الاستدلال على هذه النماذج تلقائيًا. ^[274] وهو يمثل محاولة لتوحيد النمذجة الاحتمالية والبرمجة العامة التقليدية من أجل جعل الأولى أسهل وأكثر قابلية للتطبيق على نطاق واسع. ^[275]^[276] ويمكن استخدامه لإنشاء أنظمة تساعد في اتخاذ القرارات في مواجهة عدم اليقين. يشار إلى لغات البرمجة المستخدمة في البرمجة الاحتمالية باسم "لغات البرمجة الاحتمالية" (PPLs).
نظام الإنتاج: برنامج كمبيوتر يستخدم عادة لتوفير شكل من أشكال الذكاء الاصطناعي، والذي يتكون في المقام الأول من مجموعة من القواعد حول السلوك، ولكنه يشمل أيضًا الآلية اللازمة لاتباع تلك القواعد عندما يستجيب النظام لحالات العالم.
لغة البرمجة: لغة رسمية تتألف من مجموعة من التعليمات التي تنتج أنواعًا مختلفة من المخرجات . تُستخدم لغات البرمجة في برمجة الكمبيوتر لتنفيذ الخوارزميات.
برولوج: لغة برمجة منطقية مرتبطة بالذكاء الاصطناعي واللغويات الحاسوبية . ^[277]^[278]^[279] تعود جذور لغة البرمجة Prolog إلى المنطق من الدرجة الأولى ، وهو منطق رسمي ، وعلى عكس العديد من لغات البرمجة الأخرى ، فإن لغة البرمجة Prolog تهدف في المقام الأول إلى أن تكون لغة برمجة إعلانية : يتم التعبير عن منطق البرنامج من حيث العلاقات، والتي يتم تمثيلها كحقائق وقواعد . تبدأ عملية الحساب من خلال تشغيل استعلام على هذه العلاقات. ^[280]
حساب التفاضل والتكامل: فرع من المنطق يتعامل مع القضايا (التي يمكن أن تكون صحيحة أو خاطئة) وتدفق الحجج. تتشكل القضايا المركبة من خلال ربط القضايا بوسائل الربط المنطقية . تسمى القضايا التي لا تحتوي على وسائل ربط منطقية قضايا ذرية. على عكس المنطق من الدرجة الأولى ، لا يتعامل المنطق القياسي مع الأشياء غير المنطقية أو المسندات المتعلقة بها أو الكميات. ومع ذلك، يتم تضمين جميع آليات المنطق القياسي في المنطق من الدرجة الأولى والمنطق من الدرجة الأعلى. بهذا المعنى، فإن المنطق القياسي هو أساس المنطق من الدرجة الأولى والمنطق من الدرجة الأعلى.
تحسين السياسة القريبة (PPO): خوارزمية التعلم التعزيزي لتدريب وظيفة القرار الخاصة بالوكيل الذكي لإنجاز المهام الصعبة.
بايثون: لغة برمجة عامة عالية المستوى ومفسرة أنشأها جويدو فان روسوم وأصدرت لأول مرة في عام 1991. تؤكد فلسفة تصميم بايثون على قابلية قراءة الكود من خلال استخدامها الملحوظ للمسافات البيضاء الكبيرة . تهدف هياكل اللغة ونهجها الموجه للكائنات إلى مساعدة المبرمجين على كتابة كود واضح ومنطقي للمشاريع الصغيرة والكبيرة. ^[281]
باي تورش: مكتبة تعلُّم آلي تعتمد على مكتبة Torch ، ^[282]^[283]^[284] تُستخدم في تطبيقات مثل الرؤية الحاسوبية ومعالجة اللغة الطبيعية، ^[285] تم تطويرها في الأصل بواسطة Meta AI وهي الآن جزء من مظلة Linux Foundation . ^[286]^[287]^[288]^[289]

س

التعلم عن طريق Q: خوارزمية التعلم التعزيزي بدون نموذج لتعلم قيمة الفعل في حالة معينة.
مشكلة التأهيل: في الفلسفة والذكاء الاصطناعي (خاصة الأنظمة القائمة على المعرفة)، تتعلق مشكلة التأهيل باستحالة سرد جميع الشروط المسبقة المطلوبة لعمل في العالم الحقيقي ليكون له التأثير المقصود. ^[290]^[291] يمكن طرحها كطريقة للتعامل مع الأشياء التي تمنعني من تحقيق النتيجة المقصودة . وهي مرتبطة ارتباطًا وثيقًا بجانب التفرع من مشكلة الإطار ومعاكسة له . ^[290]
كمي: في المنطق ، يحدد التحديد الكمي كمية العينات في مجال الخطاب التي تلبي صيغة مفتوحة . تعني أكثر كميتين شيوعًا " للجميع " و" يوجد ". على سبيل المثال، في الحساب، تسمح التحديدات الكمية للمرء بالقول إن الأعداد الطبيعية تستمر إلى الأبد، من خلال كتابة أنه لكل n (حيث n هو عدد طبيعي)، يوجد رقم آخر (على سبيل المثال، خليفة n) أكبر من n بمقدار واحد.
الحوسبة الكمومية: استخدام الظواهر الميكانيكية الكمومية مثل التراكب والتشابك لإجراء العمليات الحسابية . يتم استخدام الكمبيوتر الكمومي لإجراء مثل هذه العمليات الحسابية، والتي يمكن تنفيذها نظريًا أو ماديًا. [ ^292]^{: I-5}
لغة الاستعلام: لغات الاستعلام أو لغات استعلام البيانات (DQLs) هي لغات كمبيوتر تستخدم لإجراء الاستعلامات في قواعد البيانات وأنظمة المعلومات . بشكل عام، يمكن تصنيف لغات الاستعلام وفقًا لما إذا كانت لغات استعلام قاعدة بيانات أو لغات استعلام استرجاع المعلومات . الفرق هو أن لغة استعلام قاعدة البيانات تحاول تقديم إجابات واقعية للأسئلة الواقعية، بينما تحاول لغة استعلام استرجاع المعلومات العثور على مستندات تحتوي على معلومات ذات صلة بمجال استعلام.

ر

لغة البرمجة R: لغة برمجة وبيئة برمجية مجانية للحوسبة الإحصائية والرسومات التي تدعمها مؤسسة R للحوسبة الإحصائية. ^[293] تُستخدم لغة R على نطاق واسع بين الإحصائيين وعمال مناجم البيانات لتطوير البرامج الإحصائية ^[294] وتحليل البيانات . ^[295]
شبكة دالة الأساس الشعاعي: في مجال النمذجة الرياضية ، شبكة الدالة الأساسية الشعاعية هي شبكة عصبية اصطناعية تستخدم الدوال الأساسية الشعاعية كوظائف تنشيط. مخرجات الشبكة عبارة عن مزيج خطي من الدوال الأساسية الشعاعية للمدخلات ومعلمات العصبون . شبكات الدالة الأساسية الشعاعية لها العديد من الاستخدامات، بما في ذلك تقريب الوظيفة ، والتنبؤ بالمتسلسلات الزمنية ، والتصنيف، والتحكم في النظام . وقد صيغت لأول مرة في ورقة بحثية عام 1988 من قبل برومهيد ولو، وكلاهما باحثان في مؤسسة الإشارات والرادار الملكية . ^[296]^[297]^[298]
غابة عشوائية: طريقة تعلم جماعية للتصنيف والانحدار ومهام أخرى تعمل عن طريق إنشاء عدد كبير من أشجار القرار في وقت التدريب وإخراج الفئة التي تمثل نمط الفئات (التصنيف) أو متوسط التنبؤ (الانحدار) للأشجار الفردية. ^[299]^[300] تصحح غابات القرار العشوائية عادة أشجار القرار في الإفراط في التجهيز لمجموعة التدريب الخاصة بها . ^[301]
نظام الاستدلال: في تكنولوجيا المعلومات، نظام الاستدلال هو نظام برمجي يقوم بتوليد استنتاجات من المعرفة المتاحة باستخدام تقنيات منطقية مثل الاستنتاج والاستقراء . تلعب أنظمة الاستدلال دورًا مهمًا في تنفيذ الذكاء الاصطناعي والأنظمة القائمة على المعرفة .
الشبكة العصبية المتكررة (RNN): فئة من الشبكات العصبية الاصطناعية حيث تشكل الاتصالات بين العقد رسمًا بيانيًا موجهًا على طول تسلسل زمني. وهذا يسمح لها بإظهار سلوك ديناميكي زمني. وعلى عكس الشبكات العصبية ذات التغذية الأمامية ، يمكن للشبكات العصبية المتكررة استخدام حالتها الداخلية (الذاكرة) لمعالجة تسلسلات المدخلات. وهذا يجعلها قابلة للتطبيق على مهام مثل التعرف على الكتابة اليدوية غير المجزأة والمتصلة ^[302] أو التعرف على الكلام . ^[303]^[304]
تحليل الانحدار: مجموعة من العمليات الإحصائية لتقدير العلاقات بين متغير تابع (يُطلق عليه غالبًا متغير النتيجة أو الاستجابة، أو التسمية في التعلم الآلي) ومتغير مستقل واحد أو أكثر خالٍ من الأخطاء (يُطلق عليه غالبًا اسم المتنبئات أو المتغيرات المشتركة أو المتغيرات التفسيرية أو السمات). الشكل الأكثر شيوعًا لتحليل الانحدار هو الانحدار الخطي، حيث يجد المرء الخط (أو مجموعة خطية أكثر تعقيدًا) الذي يناسب البيانات بشكل وثيق وفقًا لمعيار رياضي محدد.
التنظيم: مجموعة من التقنيات مثل الإسقاط، والتوقف المبكر، وتنظيم L1 وL2 لتقليل الإفراط في الملاءمة ونقص الملاءمة عند تدريب خوارزمية التعلم.
التعلم التعزيزي: مجال من مجالات التعلم الآلي يهتم بكيفية قيام وكلاء البرمجيات باتخاذ إجراءات في بيئة معينة من أجل تعظيم فكرة المكافأة التراكمية. التعلم التعزيزي هو أحد ثلاثة نماذج أساسية للتعلم الآلي، إلى جانب التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف. وهو يختلف عن التعلم الخاضع للإشراف في أنه لا يلزم تقديم أزواج الإدخال/الإخراج المصنفة، ولا يلزم تصحيح الإجراءات غير المثالية صراحةً. وبدلاً من ذلك، ينصب التركيز على إيجاد توازن بين الاستكشاف (للمناطق غير المستكشفة) والاستغلال (للالمعرفة الحالية). ^[305]
التعلم التعزيزي من خلال ردود الفعل البشرية (RLHF): تقنية تتضمن تدريب "نموذج المكافأة" للتنبؤ بكيفية تقييم البشر لجودة المحتوى المُولَّد، ثم تدريب نموذج الذكاء الاصطناعي التوليدي لتلبية نموذج المكافأة هذا عبر التعلم التعزيزي. ويمكن استخدامها على سبيل المثال لجعل نموذج الذكاء الاصطناعي التوليدي أكثر صدقًا أو أقل ضررًا. ^[306]
التعلم التمثيلي: انظر ميزة التعلم.
الحوسبة الخزانية: إطار عمل للحوسبة يمكن اعتباره امتدادًا للشبكات العصبية. ^[307] عادةً ما يتم تغذية إشارة إدخال إلى نظام ديناميكي ثابت (عشوائي) يسمى الخزان ، وتقوم ديناميكيات الخزان بتعيين المدخلات إلى بُعد أعلى. ثم يتم تدريب آلية قراءة بسيطة لقراءة حالة الخزان وتعيينها إلى الناتج المطلوب. الفائدة الرئيسية هي أن التدريب يتم فقط في مرحلة القراءة وأن الخزان ثابت. آلات الحالة السائلة ^[308] وشبكات حالة الصدى ^[309] نوعان رئيسيان من حوسبة الخزان. ^[310]
إطار وصف الموارد (RDF): عائلة من مواصفات اتحاد شبكة الويب العالمية (W3C) ^[311] تم تصميمها في الأصل كنموذج بيانات وصفية . وقد تم استخدامها كطريقة عامة للوصف المفاهيمي أو نمذجة المعلومات التي يتم تنفيذها في موارد الويب ، باستخدام مجموعة متنوعة من تدوينات بناء الجملة وتنسيقات تسلسل البيانات . كما يتم استخدامها في تطبيقات إدارة المعرفة .
آلة بولتزمان المقيدة (RBM): شبكة عصبية اصطناعية عشوائية توليدية يمكنها تعلم توزيع الاحتمالات على مجموعة مدخلاتها.
خوارزمية الشبكة: خوارزمية مطابقة الأنماط لتنفيذ الأنظمة القائمة على القواعد . تم تطوير الخوارزمية لتطبيق العديد من القواعد أو الأنماط بكفاءة على العديد من الكائنات أو الحقائق في قاعدة المعرفة . يتم استخدامها لتحديد أي من قواعد النظام يجب أن يتم تشغيلها بناءً على مخزن البيانات الخاص به والحقائق الخاصة به.
الروبوتات: فرع متعدد التخصصات من العلوم والهندسة يشمل الهندسة الميكانيكية والهندسة الإلكترونية وهندسة المعلومات وعلوم الكمبيوتر وغيرها. ويتعامل علم الروبوتات مع تصميم وبناء وتشغيل واستخدام الروبوتات ، بالإضافة إلى أنظمة الكمبيوتر للتحكم فيها والتغذية الراجعة الحسية ومعالجة المعلومات .
نظام قائم على القواعد: في علوم الكمبيوتر ، يتم استخدام النظام القائم على القواعد لتخزين المعرفة ومعالجتها لتفسير المعلومات بطريقة مفيدة. وغالبًا ما يتم استخدامه في تطبيقات الذكاء الاصطناعي والبحث. عادةً ما يتم تطبيق مصطلح النظام القائم على القواعد على الأنظمة التي تتضمن مجموعات قواعد من صنع الإنسان أو تم تنظيمها. عادةً ما يتم استبعاد الأنظمة القائمة على القواعد التي تم إنشاؤها باستخدام الاستدلال التلقائي على القواعد، مثل التعلم الآلي القائم على القواعد ، من هذا النوع من الأنظمة.

س

قابلية الإرضاء: في المنطق الرياضي ، تعتبر قابلية الإشباع والصلاحية مفاهيم أولية في علم الدلالات . تكون الصيغة قابلة للإشباع إذا كان من الممكن إيجاد تفسير ( نموذج ) يجعل الصيغة صحيحة. ^[312] تكون الصيغة صالحة إذا جعلت جميع التفسيرات الصيغة صحيحة. إن عكس هذين المفهومين هو عدم قابلية الإشباع وعدم الصلاحية، أي أن الصيغة تكون غير قابلة للإشباع إذا لم يجعل أي من التفسيرات الصيغة صحيحة، وتكون غير صالحة إذا جعل بعض مثل هذه التفسيرات الصيغة خاطئة. ترتبط هذه المفاهيم الأربعة ببعضها البعض بطريقة مماثلة تمامًا لمربع المعارضة لأرسطو .
خوارزمية البحث: أي خوارزمية تحل مشكلة البحث ، أي استرجاع المعلومات المخزنة داخل بعض هياكل البيانات، أو المحسوبة في مساحة البحث في مجال المشكلة ، إما بقيم منفصلة أو متصلة .
اختيار: مرحلة الخوارزمية الجينية التي يتم فيها اختيار الجينومات الفردية من مجموعة سكانية للتكاثر لاحقًا (باستخدام عامل التقاطع ).
الإدارة الذاتية: العملية التي تقوم بها أنظمة الكمبيوتر بإدارة عملياتها دون تدخل بشري.
الشبكة الدلالية: قاعدة المعرفة التي تمثل العلاقات الدلالية بين المفاهيم في الشبكة. غالبًا ما يتم استخدامها كشكل من أشكال تمثيل المعرفة . إنه رسم بياني موجه أو غير موجه يتكون من رؤوس تمثل المفاهيم ، وحواف تمثل العلاقات الدلالية بين المفاهيم، ^[313] وتعيين أو ربط الحقول الدلالية .
المبررات الدلالية: قطعة من البرمجيات قادرة على استنتاج العواقب المنطقية من مجموعة من الحقائق أو البديهيات المؤكدة . إن مفهوم المسبب الدلالي يعمم مفهوم محرك الاستدلال ، من خلال توفير مجموعة أكثر ثراءً من الآليات للعمل بها. يتم تحديد قواعد الاستدلال عادةً عن طريق لغة الأنطولوجيا ، وغالبًا لغة منطق الوصف . يستخدم العديد من المسببين منطق المسند من الدرجة الأولى لإجراء الاستدلال؛ وعادةً ما يتم الاستدلال عن طريق التسلسل الأمامي والتسلسل الخلفي.
استعلام دلالي: يسمح بالاستعلامات والتحليلات ذات الطبيعة الترابطية والسياقية . تتيح الاستعلامات الدلالية استرجاع المعلومات المشتقة صراحةً وضمناً بناءً على المعلومات النحوية والدلالية والبنيوية الموجودة في البيانات. وهي مصممة لتقديم نتائج دقيقة (ربما الاختيار المميز لقطعة واحدة من المعلومات) أو للإجابة على أسئلة أكثر غموضًا وانفتاحًا من خلال مطابقة الأنماط والمنطق الرقمي .
الدلالات: في نظرية لغة البرمجة ، علم الدلالات هو المجال المعني بالدراسة الرياضية الدقيقة لمعنى لغات البرمجة. وهو يفعل ذلك من خلال تقييم معنى السلاسل الصحيحة نحويًا التي تحددها لغة برمجة معينة، وإظهار الحساب المتضمن. في مثل هذه الحالة التي يكون فيها التقييم لسلاسل غير صالحة نحويًا، ستكون النتيجة عدم الحساب. يصف علم الدلالات العمليات التي يتبعها الكمبيوتر عند تنفيذ برنامج في تلك اللغة المحددة. يمكن إظهار ذلك من خلال وصف العلاقة بين مدخلات ومخرجات البرنامج، أو شرح كيفية تنفيذ البرنامج على منصة معينة ، وبالتالي إنشاء نموذج للحساب .
التعلم شبه الخاضع للإشراف: نموذج تدريب التعلم الآلي يتميز باستخدام مزيج من كمية صغيرة من البيانات المصنفة بواسطة الإنسان (تستخدم حصريًا في التعلم الخاضع للإشراف)، تليها كمية كبيرة من البيانات غير المصنفة (تستخدم حصريًا في التعلم غير الخاضع للإشراف).
دمج المستشعرات: الجمع بين البيانات الحسية أو البيانات المستمدة من مصادر مختلفة بحيث تكون المعلومات الناتجة أقل عدم يقين مما قد يكون ممكنًا عند استخدام هذه المصادر بشكل فردي.
منطق الفصل: امتداد لمنطق هوار ، وهو طريقة للتفكير في البرامج. لغة التأكيد لمنطق الفصل هي حالة خاصة لمنطق التضمينات المجمعة (BI). ^[314]
التعلم بالتشابه: مجال من مجالات التعلم الخاضع للإشراف وثيق الصلة بالتصنيف والانحدار، ولكن الهدف هو التعلم من دالة التشابه التي تقيس مدى تشابه أو ارتباط كائنين. وله تطبيقات في التصنيف ، وأنظمة التوصية ، وتتبع الهوية البصرية، والتحقق من الوجوه، والتحقق من المتحدث.
محاكاة التلدين (SA): تقنية احتمالية لتقريب الحد الأمثل العالمي لدالة معينة . على وجه التحديد، إنها طريقة استدلالية لتقريب التحسين العالمي في مساحة بحث كبيرة لمشكلة التحسين .
النهج الواقعي: في أبحاث الذكاء الاصطناعي، يعمل النهج القائم على تحديد المواقع على بناء وكلاء مصممين للتصرف بشكل فعال وناجح في بيئتهم. ويتطلب هذا تصميم الذكاء الاصطناعي "من الأسفل إلى الأعلى" من خلال التركيز على المهارات الإدراكية والحركية الأساسية المطلوبة للبقاء. ويعطي النهج القائم على تحديد المواقع أولوية أقل بكثير للتفكير المجرد أو مهارات حل المشكلات.
حساب الوضع: صيغة منطقية مصممة لتمثيل المجالات الديناميكية والتفكير فيها.
حل الجملة المحددة الخطية الانتقائية: قاعدة الاستدلال الأساسية المستخدمة في البرمجة المنطقية . وهي عبارة عن تحسين للحل ، وهو سليم ودحض كامل لجمل هورن .
برمجة: مجموعة من البيانات أو التعليمات الحاسوبية التي تخبر الحاسوب بكيفية العمل. وهذا على النقيض من الأجهزة المادية التي يتم بناء النظام منها والتي تؤدي العمل فعليًا. في علوم الكمبيوتر وهندسة البرمجيات ، برمجيات الكمبيوتر هي كل المعلومات التي تتم معالجتها بواسطة أنظمة الكمبيوتر والبرامج والبيانات . تتضمن برمجيات الكمبيوتر برامج الكمبيوتر والمكتبات والبيانات غير القابلة للتنفيذ ذات الصلة ، مثل الوثائق عبر الإنترنت أو الوسائط الرقمية .
هندسة البرمجيات: تطبيق الهندسة في تطوير البرمجيات بطريقة منهجية. [ ^315]^[316]^[317]
الاستدلال المكاني والزماني: مجال من مجالات الذكاء الاصطناعي يستمد من مجالات علوم الكمبيوتر ، والعلوم المعرفية ، وعلم النفس المعرفي . والهدف النظري - على الجانب المعرفي - يتضمن تمثيل المعرفة المكانية والزمانية واستدلالها في العقل. والهدف التطبيقي - على جانب الحوسبة - يتضمن تطوير أنظمة تحكم عالية المستوى للأتمتة للتنقل وفهم الزمان والمكان.
سباركل: لغة استعلام RDF — أي لغة استعلام دلالية لقواعد البيانات — قادرة على استرداد البيانات المخزنة بتنسيق إطار وصف الموارد (RDF) ومعالجتها . ^[318]^[319]
تعلم القاموس المتناثر: طريقة تعلم الميزات تهدف إلى العثور على تمثيل متناثر لبيانات الإدخال في شكل مجموعة خطية من العناصر الأساسية بالإضافة إلى تلك العناصر الأساسية نفسها.
التعرف على الكلام: مجال فرعي متعدد التخصصات من اللغويات الحاسوبية يطور منهجيات وتقنيات تمكن من التعرف على اللغة المنطوقة وترجمتها إلى نص بواسطة أجهزة الكمبيوتر. يُعرف أيضًا باسم التعرف التلقائي على الكلام (ASR) أو التعرف على الكلام بواسطة الكمبيوتر أو تحويل الكلام إلى نص (STT). وهو يدمج المعرفة والبحث في مجالات اللغويات وعلوم الكمبيوتر والهندسة الكهربائية .
الشبكة العصبية المتصاعدة (SNN): شبكة عصبية اصطناعية تحاكي بشكل أوثق الشبكة العصبية الطبيعية. ^[320] بالإضافة إلى الحالة العصبية والتشابكية ، تدمج الشبكات العصبية الاصطناعية مفهوم الوقت في نموذج التشغيل الخاص بها .
ولاية: في تكنولوجيا المعلومات وعلوم الكمبيوتر ، يوصف البرنامج بأنه ذو حالة إذا تم تصميمه لتذكر الأحداث السابقة أو تفاعلات المستخدم؛ ^[321] تسمى المعلومات التي تم تذكرها بحالة النظام.
التصنيف الإحصائي: في التعلم الآلي والإحصاء ، التصنيف هو مشكلة تحديد إلى أي مجموعة من الفئات (المجموعات الفرعية) تنتمي ملاحظة جديدة، على أساس مجموعة تدريب من البيانات تحتوي على ملاحظات (أو حالات) معروفة عضويتها في الفئة. ومن الأمثلة على ذلك تعيين بريد إلكتروني معين لفئة "البريد العشوائي" أو "غير البريد العشوائي" ، وتعيين تشخيص لمريض معين بناءً على الخصائص الملحوظة للمريض (الجنس، ضغط الدم، وجود أو غياب أعراض معينة، إلخ). التصنيف هو مثال على التعرف على الأنماط .
الحالة - الفعل - المكافأة - الحالة - الفعل (سارسا): خوارزمية التعلم التعزيزي لتعلم سياسة عملية اتخاذ القرار ماركوف.
التعلم العلائقي الإحصائي (SRL): فرع من فروع الذكاء الاصطناعي والتعلم الآلي يهتم بنماذج المجال التي تظهر كل من عدم اليقين (الذي يمكن التعامل معه باستخدام الأساليب الإحصائية) والبنية المعقدة والعلائقية . ^[322]^[323] لاحظ أن التعلم الآلي العلائقي يُطلق عليه أحيانًا اسم التعلم الآلي العلائقي (RML) في الأدبيات. عادةً، تستخدم صيغة تمثيل المعرفة التي تم تطويرها في التعلم الآلي العلائقي (مجموعة فرعية من) المنطق من الدرجة الأولى لوصف الخصائص العلائقية لمجال بطريقة عامة ( القياس الكمي الشامل ) وتعتمد على النماذج الرسومية الاحتمالية (مثل الشبكات البايزية أو شبكات ماركوف ) لنمذجة عدم اليقين؛ يعتمد البعض أيضًا على أساليب البرمجة المنطقية الاستقرائية .
التحسين العشوائي (SO): أي طريقة تحسين تولد وتستخدم متغيرات عشوائية . بالنسبة للمشكلات العشوائية، تظهر المتغيرات العشوائية في صياغة مشكلة التحسين نفسها، والتي تنطوي على وظائف هدف عشوائية أو قيود عشوائية. تتضمن طرق التحسين العشوائية أيضًا طرقًا ذات تكرارات عشوائية. تستخدم بعض طرق التحسين العشوائية تكرارات عشوائية لحل المشكلات العشوائية، وتجمع بين معنيي التحسين العشوائي. ^[324] تعمم طرق التحسين العشوائية الطرق الحتمية للمشكلات الحتمية.
التحليل الدلالي العشوائي: نهج يستخدم في علوم الكمبيوتر كمكون دلالي لفهم اللغة الطبيعية . تستخدم النماذج العشوائية عمومًا تعريف أجزاء الكلمات كوحدات دلالية أساسية للنماذج الدلالية، وفي بعض الحالات تتضمن نهجًا من طبقتين. ^[325]
حل المشكلات في معهد ستانفورد للأبحاث (STRIPS): مخطط آلي تم تطويره من قبل ريتشارد فايكس ونيلز نيلسون في عام 1971 في SRI International .
خبير في الموضوع (SME): الشخص الذي جمع قدرًا كبيرًا من المعرفة في مجال أو موضوع معين، ويتضح ذلك من خلال درجة الشخص، وترخيصه، و/أو من خلال سنوات من الخبرة المهنية في الموضوع.
الذكاء الفائق: إن الذكاء الفائق هو كائن افتراضي يمتلك ذكاءً يفوق ذكاء العقول البشرية الأكثر ذكاءً . وقد يشير الذكاء الفائق أيضًا إلى خاصية من خصائص أنظمة حل المشكلات (على سبيل المثال، مترجمو اللغات أو المساعدون الهندسيون الفائقون الذكاء) سواء كانت هذه الكفاءات الفكرية الرفيعة المستوى متجسدة في كائنات تعمل داخل العالم المادي أم لا. وقد ينشأ الذكاء الفائق أو لا ينشأ نتيجة لانفجار ذكاء وقد يرتبط بتفرد تكنولوجي.
التعلم الخاضع للإشراف: مهمة التعلم الآلي لتعلم دالة تقوم بربط المدخلات بالمخرجات استنادًا إلى أزواج المدخلات والمخرجات على سبيل المثال. ^[326] تستنتج دالة منبيانات تدريب مُصنَّفة تتكون من مجموعة منأمثلة التدريب.^[327] في التعلم الخاضع للإشراف، يكون كل مثالزوجًايتكون من كائن إدخال (عادةً ما يكون متجهًا) وقيمة إخراج مرغوبة (تسمى أيضًاإشارة الإشراف). تقوم خوارزمية التعلم الخاضع للإشراف بتحليل بيانات التدريب وتنتج دالة مستنتجة، والتي يمكن استخدامها لرسم خرائط لأمثلة جديدة. سيسمح السيناريو الأمثل للخوارزمية بتحديد تسميات الفئة بشكل صحيح للحالات غير المرئية. يتطلب هذا من خوارزمية التعلم التعميم من بيانات التدريب إلى المواقف غير المرئية بطريقة "معقولة" (انظرالتحيز الاستقرائي).
آلات دعم المتجهات: في التعلم الآلي، تعتبر آلات الدعم المتجهة (SVMs، أو شبكات الدعم المتجهة ^[328] ) نماذج تعلم خاضعة للإشراف مع خوارزميات التعلم المرتبطة بها والتي تقوم بتحليل البيانات المستخدمة في التصنيف والانحدار.
ذكاء السرب (SI): السلوك الجماعي للأنظمة اللامركزية المنظمة ذاتيًا ، سواء كانت طبيعية أو اصطناعية. تم تقديم هذا التعبير في سياق الأنظمة الروبوتية الخلوية. ^[329]
الذكاء الاصطناعي الرمزي: مصطلح لمجموعة كل الأساليب في بحوث الذكاء الاصطناعي التي تعتمد على التمثيلات "الرمزية" رفيعة المستوى (التي يمكن قراءتها من قبل الإنسان) للمشاكل والمنطق والبحث.
الذكاء الاصطناعي: مصطلح بديل للذكاء الاصطناعي يؤكد أن ذكاء الآلات لا يجب أن يكون تقليدًا أو اصطناعيًا بأي شكل من الأشكال؛ يمكن أن يكون شكلًا حقيقيًا من أشكال الذكاء. ^[330]^[331]
علم الأعصاب النظمي: فرع من فروع علم الأعصاب وعلم الأحياء النظمي يدرس بنية ووظيفة الدوائر والأنظمة العصبية. وهو مصطلح شامل يضم عددًا من مجالات الدراسة المعنية بكيفية تصرف الخلايا العصبية عند توصيلها معًا لتشكيل مسارات عصبية ودوائر عصبية وشبكات دماغية أكبر .

