常用英语词汇-andrew Ng课程backpropagation 后向传播
basis 基intensity 强度
特征基向量Regression 回归basis feature vectors
batch gradient ascent Loss function 损失函数批量梯度上升法Bayesian regularization method 贝叶斯规则化方法non-convex 非凸函数
伯努利随机变量Bernoulli random variable neural network 神经网络
偏置项bias term supervised learning 监督学习
二元分类binary classfication regression problem 回归问题处理的是连续的问题class labels 类型标记classification problem 分类问题
discreet value 离散值concatenation 级联
共轭梯度conjugate gradient support vector machines 支持向量机learning theory 学习理论contiguous groups 联通区域
convex optimization software 凸优化软件learning algorithms 学习算法
convolution 卷积unsupervised learning 无监督学习
代价函数gradient descent 梯度下降cost function
covariance matrix linear regression 线性回归协方差矩阵
直流分量Neural Network 神经网络DC component
去相关decorrelation gradient descent 梯度下降退化normal equations
degeneracy
demensionality reduction 降维linear algebra 线性代数
导函数superscript上标derivative
指数exponentiation diagonal 对角线
梯度的弥散diffusion of gradients training set 训练集合
特征值训练样本training example eigenvalue
hypothesis 假设，用来表示学习算法的输出特征向量eigenvector
残差最小二乘法算法LMS algorithm “least mean squares error term
特征矩阵feature matrix batch gradient descent 批量梯度下降constantly gradient descent 特征标准化随机梯度下降feature standardization
iterative algorithm 迭代算法前馈结构算法feedforward architectures
feedforward neural network partial derivative 偏导数前馈神经网络
前馈传导contour 等高线feedforward pass
微调fine-tuned quadratic function 二元函数
一阶特征first-order feature locally weighted regression局部加权回归前向传导forward pass underfitting欠拟合过拟合前向传播forward propagation overfitting
高斯先验概率无参数学习算法Gaussian prior non-parametric learning algorithms
生成模型参数学习算法generative model parametric learning algorithm
梯度下降gradient descent activation 激活值逐层贪婪训练方法Greedy layer-wise training activation function 激活函数分组矩阵grouping matrix 加性噪声additive noise
阿达马乘积Hadamard product autoencoder 自编码器
自编码算法Autoencoders 矩阵Hessian matrix Hessian
average firing rate 平均激活率隐含层hidden layer
隐藏神经元hidden units 均方差average sum-of-squares error
.Hierarchical grouping 层次型分组numerical roundoff errors 数值舍入误差
numerically checking 数值检验higher-order features 更高阶特征
numerically reliable 数值计算上稳定highly non-convex optimization problem
object detection 高度非凸的优化问题物体检测
objective function 目标函数histogram 直方图
off-by-one error 缺位错误hyperbolic tangent 双曲正切函数orthogonalization hypothesis 估值，假设正交化
output layer 输出层identity activation function 恒等激励函数
overall cost function 总体代价函数IID 独立同分布
illumination 照明over-complete basis 超完备基
over-fitting 抑制inactive 过拟合
parts of objects 目标的部件independent component analysis 独立成份分析
part-whole decompostion 部分-input domains 输入域整体分解
PCA 主元分析input layer 输入层
penalty term 惩罚因子亮度intensity /灰度
per-example mean subtraction 逐样本均值消减截距intercept term
pooling 池化KL divergence 相对熵
pretrain 预训练分散度KL divergence KL
principal components analysis 主成份分析k-Means K-均值
quadratic constraints 二次约束学习速率learning rate
Boltzman机最小二乘法RBMs 受限least squares
linear correspondence 基于重构的模型reconstruction based models 线性响应
重建代价reconstruction cost linear superposition 线性叠加
重构项线搜索算法line-search algorithm reconstruction term
local mean subtraction 局部均值消减冗余redundant
反射矩阵reflection matrix 局部最优解local optima
正则化逻辑回归logistic regression regularization
损失函数loss function 正则化项regularization term
缩放low-pass filtering 低通滤波rescaling
robust 鲁棒性幅值magnitude
极大后验估计MAP run 行程
maximum likelihood estimation second-order feature 极大似然估计二阶特征
mean sigmoid activation function S型激励函数平均值
倒频系数MFCC Mel 有效数字significant digits
multi-class classification 奇异值多元分类singular value
神经网络neural networks 奇异向量singular vector
L1范数惩罚平滑的smoothed L1 penalty 神经元neuron
牛顿法Newton's method Smoothed topographic L1 sparsity penalty
稀疏惩罚函数L1非凸函数non-convex function 平滑地形non-linear feature 非线性特征平滑smoothing
Softmax Regresson Softmax 回归范式norm
有界范数norm bounded 降序排列sorted in decreasing order
source features 源特征范数约束norm constrained
归一化normalization sparse autoencoder 消减归一化2.
.
Sparsity 稀疏性Agent 代理/ 智能体
Algorithm 算法稀疏性参数sparsity parameter
Alpha-beta pruning αsparsity penalty 稀疏惩罚-β剪枝
Anomaly detection square function 平方函数异常检测
Approximation 近似squared-error 方差
stationary 平稳性（不变性）Area Under ROC Curve／AUC Roc 曲线下面积
Artificial General Intelligence/AGI 通用人工智能平稳随机过程stationary stochastic process Artificial Intelligence/AI step-size 步长值人工智能
Association analysis 关联分析supervised learning 监督学习
Attention mechanism 注意力机制symmetric positive semi-definite matrix
对称半正定矩阵Attribute conditional independence assumption
属性条件独立性假设对称失效symmetry breaking
Attribute space 属性空间双曲正切函数tanh function
the average activation 平均活跃度Attribute value 属性值
Autoencoder 梯度验证方法the derivative checking method 自编码器
Automatic speech recognition the empirical distribution 经验分布函数自动语音识别Automatic summarization 自动摘要the energy function 能量函数
Average gradient 平均梯度the Lagrange dual 拉格朗日对偶函数
Average-Pooling 平均池化对数似然函数the log likelihood
Backpropagation Through Time 通过时间