ت

التفرد التكنولوجي: نقطة افتراضية في المستقبل حيث يصبح النمو التكنولوجي خارجًا عن السيطرة ولا رجعة فيه، مما يؤدي إلى تغييرات لا يمكن تفسيرها في الحضارة الإنسانية. ^[332]^[333]^[334]
التعلم من خلال الفارق الزمني: فئة من أساليب التعلم التعزيزي الخالية من النماذج والتي تتعلم من خلال إعادة بناء التقدير الحالي لدالة القيمة. تأخذ هذه الأساليب عينات من البيئة، مثل أساليب مونت كارلو ، وتنفذ تحديثات بناءً على التقديرات الحالية، مثل أساليب البرمجة الديناميكية . ^[335]
نظرية الشبكة الموترية: نظرية لوظيفة المخ (خاصة المخيخ ) تقدم نموذجًا رياضيًا لتحويل إحداثيات الزمان والمكان الحسية إلى إحداثيات حركية والعكس صحيح بواسطة الشبكات العصبية المخيخية . تم تطوير النظرية كهندسة لوظيفة المخ (خاصة الجهاز العصبي المركزي ) باستخدام الموتر . ^[336]^[337]
تينسور فلو: مكتبة برمجيات مجانية ومفتوحة المصدر لتدفق البيانات والبرمجة التفاضلية عبر مجموعة من المهام. وهي مكتبة رياضيات رمزية، وتُستخدم أيضًا في تطبيقات التعلم الآلي مثل الشبكات العصبية. ^[338]
علوم الكمبيوتر النظرية (TCS): مجموعة فرعية من علوم الكمبيوتر والرياضيات العامة تركز على مواضيع أكثر رياضية في الحوسبة وتتضمن نظرية الحوسبة .
نظرية الحساب: في علوم الكمبيوتر النظرية والرياضيات ، نظرية الحوسبة هي الفرع الذي يتعامل مع مدى كفاءة حل المشكلات على نموذج الحوسبة ، باستخدام خوارزمية. ينقسم المجال إلى ثلاثة فروع رئيسية: نظرية الأتمتة واللغات، ونظرية الحوسبة ، ونظرية التعقيد الحسابي، والتي ترتبط بالسؤال: "ما هي القدرات والقيود الأساسية لأجهزة الكمبيوتر؟". ^[339]
أخذ العينات من طومسون: طريقة اختيار الإجراءات التي تعالج معضلة الاستكشاف والاستغلال في مشكلة اللصوص متعددي الأسلحة . وتتلخص في اختيار الإجراء الذي يزيد من المكافأة المتوقعة فيما يتصل بالاعتقاد المرسوم عشوائيًا. ^[340]^[341]
تعقيد الوقت: التعقيد الحسابي الذي يصف مقدار الوقت الذي يستغرقه تشغيل خوارزمية. يتم تقدير التعقيد الزمني عادةً من خلال حساب عدد العمليات الأولية التي تقوم بها الخوارزمية، على افتراض أن كل عملية أولية تستغرق مقدارًا ثابتًا من الوقت لأدائها. وبالتالي، فإن مقدار الوقت المستغرق وعدد العمليات الأولية التي تقوم بها الخوارزمية يختلفان بعامل ثابت على الأكثر .
نقل التعلم: تقنية تعلُّم آلي يتم فيها إعادة استخدام المعرفة المكتسبة من مهمة ما من أجل تعزيز الأداء في مهمة ذات صلة. ^[342] على سبيل المثال، بالنسبة لتصنيف الصور ، يمكن تطبيق المعرفة المكتسبة أثناء تعلم التعرف على السيارات عند محاولة التعرف على الشاحنات.
محول: نوع من بنية التعلم العميق التي تستغل آلية الانتباه متعددة الرؤوس. تعالج المحولات بعض القيود المفروضة على الذاكرة الطويلة والقصيرة المدى، وأصبحت مستخدمة على نطاق واسع في معالجة اللغة الطبيعية، على الرغم من أنها يمكنها أيضًا معالجة أنواع أخرى من البيانات مثل الصور في حالة محولات الرؤية . ^[343]
التطور البشري: حركة فلسفية دولية تدعو إلى تحويل الحالة الإنسانية من خلال تطوير التقنيات المتطورة وإتاحتها على نطاق واسع لتعزيز الفكر البشري وعلم وظائف الأعضاء بشكل كبير. ^[344]^[345]
نظام انتقالي: في علوم الكمبيوتر النظرية ، نظام الانتقال هو مفهوم يستخدم في دراسة الحوسبة . ويستخدم لوصف السلوك المحتمل للأنظمة المنفصلة. ويتكون من حالات وانتقالات بين الحالات، والتي يمكن تسميتها بتسميات مختارة من مجموعة؛ وقد تظهر نفس التسمية في أكثر من انتقال. إذا كانت مجموعة التسميات مفردة ، فإن النظام غير مسمى بشكل أساسي، ومن الممكن وجود تعريف أبسط يحذف التسميات.
عبور الشجرة: شكل من أشكال عبور الرسم البياني ويشير إلى عملية زيارة (فحص و/أو تحديث) كل عقدة في بنية بيانات الشجرة ، مرة واحدة فقط. يتم تصنيف مثل هذه العبورات حسب الترتيب الذي تتم به زيارة العقد.
صيغة بوليانية كمية صحيحة: في نظرية التعقيد الحسابي، لغة TQBF هي لغة رسمية تتكون من صيغ بوليانية كمية صحيحة. الصيغة البوليانية الكمية (بالكامل) هي صيغة في المنطق القياسي الكمي حيث يتم تحديد كمية كل متغير (أو تقييده )، باستخدام إما محددات كمية وجودية أو عالمية ، في بداية الجملة. مثل هذه الصيغة تعادل إما صحيح أو خطأ (نظرًا لعدم وجود متغيرات حرة ). إذا تم تقييم مثل هذه الصيغة على أنها صحيحة، فإن هذه الصيغة موجودة في لغة TQBF. تُعرف أيضًا باسم QSAT (SAT الكمية).
آلة تورينج: نموذج رياضي للحساب يصف آلة مجردة ^[346] تقوم بمعالجة الرموز على شريط من الشريط وفقًا لجدول القواعد. ^[347] وعلى الرغم من بساطة النموذج، فإنه قادر على تنفيذ أي خوارزمية. ^[348]
اختبار تورينج: اختبار لقدرة الآلة على إظهار سلوك ذكي يعادل سلوك الإنسان أو لا يمكن تمييزه عنه، طوره آلان تورينج في عام 1950. اقترح تورينج أن يحكم المُقيِّم البشري على المحادثات باللغة الطبيعية بين الإنسان والآلة المصممة لتوليد استجابات تشبه الإنسان. سيدرك المُقيِّم أن أحد الشريكين في المحادثة هو آلة، وسيتم فصل جميع المشاركين عن بعضهم البعض. ستقتصر المحادثة على قناة نصية فقط مثل لوحة مفاتيح الكمبيوتر والشاشة ، وبالتالي لن تعتمد النتيجة على قدرة الآلة على ترجمة الكلمات على أنها كلام. ^[349] إذا لم يتمكن المُقيِّم من التمييز بشكل موثوق بين الآلة والإنسان، فيقال إن الآلة اجتازت الاختبار. لا تعتمد نتائج الاختبار على قدرة الآلة على إعطاء إجابات صحيحة للأسئلة، بل تعتمد فقط على مدى تشابه إجاباتها مع تلك التي قد يقدمها الإنسان.
نوع النظام: في لغات البرمجة، مجموعة من القواعد التي تعين خاصية تسمى النوع لمختلف بنيات برنامج الكمبيوتر ، مثل المتغيرات أو التعبيرات أو الوظائف أو الوحدات النمطية . ^[350] تعمل هذه الأنواع على صياغة وتنفيذ الفئات الضمنية التي يستخدمها المبرمج لأنواع البيانات الجبرية أو هياكل البيانات أو المكونات الأخرى (على سبيل المثال "سلسلة"، "مجموعة من الأعداد العشرية"، "دالة تعيد قيمة منطقية"). الغرض الرئيسي من نظام النوع هو تقليل احتمالات وجود أخطاء في برامج الكمبيوتر ^[351] من خلال تحديد واجهات بين أجزاء مختلفة من برنامج الكمبيوتر، ثم التحقق من توصيل الأجزاء بطريقة متسقة. يمكن أن يحدث هذا الفحص بشكل ثابت (في وقت التجميع )، أو ديناميكيًا (في وقت التشغيل )، أو كمزيج من الفحص الثابت والديناميكي. أنظمة النوع لها أغراض أخرى أيضًا، مثل التعبير عن قواعد العمل، وتمكين تحسينات معينة للمترجم، والسماح بالإرسال المتعدد ، وتوفير شكل من أشكال التوثيق، وما إلى ذلك.

و

التعلم غير الخاضع للإشراف: نوع من التعلم الهيبي المنظم ذاتيًا والذي يساعد في العثور على أنماط غير معروفة سابقًا في مجموعة البيانات دون تسميات موجودة مسبقًا. يُعرف أيضًا باسم التنظيم الذاتي ويسمح بنمذجة كثافات الاحتمالات للمدخلات المعطاة. ^[352] إنه أحد النماذج الأساسية الثلاثة للتعلم الآلي، إلى جانب التعلم الخاضع للإشراف والتعلم التعزيزي. كما تم وصف التعلم شبه الخاضع للإشراف وهو تهجين بين التقنيات الخاضعة للإشراف وغير الخاضعة للإشراف.

الخامس

وحدة معالجة الرؤية (VPU): نوع من المعالجات الدقيقة المصممة لتسريع مهام الرؤية الآلية. ^[353]^[354]
تم الانتهاء من محاذاة القيمة: على غرار مشكلة الذكاء الاصطناعي الكاملة ، فإن مشكلة محاذاة القيمة الكاملة هي مشكلة حيث يتعين حل مشكلة التحكم في الذكاء الاصطناعي بالكامل لحلها. ^{[ بحاجة لمصدر ]}

و

واتسون: نظام كمبيوتر قادر على الإجابة على الأسئلة المطروحة باللغة الطبيعية ، [ ^355] تم تطويره في مشروع DeepQA الخاص بشركة IBM بواسطة فريق بحثي بقيادة الباحث الرئيسي ديفيد فيروتشي . ^[356] تم تسمية واتسون على اسم أول رئيس تنفيذي لشركة IBM، الصناعي توماس جيه واتسون . ^[357]^[358]
الذكاء الاصطناعي الضعيف: الذكاء الاصطناعي الذي يركز على مهمة ضيقة واحدة. ^[359]^[360]^[361]
ضعف الرقابة: انظر التعلم شبه الخاضع للإشراف.
تضمين الكلمة: تمثيل لكلمة في معالجة اللغة الطبيعية. عادةً ما يكون التمثيل عبارة عن متجه ذي قيمة حقيقية يشفر معنى الكلمة بطريقة تجعل الكلمات الأقرب في مساحة المتجه من المتوقع أن تكون متشابهة في المعنى. ^[362]

إكس

إكس جي بوست: ^{XGBoost [363]} ، اختصار لـ eXtreme Gradient Boosting، هي مكتبة برمجية مفتوحة المصدر توفر إطار عمل لتعزيز التدرج المنتظم للعديد من لغات البرمجة.

مراجع

^ ab على سبيل المثال: 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 978-0521434614. OCLC 28149683.
^ "Retroduction". Commens – Digital Companion to CS Peirce . Mats Bergman, Sami Paavola & João Queiroz. مؤرشف من الأصل في 5 يوليو 2022 . تم الاسترجاع في 24 أغسطس 2014 .
^ شيخ الاسلامي، سينا (2019). برمجة الاستئصال للتعلم الآلي.
^ كولبورن، تيموثي؛ شوت، جاري (5 يونيو 2007). "التجريد في علوم الكمبيوتر". العقول والآلات . 17 (2): 169– 184. doi :10.1007/s11023-007-9061-7. ISSN 0924-6495. S2CID 5927969.
^ كرامر، جيف (1 أبريل 2007). "هل التجريد هو المفتاح للحوسبة؟". اتصالات جمعية الحوسبة الآلية . 50 (4): 36-42 . CiteSeerX 10.1.1.120.6776 . doi :10.1145/1232743.1232745. ISSN 0001-0782. S2CID 12481509.
^ مايكل جيلفوند، فلاديمير ليفشيتز (1998) "لغات العمل"، مقالات لينشوبينغ الإلكترونية في علوم الكمبيوتر والمعلومات ، المجلد 3، العدد 16 .
^ جانج، جيه-شينغ ر (1991). النمذجة الضبابية باستخدام الشبكات العصبية المعممة وخوارزمية مرشح كالمان (PDF) . وقائع المؤتمر الوطني التاسع للذكاء الاصطناعي، أناهايم، كاليفورنيا، الولايات المتحدة الأمريكية، 14-19 يوليو. المجلد 2. ص 762-767 .
^ جانج، جيه-إس آر (1993). "ANFIS: نظام استدلال ضبابي قائم على الشبكة التكيفية". معاملات معهد مهندسي الكهرباء والإلكترونيات للأنظمة والإنسان والسيبرنطيقا . 23 (3): 665– 685. doi :10.1109/21.256541. S2CID 14345934.
^ أبراهام، أ. (2005)، "تكييف نظام الاستدلال الضبابي باستخدام التعلم العصبي"، في نيدجاه، ناديا؛ دي ماسيدو موريل، لويزا (المحررون)، هندسة الأنظمة الضبابية: النظرية والتطبيق ، دراسات في الحوسبة الضبابية والناعمة، المجلد 181، ألمانيا: دار نشر سبرينغر، ص 53-83 ، CiteSeerX 10.1.1.161.6135 ، doi :10.1007/11339366_3، ISBN 978-3-540-25322-8
^ جانج، صن، ميزوتاني (1997) – الحوسبة العصبية الضبابية والحوسبة الناعمة – برنتيس هول، ص 335-368، ISBN 0-13-261066-3
^ Tahmasebi, P. (2012). "A hybrid neural networks-fuzzy logic-genetic algorithm for grade estimation". Computers & Geosciences . 42 : 18– 27. Bibcode : 2012CG.....42...18T. doi :10.1016/j.cageo.2012.02.004. PMC 4268588. PMID 25540468.
^ Tahmasebi, P. (2010). "مقارنة الشبكة العصبية المحسّنة بالمنطق الضبابي لتقدير درجة الخام". المجلة الأسترالية للعلوم الأساسية والتطبيقية . 4 : 764– 772.
^ راسل، إس جيه؛ نورفيج، ب. (2002). الذكاء الاصطناعي: نهج حديث . برنتيس هول. رقم ISBN 978-0-13-790395-5.
^ تاو، جيانهوا؛ تينيو تان (2005). "الحوسبة العاطفية: مراجعة". الحوسبة العاطفية والتفاعل الذكي . المجلد. LNCS 3784. سبرينغر. ص. 981- 995. doi :10.1007/11573548.
^ القليوبي، رنا (نوفمبر-ديسمبر 2017). "نحن بحاجة إلى أجهزة كمبيوتر متعاطفة". مراجعة التكنولوجيا . المجلد 120، العدد 6. ص 8. مؤرشف من الأصل في 7 يوليو 2018. تم استرجاعه في 6 نوفمبر 2018 .
^ مقارنة بين بنيات الوكيل محفوظ في 27 أغسطس 2008، على موقع Wayback Machine
^ "Intel تكشف عن Movidius Compute Stick USB AI Accelerator". 21 يوليو 2017. مؤرشف من الأصل في 11 أغسطس 2017. تم الاسترجاع 28 نوفمبر 2018 .
^ “Inspurs تكشف النقاب عن GX4 AI Accelerator”. 21 يونيو 2017.
^ Shapiro, Stuart C. (1992). Artificial Intelligence في Stuart C. Shapiro (Ed.)، موسوعة الذكاء الاصطناعي (الطبعة الثانية، ص 54-57). نيويورك: جون وايلي. (القسم 4 يتحدث عن "المهام المكتملة للذكاء الاصطناعي").
^ سولومونوف، ر.، "تقرير أولي حول النظرية العامة للاستدلال الاستقرائي"، التقرير الخامس-131، شركة زاتور، كامبريدج، ماساتشوستس (مراجعة نوفمبر 1960 لتقرير 4 فبراير 1960).
^ "الذكاء الاصطناعي: برنامج ألفاجو من جوجل يتفوق على أستاذ جو لي سي دول". بي بي سي نيوز . 12 مارس 2016. تم استرجاعه في 17 مارس 2016 .
^ "AlphaGo | DeepMind". DeepMind .
^ "مدونة البحث: AlphaGo: إتقان لعبة Go القديمة باستخدام التعلم الآلي". مدونة بحث Google . 27 يناير 2016.
^ "جوجل تحقق اختراقا في مجال الذكاء الاصطناعي بفوزها على بطل لعبة جو". بي بي سي نيوز . 27 يناير 2016.
^ انظر دونج (1995)
^ انظر Besnard and Hunter (2001)
^ انظر Bench-Capon (2002)
^
تعريف الذكاء الاصطناعي كدراسة للوكلاء الأذكياء :
- Poole, Mackworth & Goebel 1998, p. 1، الذي يوفر النسخة المستخدمة في هذه المقالة. لاحظ أنهم يستخدمون مصطلح "الذكاء الحسابي" كمرادف للذكاء الاصطناعي.
- راسل ونورفيج (2003) (اللذان يفضلان مصطلح "الوكيل العقلاني") وكتبا "إن وجهة نظر الوكيل الكامل مقبولة على نطاق واسع في هذا المجال" (راسل ونورفيج 2003، ص 55).
- نيلسون 1998
- ليج و هوتر 2007.
^ راسل ونورفيج 2009، ص 2.
^ "النظام الأساسي لـ AAAI".
^ Cipresso, Pietro; Giglioli, Irene Alice Chicchi; Raya, iz; Riva, Giuseppe (7 ديسمبر 2011). "الماضي والحاضر والمستقبل لأبحاث الواقع الافتراضي والمعزز: تحليل الشبكة والمجموعات للأدب". Frontiers in Psychology . 9 : 2086. doi : 10.3389/fpsyg.2018.02086 . PMC 6232426. PMID 30459681 .
^ غلاب، مالك؛ ناو، دانا س؛ ترافيرسو، باولو (2004)، التخطيط الآلي: النظرية والتطبيق، مورجان كوفمان ، ISBN 978-1-55860-856-6
^ Kephart, JO; Chess, DM (2003), "The vision of autonomic computing", Computer , 36 : 41– 52, CiteSeerX 10.1.1.70.613 , doi :10.1109/MC.2003.1160055
^ Gehrig, Stefan K.; Stein, Fridtjof J. (1999). Dead reckoning and cartography using stereo vision for an automatic car . IEEE/RSJ International Conference on Intelligent Robots and Systems. المجلد 3. كيونج جو. ص 1507– 1512. doi :10.1109/IROS.1999.811692. ISBN 0-7803-5184-3.
^ "سيارة أوبر ذاتية القيادة تقتل امرأة من أريزونا أثناء عبورها الشارع". رويترز . 20 مارس 2018.
^ Thrun, Sebastian (2010). "Toward Robotic Cars". Communications of the ACM . 53 (4): 99– 106. doi :10.1145/1721654.1721679. S2CID 207177792.
^ "الصفحة الرئيسية لهندسة المعلومات". جامعة أكسفورد. مؤرشف من الأصل في 3 يوليو 2022. تم الاسترجاع 3 أكتوبر 2018 .
^ Goodfellow, Ian; Bengio, Yoshua; Courville, Aaron (2016) Deep Learning . MIT Press. ص. 196. ISBN 9780262035613
^ نيلسن، مايكل أ. (2015). "الفصل 6". الشبكات العصبية والتعلم العميق . مؤرشف من الأصل في 8 أغسطس 2022. تم الاسترجاع 5 يوليو 2022 .
^ "الشبكات العميقة: نظرة عامة – Ufldl". ufldl.stanford.edu . مؤرشف من الأصل في 16 مارس 2022 . تم الاسترجاع في 4 أغسطس 2017 .
^ Goller, Christoph; Küchler, Andreas (1996). "تعلم التمثيلات الموزعة المعتمدة على المهمة من خلال الانتشار الخلفي من خلال البنية". وقائع المؤتمر الدولي للشبكات العصبية (ICNN'96) . المجلد 1. ص 347- 352. CiteSeerX 10.1.1.49.1968 . doi :10.1109/ICNN.1996.548916. ISBN 0-7803-3210-5. S2CID 6536466.
^ Mozer, MC (1995). "A Focused Backpropagation Algorithm for Temporal Pattern Recognition". في Chauvin, Y.؛ Rumelhart, D. (المحرران). Backpropagation: Theory, architectures, and applications . Hillsdale, NJ: Lawrence Erlbaum Associates. ص. 137– 169. تم الاسترجاع في 21 أغسطس 2017 .
^ روبنسون، أيه جيه وفولسايد، ف. (1987). شبكة انتشار الأخطاء الديناميكية التي تقودها المرافق (تقرير فني). جامعة كامبريدج، قسم الهندسة. CUED/F-INFENG/TR.1.
^ Werbos, Paul J. (1988). "تعميم الانتشار الخلفي مع التطبيق على نموذج سوق الغاز المتكرر". الشبكات العصبية . 1 (4): 339– 356. doi :10.1016/0893-6080(88)90007-x.
^ Feigenbaum, Edward (1988). The Rise of the Expert Company . Times Books. p. 317. ISBN 978-0-8129-1731-4.
^ سيفك، جوزيف (أبريل 2009). "البحث البصري الفعّال عن مقاطع الفيديو التي يتم تحويلها إلى نص استرجاعي" (PDF) . معاملات معهد مهندسي الكهرباء والإلكترونيات في تحليل الأنماط والذكاء الاصطناعي . 31 (4): 591– 605. CiteSeerX 10.1.1.174.6841 . doi :10.1109/TPAMI.2008.111. PMID 19229077. S2CID 9899337. مؤرشف من الأصل (PDF) في 31 مارس 2022. تم الاسترجاع في 5 يوليو 2022 .
^ McTear et al 2016، ص 167.
^ "فهم المرور العكسي عبر طبقة التطبيع الدفعي". kratzert.github.io . تم الاسترجاع في 24 أبريل 2018 .
^ Ioffe, Sergey; Szegedy, Christian (2015). "Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift". arXiv : 1502.03167 [cs.LG].
^ "مصطلحات التعلم العميق: التطبيع الدفعي". medium.com . 27 يونيو 2017 . تم الاسترجاع في 24 أبريل 2018 .
^ 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.
^ Pham, DT, Castellani, M. (2009), The Bees Algorithm – Modelling Foraging Behaviour to Solve Continuous Optimisation Problems. مؤرشف من الأصل في 9 نوفمبر 2016 على موقع واي باك مشين . Proc. ImechE، الجزء ج، 223(12)، 2919–2938.
^ فام، دي تي؛ كاستيلاني، م. (2014). "المقارنة والتقييم لخوارزميات التحسين المستمر القائمة على السكان والمستوحاة من الطبيعة". الحوسبة الناعمة . 18 (5): 871– 903. doi :10.1007/s00500-013-1104-9. S2CID 35138140.
^ فام، دوك ترونج؛ كاستيلاني، ماركو ( 2015). "دراسة مقارنة لخوارزمية النحل كأداة لتحسين الوظيفة". Cogent Engineering . 2. doi : 10.1080/23311916.2015.1091540 .
^ نصر بور، HR؛ ماسة بافاني، A.؛ تيشنلاب، M. (2017). "خوارزمية النحل المجمعة: نسخة مجمعة من خوارزمية النحل". أجهزة الكمبيوتر . 6 (1): 5. doi : 10.3390/computers6010005 .
^ كاو، لونجبينج (2010). "فهم السلوك واستخدامه بعمق: نهج المعلوماتية السلوكية". علم المعلومات . 180 (17): 3067– 3085. arXiv : 2007.15516 . doi :10.1016/j.ins.2010.03.025. S2CID 7400761.
^ Colledanchise Michele, and Ögren Petter 2016. How Behavior Trees Modularize Hybrid Control Systems and Generalize Sequential Behavior Compositions, the Subsumption Architecture, and Decision Trees. في IEEE Transactions on Robotics المجلد 99، الصفحات من 1 إلى 18 (2016)
^ كوليدانشيز ، ميشيل. أوغرين ، بيتر (2018). أشجار السلوك في الروبوتات والذكاء الاصطناعي . أرخايف : 1709.00084 . دوى :10.1201/9780429489105. رقم ISBN 9780429950902. S2CID 27470659.
^ Breur, Tom (يوليو 2016). "تحليل القوة الإحصائية و"الأزمة" المعاصرة في العلوم الاجتماعية". مجلة تحليلات التسويق . 4 ( 2-3 ): 61-65 . doi : 10.1057/s41270-016-0001-3 . ISSN 2050-3318.
^ باخمان، بول (1894). Analytische Zahlentheorie [ نظرية الأعداد التحليلية ] (باللغة الألمانية). المجلد. 2. لايبزيغ: تيوبنر.
^ لانداو ، إدموند (1909). Handbuch der Lehre von der Verteilung der Primzahlen [دليل حول نظرية توزيع الأعداد الأولية ] (باللغة الألمانية). لايبزيغ: بي جي تيوبنر. ص. 883.
^ جون، تايلور (2009). غارنييه، روان (محرر). الرياضيات المنفصلة: البراهين والهياكل والتطبيقات، الطبعة الثالثة. مطبعة سي آر سي. ص. 620. رقم ISBN 978-1-4398-1280-8.
^ سكيينا، ستيفن س. (2009). دليل تصميم الخوارزمية. سبرينغر ساينس آند بيزنس ميديا. ص. 77. ISBN 978-1-84800-070-4.
^ Erman, LD; Hayes-Roth, F.; Lesser, VR; Reddy, DR (1980). "نظام فهم الكلام Hearsay-II: دمج المعرفة لحل حالة عدم اليقين". ACM Computing Surveys . 12 (2): 213. doi :10.1145/356810.356816. S2CID 118556.
^ كوركيل، دانيال د. (سبتمبر 1991). "Blackboard Systems" (PDF) . AI Expert . 6 (9): 40– 47. مؤرشف من الأصل (PDF) في 16 أبريل 2012. تم الاسترجاع في 5 يوليو 2022 .
^ * Nii, H. Yenny (1986). Blackboard Systems (PDF) (تقرير فني). قسم علوم الكمبيوتر، جامعة ستانفورد. STAN-CS-86-1123 . تم الاسترجاع في 12 أبريل 2013 .
^ هايز روث، ب. (1985). "هندسة السبورة للتحكم". الذكاء الاصطناعي . 26 (3): 251-321 . doi :10.1016/0004-3702(85)90063-3.
^ هينتون، جيفري إي. (24 مايو 2007). "آلة بولتزمان". سكولاربيديا . 2 (5): 1668. رمز Bibcode :2007SchpJ...2.1668H. doi : 10.4249/scholarpedia.1668 . ISSN 1941-6016.
^ NZZ- Die Zangengeburt eines möglichen Stammvaters. الموقع الإلكتروني: Neue Zürcher Zeitung . شوهد في 16 أغسطس 2013.
^ الصفحة الرئيسية الرسمية لروبوي أرشيف 2013-08-03 على موقع واي باك مشين . الموقع الإلكتروني لروبوي. شوهد في 16 أغسطس 2013.
^ الصفحة الرئيسية الرسمية لـ Starmind. الموقع الإلكتروني Starmind. شوهد في 16 أغسطس 2013.
^ Sabour, Sara; Frosst, Nicholas; Hinton, Geoffrey E. (26 أكتوبر 2017). "التوجيه الديناميكي بين الكبسولات". arXiv : 1710.09829 [cs.CV].
^ "ما هو برنامج المحادثة الآلي؟". techtarget.com . تم الاسترجاع في 30 يناير 2017 .
^ سيفيرا، خافيير؛ سيوكارلي، ماتي؛ أيدمير، ألبر؛ بيكريس، كوستاس؛ سارما، سانجاي (2015). "إصدار خاص لمحرري الضيوف حول الروبوتات السحابية والأتمتة". معاملات معهد مهندسي الكهرباء والإلكترونيات في علوم وهندسة الأتمتة . 12 (2): 396- 397. doi : 10.1109/TASE.2015.2409511 . S2CID 16080778.
^ "روبو إيرث - أخبار التكنولوجيا". روبو إيرث .
^ جولدبرج، كين. "الروبوتات السحابية والأتمتة".
^ Li, R. "Cloud Robotics-Enable cloud computing for robots" . تم الاسترجاع في 7 ديسمبر 2014 .
^ فيشر، دوغلاس (1987). "اكتساب المعرفة عبر التجميع المفاهيمي التدريجي". التعلم الآلي . 2 (2): 139-172 . doi : 10.1007/BF00114265 .
^ فيشر، دوغلاس هـ. (يوليو 1987). "تحسين الاستدلال من خلال التجميع المفاهيمي". وقائع مؤتمرات AAAI لعام 1987. مؤتمر AAAI. سياتل واشنطن. ص 461- 465.
^ إيبا، ويليام؛ لانجلي، بات (27 يناير 2011). "نماذج نسيج العنكبوت للتصنيف وتكوين المفاهيم الاحتمالية". في بوثوس، إيمانويل م.؛ ويلز، آندي ج. (المحررون). المناهج الرسمية في التصنيف . كامبريدج: مطبعة جامعة كامبريدج. ص 253- 273. رقم ISBN 9780521190480.
^ راجع موقع ICT: https://cogarch.ict.usc.edu/
^ "Hewlett Packard Labs". مؤرشف من الأصل في 30 أكتوبر 2016. تم الاسترجاع 5 يوليو 2022 .
^ Terdiman, Daniel (2014). معالج TrueNorth من IBM يحاكي الدماغ البشري.https://cnet.com/news/ibms-truenorth-processor-mimics-the-human-brain/
^ Knight, Shawn (2011). IBM تكشف النقاب عن رقائق الحوسبة المعرفية التي تحاكي الدماغ البشري TechSpot: 18 أغسطس (آب) 2011، 12:00 مساءً
^ هاميل، جاسبر (2013). الحوسبة المعرفية: آي بي إم تكشف عن برنامج لشرائح SyNAPSE التي تشبه الدماغ. ذا ريجيستر: 8 أغسطس 2013
^ Denning., PJ (2014). "Surfing Toward the Future". Communications of the ACM . 57 (3): 26– 29. doi :10.1145/2566967. S2CID 20681733.
^ لودفيج، لارس (2013). الذاكرة الاصطناعية الممتدة: نحو نظرية معرفية متكاملة للذاكرة والتكنولوجيا (pdf) (أطروحة). الجامعة التقنية في كايزرسلاوترن . تم الاسترجاع في 7 فبراير 2017 .
^ "البحث في مختبرات HP". مؤرشف من الأصل في 7 مارس 2022. استرجاع 5 يوليو 2022 .
^ العلم المعرفي هو مجال متعدد التخصصات يضم باحثين من اللغويات وعلم النفس وعلم الأعصاب والفلسفة وعلوم الكمبيوتر وعلم الإنسان يسعون إلى فهم العقل. كيف نتعلم: اسأل عالم الإدراك
^ ألكسندر شريفر (1 فبراير 2006). دورة في التحسين التوافقي (PDF)، صفحة 1.
^ هايكين، س. الشبكات العصبية – أساس شامل. الطبعة الثانية. بيرسون برنتيس هول: 1999.
^ "البرامج ذات الحس السليم". www-formal.stanford.edu . تم الاسترجاع في 11 أبريل 2018 .
^ ديفيس، إرنست؛ ماركوس، جاري (2015). "التفكير السليم". اتصالات رابطة مكائن الحوسبة الآلية . المجلد 58، العدد 9. ص 92- 103. doi :10.1145/2701413.
^ Hulstijn, J, and Nijholt, A. (eds.). Proceedings of the International Workshop on Computational Humor. العدد 12 في ورش عمل توينتي حول تكنولوجيا اللغة، إنسخيديه، هولندا. جامعة توينتي، 1996.
^ "ACL – جمعية التعلم الحاسوبي".
^ Trappenberg, Thomas P. (2002). Fundamentals of Computational Neuroscience. United States: Oxford University Press Inc. p. 1. ISBN 978-0-19-851582-1 .
^ ما هو علم الأعصاب الحاسوبي؟ باتريشيا س. تشيرشلاند، كريستوف كوش، تيرينس ج. سيجنوفسكي. في علم الأعصاب الحاسوبي ص. 46-55. حرره إريك إل. شوارتز. 1993. مطبعة معهد ماساتشوستس للتكنولوجيا "علم الأعصاب الحاسوبي حرره إريك إل. شوارتز". مؤرشف من الأصل في 4 يونيو 2011. تم الاسترجاع في 11 يونيو 2009 .
^ "علم الأعصاب النظري". مطبعة معهد ماساتشوستس للتكنولوجيا . مؤرشف من الأصل في 31 مايو 2018. تم الاسترجاع 24 مايو 2018 .
^ جيرستنر، و.؛ كيستلر، و.؛ نود، ر.؛ بانينسكي، ل. (2014). ديناميكيات الخلايا العصبية . كامبريدج، المملكة المتحدة: مطبعة جامعة كامبريدج. رقم ISBN 9781107447615.
^ كامينتسكي، إل إيه؛ ليو، سي إن. (1963). "التصميم الآلي بالحاسوب لمنطق التعرف على الطباعة متعددة الخطوط". مجلة آي بي إم للأبحاث والتطوير . 7 (1): 2. doi :10.1147/rd.71.0002. مؤرشف من الأصل في 3 مارس 2016. تم الاسترجاع في 5 يوليو 2022 .
^ Brncick, M (2000). "Computer automated design and computer automated manufacture". Phys Med Rehabil Clin N Am. 11 (3): 701–13. doi:10.1016/s1047-9651(18)30806-4. PMID 10989487.
^ Li, Y.; et al. (2004). "CAutoCSD - Evolutionary search and optimisation enabled computer automated control system design". International Journal of Automation and Computing. 1 (1): 76–88. doi:10.1007/s11633-004-0076-8. S2CID 55417415.
^ Kramer, GJE; Grierson, DE (1989). "Computer automated design of structures under dynamic loads". Computers & Structures. 32 (2): 313–325. doi:10.1016/0045-7949(89)90043-6.
^ Moharrami, H; Grierson, DE (1993). "Computer-Automated Design of Reinforced Concrete Frameworks". Journal of Structural Engineering. 119 (7): 2036–2058. doi:10.1061/(asce)0733-9445(1993)119:7(2036).
^ Xu, L; Grierson, DE (1993). "Computer-Automated Design of Semirigid Steel Frameworks". Journal of Structural Engineering. 119 (6): 1740–1760. doi:10.1061/(asce)0733-9445(1993)119:6(1740).
^ Barsan, GM; Dinsoreanu, M, (1997). Computer-automated design based on structural performance criteria, Mouchel Centenary Conference on Innovation in Civil and Structural Engineering, Aug 19-21, Cambridge England, Innovation in Civil and Structural Engineering, 167–172
^ Li, Yun (1996). "Genetic algorithm automated approach to the design of sliding mode control systems". International Journal of Control. 63 (4): 721–739. doi:10.1080/00207179608921865.
^ Li, Yun; Chwee Kim, Ng; Chen Kay, Tan (1995). "Automation of Linear and Nonlinear Control Systems Design by Evolutionary Computation" (PDF). IFAC Proceedings Volumes. 28 (16): 85–90. doi:10.1016/S1474-6670(17)45158-5.
^ Barsan, GM, (1995) Computer-automated design of semirigid steel frameworks according to EUROCODE-3, Nordic Steel Construction Conference 95, JUN 19–21, 787–794
^ Gray, Gary J.; Murray-Smith, David J.; Li, Yun; et al. (1998). "Nonlinear model structure identification using genetic programming" (PDF). Control Engineering Practice. 6 (11): 1341–1352. doi:10.1016/s0967-0661(98)00087-2.
^ Zhang, Jun; Zhan, Zhi-hui; Lin, Ying; Chen, Ni; Gong, Yue-Jiao; Zhong, Jing-hui; Chung, Henry S.H.; Li, Yun; Shi, Yu-hui (2011). "Evolutionary Computation Meets Machine Learning: A Survey". IEEE Computational Intelligence Magazine. 6 (4): 68–75. doi:10.1109/MCI.2011.942584. S2CID 6760276.
^ Gregory S. Hornby (2003). Generative Representations for Computer-Automated Design Systems, NASA Ames Research Center, Mail Stop 269–3, Moffett Field, CA 94035-1000
^ J. Clune and H. Lipson (2011). Evolving three-dimensional objects with a generative encoding inspired by developmental biology. Proceedings of the European Conference on Artificial Life. 2011.
^ Zhan, Z.H.; et al. (2009). "Adaptive Particle Swarm Optimization" (PDF). IEEE Transactions on Systems, Man, and Cybernetics – Part B: Cybernetics. 39 (6): 1362–1381. doi:10.1109/tsmcb.2009.2015956. PMID 19362911. S2CID 11191625.
^ "WordNet Search—3.1". Wordnetweb.princeton.edu. Archived from the original on 14 January 2013. Retrieved 14 May 2012.
^ Dana H. Ballard; Christopher M. Brown (1982). Computer Vision. Prentice Hall. ISBN 0-13-165316-4.
^ Huang, T. (1996-11-19). Vandoni, Carlo, E, ed. Computer Vision : Evolution And Promise (PDF). 19th CERN School of Computing. Geneva: CERN. pp. 21–25. doi:10.5170/CERN-1996-008.21. ISBN 978-9290830955.
^ Milan Sonka; Vaclav Hlavac; Roger Boyle (2008). Image Processing, Analysis, and Machine Vision. Thomson. ISBN 0-495-08252-X.
^ Garson, James (27 November 2018). Zalta, Edward N. (ed.). The Stanford Encyclopedia of Philosophy. Metaphysics Research Lab, Stanford University – via Stanford Encyclopedia of Philosophy.
^ "Ishtar for Belgium to Belgrade". European Broadcasting Union. Retrieved 19 May 2013.
^ LeCun, Yann. "LeNet-5, convolutional neural networks". Retrieved 16 November 2013.
^ Zhang, Wei (1988). "Shift-invariant pattern recognition neural network and its optical architecture". Proceedings of annual conference of the Japan Society of Applied Physics.
^ Zhang, Wei (1990). "Parallel distributed processing model with local space-invariant interconnections and its optical architecture". Applied Optics. 29 (32): 4790–7. Bibcode:1990ApOpt..29.4790Z. doi:10.1364/AO.29.004790. PMID 20577468.
^ Tian, Yuandong; Zhu, Yan (2015). "Better Computer Go Player with Neural Network and Long-term Prediction". arXiv:1511.06410v1 [cs.LG].
^ "How Facebook's AI Researchers Built a Game-Changing Go Engine". MIT Technology Review. 4 December 2015. Retrieved 3 February 2016.
^ "Facebook AI Go Player Gets Smarter With Neural Network And Long-Term Prediction To Master World's Hardest Game". Tech Times. 28 January 2016. Retrieved 24 April 2016.
^ "Facebook's artificially intelligent Go player is getting smarter". VentureBeat. 27 January 2016. Retrieved 24 April 2016.
^ Solomonoff, R.J.The Time Scale of Artificial Intelligence; Reflections on Social Effects, Human Systems Management, Vol 5 1985, Pp 149–153
^ Moor, J., The Dartmouth College Artificial Intelligence Conference: The Next Fifty years, AI Magazine, Vol 27, No., 4, Pp. 87–9, 2006
^ Kline, Ronald R., Cybernetics, Automata Studies and the Dartmouth Conference on Artificial Intelligence, IEEE Annals of the History of Computing, October–December, 2011, IEEE Computer Society
^ a b 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. doi:10.1109/TIFS.2016.2569061. S2CID 15624506.
^ 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.
^ Lane, Frederick (2006). "IDC: World Created 161 Billion Gigs of Data in 2006".
^ Dhar, V. (2013). "Data science and prediction". Communications of the ACM. 56 (12): 64–73. doi:10.1145/2500499. S2CID 6107147.
^ Leek, Jeff (12 December 2013). "The key word in 'Data Science' is not Data, it is Science". Simply Statistics. Archived from the original on 2 January 2014. Retrieved 11 November 2018.
^ Hayashi, Chikio (1 January 1998). "What is Data Science ? Fundamental Concepts and a Heuristic Example". In Hayashi, Chikio; Yajima, Keiji; Bock, Hans-Hermann; Ohsumi, Noboru; Tanaka, Yutaka; Baba, Yasumasa (eds.). Data Science, Classification, and Related Methods. Studies in Classification, Data Analysis, and Knowledge Organization. Springer Japan. pp. 40–51. doi:10.1007/978-4-431-65950-1_3. ISBN 9784431702085.
^ Dedić, Nedim; Stanier, Clare (2016). Hammoudi, Slimane; Maciaszek, Leszek; Missikoff, Michele M. Missikoff; Camp, Olivier; Cordeiro, José (eds.). An Evaluation of the Challenges of Multilingualism in Data Warehouse Development. International Conference on Enterprise Information Systems, 25–28 April 2016, Rome, Italy (PDF). Proceedings of the 18th International Conference on Enterprise Information Systems (ICEIS 2016). Vol. 1. SciTePress. pp. 196–206. doi:10.5220/0005858401960206. ISBN 978-989-758-187-8.
^ "9 Reasons Data Warehouse Projects Fail". blog.rjmetrics.com. 4 December 2014. Retrieved 30 April 2017.
^ 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.
^ Steele, Katie and Stefánsson, H. Orri, "Decision Theory", The Stanford Encyclopedia of Philosophy (Winter 2015 Edition), Edward N. Zalta (ed.), URL = [1]
^ Lloyd, J.W., Practical Advantages of Declarative Programming
^ "About Us | DeepMind". DeepMind.
^ "A return to Paris | DeepMind". DeepMind. 29 March 2018.
^ "The Last AI Breakthrough DeepMind Made Before Google Bought It". The Physics arXiv Blog. 29 January 2014. Retrieved 12 October 2014.
^ Graves, Alex; Wayne, Greg; Danihelka, Ivo (2014). "Neural Turing Machines". arXiv:1410.5401 [cs.NE].
^ Best of 2014: Google's Secretive DeepMind Startup Unveils a "Neural Turing Machine" Archived 4 December 2015 at the Wayback Machine, MIT Technology Review
^ Graves, Alex; Wayne, Greg; Reynolds, Malcolm; Harley, Tim; Danihelka, Ivo; Grabska-Barwińska, Agnieszka; Colmenarejo, Sergio Gómez; Grefenstette, Edward; Ramalho, Tiago (12 October 2016). "Hybrid computing using a neural network with dynamic external memory". Nature. 538 (7626): 471–476. Bibcode:2016Natur.538..471G. doi:10.1038/nature20101. ISSN 1476-4687. PMID 27732574. S2CID 205251479.
^ Kohs, Greg (29 September 2017), AlphaGo, Ioannis Antonoglou, Lucas Baker, Nick Bostrom, retrieved 9 January 2018
^ Silver, David; Hubert, Thomas; Schrittwieser, Julian; Antonoglou, Ioannis; Lai, Matthew; Guez, Arthur; Lanctot, Marc; Sifre, Laurent; Kumaran, Dharshan; Graepel, Thore; Lillicrap, Timothy; Simonyan, Karen; Hassabis, Demis (5 December 2017). "Mastering Chess and Shogi by Self-Play with a General Reinforcement Learning Algorithm". arXiv:1712.01815 [cs.AI].
^ Ester, Martin; Kriegel, Hans-Peter; Sander, Jörg; Xu, Xiaowei (1996). Simoudis, Evangelos; Han, Jiawei; Fayyad, Usama M. (eds.). A density-based algorithm for discovering clusters in large spatial databases with noise (PDF). Proceedings of the Second International Conference on Knowledge Discovery and Data Mining (KDD-96). AAAI Press. pp. 226–231. CiteSeerX 10.1.1.121.9220. ISBN 1-57735-004-9.
^ 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.
^ Ho, Jonathan; Jain, Ajay; Abbeel, Pieter (19 June 2020). Denoising Diffusion Probabilistic Models. arXiv:2006.11239.
^ Song, Yang; Sohl-Dickstein, Jascha; Kingma, Diederik P.; Kumar, Abhishek; Ermon, Stefano; Poole, Ben (10 February 2021). "Score-Based Generative Modeling through Stochastic Differential Equations". arXiv:2011.13456 [cs.LG].
^ Gu, Shuyang; Chen, Dong; Bao, Jianmin; Wen, Fang; Zhang, Bo; Chen, Dongdong; Yuan, Lu; Guo, Baining (2021). "Vector Quantized Diffusion Model for Text-to-Image Synthesis". arXiv:2111.14822 [cs.CV].
^ Chang, Ziyi; Koulieris, George Alex; Shum, Hubert P. H. (2023). "On the Design Fundamentals of Diffusion Models: A Survey". arXiv:2306.04542 [cs.LG].
^ Croitoru, Florinel-Alin; Hondru, Vlad; Ionescu, Radu Tudor; Shah, Mubarak (2023). "Diffusion Models in Vision: A Survey". IEEE Transactions on Pattern Analysis and Machine Intelligence. 45 (9): 10850–10869. arXiv:2209.04747. doi:10.1109/TPAMI.2023.3261988. PMID 37030794. S2CID 252199918.
^ 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.
^ Pudil, P.; Novovičová, J. (1998). "Novel Methods for Feature Subset Selection with Respect to Problem Knowledge". In Liu, Huan; Motoda, Hiroshi (eds.). Feature Extraction, Construction and Selection. pp. 101. doi:10.1007/978-1-4615-5725-8_7. ISBN 978-1-4613-7622-4.
^ Demazeau, Yves, and J-P. Müller, eds. Decentralized Ai. Vol. 2. Elsevier, 1990.
^ "Deep Double Descent". OpenAI. 5 December 2019. Retrieved 12 August 2022.
^ Schaeffer, Rylan; Khona, Mikail; Robertson, Zachary; Boopathy, Akhilan; Pistunova, Kateryna; Rocks, Jason W.; Fiete, Ila Rani; Koyejo, Oluwasanmi (24 March 2023). "Double Descent Demystified: Identifying, Interpreting & Ablating the Sources of a Deep Learning Puzzle". arXiv:2303.14151v1 [cs.LG].
^ Hendrickx, Iris; Van den Bosch, Antal (October 2005). "Hybrid algorithms with Instance-Based Classification". Machine Learning: ECML2005. Springer. pp. 158–169. ISBN 9783540292432.
^ a b Ostrow, Adam (5 March 2011). "Roger Ebert's Inspiring Digital Transformation". Mashable Entertainment. Retrieved 12 September 2011. With the help of his wife, two colleagues and the Alex-equipped MacBook that he uses to generate his computerized voice, famed film critic Roger Ebert delivered the final talk at the TED conference on Friday in Long Beach, California....
^ Lee, Jennifer (7 March 2011). "Roger Ebert Tests His Vocal Cords, and Comedic Delivery". The New York Times. Retrieved 12 September 2011. Now perhaps, there is the Ebert Test, a way to see if a synthesized voice can deliver humor with the timing to make an audience laugh.... He proposed the Ebert Test as a way to gauge the humanness of a synthesized voice.
^ "Roger Ebert's Inspiring Digital Transformation". Tech News. 5 March 2011. Archived from the original on 25 March 2011. Retrieved 12 September 2011. Meanwhile, the technology that enables Ebert to "speak" continues to see improvements – for example, adding more realistic inflection for question marks and exclamation points. In a test of that, which Ebert called the "Ebert test" for computerized voices,
^ Pasternack, Alex (18 April 2011). "A MacBook May Have Given Roger Ebert His Voice, But An iPod Saved His Life (Video)". Motherboard. Archived from the original on 6 September 2011. Retrieved 12 September 2011. He calls it the "Ebert Test," after Turing's AI standard...
^ 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.
^ Herbert Jaeger (2007) Echo State Network. Archived 28 June 2022 at the Wayback Machine Scholarpedia.
^ 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.
^ 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.
^ Polikar, R. (2006). "Ensemble based systems in decision making". IEEE Circuits and Systems Magazine. 6 (3): 21–45. doi:10.1109/MCAS.2006.1688199. S2CID 18032543.
^ Rokach, L. (2010). "Ensemble-based classifiers". Artificial Intelligence Review. 33 (1–2): 1–39. doi:10.1007/s10462-009-9124-7. hdl:11323/1748. S2CID 11149239.
^ 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.
^ Russell, Stuart; Norvig, Peter (2009). "26.3: The Ethics and Risks of Developing Artificial Intelligence". Artificial Intelligence: A Modern Approach. Prentice Hall. ISBN 978-0-13-604259-4.
^ Bostrom, Nick (2002). "Existential risks". Journal of Evolution and Technology. 9 (1): 1–31.
^ "Your Artificial Intelligence Cheat Sheet". Slate. 1 April 2016. Retrieved 16 May 2016.
^ Jackson, Peter (1998), Introduction To Expert Systems (3 ed.), Addison Wesley, p. 2, ISBN 978-0-201-87686-4
^ "Conventional programming". PC Magazine. Archived from the original on 14 October 2012. Retrieved 15 September 2013.
^ مارتينيون، لورا؛ فيتوش، أوليفر؛ تاكيزاوا، ماسانوري؛ فورستر، مالكولم. "ساذج ومستنير: من الترددات الطبيعية إلى أشجار القرار السريعة والمقتصدة"، نُشر في التفكير: وجهات نظر نفسية حول التفكير والحكم واتخاذ القرار (ديفيد هاردمان ولورا ماتشي؛ المحرران)، تشيتشيستر: جون وايلي وأولاده، 2003.
^ بيشوب، كريستوفر (2006). التعرف على الأنماط والتعلم الآلي . برلين: سبرينغر. ISBN 0-387-31073-8.
^ 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 . doi :10.1109/tpami.2013.50. PMID 23787338. S2CID 393948.
^ ab Hodgson, Dr. JPE, "First Order Logic" Archived 21 September 2019 at the Wayback Machine , جامعة سانت جوزيف ، فيلادلفيا ، 1995.
^ هيوز، جي إي ، وكريسويل، إم جيه ، مقدمة جديدة إلى المنطق النمطي ( لندن : روتليدج ، 1996)، ص 161.
^ Feigenbaum, Edward (1988). The Rise of the Expert Company . Times Books. p. 318. ISBN 978-0-8129-1731-4.
^ هايز، باتريك (1981). "مشكلة الإطار والمشكلات ذات الصلة في الذكاء الاصطناعي" (PDF) . قراءات في الذكاء الاصطناعي . جامعة إدنبرة: 223– 230. doi :10.1016/B978-0-934613-03-3.50020-9. ISBN 9780934613033. S2CID 141711662. مؤرشف من الأصل (PDF) في 3 ديسمبر 2013. تم الاسترجاع 9 مارس 2019 .
^ سردار، ز (2010). "الاسم: المستقبل؛ دراسات المستقبل؛ علم المستقبل؛ المستقبل؛ الاستشراف - ما معنى الاسم؟". المستقبل . 42 (3): 177– 184. doi :10.1016/j.futures.2009.11.001.
^ Pedrycz, Witold (1993). التحكم الضبابي والأنظمة الضبابية (الطبعة الثانية). Research Studies Press Ltd.
^ هاجيك، بيتر (1998). ميتاماثيماتيك المنطق الضبابي (الطبعة الرابعة). سبرينغر ساينس آند بيزنس ميديا.
^ د. دوبوا وهـ. براد (1988) المجموعات والأنظمة الضبابية. أكاديميك بريس، نيويورك.
^ ليانغ، ليلي ر.؛ لو، شيونج؛ وانغ، زوينا؛ لو، يي؛ ماندال، فيناي؛ باتاكسيل، دورلين؛ كومار، ديباك (2006). "اختبار FM: نهج قائم على نظرية المجموعة الضبابية لتحليل بيانات التعبير الجيني التفاضلي". BMC Bioinformatics . 7 (ملحق 4): S7. doi : 10.1186/1471-2105-7-S4-S7 . PMC 1780132. PMID 17217525 .
^ مايرسون، روجر ب. (1991). نظرية اللعبة: تحليل الصراع، مطبعة جامعة هارفارد، ص 1. روابط معاينة الفصل، ص 7-11.
^ بيل، بارني (1992). هـ. فان دن هيريك؛ ل. أليس (المحررون). "ميتاجيم: تحدٍ جديد للألعاب والتعلم" [البرمجة الاستدلالية في الذكاء الاصطناعي 3 - أولمبياد الكمبيوتر الثالث] (PDF) . إليس-هوروود. مؤرشف من الأصل (PDF) في 17 فبراير 2020. تم الاسترجاع في 13 يونيو 2020 .
^ بيل، بارني (1996). "لاعب استراتيجي في الألعاب الشبيهة بالشطرنج". الذكاء الحاسوبي . 12 (1): 177– 198. doi :10.1111/j.1467-8640.1996.tb00258.x. ISSN 1467-8640. S2CID 996006.
^ Genesereth, Michael; Love, Nathaniel; Pell, Barney (15 June 2005). "General Game Playing: Overview of the AAAI Competition". مجلة الذكاء الاصطناعي . 26 (2): 62. doi :10.1609/aimag.v26i2.1813. ISSN 2371-9621.
^ جلوك، مارك أ.؛ ميركادو، إدواردو؛ مايرز، كاثرين إي. (2011). التعلم والذاكرة: من الدماغ إلى السلوك (الطبعة الثانية). نيويورك: دار وورث للنشر. ص. 209. ISBN 9781429240147.
^ Mohri, M., Rostamizadeh A., Talwakar A., (2018) Foundations of Machine learning ، الطبعة الثانية، بوسطن: مطبعة معهد ماساتشوستس للتكنولوجيا
^ Y S. Abu-Mostafa, M.Magdon-Ismail, and H.-T. Lin (2012) Learning from Data, AMLBook Press. ISBN 978-1600490064
^ جريفيث، إيرين؛ ميتز، كيد (27 يناير 2023). "أنثروبيك تقول إنها تقترب من الحصول على 300 مليون دولار في تمويل الذكاء الاصطناعي الجديد". نيويورك تايمز . تم الاسترجاع في 14 مارس 2023 .
^ Lanxon, Nate; Bass, Dina; Davalos, Jackie (10 مارس 2023). "دليل شامل لكلمات الذكاء الاصطناعي ومعانيها". بلومبرج نيوز . تم الاسترجاع في 14 مارس 2023 .
^ باسيك، آدم (27 مارس 2023). "مسرد مصطلحات الذكاء الاصطناعي: شرح الشبكات العصبية ومصطلحات أخرى". نيويورك تايمز . ISSN 0362-4331 . تم الاسترجاع في 22 أبريل 2023 .
^ أندريه كارباثي. بيتر أبيل؛ جريج بروكمان؛ بيتر تشين؛ فيكي تشيونغ؛ يان دوان؛ إيان جودفيلو؛ دورك كينجما؛ جوناثان هو؛ رين هوثوفت؛ تيم سالمانس؛ جون شولمان؛ ايليا سوتسكيفر؛ فويتشخ زاريمبا (16 يونيو 2016). “النماذج التوليدية”. أوبن آي .
^ سميث، كريج س. (15 مارس 2023). "مبتكر ChatGPT-4 إيليا سوتسكيفر يتحدث عن هلاوس الذكاء الاصطناعي وديمقراطية الذكاء الاصطناعي". فوربس . تم الاسترجاع في 25 ديسمبر 2023 .
^ ميتشل 1996، ص 2.
^ ترودو، ريتشارد ج. (1993). مقدمة إلى نظرية الرسم البياني (مصححة، إعادة نشر موسعة. طبعة). نيويورك: دار دوفر للنشر، ص 19. رقم ISBN 978-0-486-67870-2. تم الاسترجاع في 8 أغسطس 2012. الرسم البياني هو كائن يتكون من مجموعتين تسمى مجموعة الرؤوس ومجموعة الحواف .
^ Yoon, Byoung-Ha; Kim, Seon-Kyu; Kim, Seon-Young (مارس 2017). "استخدام قاعدة بيانات الرسوم البيانية لدمج البيانات البيولوجية غير المتجانسة". Genomics & Informatics . 15 (1): 19– 27. doi :10.5808/GI.2017.15.1.19. ISSN 1598-866X. PMC 5389944. PMID 28416946 .
^ بورباكيس، نيكولاوس ج. (1998). الذكاء الاصطناعي والأتمتة. مجلة العلوم العالمية. ص 381. ISBN 9789810226374تم الاسترجاع بتاريخ 20 أبريل 2018 .
^ بيرل، جوديا (1984). الاستدلال: استراتيجيات البحث الذكية لحل المشكلات الحاسوبية . الولايات المتحدة: Addison-Wesley Pub. Co., Inc., Reading, MA. p. 3. Bibcode :1985hiss.book.....P. OSTI 5127296.
^ إي كيه بيرك، إي هارت، جي كيندال ، جيه نيوال، بي روس، وس. شولينبرج، فرط الاستدلال: اتجاه ناشئ في تكنولوجيا البحث الحديثة، دليل الاستدلال (ف. جلوفر وجي كوشنبرجر، المحرران)، كلوير، 2003، ص 457-474.
^ P. Ross، Hyper-heuristics، منهجيات البحث: دروس تمهيدية في تقنيات التحسين ودعم القرار (EK Burke و G. Kendall ، المحرران)، Springer، 2005، ص 529-556.
^ أوزكان، إي.؛ بيلجين، بي.؛ كوركماز، إي. إي. (2008). "تحليل شامل للأساليب الإحصائية المفرطة". تحليل البيانات الذكي . 12 (1): 3- 23. doi :10.3233/ida-2008-12102.
^ "IEEE CIS Scope". مؤرشف من الأصل في 4 يونيو 2016. اطلع عليه بتاريخ 18 مارس 2019 .
^ "التحكم في عمليات التصنيع – مختبرات التصنيع في جامعة بيرديو". engineering.purdue.edu .
^ 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.
^ Oudeyer, Pierre-Yves; Kaplan, Frederic (2008). "كيف يمكننا تعريف الدافع الداخلي؟". وقائع المؤتمر الثامن حول الروبوتات الوراثية . المجلد 5. ص 29-31 .
^ شيفالييه، أرنو (2016). "التفكير الاستراتيجي في حل المشكلات المعقدة". أكسفورد للمنح الدراسية عبر الإنترنت . أكسفورد؛ نيويورك: مطبعة جامعة أكسفورد . doi :10.1093/acprof:oso/9780190463908.001.0001. ISBN 9780190463908. OCLC 940455195. S2CID 157255130.
^ "دليل البقاء الإستراتيجي: أشجار القضايا". لندن: حكومة المملكة المتحدة. يوليو 2004. مؤرشف من الأصل في 17 فبراير 2012. تم الاسترجاع 6 أكتوبر 2018 .متوفر أيضًا بصيغة PDF.
^ ab Paskin, Mark. "دورة تدريبية قصيرة حول النماذج الرسومية" (PDF) . ستانفورد .
^ Woods, WA ; Schmolze, JG (1992). "The KL-ONE family". Computers & Mathematics with Applications . 23 ( 2– 5): 133. doi :10.1016/0898-1221(92)90139-9.
^ Brachman, RJ ; Schmolze, JG (1985). "نظرة عامة على نظام تمثيل المعرفة KL-ONE" (PDF) . العلوم المعرفية . 9 (2): 171. doi :10.1207/s15516709cog0902_1.^{[ رابط ميت دائم ‍ ]}
^ Duce, DA; Ringland, GA (1988). Approaches to Knowledge Representation, An Introduction . Research Studies Press, Ltd. ISBN 978-0-86380-064-1.
^ Fix, Evelyn; Hodges, Joseph L. (1951). Discriminatory Analysis. Nonparametric Discrimination: Consistency Properties (PDF) (تقرير). كلية طب الطيران التابعة للقوات الجوية الأمريكية، راندولف فيلد، تكساس. مؤرشف من الأصل (PDF) في 26 سبتمبر 2020.
^ شانك، روجر؛ روبرت آبلسون (1977). السيناريوهات والخطط والأهداف والفهم: تحقيق في هياكل المعرفة البشرية . لورانس إيرلباوم أسوشيتس، المحدودة.
^ "تمثيل المعرفة في الشبكات العصبية – deepMinds". deepMinds . 16 أغسطس 2018. مؤرشف من الأصل في 17 أغسطس 2018. تم الاسترجاع 16 أغسطس 2018 .
^ Kerner, Sean Michael. "ما هي نماذج اللغة الكبيرة؟". TechTarget . تم الاسترجاع في 28 يناير 2024 .
^ Reilly, Edwin D. (2003). Milestones in computer science and information technology . Greenwood Publishing Group. ص 156-157. ISBN 978-1-57356-521-9.
^ هوخريتر ، سيب. شميدهوبر، يورغن (1997). “الذاكرة طويلة المدى قصيرة المدى”. الحساب العصبي . 9 (8): 1735-1780 . دوى :10.1162/neco.1997.9.8.1735. بميد 9377276. S2CID 1915014.
^ Siegelmann, Hava T.; Sontag, Eduardo D. (1992). "حول القوة الحسابية للشبكات العصبية". وقائع ورشة العمل السنوية الخامسة حول نظرية التعلم الحسابي . المجلد. COLT '92. ص. 440- 449. doi :10.1145/130385.130432. ISBN 978-0897914970. S2CID 207165680. {{cite book}}: |work=تم تجاهله ( مساعدة )
^ "سلسلة ماركوف | تعريف سلسلة ماركوف في اللغة الإنجليزية الأمريكية من قبل قواميس أكسفورد". قواميس أكسفورد | الإنجليزية . مؤرشف من الأصل في 15 ديسمبر 2017. استرجاع 14 ديسمبر 2017 .
^ التعريف في موقع Brilliant.org "Brilliant Math and Science Wiki". تم الاسترجاع في 12 مايو 2019
^ "طبيعة البرمجة الرياضية أرشيف 2014-03-05 على موقع واي باك مشين ،" قاموس البرمجة الرياضية ، جمعية الحوسبة INFORMS.
^ وانج، وينوو (1 يوليو 2010). الاختبار الآلي: المبادئ والخوارزميات والأنظمة. IGI Global. ISBN 9781615209194- عبر igi-global.com.
^ "الاختبار الآلي: المبادئ والخوارزميات والأنظمة" (PDF) .
^ مالكولم تاتوم (3 أكتوبر 2012). "ما هو الإدراك الآلي".
^ ألكسندر سيروف (29 يناير 2013). "الواقع الذاتي والذكاء الاصطناعي القوي" (PDF).
^ "Machine Perception & Cognitive Robotics Laboratory". ccs.fau.edu . تم الاسترجاع في 18 يونيو 2016 .
^ "ما هي هندسة الميكاترونيات؟". معلومات الطلاب المحتملين . جامعة واترلو. مؤرشف من الأصل في 6 أكتوبر 2011. تم الاسترجاع في 30 مايو 2011 .
^ "Mechatronics (Bc., Ing., PhD.)". مؤرشف من الأصل في 15 أغسطس 2016. تم الاسترجاع 15 أبريل 2011 .
^ فرانك؛ سيزن، تيوسينك (2005). "إعادة بناء الشبكة الأيضية للبكتيريا من جينومها". الاتجاهات في علم الأحياء الدقيقة . 13 (11): 550- 558. doi :10.1016/j.tim.2005.09.001. PMID 16169729.
^ Balamurugan, R.; Natarajan, AM; Premalatha, K. (2015). "تحسين الثقب الأسود ذي الكتلة النجمية لبيانات التعبير الجيني لمصفوفات التكتل الثنائي". Applied Artificial Intelligence . 29 (4): 353– 381. doi : 10.1080/08839514.2015.1016391 . S2CID 44624424.
^ بيانكي، ليونورا؛ دوريجو، ماركو؛ ماريا جامبارديلا، لوكا؛ جوتجار، والتر جيه. (2009). "دراسة استقصائية حول الاستدلالات الوصفية لتحسين التوافقيات العشوائية" (PDF) . الحوسبة الطبيعية . 8 (2): 239– 287. doi :10.1007/s11047-008-9098-4. S2CID 9141490.
^ هربرت ب. إندرتون، 2001، مقدمة رياضية للمنطق، الطبعة الثانية إندرتون: 110، مطبعة هاركورت الأكاديمية، بيرلينجتون، ماساتشوستس، ISBN 978-0-12-238452-3 .
^ Cybenko, G. 1989. التقريب عن طريق تراكبات الدالة السينيولوجية، رياضيات التحكم والإشارات والأنظمة ، 2(4)، 303-314.
' ^ "الدلالات الساذجة لدعم تصميم قاعدة البيانات الآلية"، معاملات معهد مهندسي الكهرباء والإلكترونيات في هندسة المعرفة والبيانات، المجلد 14، العدد 1 (يناير 2002) بقلم في سي ستوري، وآر سي جولدشتاين، و إتش أولريش
^ استخدام الربط المبكر والربط المتأخر في الأتمتة، مايكروسوفت، 11 مايو 2007 ، تم الاسترجاع في 11 مايو 2009
^ بالمعنى الدقيق للكلمة، URIRef
^ https://w3.org/TR/PR-rdf-syntax/ "نموذج إطار وصف الموارد (RDF) ومواصفات بناء الجملة"
^ ميلر، لانس أ. "برمجة اللغة الطبيعية: الأنماط والاستراتيجيات والتناقضات". مجلة أنظمة آي بي إم 20.2 (1981): 184-215.
^ هوبفيلد، جيه جيه (1982). "الشبكات العصبية والأنظمة الفيزيائية ذات القدرات الحسابية الجماعية الناشئة". وقائع الأكاديمية الوطنية للعلوم، الولايات المتحدة الأمريكية . 79 (8): 2554– 2558. رمز Bibcode : 1982PNAS...79.2554H. doi : 10.1073/pnas.79.8.2554 . PMC 346238. PMID 6953413 .
^ "العقول العميقة: مقابلة مع أليكس جريفز وكوراي كافوكجوغلو من جوجل" . تم الاسترجاع في 17 مايو 2016 .
^ جريفز ، أليكس. واين، جريج. دانيهيلكا، إيفو (2014). “آلات تورينج العصبية”. أرخايف : 1410.5401 [cs.NE].
^ كروكوف، ماكس أو.؛ رحيمبور، شيرفين؛ سلوتسكي، مارك دبليو.؛ إدجيرتون، في. ريجي؛ تورنر، دينيس أ. (1 يناير 2016). "تعزيز تعافي الجهاز العصبي من خلال علم الأعصاب، وتدريب الواجهة العصبية، وإعادة التأهيل العصبي". فرونتيرز في علوم الأعصاب . 10 : 584. doi : 10.3389/fnins.2016.00584 . PMC 5186786. PMID 28082858 .
^ Mead, Carver (1990). "الأنظمة الإلكترونية ذات الشكل العصبي" (PDF) . وقائع معهد مهندسي الكهرباء والإلكترونيات . 78 (10): 1629– 1636. CiteSeerX 10.1.1.161.9762 . doi :10.1109/5.58356. S2CID 1169506.
^ Maan, AK; Jayadevi, DA; James, AP (1 January 2016). "A Survey of Memristive Threshold Logic Circuits". IEEE Transactions on Neural Networks and Learning Systems . PP (99): 1734– 1746. arXiv : 1604.07121 . doi :10.1109/TNNLS.2016.2547842. ISSN 2162-237X. PMID 27164608. S2CID 1798273.
^ "دراسة استقصائية للهندسة الإلكترونية الدورانية للمعالجة في الذاكرة والشبكات العصبية"، مجلة الجمعية الأمريكية للعلوم، 2018
^ تشو، يو؛ راماناثان، س. (1 أغسطس 2015). "ذاكرة موت والأجهزة ذات الشكل العصبي". وقائع معهد مهندسي الكهرباء والإلكترونيات . 103 (8): 1289– 1310. doi :10.1109/JPROC.2015.2431914. ISSN 0018-9219. S2CID 11347598.
^ مونرو، د. (2014). "الحوسبة العصبية الشكلية تستعد للحدث الكبير (حقًا). اتصالات جمعية الحوسبة الآلية . 57 (6): 13– 15. doi :10.1145/2601069. S2CID 20051102.
^ Zhao, WS; Agnus, G.; Derycke, V.; Filoramo, A.; Bourgoin, J.-P.; Gamrat, C. (2010). "Nanotube devices based crossbar architecture: Toward neuromorphic computing". Nanotechnology . 21 (17): 175202. Bibcode :2010Nanot..21q5202Z. doi :10.1088/0957-4484/21/17/175202. PMID 20368686. S2CID 16253700. مؤرشف من الأصل في 10 أبريل 2021. تم الاسترجاع 2 ديسمبر 2019 .
^ مشروع الدماغ البشري SP 9: منصة الحوسبة العصبية على اليوتيوب
^ كوبلاند، جاك (مايو 2000). "ما هو الذكاء الاصطناعي؟". AlanTuring.net . مؤرشف من الأصل في 9 نوفمبر 2015 . تم الاسترجاع في 7 نوفمبر 2015 .
^ كلاينبرج ، جون. تاردوس، إيفا (2006). تصميم الخوارزمية (الطبعة الثانية). أديسون ويسلي. ص. 464. ردمك 0-321-37291-3.
^ كوبهام، آلان (1965). "الصعوبة الحسابية الجوهرية للوظائف". وقائع المنطق والمنهجية وفلسفة العلوم الجزء الثاني . شمال هولندا.
^ "ما هي شفرة أوكام؟". math.ucr.edu . تم الاسترجاع في 1 يونيو 2019 .
^ "OpenAI تتحول من مؤسسة غير ربحية إلى مؤسسة ذات ربح محدود لجذب رأس المال". TechCrunch. تم الاسترجاع في 10 مايو 2019.
^ "OpenCog: ذكاء اصطناعي عام مفتوح المصدر للعوالم الافتراضية". CyberTech News . 6 مارس 2009. مؤرشف من الأصل في 6 مارس 2009. تم الاسترجاع 1 أكتوبر 2016 .
^ سانت لوران، أندرو م. (2008). فهم ترخيص البرمجيات الحرة والبرمجيات مفتوحة المصدر. أوريلي ميديا. ص. 4. رقم ISBN 9780596553951.
^ ليفين، شين س.؛ بريتولا، مايكل ج. (30 ديسمبر 2013). "التعاون المفتوح من أجل الابتكار: المبادئ والأداء". علم التنظيم . 25 (5): 1414– 1433. arXiv : 1406.7541 . doi :10.1287/orsc.2013.0872. ISSN 1047-7039. S2CID 6583883.
^ تعريف "overfitting" في OxfordDictionaries.com : هذا التعريف خاص بالإحصائيات.
^ بيشوب، كريستوفر م. (2006). التعرف على الأنماط والتعلم الآلي (PDF). سبرينغر. ص. 7. يعود أصل التعرف على الأنماط إلى الهندسة، في حين نشأ التعلم الآلي من علوم الكمبيوتر. ومع ذلك، يمكن النظر إلى هذه الأنشطة باعتبارها وجهين لنفس المجال، وقد خضعت معًا لتطور كبير على مدى السنوات العشر الماضية.
^ هيوز، جي إي ، وكريسويل، إم جيه ، مقدمة جديدة إلى المنطق النمطي ( لندن : روتليدج ، 1996)، ص 161.
^ نايس، تشارلز (2007)، ورقة بحثية حول التحليلات التنبؤية (PDF) ، المعهد الأمريكي لوكلاء التأمين على الممتلكات والحوادث المعتمدين/معهد التأمين الأمريكي، ص. 1
^ إيكرسون، واين (10 مايو 2007)، توسيع قيمة استثمارك في مستودعات البيانات، معهد مستودعات البيانات
^ كارل ر. بوبر ، أسطورة الإطار ، لندن (روتليدج) 1994، الفصل 8.
^ كارل ر. بوبر ، فقر التاريخية ، لندن (روتليدج) 1960، الفصل الرابع، القسم 31.
^ "البرمجة الاحتمالية تقوم في 50 سطرًا من التعليمات البرمجية بما كان يستغرق آلافًا من الوقت". phys.org . 13 أبريل 2015 . تم الاسترجاع في 13 أبريل 2015 .
^ "البرمجة الاحتمالية". probabilistic-programming.org . مؤرشف من الأصل في 10 يناير 2016 . تم الاسترجاع 31 يوليو 2019 .
^ Pfeffer, Avrom (2014), Practical Probabilistic Programming , Manning Publications. p.28. ISBN 978-1 6172-9233-0
^ كلوكسين ، ويليام ف. ميليش، كريستوفر س. (2003). البرمجة في برولوج . برلين؛ نيويورك: سبرينغر-فيرلاغ. رقم ISBN 978-3-540-00678-7.
^ براتكو، إيفان (2012). برمجة برولوج للذكاء الاصطناعي (الطبعة الرابعة). هارلو، إنجلترا؛ نيويورك: أديسون ويسلي. رقم ISBN 978-0-321-41746-6.
^ Covington, Michael A. (1994). معالجة اللغة الطبيعية لمبرمجي Prolog . Englewood Cliffs, NJ: Prentice Hall. ISBN 978-0-13-629213-5.
^ لويد، جيه دبليو (1984). أساسيات البرمجة المنطقية. برلين: سبرينغر فيرلاغ. ISBN 978-3-540-13299-8 .
^ Kuhlman, Dave. "A Python Book: Beginning Python, Advanced Python, and Python Exercises". القسم 1.1. مؤرشف من الأصل (PDF) في 23 يونيو 2012.
^ Yegulalp, Serdar (19 January 2017). "Facebook brings GPU-powered machine learning to Python". InfoWorld. Retrieved 11 December 2017.
^ Lorica, Ben (3 August 2017). "Why AI and machine learning researchers are beginning to embrace PyTorch". O'Reilly Media. Retrieved 11 December 2017.
^ Ketkar, Nikhil (2017). "Introduction to PyTorch". Deep Learning with Python. Apress, Berkeley, CA. pp. 195–208. doi:10.1007/978-1-4842-2766-4_12. ISBN 9781484227657.
^ Moez Ali (June 2023). "NLP with PyTorch: A Comprehensive Guide". datacamp.com. Retrieved 1 April 2024.
^ Patel, Mo (7 December 2017). "When two trends fuse: PyTorch and recommender systems". O'Reilly Media. Retrieved 18 December 2017.
^ Mannes, John. "Facebook and Microsoft collaborate to simplify conversions from PyTorch to Caffe2". TechCrunch. Retrieved 18 December 2017. FAIR is accustomed to working with PyTorch – a deep learning framework optimized for achieving state of the art results in research, regardless of resource constraints. Unfortunately in the real world, most of us are limited by the computational capabilities of our smartphones and computers.
^ Arakelyan, Sophia (29 November 2017). "Tech giants are using open source frameworks to dominate the AI community". VentureBeat. Retrieved 18 December 2017.
^ "PyTorch strengthens its governance by joining the Linux Foundation". pytorch.org. Retrieved 13 September 2022.
^ a b Reiter, Raymond (2001). Knowledge in Action: Logical Foundations for Specifying and Implementing Dynamical Systems. Cambridge, Massachusetts: The MIT Press. pp. 20–22. ISBN 9780262527002.
^ Thielscher, Michael (September 2001). "The Qualification Problem: A solution to the problem of anomalous models". Artificial Intelligence. 131 (1–2): 1–37. doi:10.1016/S0004-3702(01)00131-X.
^ 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.
^ R language and environment Hornik, Kurt (4 October 2017). "R FAQ". The Comprehensive R Archive Network. 2.1 What is R?. Retrieved 6 August 2018. R Foundation Hornik, Kurt (4 October 2017). "R FAQ". The Comprehensive R Archive Network. 2.13 What is the R Foundation?. Retrieved 6 August 2018. The R Core Team asks authors who use R in their data analysis to cite the software using: R Core Team (2016). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL https://R-project.org/.
^ widely used Fox, John & Andersen, Robert (January 2005). "Using the R Statistical Computing Environment to Teach Social Statistics Courses" (PDF). Department of Sociology, McMaster University. Retrieved 6 August 2018. Vance, Ashlee (6 January 2009). "Data Analysts Captivated by R's Power". The New York Times. Retrieved 6 August 2018. R is also the name of a popular programming language used by a growing number of data analysts inside corporations and academia. It is becoming their lingua franca...
^ Vance, Ashlee (6 January 2009). "Data Analysts Captivated by R's Power". The New York Times. Retrieved 6 August 2018. R is also the name of a popular programming language used by a growing number of data analysts inside corporations and academia. It is becoming their lingua franca...
^ Broomhead, D. S.; Lowe, David (1988). Radial basis functions, multi-variable functional interpolation and adaptive networks (PDF) (Technical report). RSRE. 4148. Archived from the original on 9 April 2013.
^ Broomhead, D. S.; Lowe, David (1988). "Multivariable functional interpolation and adaptive networks" (PDF). Complex Systems. 2: 321–355.
^ Schwenker, Friedhelm; Kestler, Hans A.; Palm, Günther (2001). "Three learning phases for radial-basis-function networks". Neural Networks. 14 (4–5): 439–458. doi:10.1016/s0893-6080(01)00027-2. PMID 11411631.
^ 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. Archived from the original (PDF) on 17 April 2016. Retrieved 5 June 2016.
^ Ho, TK (1998). "The Random Subspace Method for Constructing Decision Forests". IEEE Transactions on Pattern Analysis and Machine Intelligence. 20 (8): 832–844. doi:10.1109/34.709601. S2CID 206420153.
^ Hastie, Trevor; Tibshirani, Robert; Friedman, Jerome(2008). The Elements of Statistical Learning (2nd ed.). Springer. ISBN 0-387-95284-5.
^ 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.
^ Sak, Hasim; Senior, Andrew; Beaufays, Francoise (2014). "Long Short-Term Memory recurrent neural network architectures for large scale acoustic modeling" (PDF). Archived from the original (PDF) on 24 April 2018. Retrieved 6 August 2019.
^ Li, Xiangang; Wu, Xihong (15 October 2014). "Constructing Long Short-Term Memory based Deep Recurrent Neural Networks for Large Vocabulary Speech Recognition". arXiv:1410.4281 [cs.CL].
^ 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.
^ Patrizio, Andy. "What is reinforcement learning from human feedback (RLHF)?". TechTarget. Retrieved 28 January 2024.
^ Schrauwen, Benjamin, David Verstraeten, and Jan Van Campenhout. "An overview of reservoir computing: theory, applications, and implementations." Proceedings of the European Symposium on Artificial Neural Networks ESANN 2007, pp. 471–482.
^ Mass, Wolfgang; Nachtschlaeger, T.; Markram, H. (2002). "Real-time computing without stable states: A new framework for neural computation based on perturbations". Neural Computation. 14 (11): 2531–2560. doi:10.1162/089976602760407955. PMID 12433288. S2CID 1045112.
^ Jaeger, Herbert, "The echo state approach to analyzing and training recurrent neural networks." Technical Report 154 (2001), German National Research Center for Information Technology.
^ Jaeger, Herbert (2007). "Echo state network". Scholarpedia. 2 (9): 2330. Bibcode:2007SchpJ...2.2330J. doi:10.4249/scholarpedia.2330.
^ "XML and Semantic Web W3C Standards Timeline" (PDF). 4 February 2012. Archived from the original (PDF) on 6 July 2022. Retrieved 5 July 2022.
^ See, for example, Boolos and Jeffrey, 1974, chapter 11.
^ Sowa, John F. (1987). "Semantic Networks". In Shapiro, Stuart C (ed.). Encyclopedia of Artificial Intelligence. Retrieved 29 April 2008.
^ 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.
^ Abran et al. 2004, pp. 1–1
^ "Computing Degrees & Careers". ACM. 2007. Archived from the original on 17 June 2011. Retrieved 23 November 2010.
^ Laplante, Phillip (2007). What Every Engineer Should Know about Software Engineering. Boca Raton: CRC. ISBN 978-0-8493-7228-5. Retrieved 21 January 2011.
^ Rapoza, Jim (2 May 2006). "SPARQL Will Make the Web Shine". eWeek. Retrieved 17 January 2007.
^ Segaran, Toby; Evans, Colin; Taylor, Jamie (2009). Programming the Semantic Web. O'Reilly Media, Inc., 1005 Gravenstein Highway North, Sebastopol, CA 95472. p. 84. ISBN 978-0-596-15381-6.
^ 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.
^ "What is stateless? - Definition from WhatIs.com". techtarget.com.
^ Lise Getoor and Ben Taskar: Introduction to statistical relational learning, MIT Press, 2007
^ Ryan A. Rossi, Luke K. McDowell, David W. Aha, and Jennifer Neville, "Transforming Graph Data for Statistical Relational Learning. Archived 6 January 2018 at the Wayback Machine" Journal of Artificial Intelligence Research (JAIR), Volume 45 (2012), pp. 363–441.
^ Spall, J. C. (2003). Introduction to Stochastic Search and Optimization. Wiley. ISBN 978-0-471-33052-3.
^ Language Understanding Using Two-Level Stochastic Models by F. Pla, et al, 2001, Springer Lecture Notes in Computer Science ISBN 978-3-540-42557-1
^ Stuart J. Russell, Peter Norvig (2010) Artificial Intelligence: A Modern Approach, Third Edition, Prentice Hall ISBN 9780136042594.
^ Mehryar Mohri, Afshin Rostamizadeh, Ameet Talwalkar (2012) Foundations of Machine Learning, The MIT Press ISBN 9780262018258.
^ Cortes, Corinna; Vapnik, Vladimir N (1995). "Support vector networks". Machine Learning. 20 (3): 273–297. doi:10.1007/BF00994018.
^ 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.
^ Haugeland 1985, p. 255.
^ Poole, Mackworth & Goebel 1998, p. 1.
^ "Collection of sources defining "singularity"". singularitysymposium.com. Retrieved 17 April 2019.
^ Eden, Amnon H.; Moor, James H. (2012). Singularity hypotheses: A Scientific and Philosophical Assessment. Dordrecht: Springer. pp. 1–2. ISBN 9783642325601.
^ Cadwalladr, Carole (2014). "Are the robots about to rise? Google's new director of engineering thinks so..." The Guardian. Guardian News and Media Limited.
^ Sutton, Richard & Andrew Barto (1998). Reinforcement Learning. MIT Press. ISBN 978-0-585-02445-5. Archived from the original on 30 March 2017.
^ 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.^{[dead link‍]}
^ Pellionisz, A.; Llinás, R. (1985). "Tensor Network Theory Of The Metaorganization Of Functional Geometries In The Central Nervous System". Neuroscience. 16 (2): 245–273. doi:10.1016/0306-4522(85)90001-6. PMID 4080158. S2CID 10747593.
^ "TensorFlow: Open source machine learning" "It is machine learning software being used for various kinds of perceptual and language understanding tasks" — Jeffrey Dean, minute 0:47 / 2:17 from YouTube clip
^ Sipser, Michael (2013). Introduction to the Theory of Computation 3rd. Cengage Learning. ISBN 978-1-133-18779-0. central areas of the theory of computation: automata, computability, and complexity. (Page 1)
^ 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.
^ Russo, Daniel J.; Van Roy, Benjamin; Kazerouni, Abbas; Osband, Ian; Wen, Zheng (2018). "A Tutorial on Thompson Sampling". Foundations and Trends in Machine Learning. 11 (1): 1–96. arXiv:1707.02038. doi:10.1561/2200000070. S2CID 3929917.
^ 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 1 August 2007. Retrieved 5 August 2007.
^ Dickson, Ben (2 May 2022). "Machine learning: What is the transformer architecture?". TechTarget. Retrieved 2 May 2022.
^ Mercer, Calvin. Religion and Transhumanism: The Unknown Future of Human Enhancement. Praeger.
^ Bostrom, Nick (2005). "A history of transhumanist thought" (PDF). Journal of Evolution and Technology. Retrieved 21 February 2006.
^ Minsky 1967:107 "In his 1936 paper, A. M. Turing defined the class of abstract machines that now bear his name. A Turing machine is a finite-state machine associated with a special kind of environment – its tape – in which it can store (and later recover) sequences of symbols," also Stone 1972:8 where the word "machine" is in quotation marks.
^ Stone 1972:8 states "This "machine" is an abstract mathematical model", also cf. Sipser 2006:137ff that describes the "Turing machine model". Rogers 1987 (1967):13 refers to "Turing's characterization", Boolos Burgess and Jeffrey 2002:25 refers to a "specific kind of idealized machine".
^ Sipser 2006:137 "A Turing machine can do everything that a real computer can do".
^ Turing originally suggested a teleprinter, one of the few text-only communication systems available in 1950. (Turing 1950, p. 433)
^ Pierce 2002, p. 1: "A type system is a tractable syntactic method for proving the absence of certain program behaviors by classifying phrases according to the kinds of values they compute."
^ Cardelli 2004, p. 1: "The fundamental purpose of a type system is to prevent the occurrence of execution errors during the running of a program."
^ Hinton, Jeffrey; Sejnowski, Terrence (1999). Unsupervised Learning: Foundations of Neural Computation. MIT Press. ISBN 978-0262581684.
^ Colaner, Seth; Humrick, Matthew (3 January 2016). "A third type of processor for AR/VR: Movidius' Myriad 2 VPU". Tom's Hardware.
^ Banerje, Prasid (28 March 2016). "The rise of VPUs: Giving Eyes to Machines". Digit.in. Archived from the original on 11 December 2018. Retrieved 5 July 2022.
^ "DeepQA Project: FAQ". IBM. Archived from the original on 5 November 2015. Retrieved 11 February 2011.
^ Ferrucci, David; Levas, Anthony; Bagchi, Sugato; Gondek, David; Mueller, Erik T. (1 June 2013). "Watson: Beyond Jeopardy!". Artificial Intelligence. 199: 93–105. doi:10.1016/j.artint.2012.06.009.
^ Hale, Mike (8 February 2011). "Actors and Their Roles for $300, HAL? HAL!". The New York Times. Retrieved 11 February 2011.
^ "The DeepQA Project". IBM Research. Archived from the original on 21 January 2013. Retrieved 18 February 2011.
^ io9.com mentions narrow AI. Published 1 April 2013. Retrieved 16 February 2014: https://io9.com/how-much-longer-before-our-first-ai-catastrophe-464043243
^ AI researcher Ben Goertzel explains why he became interested in AGI instead of narrow AI. Published 18 Oct 2013. Retrieved 16 February 2014. https://intelligence.org/2013/10/18/ben-goertzel/
^ TechCrunch discusses AI App building regarding Narrow AI. Published 16 Oct 2015. Retrieved 17 Oct 2015. https://techcrunch.com/2015/10/15/machine-learning-its-the-hard-problems-that-are-valuable/
^ 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.
^ "GitHub project webpage". GitHub. June 2022. Archived from the original on 1 April 2021. Retrieved 5 April 2016.

Works cited

Abran, Alain; Moore, James W.; Bourque, Pierre; Dupuis, Robert; Tripp, Leonard L. (2004). Guide to the Software Engineering Body of Knowledge. IEEE. ISBN 978-0-7695-2330-9.
Cardelli, Luca (2004). "Type systems" (PDF). In Allen B. Tucker (ed.). CRC Handbook of Computer Science and Engineering (2nd ed.). CRC Press. ISBN 978-1584883609.
Haugeland, John (1985). Artificial Intelligence: The Very Idea. Cambridge, Mass.: MIT Press. ISBN 978-0-262-08153-5.
Legg, Shane; Hutter, Marcus (15 June 2007). "A Collection of Definitions of Intelligence". arXiv:0706.3639 [cs.AI].
Mitchell, Melanie (1996). An Introduction to Genetic Algorithms. Cambridge, MA: MIT Press. ISBN 9780585030944.
Nilsson, Nils (1998). Artificial Intelligence: A New Synthesis. Morgan Kaufmann. ISBN 978-1-55860-467-4. Archived from the original on 26 July 2020. Retrieved 18 November 2019.
Pierce, Benjamin C. (2002). Types and Programming Languages. MIT Press. ISBN 978-0-262-16209-8.
Poole, David; Mackworth, Alan; Goebel, Randy (1998). Computational Intelligence: A Logical Approach. New York: Oxford University Press. ISBN 978-0-19-510270-3. Archived from the original on 26 July 2020. Retrieved 22 August 2020.
Russell, Stuart J.; Norvig, Peter (2003), Artificial Intelligence: A Modern Approach (2nd ed.), Upper Saddle River, New Jersey: Prentice Hall, ISBN 0-13-790395-2
Turing, Alan (October 1950). "Computing Machinery and Intelligence". Mind. 59 (236): 433–460. doi:10.1093/mind/LIX.236.433. ISSN 1460-2113. JSTOR 2251299. S2CID 14636783.

Notes

^ polynomial time refers to how quickly the number of operations needed by an algorithm, relative to the size of the problem, grows. It is therefore a measure of efficiency of an algorithm.

Original text

Rate this translation

Your feedback will be used to help improve Google Translate

[Josephson-1] على سبيل المثال: 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 978-0521434614. OCLC 28149683.

[2] "Retroduction". Commens – Digital Companion to CS Peirce . Mats Bergman, Sami Paavola & João Queiroz. مؤرشف من الأصل في 5 يوليو 2022 . تم الاسترجاع في 24 أغسطس 2014 .

[3] شيخ الاسلامي، سينا (2019). برمجة الاستئصال للتعلم الآلي.

[4] كولبورن، تيموثي؛ شوت، جاري (5 يونيو 2007). "التجريد في علوم الكمبيوتر". العقول والآلات . 17 (2): 169– 184. doi :10.1007/s11023-007-9061-7. ISSN 0924-6495. S2CID 5927969.

[5] كرامر، جيف (1 أبريل 2007). "هل التجريد هو المفتاح للحوسبة؟". اتصالات جمعية الحوسبة الآلية . 50 (4): 36-42 . CiteSeerX 10.1.1.120.6776 . doi :10.1145/1232743.1232745. ISSN 0001-0782. S2CID 12481509.

[6] مايكل جيلفوند، فلاديمير ليفشيتز (1998) "لغات العمل"، مقالات لينشوبينغ الإلكترونية في علوم الكمبيوتر والمعلومات ، المجلد 3، العدد 16 .

[7] جانج، جيه-شينغ ر (1991). النمذجة الضبابية باستخدام الشبكات العصبية المعممة وخوارزمية مرشح كالمان (PDF) . وقائع المؤتمر الوطني التاسع للذكاء الاصطناعي، أناهايم، كاليفورنيا، الولايات المتحدة الأمريكية، 14-19 يوليو. المجلد 2. ص 762-767 .

[8] جانج، جيه-إس آر (1993). "ANFIS: نظام استدلال ضبابي قائم على الشبكة التكيفية". معاملات معهد مهندسي الكهرباء والإلكترونيات للأنظمة والإنسان والسيبرنطيقا . 23 (3): 665– 685. doi :10.1109/21.256541. S2CID 14345934.

[9] أبراهام، أ. (2005)، "تكييف نظام الاستدلال الضبابي باستخدام التعلم العصبي"، في نيدجاه، ناديا؛ دي ماسيدو موريل، لويزا (المحررون)، هندسة الأنظمة الضبابية: النظرية والتطبيق ، دراسات في الحوسبة الضبابية والناعمة، المجلد 181، ألمانيا: دار نشر سبرينغر، ص 53-83 ، CiteSeerX 10.1.1.161.6135 ، doi :10.1007/11339366_3، ISBN 978-3-540-25322-8

[10] جانج، صن، ميزوتاني (1997) – الحوسبة العصبية الضبابية والحوسبة الناعمة – برنتيس هول، ص 335-368، ISBN 0-13-261066-3

[11] Tahmasebi, P. (2012). "A hybrid neural networks-fuzzy logic-genetic algorithm for grade estimation". Computers & Geosciences . 42 : 18– 27. Bibcode : 2012CG.....42...18T. doi :10.1016/j.cageo.2012.02.004. PMC 4268588. PMID 25540468.

[12] Tahmasebi, P. (2010). "مقارنة الشبكة العصبية المحسّنة بالمنطق الضبابي لتقدير درجة الخام". المجلة الأسترالية للعلوم الأساسية والتطبيقية . 4 : 764– 772.

[13] راسل، إس جيه؛ نورفيج، ب. (2002). الذكاء الاصطناعي: نهج حديث . برنتيس هول. رقم ISBN 978-0-13-790395-5.

[TaoTan-14] تاو، جيانهوا؛ تينيو تان (2005). "الحوسبة العاطفية: مراجعة". الحوسبة العاطفية والتفاعل الذكي . المجلد. LNCS 3784. سبرينغر. ص. 981- 995. doi :10.1007/11573548.

[15] القليوبي، رنا (نوفمبر-ديسمبر 2017). "نحن بحاجة إلى أجهزة كمبيوتر متعاطفة". مراجعة التكنولوجيا . المجلد 120، العدد 6. ص 8. مؤرشف من الأصل في 7 يوليو 2018. تم استرجاعه في 6 نوفمبر 2018 .

[16] مقارنة بين بنيات الوكيل محفوظ في 27 أغسطس 2008، على موقع Wayback Machine

[17] "Intel تكشف عن Movidius Compute Stick USB AI Accelerator". 21 يوليو 2017. مؤرشف من الأصل في 11 أغسطس 2017. تم الاسترجاع 28 نوفمبر 2018 .

[18] “Inspurs تكشف النقاب عن GX4 AI Accelerator”. 21 يونيو 2017.

[Shapiro92-19] Shapiro, Stuart C. (1992). Artificial Intelligence في Stuart C. Shapiro (Ed.)، موسوعة الذكاء الاصطناعي (الطبعة الثانية، ص 54-57). نيويورك: جون وايلي. (القسم 4 يتحدث عن "المهام المكتملة للذكاء الاصطناعي").

[20] سولومونوف، ر.، "تقرير أولي حول النظرية العامة للاستدلال الاستقرائي"، التقرير الخامس-131، شركة زاتور، كامبريدج، ماساتشوستس (مراجعة نوفمبر 1960 لتقرير 4 فبراير 1960).

[21] "الذكاء الاصطناعي: برنامج ألفاجو من جوجل يتفوق على أستاذ جو لي سي دول". بي بي سي نيوز . 12 مارس 2016. تم استرجاعه في 17 مارس 2016 .

[22] "AlphaGo | DeepMind". DeepMind .

[googlego-23] "مدونة البحث: AlphaGo: إتقان لعبة Go القديمة باستخدام التعلم الآلي". مدونة بحث Google . 27 يناير 2016.

[bbcgo-24] "جوجل تحقق اختراقا في مجال الذكاء الاصطناعي بفوزها على بطل لعبة جو". بي بي سي نيوز . 27 يناير 2016.

[25] انظر دونج (1995)

[26] انظر Besnard and Hunter (2001)

[27] انظر Bench-Capon (2002)

[Definition_of_AI-28] تعريف الذكاء الاصطناعي كدراسة للوكلاء الأذكياء :
Poole, Mackworth & Goebel 1998, p. 1، الذي يوفر النسخة المستخدمة في هذه المقالة. لاحظ أنهم يستخدمون مصطلح "الذكاء الحسابي" كمرادف للذكاء الاصطناعي.

راسل ونورفيج (2003) (اللذان يفضلان مصطلح "الوكيل العقلاني") وكتبا "إن وجهة نظر الوكيل الكامل مقبولة على نطاق واسع في هذا المجال" (راسل ونورفيج 2003، ص 55).

نيلسون 1998

ليج و هوتر 2007.

[29] Poole, Mackworth & Goebel 1998, p. 1، الذي يوفر النسخة المستخدمة في هذه المقالة. لاحظ أنهم يستخدمون مصطلح "الذكاء الحسابي" كمرادف للذكاء الاصطناعي.

[30] راسل ونورفيج (2003) (اللذان يفضلان مصطلح "الوكيل العقلاني") وكتبا "إن وجهة نظر الوكيل الكامل مقبولة على نطاق واسع في هذا المجال" (راسل ونورفيج 2003، ص 55).

[31] نيلسون 1998

[32] ليج و هوتر 2007.

[FOOTNOTERussellNorvig20092-29] راسل ونورفيج 2009، ص 2.

[30] "النظام الأساسي لـ AAAI".

[Cipresso_Giglioli_Raya_Riva_2011_p.-31] Cipresso, Pietro; Giglioli, Irene Alice Chicchi; Raya, iz; Riva, Giuseppe (7 ديسمبر 2011). "الماضي والحاضر والمستقبل لأبحاث الواقع الافتراضي والمعزز: تحليل الشبكة والمجموعات للأدب". Frontiers in Psychology . 9 : 2086. doi : 10.3389/fpsyg.2018.02086 . PMC 6232426. PMID 30459681 .

[32] غلاب، مالك؛ ناو، دانا س؛ ترافيرسو، باولو (2004)، التخطيط الآلي: النظرية والتطبيق، مورجان كوفمان ، ISBN 978-1-55860-856-6

[Kephart-33] Kephart, JO; Chess, DM (2003), "The vision of autonomic computing", Computer , 36 : 41– 52, CiteSeerX 10.1.1.70.613 , doi :10.1109/MC.2003.1160055

[34] Gehrig, Stefan K.; Stein, Fridtjof J. (1999). Dead reckoning and cartography using stereo vision for an automatic car . IEEE/RSJ International Conference on Intelligent Robots and Systems. المجلد 3. كيونج جو. ص 1507– 1512. doi :10.1109/IROS.1999.811692. ISBN 0-7803-5184-3.

[35] "سيارة أوبر ذاتية القيادة تقتل امرأة من أريزونا أثناء عبورها الشارع". رويترز . 20 مارس 2018.

[thrun2010toward-36] Thrun, Sebastian (2010). "Toward Robotic Cars". Communications of the ACM . 53 (4): 99– 106. doi :10.1145/1721654.1721679. S2CID 207177792.

[37] "الصفحة الرئيسية لهندسة المعلومات". جامعة أكسفورد. مؤرشف من الأصل في 3 يوليو 2022. تم الاسترجاع 3 أكتوبر 2018 .

[38] Goodfellow, Ian; Bengio, Yoshua; Courville, Aaron (2016) Deep Learning . MIT Press. ص. 196. ISBN 9780262035613

[39] نيلسن، مايكل أ. (2015). "الفصل 6". الشبكات العصبية والتعلم العميق . مؤرشف من الأصل في 8 أغسطس 2022. تم الاسترجاع 5 يوليو 2022 .

[40] "الشبكات العميقة: نظرة عامة – Ufldl". ufldl.stanford.edu . مؤرشف من الأصل في 16 مارس 2022 . تم الاسترجاع في 4 أغسطس 2017 .

[41] Goller, Christoph; Küchler, Andreas (1996). "تعلم التمثيلات الموزعة المعتمدة على المهمة من خلال الانتشار الخلفي من خلال البنية". وقائع المؤتمر الدولي للشبكات العصبية (ICNN'96) . المجلد 1. ص 347- 352. CiteSeerX 10.1.1.49.1968 . doi :10.1109/ICNN.1996.548916. ISBN 0-7803-3210-5. S2CID 6536466.

[42] Mozer, MC (1995). "A Focused Backpropagation Algorithm for Temporal Pattern Recognition". في Chauvin, Y.؛ Rumelhart, D. (المحرران). Backpropagation: Theory, architectures, and applications . Hillsdale, NJ: Lawrence Erlbaum Associates. ص. 137– 169. تم الاسترجاع في 21 أغسطس 2017 .

[43] روبنسون، أيه جيه وفولسايد، ف. (1987). شبكة انتشار الأخطاء الديناميكية التي تقودها المرافق (تقرير فني). جامعة كامبريدج، قسم الهندسة. CUED/F-INFENG/TR.1.

[44] Werbos, Paul J. (1988). "تعميم الانتشار الخلفي مع التطبيق على نموذج سوق الغاز المتكرر". الشبكات العصبية . 1 (4): 339– 356. doi :10.1016/0893-6080(88)90007-x.

[45] Feigenbaum, Edward (1988). The Rise of the Expert Company . Times Books. p. 317. ISBN 978-0-8129-1731-4.

[sivic-46] سيفك، جوزيف (أبريل 2009). "البحث البصري الفعّال عن مقاطع الفيديو التي يتم تحويلها إلى نص استرجاعي" (PDF) . معاملات معهد مهندسي الكهرباء والإلكترونيات في تحليل الأنماط والذكاء الاصطناعي . 31 (4): 591– 605. CiteSeerX 10.1.1.174.6841 . doi :10.1109/TPAMI.2008.111. PMID 19229077. S2CID 9899337. مؤرشف من الأصل (PDF) في 31 مارس 2022. تم الاسترجاع في 5 يوليو 2022 .

[47] McTear et al 2016، ص 167.

[48] "فهم المرور العكسي عبر طبقة التطبيع الدفعي". kratzert.github.io . تم الاسترجاع في 24 أبريل 2018 .

[49] Ioffe, Sergey; Szegedy, Christian (2015). "Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift". arXiv : 1502.03167 [cs.LG].

[50] "مصطلحات التعلم العميق: التطبيع الدفعي". medium.com . 27 يونيو 2017 . تم الاسترجاع في 24 أبريل 2018 .

[Pham_&_al,_2005-51] 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.

[Pham_&_Castellani,_2009-52] Pham, DT, Castellani, M. (2009), The Bees Algorithm – Modelling Foraging Behaviour to Solve Continuous Optimisation Problems. مؤرشف من الأصل في 9 نوفمبر 2016 على موقع واي باك مشين . Proc. ImechE، الجزء ج، 223(12)، 2919–2938.

[53] فام، دي تي؛ كاستيلاني، م. (2014). "المقارنة والتقييم لخوارزميات التحسين المستمر القائمة على السكان والمستوحاة من الطبيعة". الحوسبة الناعمة . 18 (5): 871– 903. doi :10.1007/s00500-013-1104-9. S2CID 35138140.

[54] ^ فام، دوك ترونج؛ كاستيلاني، ماركو ( 2015). "دراسة مقارنة لخوارزمية النحل كأداة لتحسين الوظيفة". Cogent Engineering . 2. doi : 10.1080/23311916.2015.1091540 .

[Nasrinpour_&_Massah_&_Teshnehlab_2017-55] نصر بور، HR؛ ماسة بافاني، A.؛ تيشنلاب، M. (2017). "خوارزمية النحل المجمعة: نسخة مجمعة من خوارزمية النحل". أجهزة الكمبيوتر . 6 (1): 5. doi : 10.3390/computers6010005 .

[56] كاو، لونجبينج (2010). "فهم السلوك واستخدامه بعمق: نهج المعلوماتية السلوكية". علم المعلومات . 180 (17): 3067– 3085. arXiv : 2007.15516 . doi :10.1016/j.ins.2010.03.025. S2CID 7400761.

[Colledanchise_TRO16-57] Colledanchise Michele, and Ögren Petter 2016. How Behavior Trees Modularize Hybrid Control Systems and Generalize Sequential Behavior Compositions, the Subsumption Architecture, and Decision Trees. في IEEE Transactions on Robotics المجلد 99، الصفحات من 1 إلى 18 (2016)

[Colledanchise_BOOK17-58] كوليدانشيز ، ميشيل. أوغرين ، بيتر (2018). أشجار السلوك في الروبوتات والذكاء الاصطناعي . أرخايف : 1709.00084 . دوى :10.1201/9780429489105. رقم ISBN 9780429950902. S2CID 27470659.

[59] Breur, Tom (يوليو 2016). "تحليل القوة الإحصائية و"الأزمة" المعاصرة في العلوم الاجتماعية". مجلة تحليلات التسويق . 4 ( 2-3 ): 61-65 . doi : 10.1057/s41270-016-0001-3 . ISSN 2050-3318.

[Bachmann-60] باخمان، بول (1894). Analytische Zahlentheorie [ نظرية الأعداد التحليلية ] (باللغة الألمانية). المجلد. 2. لايبزيغ: تيوبنر.

[Landau-61] لانداو ، إدموند (1909). Handbuch der Lehre von der Verteilung der Primzahlen [دليل حول نظرية توزيع الأعداد الأولية ] (باللغة الألمانية). لايبزيغ: بي جي تيوبنر. ص. 883.

[GarnierTaylor2009-62] جون، تايلور (2009). غارنييه، روان (محرر). الرياضيات المنفصلة: البراهين والهياكل والتطبيقات، الطبعة الثالثة. مطبعة سي آر سي. ص. 620. رقم ISBN 978-1-4398-1280-8.

[Skiena2009-63] سكيينا، ستيفن س. (2009). دليل تصميم الخوارزمية. سبرينغر ساينس آند بيزنس ميديا. ص. 77. ISBN 978-1-84800-070-4.

[64] Erman, LD; Hayes-Roth, F.; Lesser, VR; Reddy, DR (1980). "نظام فهم الكلام Hearsay-II: دمج المعرفة لحل حالة عدم اليقين". ACM Computing Surveys . 12 (2): 213. doi :10.1145/356810.356816. S2CID 118556.

[65] كوركيل، دانيال د. (سبتمبر 1991). "Blackboard Systems" (PDF) . AI Expert . 6 (9): 40– 47. مؤرشف من الأصل (PDF) في 16 أبريل 2012. تم الاسترجاع في 5 يوليو 2022 .

[66] * Nii, H. Yenny (1986). Blackboard Systems (PDF) (تقرير فني). قسم علوم الكمبيوتر، جامعة ستانفورد. STAN-CS-86-1123 . تم الاسترجاع في 12 أبريل 2013 .

[67] هايز روث، ب. (1985). "هندسة السبورة للتحكم". الذكاء الاصطناعي . 26 (3): 251-321 . doi :10.1016/0004-3702(85)90063-3.

[68] هينتون، جيفري إي. (24 مايو 2007). "آلة بولتزمان". سكولاربيديا . 2 (5): 1668. رمز Bibcode :2007SchpJ...2.1668H. doi : 10.4249/scholarpedia.1668 . ISSN 1941-6016.

[69] NZZ- Die Zangengeburt eines möglichen Stammvaters. الموقع الإلكتروني: Neue Zürcher Zeitung . شوهد في 16 أغسطس 2013.

[70] الصفحة الرئيسية الرسمية لروبوي أرشيف 2013-08-03 على موقع واي باك مشين . الموقع الإلكتروني لروبوي. شوهد في 16 أغسطس 2013.

[71] الصفحة الرئيسية الرسمية لـ Starmind. الموقع الإلكتروني Starmind. شوهد في 16 أغسطس 2013.

[72] Sabour, Sara; Frosst, Nicholas; Hinton, Geoffrey E. (26 أكتوبر 2017). "التوجيه الديناميكي بين الكبسولات". arXiv : 1710.09829 [cs.CV].

[target-73] "ما هو برنامج المحادثة الآلي؟". techtarget.com . تم الاسترجاع في 30 يناير 2017 .

[RASrobot-74] سيفيرا، خافيير؛ سيوكارلي، ماتي؛ أيدمير، ألبر؛ بيكريس، كوستاس؛ سارما، سانجاي (2015). "إصدار خاص لمحرري الضيوف حول الروبوتات السحابية والأتمتة". معاملات معهد مهندسي الكهرباء والإلكترونيات في علوم وهندسة الأتمتة . 12 (2): 396- 397. doi : 10.1109/TASE.2015.2409511 . S2CID 16080778.

[75] "روبو إيرث - أخبار التكنولوجيا". روبو إيرث .

[kengoldberg-76] جولدبرج، كين. "الروبوتات السحابية والأتمتة".

[sites.google.com-77] Li, R. "Cloud Robotics-Enable cloud computing for robots" . تم الاسترجاع في 7 ديسمبر 2014 .

[78] فيشر، دوغلاس (1987). "اكتساب المعرفة عبر التجميع المفاهيمي التدريجي". التعلم الآلي . 2 (2): 139-172 . doi : 10.1007/BF00114265 .

[79] فيشر، دوغلاس هـ. (يوليو 1987). "تحسين الاستدلال من خلال التجميع المفاهيمي". وقائع مؤتمرات AAAI لعام 1987. مؤتمر AAAI. سياتل واشنطن. ص 461- 465.

[80] إيبا، ويليام؛ لانجلي، بات (27 يناير 2011). "نماذج نسيج العنكبوت للتصنيف وتكوين المفاهيم الاحتمالية". في بوثوس، إيمانويل م.؛ ويلز، آندي ج. (المحررون). المناهج الرسمية في التصنيف . كامبريدج: مطبعة جامعة كامبريدج. ص 253- 273. رقم ISBN 9780521190480.

[81] راجع موقع ICT: https://cogarch.ict.usc.edu/

[82] "Hewlett Packard Labs". مؤرشف من الأصل في 30 أكتوبر 2016. تم الاسترجاع 5 يوليو 2022 .

[83] Terdiman, Daniel (2014). معالج TrueNorth من IBM يحاكي الدماغ البشري.https://cnet.com/news/ibms-truenorth-processor-mimics-the-human-brain/

[84] Knight, Shawn (2011). IBM تكشف النقاب عن رقائق الحوسبة المعرفية التي تحاكي الدماغ البشري TechSpot: 18 أغسطس (آب) 2011، 12:00 مساءً

[85] هاميل، جاسبر (2013). الحوسبة المعرفية: آي بي إم تكشف عن برنامج لشرائح SyNAPSE التي تشبه الدماغ. ذا ريجيستر: 8 أغسطس 2013

[Denning-86] Denning., PJ (2014). "Surfing Toward the Future". Communications of the ACM . 57 (3): 26– 29. doi :10.1145/2566967. S2CID 20681733.

[87] لودفيج، لارس (2013). الذاكرة الاصطناعية الممتدة: نحو نظرية معرفية متكاملة للذاكرة والتكنولوجيا (pdf) (أطروحة). الجامعة التقنية في كايزرسلاوترن . تم الاسترجاع في 7 فبراير 2017 .

[88] "البحث في مختبرات HP". مؤرشف من الأصل في 7 مارس 2022. استرجاع 5 يوليو 2022 .

[89] العلم المعرفي هو مجال متعدد التخصصات يضم باحثين من اللغويات وعلم النفس وعلم الأعصاب والفلسفة وعلوم الكمبيوتر وعلم الإنسان يسعون إلى فهم العقل. كيف نتعلم: اسأل عالم الإدراك

[90] ألكسندر شريفر (1 فبراير 2006). دورة في التحسين التوافقي (PDF)، صفحة 1.

[91] هايكين، س. الشبكات العصبية – أساس شامل. الطبعة الثانية. بيرسون برنتيس هول: 1999.

[92] "البرامج ذات الحس السليم". www-formal.stanford.edu . تم الاسترجاع في 11 أبريل 2018 .

[93] ديفيس، إرنست؛ ماركوس، جاري (2015). "التفكير السليم". اتصالات رابطة مكائن الحوسبة الآلية . المجلد 58، العدد 9. ص 92- 103. doi :10.1145/2701413.

[94] Hulstijn, J, and Nijholt, A. (eds.). Proceedings of the International Workshop on Computational Humor. العدد 12 في ورش عمل توينتي حول تكنولوجيا اللغة، إنسخيديه، هولندا. جامعة توينتي، 1996.

[ACL-95] "ACL – جمعية التعلم الحاسوبي".

[96] Trappenberg, Thomas P. (2002). Fundamentals of Computational Neuroscience. United States: Oxford University Press Inc. p. 1. ISBN 978-0-19-851582-1 .

[97] ما هو علم الأعصاب الحاسوبي؟ باتريشيا س. تشيرشلاند، كريستوف كوش، تيرينس ج. سيجنوفسكي. في علم الأعصاب الحاسوبي ص. 46-55. حرره إريك إل. شوارتز. 1993. مطبعة معهد ماساتشوستس للتكنولوجيا "علم الأعصاب الحاسوبي حرره إريك إل. شوارتز". مؤرشف من الأصل في 4 يونيو 2011. تم الاسترجاع في 11 يونيو 2009 .

[98] "علم الأعصاب النظري". مطبعة معهد ماساتشوستس للتكنولوجيا . مؤرشف من الأصل في 31 مايو 2018. تم الاسترجاع 24 مايو 2018 .

[99] جيرستنر، و.؛ كيستلر، و.؛ نود، ر.؛ بانينسكي، ل. (2014). ديناميكيات الخلايا العصبية . كامبريدج، المملكة المتحدة: مطبعة جامعة كامبريدج. رقم ISBN 9781107447615.

[IBM-100] كامينتسكي، إل إيه؛ ليو، سي إن. (1963). "التصميم الآلي بالحاسوب لمنطق التعرف على الطباعة متعددة الخطوط". مجلة آي بي إم للأبحاث والتطوير . 7 (1): 2. doi :10.1147/rd.71.0002. مؤرشف من الأصل في 3 مارس 2016. تم الاسترجاع في 5 يوليو 2022 .

[101] Brncick, M (2000). "Computer automated design and computer automated manufacture". Phys Med Rehabil Clin N Am. 11 (3): 701–13. doi:10.1016/s1047-9651(18)30806-4. PMID 10989487.

[102] Li, Y.; et al. (2004). "CAutoCSD - Evolutionary search and optimisation enabled computer automated control system design". International Journal of Automation and Computing. 1 (1): 76–88. doi:10.1007/s11633-004-0076-8. S2CID 55417415.

[103] Kramer, GJE; Grierson, DE (1989). "Computer automated design of structures under dynamic loads". Computers & Structures. 32 (2): 313–325. doi:10.1016/0045-7949(89)90043-6.

[104] Moharrami, H; Grierson, DE (1993). "Computer-Automated Design of Reinforced Concrete Frameworks". Journal of Structural Engineering. 119 (7): 2036–2058. doi:10.1061/(asce)0733-9445(1993)119:7(2036).

[105] Xu, L; Grierson, DE (1993). "Computer-Automated Design of Semirigid Steel Frameworks". Journal of Structural Engineering. 119 (6): 1740–1760. doi:10.1061/(asce)0733-9445(1993)119:6(1740).

[106] Barsan, GM; Dinsoreanu, M, (1997). Computer-automated design based on structural performance criteria, Mouchel Centenary Conference on Innovation in Civil and Structural Engineering, Aug 19-21, Cambridge England, Innovation in Civil and Structural Engineering, 167–172

[107] Li, Yun (1996). "Genetic algorithm automated approach to the design of sliding mode control systems". International Journal of Control. 63 (4): 721–739. doi:10.1080/00207179608921865.

[108] Li, Yun; Chwee Kim, Ng; Chen Kay, Tan (1995). "Automation of Linear and Nonlinear Control Systems Design by Evolutionary Computation" (PDF). IFAC Proceedings Volumes. 28 (16): 85–90. doi:10.1016/S1474-6670(17)45158-5.

[109] Barsan, GM, (1995) Computer-automated design of semirigid steel frameworks according to EUROCODE-3, Nordic Steel Construction Conference 95, JUN 19–21, 787–794

[110] Gray, Gary J.; Murray-Smith, David J.; Li, Yun; et al. (1998). "Nonlinear model structure identification using genetic programming" (PDF). Control Engineering Practice. 6 (11): 1341–1352. doi:10.1016/s0967-0661(98)00087-2.

[111] Zhang, Jun; Zhan, Zhi-hui; Lin, Ying; Chen, Ni; Gong, Yue-Jiao; Zhong, Jing-hui; Chung, Henry S.H.; Li, Yun; Shi, Yu-hui (2011). "Evolutionary Computation Meets Machine Learning: A Survey". IEEE Computational Intelligence Magazine. 6 (4): 68–75. doi:10.1109/MCI.2011.942584. S2CID 6760276.

[112] Gregory S. Hornby (2003). Generative Representations for Computer-Automated Design Systems, NASA Ames Research Center, Mail Stop 269–3, Moffett Field, CA 94035-1000

[113] J. Clune and H. Lipson (2011). Evolving three-dimensional objects with a generative encoding inspired by developmental biology. Proceedings of the European Conference on Artificial Life. 2011.

[114] Zhan, Z.H.; et al. (2009). "Adaptive Particle Swarm Optimization" (PDF). IEEE Transactions on Systems, Man, and Cybernetics – Part B: Cybernetics. 39 (6): 1362–1381. doi:10.1109/tsmcb.2009.2015956. PMID 19362911. S2CID 11191625.

[115] "WordNet Search—3.1". Wordnetweb.princeton.edu. Archived from the original on 14 January 2013. Retrieved 14 May 2012.

[116] Dana H. Ballard; Christopher M. Brown (1982). Computer Vision. Prentice Hall. ISBN 0-13-165316-4.

[117] Huang, T. (1996-11-19). Vandoni, Carlo, E, ed. Computer Vision : Evolution And Promise (PDF). 19th CERN School of Computing. Geneva: CERN. pp. 21–25. doi:10.5170/CERN-1996-008.21. ISBN 978-9290830955.

[118] Milan Sonka; Vaclav Hlavac; Roger Boyle (2008). Image Processing, Analysis, and Machine Vision. Thomson. ISBN 0-495-08252-X.

[119] Garson, James (27 November 2018). Zalta, Edward N. (ed.). The Stanford Encyclopedia of Philosophy. Metaphysics Research Lab, Stanford University – via Stanford Encyclopedia of Philosophy.

[120] "Ishtar for Belgium to Belgrade". European Broadcasting Union. Retrieved 19 May 2013.

[LeCun-121] LeCun, Yann. "LeNet-5, convolutional neural networks". Retrieved 16 November 2013.

[122] Zhang, Wei (1988). "Shift-invariant pattern recognition neural network and its optical architecture". Proceedings of annual conference of the Japan Society of Applied Physics.

[123] Zhang, Wei (1990). "Parallel distributed processing model with local space-invariant interconnections and its optical architecture". Applied Optics. 29 (32): 4790–7. Bibcode:1990ApOpt..29.4790Z. doi:10.1364/AO.29.004790. PMID 20577468.

[facebook-paper2-124] Tian, Yuandong; Zhu, Yan (2015). "Better Computer Go Player with Neural Network and Long-term Prediction". arXiv:1511.06410v1 [cs.LG].

[125] "How Facebook's AI Researchers Built a Game-Changing Go Engine". MIT Technology Review. 4 December 2015. Retrieved 3 February 2016.

[126] "Facebook AI Go Player Gets Smarter With Neural Network And Long-Term Prediction To Master World's Hardest Game". Tech Times. 28 January 2016. Retrieved 24 April 2016.

[:2-127] "Facebook's artificially intelligent Go player is getting smarter". VentureBeat. 27 January 2016. Retrieved 24 April 2016.

[128] Solomonoff, R.J.The Time Scale of Artificial Intelligence; Reflections on Social Effects, Human Systems Management, Vol 5 1985, Pp 149–153

[129] Moor, J., The Dartmouth College Artificial Intelligence Conference: The Next Fifty years, AI Magazine, Vol 27, No., 4, Pp. 87–9, 2006

[130] Kline, Ronald R., Cybernetics, Automata Studies and the Dartmouth Conference on Artificial Intelligence, IEEE Annals of the History of Computing, October–December, 2011, IEEE Computer Society

[dca-131] 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. doi:10.1109/TIFS.2016.2569061. S2CID 15624506.

[refone-132] 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.

[DataExplode-133] Lane, Frederick (2006). "IDC: World Created 161 Billion Gigs of Data in 2006".

[134] Dhar, V. (2013). "Data science and prediction". Communications of the ACM. 56 (12): 64–73. doi:10.1145/2500499. S2CID 6107147.

[135] Leek, Jeff (12 December 2013). "The key word in 'Data Science' is not Data, it is Science". Simply Statistics. Archived from the original on 2 January 2014. Retrieved 11 November 2018.

[Hayashi-136] Hayashi, Chikio (1 January 1998). "What is Data Science ? Fundamental Concepts and a Heuristic Example". In Hayashi, Chikio; Yajima, Keiji; Bock, Hans-Hermann; Ohsumi, Noboru; Tanaka, Yutaka; Baba, Yasumasa (eds.). Data Science, Classification, and Related Methods. Studies in Classification, Data Analysis, and Knowledge Organization. Springer Japan. pp. 40–51. doi:10.1007/978-4-431-65950-1_3. ISBN 9784431702085.

[137] Dedić, Nedim; Stanier, Clare (2016). Hammoudi, Slimane; Maciaszek, Leszek; Missikoff, Michele M. Missikoff; Camp, Olivier; Cordeiro, José (eds.). An Evaluation of the Challenges of Multilingualism in Data Warehouse Development. International Conference on Enterprise Information Systems, 25–28 April 2016, Rome, Italy (PDF). Proceedings of the 18th International Conference on Enterprise Information Systems (ICEIS 2016). Vol. 1. SciTePress. pp. 196–206. doi:10.5220/0005858401960206. ISBN 978-989-758-187-8.

[rjmetrics-138] "9 Reasons Data Warehouse Projects Fail". blog.rjmetrics.com. 4 December 2014. Retrieved 30 April 2017.

[139] 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.

[140] Steele, Katie and Stefánsson, H. Orri, "Decision Theory", The Stanford Encyclopedia of Philosophy (Winter 2015 Edition), Edward N. Zalta (ed.), URL = [1]

[141] Lloyd, J.W., Practical Advantages of Declarative Programming

[142] "About Us | DeepMind". DeepMind.

[143] "A return to Paris | DeepMind". DeepMind. 29 March 2018.

[arxiv_medium-144] "The Last AI Breakthrough DeepMind Made Before Google Bought It". The Physics arXiv Blog. 29 January 2014. Retrieved 12 October 2014.

[arxiv-145] Graves, Alex; Wayne, Greg; Danihelka, Ivo (2014). "Neural Turing Machines". arXiv:1410.5401 [cs.NE].

[146] Best of 2014: Google's Secretive DeepMind Startup Unveils a "Neural Turing Machine" Archived 4 December 2015 at the Wayback Machine, MIT Technology Review

[DNCnature2016-147] Graves, Alex; Wayne, Greg; Reynolds, Malcolm; Harley, Tim; Danihelka, Ivo; Grabska-Barwińska, Agnieszka; Colmenarejo, Sergio Gómez; Grefenstette, Edward; Ramalho, Tiago (12 October 2016). "Hybrid computing using a neural network with dynamic external memory". Nature. 538 (7626): 471–476. Bibcode:2016Natur.538..471G. doi:10.1038/nature20101. ISSN 1476-4687. PMID 27732574. S2CID 205251479.

[148] Kohs, Greg (29 September 2017), AlphaGo, Ioannis Antonoglou, Lucas Baker, Nick Bostrom, retrieved 9 January 2018

[149] Silver, David; Hubert, Thomas; Schrittwieser, Julian; Antonoglou, Ioannis; Lai, Matthew; Guez, Arthur; Lanctot, Marc; Sifre, Laurent; Kumaran, Dharshan; Graepel, Thore; Lillicrap, Timothy; Simonyan, Karen; Hassabis, Demis (5 December 2017). "Mastering Chess and Shogi by Self-Play with a General Reinforcement Learning Algorithm". arXiv:1712.01815 [cs.AI].

[dbscan-150] Ester, Martin; Kriegel, Hans-Peter; Sander, Jörg; Xu, Xiaowei (1996). Simoudis, Evangelos; Han, Jiawei; Fayyad, Usama M. (eds.). A density-based algorithm for discovering clusters in large spatial databases with noise (PDF). Proceedings of the Second International Conference on Knowledge Discovery and Data Mining (KDD-96). AAAI Press. pp. 226–231. CiteSeerX 10.1.1.121.9220. ISBN 1-57735-004-9.

[151] 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.

[:0ai-152] Ho, Jonathan; Jain, Ajay; Abbeel, Pieter (19 June 2020). Denoising Diffusion Probabilistic Models. arXiv:2006.11239.

[:1ai-153] Song, Yang; Sohl-Dickstein, Jascha; Kingma, Diederik P.; Kumar, Abhishek; Ermon, Stefano; Poole, Ben (10 February 2021). "Score-Based Generative Modeling through Stochastic Differential Equations". arXiv:2011.13456 [cs.LG].

[154] Gu, Shuyang; Chen, Dong; Bao, Jianmin; Wen, Fang; Zhang, Bo; Chen, Dongdong; Yuan, Lu; Guo, Baining (2021). "Vector Quantized Diffusion Model for Text-to-Image Synthesis". arXiv:2111.14822 [cs.CV].

[chang23design-155] Chang, Ziyi; Koulieris, George Alex; Shum, Hubert P. H. (2023). "On the Design Fundamentals of Diffusion Models: A Survey". arXiv:2306.04542 [cs.LG].

[156] Croitoru, Florinel-Alin; Hondru, Vlad; Ionescu, Radu Tudor; Shah, Mubarak (2023). "Diffusion Models in Vision: A Survey". IEEE Transactions on Pattern Analysis and Machine Intelligence. 45 (9): 10850–10869. arXiv:2209.04747. doi:10.1109/TPAMI.2023.3261988. PMID 37030794. S2CID 252199918.

[157] 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.

[158] Pudil, P.; Novovičová, J. (1998). "Novel Methods for Feature Subset Selection with Respect to Problem Knowledge". In Liu, Huan; Motoda, Hiroshi (eds.). Feature Extraction, Construction and Selection. pp. 101. doi:10.1007/978-1-4615-5725-8_7. ISBN 978-1-4613-7622-4.

[159] Demazeau, Yves, and J-P. Müller, eds. Decentralized Ai. Vol. 2. Elsevier, 1990.

[160] "Deep Double Descent". OpenAI. 5 December 2019. Retrieved 12 August 2022.

[161] Schaeffer, Rylan; Khona, Mikail; Robertson, Zachary; Boopathy, Akhilan; Pistunova, Kateryna; Rocks, Jason W.; Fiete, Ila Rani; Koyejo, Oluwasanmi (24 March 2023). "Double Descent Demystified: Identifying, Interpreting & Ablating the Sources of a Deep Learning Puzzle". arXiv:2303.14151v1 [cs.LG].

[162] Hendrickx, Iris; Van den Bosch, Antal (October 2005). "Hybrid algorithms with Instance-Based Classification". Machine Learning: ECML2005. Springer. pp. 158–169. ISBN 9783540292432.

[twsL35-163] Ostrow, Adam (5 March 2011). "Roger Ebert's Inspiring Digital Transformation". Mashable Entertainment. Retrieved 12 September 2011. With the help of his wife, two colleagues and the Alex-equipped MacBook that he uses to generate his computerized voice, famed film critic Roger Ebert delivered the final talk at the TED conference on Friday in Long Beach, California....

[twsL34-164] Lee, Jennifer (7 March 2011). "Roger Ebert Tests His Vocal Cords, and Comedic Delivery". The New York Times. Retrieved 12 September 2011. Now perhaps, there is the Ebert Test, a way to see if a synthesized voice can deliver humor with the timing to make an audience laugh.... He proposed the Ebert Test as a way to gauge the humanness of a synthesized voice.

[twsL41-165] "Roger Ebert's Inspiring Digital Transformation". Tech News. 5 March 2011. Archived from the original on 25 March 2011. Retrieved 12 September 2011. Meanwhile, the technology that enables Ebert to "speak" continues to see improvements – for example, adding more realistic inflection for question marks and exclamation points. In a test of that, which Ebert called the "Ebert test" for computerized voices,

[twsL37-166] Pasternack, Alex (18 April 2011). "A MacBook May Have Given Roger Ebert His Voice, But An iPod Saved His Life (Video)". Motherboard. Archived from the original on 6 September 2011. Retrieved 12 September 2011. He calls it the "Ebert Test," after Turing's AI standard...

[167] 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.

[168] Herbert Jaeger (2007) Echo State Network. Archived 28 June 2022 at the Wayback Machine Scholarpedia.

[169] 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.

[170] 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.

[171] Polikar, R. (2006). "Ensemble based systems in decision making". IEEE Circuits and Systems Magazine. 6 (3): 21–45. doi:10.1109/MCAS.2006.1688199. S2CID 18032543.

[Rokach2010-172] Rokach, L. (2010). "Ensemble-based classifiers". Artificial Intelligence Review. 33 (1–2): 1–39. doi:10.1007/s10462-009-9124-7. hdl:11323/1748. S2CID 11149239.

[EVOALG-173] 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.

[aima-174] Russell, Stuart; Norvig, Peter (2009). "26.3: The Ethics and Risks of Developing Artificial Intelligence". Artificial Intelligence: A Modern Approach. Prentice Hall. ISBN 978-0-13-604259-4.

[175] Bostrom, Nick (2002). "Existential risks". Journal of Evolution and Technology. 9 (1): 1–31.

[176] "Your Artificial Intelligence Cheat Sheet". Slate. 1 April 2016. Retrieved 16 May 2016.

[Jackson1998-177] Jackson, Peter (1998), Introduction To Expert Systems (3 ed.), Addison Wesley, p. 2, ISBN 978-0-201-87686-4

[178] "Conventional programming". PC Magazine. Archived from the original on 14 October 2012. Retrieved 15 September 2013.

[naive-179] مارتينيون، لورا؛ فيتوش، أوليفر؛ تاكيزاوا، ماسانوري؛ فورستر، مالكولم. "ساذج ومستنير: من الترددات الطبيعية إلى أشجار القرار السريعة والمقتصدة"، نُشر في التفكير: وجهات نظر نفسية حول التفكير والحكم واتخاذ القرار (ديفيد هاردمان ولورا ماتشي؛ المحرران)، تشيتشيستر: جون وايلي وأولاده، 2003.

[ml-180] بيشوب، كريستوفر (2006). التعرف على الأنماط والتعلم الآلي . برلين: سبرينغر. ISBN 0-387-31073-8.

[pami-181] 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 . doi :10.1109/tpami.2013.50. PMID 23787338. S2CID 393948.

[auto-182] Hodgson, Dr. JPE, "First Order Logic" Archived 21 September 2019 at the Wayback Machine , جامعة سانت جوزيف ، فيلادلفيا ، 1995.

[183] هيوز، جي إي ، وكريسويل، إم جيه ، مقدمة جديدة إلى المنطق النمطي ( لندن : روتليدج ، 1996)، ص 161.

[184] Feigenbaum, Edward (1988). The Rise of the Expert Company . Times Books. p. 318. ISBN 978-0-8129-1731-4.

[185] هايز، باتريك (1981). "مشكلة الإطار والمشكلات ذات الصلة في الذكاء الاصطناعي" (PDF) . قراءات في الذكاء الاصطناعي . جامعة إدنبرة: 223– 230. doi :10.1016/B978-0-934613-03-3.50020-9. ISBN 9780934613033. S2CID 141711662. مؤرشف من الأصل (PDF) في 3 ديسمبر 2013. تم الاسترجاع 9 مارس 2019 .

[Sardar,_Z._2010_pp._177-186] سردار، ز (2010). "الاسم: المستقبل؛ دراسات المستقبل؛ علم المستقبل؛ المستقبل؛ الاستشراف - ما معنى الاسم؟". المستقبل . 42 (3): 177– 184. doi :10.1016/j.futures.2009.11.001.

[Pedrycz-187] Pedrycz, Witold (1993). التحكم الضبابي والأنظمة الضبابية (الطبعة الثانية). Research Studies Press Ltd.

[Hájek-188] هاجيك، بيتر (1998). ميتاماثيماتيك المنطق الضبابي (الطبعة الرابعة). سبرينغر ساينس آند بيزنس ميديا.

[:0-189] د. دوبوا وهـ. براد (1988) المجموعات والأنظمة الضبابية. أكاديميك بريس، نيويورك.

[190] ليانغ، ليلي ر.؛ لو، شيونج؛ وانغ، زوينا؛ لو، يي؛ ماندال، فيناي؛ باتاكسيل، دورلين؛ كومار، ديباك (2006). "اختبار FM: نهج قائم على نظرية المجموعة الضبابية لتحليل بيانات التعبير الجيني التفاضلي". BMC Bioinformatics . 7 (ملحق 4): S7. doi : 10.1186/1471-2105-7-S4-S7 . PMC 1780132. PMID 17217525 .

[Myerson-191] مايرسون، روجر ب. (1991). نظرية اللعبة: تحليل الصراع، مطبعة جامعة هارفارد، ص 1. روابط معاينة الفصل، ص 7-11.

[192] بيل، بارني (1992). هـ. فان دن هيريك؛ ل. أليس (المحررون). "ميتاجيم: تحدٍ جديد للألعاب والتعلم" [البرمجة الاستدلالية في الذكاء الاصطناعي 3 - أولمبياد الكمبيوتر الثالث] (PDF) . إليس-هوروود. مؤرشف من الأصل (PDF) في 17 فبراير 2020. تم الاسترجاع في 13 يونيو 2020 .

[pellfirst-193] بيل، بارني (1996). "لاعب استراتيجي في الألعاب الشبيهة بالشطرنج". الذكاء الحاسوبي . 12 (1): 177– 198. doi :10.1111/j.1467-8640.1996.tb00258.x. ISSN 1467-8640. S2CID 996006.

[ggppell-194] Genesereth, Michael; Love, Nathaniel; Pell, Barney (15 June 2005). "General Game Playing: Overview of the AAAI Competition". مجلة الذكاء الاصطناعي . 26 (2): 62. doi :10.1609/aimag.v26i2.1813. ISSN 2371-9621.

[195] جلوك، مارك أ.؛ ميركادو، إدواردو؛ مايرز، كاثرين إي. (2011). التعلم والذاكرة: من الدماغ إلى السلوك (الطبعة الثانية). نيويورك: دار وورث للنشر. ص. 209. ISBN 9781429240147.

[Mohri,_M._2018-196] Mohri, M., Rostamizadeh A., Talwakar A., (2018) Foundations of Machine learning ، الطبعة الثانية، بوسطن: مطبعة معهد ماساتشوستس للتكنولوجيا

[197] Y S. Abu-Mostafa, M.Magdon-Ismail, and H.-T. Lin (2012) Learning from Data, AMLBook Press. ISBN 978-1600490064

[nytimes-198] جريفيث، إيرين؛ ميتز، كيد (27 يناير 2023). "أنثروبيك تقول إنها تقترب من الحصول على 300 مليون دولار في تمويل الذكاء الاصطناعي الجديد". نيويورك تايمز . تم الاسترجاع في 14 مارس 2023 .

[bloomberg-199] Lanxon, Nate; Bass, Dina; Davalos, Jackie (10 مارس 2023). "دليل شامل لكلمات الذكاء الاصطناعي ومعانيها". بلومبرج نيوز . تم الاسترجاع في 14 مارس 2023 .

[200] باسيك، آدم (27 مارس 2023). "مسرد مصطلحات الذكاء الاصطناعي: شرح الشبكات العصبية ومصطلحات أخرى". نيويورك تايمز . ISSN 0362-4331 . تم الاسترجاع في 22 أبريل 2023 .

[201] أندريه كارباثي. بيتر أبيل؛ جريج بروكمان؛ بيتر تشين؛ فيكي تشيونغ؛ يان دوان؛ إيان جودفيلو؛ دورك كينجما؛ جوناثان هو؛ رين هوثوفت؛ تيم سالمانس؛ جون شولمان؛ ايليا سوتسكيفر؛ فويتشخ زاريمبا (16 يونيو 2016). “النماذج التوليدية”. أوبن آي .

[202] سميث، كريج س. (15 مارس 2023). "مبتكر ChatGPT-4 إيليا سوتسكيفر يتحدث عن هلاوس الذكاء الاصطناعي وديمقراطية الذكاء الاصطناعي". فوربس . تم الاسترجاع في 25 ديسمبر 2023 .

[FOOTNOTEMitchell19962-203] ميتشل 1996، ص 2.

[204] ترودو، ريتشارد ج. (1993). مقدمة إلى نظرية الرسم البياني (مصححة، إعادة نشر موسعة. طبعة). نيويورك: دار دوفر للنشر، ص 19. رقم ISBN 978-0-486-67870-2. تم الاسترجاع في 8 أغسطس 2012. الرسم البياني هو كائن يتكون من مجموعتين تسمى مجموعة الرؤوس ومجموعة الحواف .

[205] Yoon, Byoung-Ha; Kim, Seon-Kyu; Kim, Seon-Young (مارس 2017). "استخدام قاعدة بيانات الرسوم البيانية لدمج البيانات البيولوجية غير المتجانسة". Genomics & Informatics . 15 (1): 19– 27. doi :10.5808/GI.2017.15.1.19. ISSN 1598-866X. PMC 5389944. PMID 28416946 .

[206] بورباكيس، نيكولاوس ج. (1998). الذكاء الاصطناعي والأتمتة. مجلة العلوم العالمية. ص 381. ISBN 9789810226374تم الاسترجاع بتاريخ 20 أبريل 2018 .

[207] بيرل، جوديا (1984). الاستدلال: استراتيجيات البحث الذكية لحل المشكلات الحاسوبية . الولايات المتحدة: Addison-Wesley Pub. Co., Inc., Reading, MA. p. 3. Bibcode :1985hiss.book.....P. OSTI 5127296.

[208] إي كيه بيرك، إي هارت، جي كيندال ، جيه نيوال، بي روس، وس. شولينبرج، فرط الاستدلال: اتجاه ناشئ في تكنولوجيا البحث الحديثة، دليل الاستدلال (ف. جلوفر وجي كوشنبرجر، المحرران)، كلوير، 2003، ص 457-474.

[Ross05-209] P. Ross، Hyper-heuristics، منهجيات البحث: دروس تمهيدية في تقنيات التحسين ودعم القرار (EK Burke و G. Kendall ، المحرران)، Springer، 2005، ص 529-556.

[Ozcan08-210] أوزكان، إي.؛ بيلجين، بي.؛ كوركماز، إي. إي. (2008). "تحليل شامل للأساليب الإحصائية المفرطة". تحليل البيانات الذكي . 12 (1): 3- 23. doi :10.3233/ida-2008-12102.

[IEEE_CIS_Scope-211] "IEEE CIS Scope". مؤرشف من الأصل في 4 يونيو 2016. اطلع عليه بتاريخ 18 مارس 2019 .

[212] "التحكم في عمليات التصنيع – مختبرات التصنيع في جامعة بيرديو". engineering.purdue.edu .

[213] 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.

[214] Oudeyer, Pierre-Yves; Kaplan, Frederic (2008). "كيف يمكننا تعريف الدافع الداخلي؟". وقائع المؤتمر الثامن حول الروبوتات الوراثية . المجلد 5. ص 29-31 .

[215] شيفالييه، أرنو (2016). "التفكير الاستراتيجي في حل المشكلات المعقدة". أكسفورد للمنح الدراسية عبر الإنترنت . أكسفورد؛ نيويورك: مطبعة جامعة أكسفورد . doi :10.1093/acprof:oso/9780190463908.001.0001. ISBN 9780190463908. OCLC 940455195. S2CID 157255130.

[216] "دليل البقاء الإستراتيجي: أشجار القضايا". لندن: حكومة المملكة المتحدة. يوليو 2004. مؤرشف من الأصل في 17 فبراير 2012. تم الاسترجاع 6 أكتوبر 2018 .متوفر أيضًا بصيغة PDF.

[:1-217] Paskin, Mark. "دورة تدريبية قصيرة حول النماذج الرسومية" (PDF) . ستانفورد .

[218] Woods, WA ; Schmolze, JG (1992). "The KL-ONE family". Computers & Mathematics with Applications . 23 ( 2– 5): 133. doi :10.1016/0898-1221(92)90139-9.

[219] Brachman, RJ ; Schmolze, JG (1985). "نظرة عامة على نظام تمثيل المعرفة KL-ONE" (PDF) . العلوم المعرفية . 9 (2): 171. doi :10.1207/s15516709cog0902_1.^{[ رابط ميت دائم ‍ ]}

[220] Duce, DA; Ringland, GA (1988). Approaches to Knowledge Representation, An Introduction . Research Studies Press, Ltd. ISBN 978-0-86380-064-1.

[221] Fix, Evelyn; Hodges, Joseph L. (1951). Discriminatory Analysis. Nonparametric Discrimination: Consistency Properties (PDF) (تقرير). كلية طب الطيران التابعة للقوات الجوية الأمريكية، راندولف فيلد، تكساس. مؤرشف من الأصل (PDF) في 26 سبتمبر 2020.

[222] شانك، روجر؛ روبرت آبلسون (1977). السيناريوهات والخطط والأهداف والفهم: تحقيق في هياكل المعرفة البشرية . لورانس إيرلباوم أسوشيتس، المحدودة.

[223] "تمثيل المعرفة في الشبكات العصبية – deepMinds". deepMinds . 16 أغسطس 2018. مؤرشف من الأصل في 17 أغسطس 2018. تم الاسترجاع 16 أغسطس 2018 .

[224] Kerner, Sean Michael. "ما هي نماذج اللغة الكبيرة؟". TechTarget . تم الاسترجاع في 28 يناير 2024 .

[225] Reilly, Edwin D. (2003). Milestones in computer science and information technology . Greenwood Publishing Group. ص 156-157. ISBN 978-1-57356-521-9.

[226] هوخريتر ، سيب. شميدهوبر، يورغن (1997). “الذاكرة طويلة المدى قصيرة المدى”. الحساب العصبي . 9 (8): 1735-1780 . دوى :10.1162/neco.1997.9.8.1735. بميد 9377276. S2CID 1915014.

[Siegelmann92-227] Siegelmann, Hava T.; Sontag, Eduardo D. (1992). "حول القوة الحسابية للشبكات العصبية". وقائع ورشة العمل السنوية الخامسة حول نظرية التعلم الحسابي . المجلد. COLT '92. ص. 440- 449. doi :10.1145/130385.130432. ISBN 978-0897914970. S2CID 207165680. {{cite book}}: |work=تم تجاهله ( مساعدة )

[228] "سلسلة ماركوف | تعريف سلسلة ماركوف في اللغة الإنجليزية الأمريكية من قبل قواميس أكسفورد". قواميس أكسفورد | الإنجليزية . مؤرشف من الأصل في 15 ديسمبر 2017. استرجاع 14 ديسمبر 2017 .

[229] التعريف في موقع Brilliant.org "Brilliant Math and Science Wiki". تم الاسترجاع في 12 مايو 2019

[230] "طبيعة البرمجة الرياضية أرشيف 2014-03-05 على موقع واي باك مشين ،" قاموس البرمجة الرياضية ، جمعية الحوسبة INFORMS.

[231] وانج، وينوو (1 يوليو 2010). الاختبار الآلي: المبادئ والخوارزميات والأنظمة. IGI Global. ISBN 9781615209194- عبر igi-global.com.

[232] "الاختبار الآلي: المبادئ والخوارزميات والأنظمة" (PDF) .

[233] مالكولم تاتوم (3 أكتوبر 2012). "ما هو الإدراك الآلي".

[234] ألكسندر سيروف (29 يناير 2013). "الواقع الذاتي والذكاء الاصطناعي القوي" (PDF).

[235] "Machine Perception & Cognitive Robotics Laboratory". ccs.fau.edu . تم الاسترجاع في 18 يونيو 2016 .

[236] "ما هي هندسة الميكاترونيات؟". معلومات الطلاب المحتملين . جامعة واترلو. مؤرشف من الأصل في 6 أكتوبر 2011. تم الاسترجاع في 30 مايو 2011 .

[CZU-237] "Mechatronics (Bc., Ing., PhD.)". مؤرشف من الأصل في 15 أغسطس 2016. تم الاسترجاع 15 أبريل 2011 .

[Franke_2005-238] فرانك؛ سيزن، تيوسينك (2005). "إعادة بناء الشبكة الأيضية للبكتيريا من جينومها". الاتجاهات في علم الأحياء الدقيقة . 13 (11): 550- 558. doi :10.1016/j.tim.2005.09.001. PMID 16169729.

[239] Balamurugan, R.; Natarajan, AM; Premalatha, K. (2015). "تحسين الثقب الأسود ذي الكتلة النجمية لبيانات التعبير الجيني لمصفوفات التكتل الثنائي". Applied Artificial Intelligence . 29 (4): 353– 381. doi : 10.1080/08839514.2015.1016391 . S2CID 44624424.

[240] بيانكي، ليونورا؛ دوريجو، ماركو؛ ماريا جامبارديلا، لوكا؛ جوتجار، والتر جيه. (2009). "دراسة استقصائية حول الاستدلالات الوصفية لتحسين التوافقيات العشوائية" (PDF) . الحوسبة الطبيعية . 8 (2): 239– 287. doi :10.1007/s11047-008-9098-4. S2CID 9141490.

[241] هربرت ب. إندرتون، 2001، مقدمة رياضية للمنطق، الطبعة الثانية إندرتون: 110، مطبعة هاركورت الأكاديمية، بيرلينجتون، ماساتشوستس، ISBN 978-0-12-238452-3 .

[242] Cybenko, G. 1989. التقريب عن طريق تراكبات الدالة السينيولوجية، رياضيات التحكم والإشارات والأنظمة ، 2(4)، 303-314.

[243] ' ^ "الدلالات الساذجة لدعم تصميم قاعدة البيانات الآلية"، معاملات معهد مهندسي الكهرباء والإلكترونيات في هندسة المعرفة والبيانات، المجلد 14، العدد 1 (يناير 2002) بقلم في سي ستوري، وآر سي جولدشتاين، و إتش أولريش

[tkac08-244] استخدام الربط المبكر والربط المتأخر في الأتمتة، مايكروسوفت، 11 مايو 2007 ، تم الاسترجاع في 11 مايو 2009

[245] بالمعنى الدقيق للكلمة، URIRef

[246] ttps://w3.org/TR/PR-rdf-syntax/ "نموذج إطار وصف الموارد (RDF) ومواصفات بناء الجملة"

[247] ميلر، لانس أ. "برمجة اللغة الطبيعية: الأنماط والاستراتيجيات والتناقضات". مجلة أنظمة آي بي إم 20.2 (1981): 184-215.

[248] هوبفيلد، جيه جيه (1982). "الشبكات العصبية والأنظمة الفيزيائية ذات القدرات الحسابية الجماعية الناشئة". وقائع الأكاديمية الوطنية للعلوم، الولايات المتحدة الأمريكية . 79 (8): 2554– 2558. رمز Bibcode : 1982PNAS...79.2554H. doi : 10.1073/pnas.79.8.2554 . PMC 346238. PMID 6953413 .

[MyUser_Https:_May_17_2016c-249] "العقول العميقة: مقابلة مع أليكس جريفز وكوراي كافوكجوغلو من جوجل" . تم الاسترجاع في 17 مايو 2016 .

[250] جريفز ، أليكس. واين، جريج. دانيهيلكا، إيفو (2014). “آلات تورينج العصبية”. أرخايف : 1410.5401 [cs.NE].

[Krucoff_584-251] كروكوف، ماكس أو.؛ رحيمبور، شيرفين؛ سلوتسكي، مارك دبليو.؛ إدجيرتون، في. ريجي؛ تورنر، دينيس أ. (1 يناير 2016). "تعزيز تعافي الجهاز العصبي من خلال علم الأعصاب، وتدريب الواجهة العصبية، وإعادة التأهيل العصبي". فرونتيرز في علوم الأعصاب . 10 : 584. doi : 10.3389/fnins.2016.00584 . PMC 5186786. PMID 28082858 .

[252] Mead, Carver (1990). "الأنظمة الإلكترونية ذات الشكل العصبي" (PDF) . وقائع معهد مهندسي الكهرباء والإلكترونيات . 78 (10): 1629– 1636. CiteSeerX 10.1.1.161.9762 . doi :10.1109/5.58356. S2CID 1169506.

[Maan_1–13-253] Maan, AK; Jayadevi, DA; James, AP (1 January 2016). "A Survey of Memristive Threshold Logic Circuits". IEEE Transactions on Neural Networks and Learning Systems . PP (99): 1734– 1746. arXiv : 1604.07121 . doi :10.1109/TNNLS.2016.2547842. ISSN 2162-237X. PMID 27164608. S2CID 1798273.

[254] "دراسة استقصائية للهندسة الإلكترونية الدورانية للمعالجة في الذاكرة والشبكات العصبية"، مجلة الجمعية الأمريكية للعلوم، 2018

[255] تشو، يو؛ راماناثان، س. (1 أغسطس 2015). "ذاكرة موت والأجهزة ذات الشكل العصبي". وقائع معهد مهندسي الكهرباء والإلكترونيات . 103 (8): 1289– 1310. doi :10.1109/JPROC.2015.2431914. ISSN 0018-9219. S2CID 11347598.

[256] مونرو، د. (2014). "الحوسبة العصبية الشكلية تستعد للحدث الكبير (حقًا). اتصالات جمعية الحوسبة الآلية . 57 (6): 13– 15. doi :10.1145/2601069. S2CID 20051102.

[257] Zhao, WS; Agnus, G.; Derycke, V.; Filoramo, A.; Bourgoin, J.-P.; Gamrat, C. (2010). "Nanotube devices based crossbar architecture: Toward neuromorphic computing". Nanotechnology . 21 (17): 175202. Bibcode :2010Nanot..21q5202Z. doi :10.1088/0957-4484/21/17/175202. PMID 20368686. S2CID 16253700. مؤرشف من الأصل في 10 أبريل 2021. تم الاسترجاع 2 ديسمبر 2019 .

[humanbrainproject-258] مشروع الدماغ البشري SP 9: منصة الحوسبة العصبية على اليوتيوب

[259] كوبلاند، جاك (مايو 2000). "ما هو الذكاء الاصطناعي؟". AlanTuring.net . مؤرشف من الأصل في 9 نوفمبر 2015 . تم الاسترجاع في 7 نوفمبر 2015 .

[kleinberg2006-260] كلاينبرج ، جون. تاردوس، إيفا (2006). تصميم الخوارزمية (الطبعة الثانية). أديسون ويسلي. ص. 464. ردمك 0-321-37291-3.

[262] كوبهام، آلان (1965). "الصعوبة الحسابية الجوهرية للوظائف". وقائع المنطق والمنهجية وفلسفة العلوم الجزء الثاني . شمال هولندا.

[263] "ما هي شفرة أوكام؟". math.ucr.edu . تم الاسترجاع في 1 يونيو 2019 .

[264] "OpenAI تتحول من مؤسسة غير ربحية إلى مؤسسة ذات ربح محدود لجذب رأس المال". TechCrunch. تم الاسترجاع في 10 مايو 2019.

[265] "OpenCog: ذكاء اصطناعي عام مفتوح المصدر للعوالم الافتراضية". CyberTech News . 6 مارس 2009. مؤرشف من الأصل في 6 مارس 2009. تم الاسترجاع 1 أكتوبر 2016 .

[266] سانت لوران، أندرو م. (2008). فهم ترخيص البرمجيات الحرة والبرمجيات مفتوحة المصدر. أوريلي ميديا. ص. 4. رقم ISBN 9780596553951.

[Open_Collaboration-267] ليفين، شين س.؛ بريتولا، مايكل ج. (30 ديسمبر 2013). "التعاون المفتوح من أجل الابتكار: المبادئ والأداء". علم التنظيم . 25 (5): 1414– 1433. arXiv : 1406.7541 . doi :10.1287/orsc.2013.0872. ISSN 1047-7039. S2CID 6583883.

[268] تعريف "overfitting" في OxfordDictionaries.com : هذا التعريف خاص بالإحصائيات.

[269] بيشوب، كريستوفر م. (2006). التعرف على الأنماط والتعلم الآلي (PDF). سبرينغر. ص. 7. يعود أصل التعرف على الأنماط إلى الهندسة، في حين نشأ التعلم الآلي من علوم الكمبيوتر. ومع ذلك، يمكن النظر إلى هذه الأنشطة باعتبارها وجهين لنفس المجال، وقد خضعت معًا لتطور كبير على مدى السنوات العشر الماضية.

[270] هيوز، جي إي ، وكريسويل، إم جيه ، مقدمة جديدة إلى المنطق النمطي ( لندن : روتليدج ، 1996)، ص 161.

[Nyce-271] نايس، تشارلز (2007)، ورقة بحثية حول التحليلات التنبؤية (PDF) ، المعهد الأمريكي لوكلاء التأمين على الممتلكات والحوادث المعتمدين/معهد التأمين الأمريكي، ص. 1

[Eckerson-272] إيكرسون، واين (10 مايو 2007)، توسيع قيمة استثمارك في مستودعات البيانات، معهد مستودعات البيانات

[273] كارل ر. بوبر ، أسطورة الإطار ، لندن (روتليدج) 1994، الفصل 8.

[274] كارل ر. بوبر ، فقر التاريخية ، لندن (روتليدج) 1960، الفصل الرابع، القسم 31.

[physorg-275] "البرمجة الاحتمالية تقوم في 50 سطرًا من التعليمات البرمجية بما كان يستغرق آلافًا من الوقت". phys.org . 13 أبريل 2015 . تم الاسترجاع في 13 أبريل 2015 .

[276] "البرمجة الاحتمالية". probabilistic-programming.org . مؤرشف من الأصل في 10 يناير 2016 . تم الاسترجاع 31 يوليو 2019 .

[Pfeffer2014-277] Pfeffer, Avrom (2014), Practical Probabilistic Programming , Manning Publications. p.28. ISBN 978-1 6172-9233-0

[Clocksin2003-278] كلوكسين ، ويليام ف. ميليش، كريستوفر س. (2003). البرمجة في برولوج . برلين؛ نيويورك: سبرينغر-فيرلاغ. رقم ISBN 978-3-540-00678-7.

[Bratko2012-279] براتكو، إيفان (2012). برمجة برولوج للذكاء الاصطناعي (الطبعة الرابعة). هارلو، إنجلترا؛ نيويورك: أديسون ويسلي. رقم ISBN 978-0-321-41746-6.

[Covington1994-280] Covington, Michael A. (1994). معالجة اللغة الطبيعية لمبرمجي Prolog . Englewood Cliffs, NJ: Prentice Hall. ISBN 978-0-13-629213-5.

[281] لويد، جيه دبليو (1984). أساسيات البرمجة المنطقية. برلين: سبرينغر فيرلاغ. ISBN 978-3-540-13299-8 .

[282] Kuhlman, Dave. "A Python Book: Beginning Python, Advanced Python, and Python Exercises". القسم 1.1. مؤرشف من الأصل (PDF) في 23 يونيو 2012.

[283] Yegulalp, Serdar (19 January 2017). "Facebook brings GPU-powered machine learning to Python". InfoWorld. Retrieved 11 December 2017.

[284] Lorica, Ben (3 August 2017). "Why AI and machine learning researchers are beginning to embrace PyTorch". O'Reilly Media. Retrieved 11 December 2017.

[285] Ketkar, Nikhil (2017). "Introduction to PyTorch". Deep Learning with Python. Apress, Berkeley, CA. pp. 195–208. doi:10.1007/978-1-4842-2766-4_12. ISBN 9781484227657.

[286] Moez Ali (June 2023). "NLP with PyTorch: A Comprehensive Guide". datacamp.com. Retrieved 1 April 2024.

[287] Patel, Mo (7 December 2017). "When two trends fuse: PyTorch and recommender systems". O'Reilly Media. Retrieved 18 December 2017.

[288] Mannes, John. "Facebook and Microsoft collaborate to simplify conversions from PyTorch to Caffe2". TechCrunch. Retrieved 18 December 2017. FAIR is accustomed to working with PyTorch – a deep learning framework optimized for achieving state of the art results in research, regardless of resource constraints. Unfortunately in the real world, most of us are limited by the computational capabilities of our smartphones and computers.

[289] Arakelyan, Sophia (29 November 2017). "Tech giants are using open source frameworks to dominate the AI community". VentureBeat. Retrieved 18 December 2017.

[290] "PyTorch strengthens its governance by joining the Linux Foundation". pytorch.org. Retrieved 13 September 2022.

[reiter-291] Reiter, Raymond (2001). Knowledge in Action: Logical Foundations for Specifying and Implementing Dynamical Systems. Cambridge, Massachusetts: The MIT Press. pp. 20–22. ISBN 9780262527002.

[292] Thielscher, Michael (September 2001). "The Qualification Problem: A solution to the problem of anomalous models". Artificial Intelligence. 131 (1–2): 1–37. doi:10.1016/S0004-3702(01)00131-X.

[2018Report-293] 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.

[294] R language and environment Hornik, Kurt (4 October 2017). "R FAQ". The Comprehensive R Archive Network. 2.1 What is R?. Retrieved 6 August 2018. R Foundation Hornik, Kurt (4 October 2017). "R FAQ". The Comprehensive R Archive Network. 2.13 What is the R Foundation?. Retrieved 6 August 2018. The R Core Team asks authors who use R in their data analysis to cite the software using: R Core Team (2016). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL https://R-project.org/.

[295] widely used Fox, John & Andersen, Robert (January 2005). "Using the R Statistical Computing Environment to Teach Social Statistics Courses" (PDF). Department of Sociology, McMaster University. Retrieved 6 August 2018. Vance, Ashlee (6 January 2009). "Data Analysts Captivated by R's Power". The New York Times. Retrieved 6 August 2018. R is also the name of a popular programming language used by a growing number of data analysts inside corporations and academia. It is becoming their lingua franca...

[296] Vance, Ashlee (6 January 2009). "Data Analysts Captivated by R's Power". The New York Times. Retrieved 6 August 2018. R is also the name of a popular programming language used by a growing number of data analysts inside corporations and academia. It is becoming their lingua franca...

[297] Broomhead, D. S.; Lowe, David (1988). Radial basis functions, multi-variable functional interpolation and adaptive networks (PDF) (Technical report). RSRE. 4148. Archived from the original on 9 April 2013.

[298] Broomhead, D. S.; Lowe, David (1988). "Multivariable functional interpolation and adaptive networks" (PDF). Complex Systems. 2: 321–355.

[299] Schwenker, Friedhelm; Kestler, Hans A.; Palm, Günther (2001). "Three learning phases for radial-basis-function networks". Neural Networks. 14 (4–5): 439–458. doi:10.1016/s0893-6080(01)00027-2. PMID 11411631.

[300] 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. Archived from the original (PDF) on 17 April 2016. Retrieved 5 June 2016.

[301] Ho, TK (1998). "The Random Subspace Method for Constructing Decision Forests". IEEE Transactions on Pattern Analysis and Machine Intelligence. 20 (8): 832–844. doi:10.1109/34.709601. S2CID 206420153.

[302] Hastie, Trevor; Tibshirani, Robert; Friedman, Jerome(2008). The Elements of Statistical Learning (2nd ed.). Springer. ISBN 0-387-95284-5.

[303] 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.

[sak2014-304] Sak, Hasim; Senior, Andrew; Beaufays, Francoise (2014). "Long Short-Term Memory recurrent neural network architectures for large scale acoustic modeling" (PDF). Archived from the original (PDF) on 24 April 2018. Retrieved 6 August 2019.

[liwu2015-305] Li, Xiangang; Wu, Xihong (15 October 2014). "Constructing Long Short-Term Memory based Deep Recurrent Neural Networks for Large Vocabulary Speech Recognition". arXiv:1410.4281 [cs.CL].

[kaelbling-306] 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.

[307] Patrizio, Andy. "What is reinforcement learning from human feedback (RLHF)?". TechTarget. Retrieved 28 January 2024.

[308] Schrauwen, Benjamin, David Verstraeten, and Jan Van Campenhout. "An overview of reservoir computing: theory, applications, and implementations." Proceedings of the European Symposium on Artificial Neural Networks ESANN 2007, pp. 471–482.

[309] Mass, Wolfgang; Nachtschlaeger, T.; Markram, H. (2002). "Real-time computing without stable states: A new framework for neural computation based on perturbations". Neural Computation. 14 (11): 2531–2560. doi:10.1162/089976602760407955. PMID 12433288. S2CID 1045112.

[310] Jaeger, Herbert, "The echo state approach to analyzing and training recurrent neural networks." Technical Report 154 (2001), German National Research Center for Information Technology.

[311] Jaeger, Herbert (2007). "Echo state network". Scholarpedia. 2 (9): 2330. Bibcode:2007SchpJ...2.2330J. doi:10.4249/scholarpedia.2330.

[312] "XML and Semantic Web W3C Standards Timeline" (PDF). 4 February 2012. Archived from the original (PDF) on 6 July 2022. Retrieved 5 July 2022.

[313] See, for example, Boolos and Jeffrey, 1974, chapter 11.

[Sowa-314] Sowa, John F. (1987). "Semantic Networks". In Shapiro, Stuart C (ed.). Encyclopedia of Artificial Intelligence. Retrieved 29 April 2008.

[bi-315] 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.

[BoDu04-316] Abran et al. 2004, pp. 1–1

[317] "Computing Degrees & Careers". ACM. 2007. Archived from the original on 17 June 2011. Retrieved 23 November 2010.

[318] Laplante, Phillip (2007). What Every Engineer Should Know about Software Engineering. Boca Raton: CRC. ISBN 978-0-8493-7228-5. Retrieved 21 January 2011.

[319] Rapoza, Jim (2 May 2006). "SPARQL Will Make the Web Shine". eWeek. Retrieved 17 January 2007.

[320] Segaran, Toby; Evans, Colin; Taylor, Jamie (2009). Programming the Semantic Web. O'Reilly Media, Inc., 1005 Gravenstein Highway North, Sebastopol, CA 95472. p. 84. ISBN 978-0-596-15381-6.

[Maas_1996-321] 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.

[322] "What is stateless? - Definition from WhatIs.com". techtarget.com.

[Getoor2007-323] Lise Getoor and Ben Taskar: Introduction to statistical relational learning, MIT Press, 2007

[324] Ryan A. Rossi, Luke K. McDowell, David W. Aha, and Jennifer Neville, "Transforming Graph Data for Statistical Relational Learning. Archived 6 January 2018 at the Wayback Machine" Journal of Artificial Intelligence Research (JAIR), Volume 45 (2012), pp. 363–441.

[spall2003-325] Spall, J. C. (2003). Introduction to Stochastic Search and Optimization. Wiley. ISBN 978-0-471-33052-3.

[326] Language Understanding Using Two-Level Stochastic Models by F. Pla, et al, 2001, Springer Lecture Notes in Computer Science ISBN 978-3-540-42557-1

[327] Stuart J. Russell, Peter Norvig (2010) Artificial Intelligence: A Modern Approach, Third Edition, Prentice Hall ISBN 9780136042594.

[328] Mehryar Mohri, Afshin Rostamizadeh, Ameet Talwalkar (2012) Foundations of Machine Learning, The MIT Press ISBN 9780262018258.

[329] Cortes, Corinna; Vapnik, Vladimir N (1995). "Support vector networks". Machine Learning. 20 (3): 273–297. doi:10.1007/BF00994018.

[330] 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.

[FOOTNOTEHaugeland1985255-331] Haugeland 1985, p. 255.

[FOOTNOTEPooleMackworthGoebel19981-332] Poole, Mackworth & Goebel 1998, p. 1.

[333] "Collection of sources defining "singularity"". singularitysymposium.com. Retrieved 17 April 2019.

[Singularity_hypotheses-334] Eden, Amnon H.; Moor, James H. (2012). Singularity hypotheses: A Scientific and Philosophical Assessment. Dordrecht: Springer. pp. 1–2. ISBN 9783642325601.

[335] Cadwalladr, Carole (2014). "Are the robots about to rise? Google's new director of engineering thinks so..." The Guardian. Guardian News and Media Limited.

[RSutton-1998-336] Sutton, Richard & Andrew Barto (1998). Reinforcement Learning. MIT Press. ISBN 978-0-585-02445-5. Archived from the original on 30 March 2017.

[Neuroscience1980-Pellionisz-337] 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.^{[dead link‍]}

[Neuroscience1985-Pellionisz-338] Pellionisz, A.; Llinás, R. (1985). "Tensor Network Theory Of The Metaorganization Of Functional Geometries In The Central Nervous System". Neuroscience. 16 (2): 245–273. doi:10.1016/0306-4522(85)90001-6. PMID 4080158. S2CID 10747593.

[YoutubeClip-339] "TensorFlow: Open source machine learning" "It is machine learning software being used for various kinds of perceptual and language understanding tasks" — Jeffrey Dean, minute 0:47 / 2:17 from YouTube clip

[Sipser-3rd-340] Sipser, Michael (2013). Introduction to the Theory of Computation 3rd. Cengage Learning. ISBN 978-1-133-18779-0. central areas of the theory of computation: automata, computability, and complexity. (Page 1)

[341] 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.

[342] Russo, Daniel J.; Van Roy, Benjamin; Kazerouni, Abbas; Osband, Ian; Wen, Zheng (2018). "A Tutorial on Thompson Sampling". Foundations and Trends in Machine Learning. 11 (1): 1–96. arXiv:1707.02038. doi:10.1561/2200000070. S2CID 3929917.

[343] 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 1 August 2007. Retrieved 5 August 2007.

[344] Dickson, Ben (2 May 2022). "Machine learning: What is the transformer architecture?". TechTarget. Retrieved 2 May 2022.

[Mercer-345] Mercer, Calvin. Religion and Transhumanism: The Unknown Future of Human Enhancement. Praeger.

[Bostrom_2005-346] Bostrom, Nick (2005). "A history of transhumanist thought" (PDF). Journal of Evolution and Technology. Retrieved 21 February 2006.

[347] Minsky 1967:107 "In his 1936 paper, A. M. Turing defined the class of abstract machines that now bear his name. A Turing machine is a finite-state machine associated with a special kind of environment – its tape – in which it can store (and later recover) sequences of symbols," also Stone 1972:8 where the word "machine" is in quotation marks.

[348] Stone 1972:8 states "This "machine" is an abstract mathematical model", also cf. Sipser 2006:137ff that describes the "Turing machine model". Rogers 1987 (1967):13 refers to "Turing's characterization", Boolos Burgess and Jeffrey 2002:25 refers to a "specific kind of idealized machine".

[349] Sipser 2006:137 "A Turing machine can do everything that a real computer can do".

[350] Turing originally suggested a teleprinter, one of the few text-only communication systems available in 1950. (Turing 1950, p. 433)

[FOOTNOTEPierce20021-351] Pierce 2002, p. 1: "A type system is a tractable syntactic method for proving the absence of certain program behaviors by classifying phrases according to the kinds of values they compute."

[FOOTNOTECardelli20041-352] Cardelli 2004, p. 1: "The fundamental purpose of a type system is to prevent the occurrence of execution errors during the running of a program."

[Hinton99a-353] Hinton, Jeffrey; Sejnowski, Terrence (1999). Unsupervised Learning: Foundations of Neural Computation. MIT Press. ISBN 978-0262581684.

[354] Colaner, Seth; Humrick, Matthew (3 January 2016). "A third type of processor for AR/VR: Movidius' Myriad 2 VPU". Tom's Hardware.

[355] Banerje, Prasid (28 March 2016). "The rise of VPUs: Giving Eyes to Machines". Digit.in. Archived from the original on 11 December 2018. Retrieved 5 July 2022.

[ibm-356] "DeepQA Project: FAQ". IBM. Archived from the original on 5 November 2015. Retrieved 11 February 2011.

[357] Ferrucci, David; Levas, Anthony; Bagchi, Sugato; Gondek, David; Mueller, Erik T. (1 June 2013). "Watson: Beyond Jeopardy!". Artificial Intelligence. 199: 93–105. doi:10.1016/j.artint.2012.06.009.

[NYT_20110208-358] Hale, Mike (8 February 2011). "Actors and Their Roles for $300, HAL? HAL!". The New York Times. Retrieved 11 February 2011.

[359] "The DeepQA Project". IBM Research. Archived from the original on 21 January 2013. Retrieved 18 February 2011.

[360] 9.com mentions narrow AI. Published 1 April 2013. Retrieved 16 February 2014: https://io9.com/how-much-longer-before-our-first-ai-catastrophe-464043243

[361] AI researcher Ben Goertzel explains why he became interested in AGI instead of narrow AI. Published 18 Oct 2013. Retrieved 16 February 2014. https://intelligence.org/2013/10/18/ben-goertzel/

[362] TechCrunch discusses AI App building regarding Narrow AI. Published 16 Oct 2015. Retrieved 17 Oct 2015. https://techcrunch.com/2015/10/15/machine-learning-its-the-hard-problems-that-are-valuable/

[363] 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.

[source-code-364] "GitHub project webpage". GitHub. June 2022. Archived from the original on 1 April 2021. Retrieved 5 April 2016.

[261] polynomial time refers to how quickly the number of operations needed by an algorithm, relative to the size of the problem, grows. It is therefore a measure of efficiency of an algorithm.

v t e Differentiable computing
General	Differentiable programming Information geometry Statistical manifold Automatic differentiation Neuromorphic computing Pattern recognition Ricci calculus Computational learning theory Inductive bias
Hardware	IPU TPU VPU Memristor SpiNNaker
Software libraries	TensorFlow PyTorch Keras scikit-learn Theano JAX Flux.jl MindSpore
Portals Computer programming Technology

v t e Computer science
Note: This template roughly follows the 2012 ACM Computing Classification System.
Hardware	Printed circuit board Peripheral Integrated circuit Very Large Scale Integration Systems on Chip (SoCs) Energy consumption (Green computing) Electronic design automation Hardware acceleration Processor Size / Form
Computer systems organization	Computer architecture Computational complexity Dependability Embedded system Real-time computing
Networks	Network architecture Network protocol Network components Network scheduler Network performance evaluation Network service
Software organization	Interpreter Middleware Virtual machine Operating system Software quality
Software notations and tools	Programming paradigm Programming language Compiler Domain-specific language Modeling language Software framework Integrated development environment Software configuration management Software library Software repository
Software development	Control variable Software development process Requirements analysis Software design Software construction Software deployment Software engineering Software maintenance Programming team Open-source model
Theory of computation	Model of computation Stochastic Formal language Automata theory Computability theory Computational complexity theory Logic Semantics
Algorithms	Algorithm design Analysis of algorithms Algorithmic efficiency Randomized algorithm Computational geometry
Mathematics of computing	Discrete mathematics Probability Statistics Mathematical software Information theory Mathematical analysis Numerical analysis Theoretical computer science
Information systems	Database management system Information storage systems Enterprise information system Social information systems Geographic information system Decision support system Process control system Multimedia information system Data mining Digital library Computing platform Digital marketing World Wide Web Information retrieval
Security	Cryptography Formal methods Security hacker Security services Intrusion detection system Hardware security Network security Information security Application security
Human–computer interaction	Interaction design Social computing Ubiquitous computing Visualization Accessibility
Concurrency	Concurrent computing Parallel computing Distributed computing Multithreading Multiprocessing
Artificial intelligence	Natural language processing Knowledge representation and reasoning Computer vision Automated planning and scheduling Search methodology Control method Philosophy of artificial intelligence Distributed artificial intelligence
Machine learning	Supervised learning Unsupervised learning Reinforcement learning Multi-task learning Cross-validation
Graphics	Animation Rendering Photograph manipulation Graphics processing unit Mixed reality Virtual reality Image compression Solid modeling
Applied computing	Quantum Computing E-commerce Enterprise software Computational mathematics Computational physics Computational chemistry Computational biology Computational social science Computational engineering Differentiable computing Computational healthcare Digital art Electronic publishing Cyberwarfare Electronic voting Video games Word processing Operations research Educational technology Document management
Category Outline Glossaries

v t e Evolutionary computation
Main Topics	Evolutionary algorithm Evolutionary data mining Evolutionary multimodal optimization Human-based evolutionary computation Interactive evolutionary computation
Algorithms	Cellular evolutionary algorithm Covariance Matrix Adaptation Evolution Strategy (CMA-ES) Cultural algorithm Differential evolution Evolutionary programming Genetic algorithm Genetic programming Gene expression programming Evolution strategy Natural evolution strategy Neuroevolution Learning classifier system
Related techniques	Swarm intelligence Ant colony optimization Bees algorithm Cuckoo search Particle swarm optimization Bacterial Colony Optimization
Metaheuristic methods	Firefly algorithm Harmony search Gaussian adaptation Memetic algorithm
Related topics	Artificial development Artificial intelligence Artificial life Digital organism Evolutionary robotics Fitness function Fitness landscape Fitness approximation Genetic operators Interactive evolutionary computation No free lunch in search and optimization Machine learning Mating pool Premature convergence Program synthesis
Journals	Evolutionary Computation (journal)

ف ت هـ الروبوتات
المقالات الرئيسية	مخطط تفصيلي المصطلحات فِهرِس تاريخ الجغرافيا قاعة الشهرة أخلاق مهنية القوانين المسابقات مسابقات الذكاء الاصطناعي
أنواع	أيروبوت مجسم إنساني أندرويد سايبورغ جينويد كلايترونيكس رفيق أوتوماتون أنيماترونيك الصوتيات المتحركة صناعي مفصل ذراع محلي تعليمي ترفيه شعوذة جيش طبي خدمة الإعاقة زراعي خدمة الطعام بيع بالتجزئة روبوتات بيم الروبوتات الناعمة
التصنيفات	الروبوتات الحيوية الروبوتات السحابية روبوت متواصل مركبة بدون طيار جوي أرضي روبوت متنقل الروبوتات الدقيقة الروبوتات النانوية الروبوتات الميتة مركبة فضائية روبوتية مسبار الفضاء سرب الروبوتات عن بعد تحت الماء يتم تشغيله عن بعد سمكة روبوتية
الحركة	المسارات المشي سداسي الأرجل التسلق دراجة أحادية كهربائية زعانف روبوتية
الملاحة والخرائط	تخطيط الحركة تحديد المواقع ورسم الخرائط في وقت واحد قياس المسافة بصريا أنظمة الروبوت الموجهة بالرؤية
بحث	تطوري مجموعات محاكي جناح مفتوح المصدر برمجة قابلة للتكيف تطويري التفاعل بين الإنسان والروبوت النماذج إدراكي تقع في كل مكان
شركات	روبوتات أمازون أي روبوتات باريت تكنولوجي بوسطن ديناميكس إنيرجييد تكنولوجيز فارم وايز فانوك الشكل AI فوستر ميلر أتمتة الحصاد روبوتات النحلة الجراحة البديهية أي روبوت كوكا تكنولوجيات ستارشيب رمزي الروبوتات العالمية روبوتات الذئب ياسكاوا
متعلق ب	نقد العمل هيكل خارجي يعمل بالطاقة سلامة الروبوتات في مكان العمل سترة تقنية روبوتية البطالة التكنولوجية قابلية التضاريس الروبوتات الخيالية
فئة مخطط تفصيلي

اللغة	العربية (RTL)
روابط موسوعية	30 رابطاً
المصدر الأصلي	ويكيبيديا ↗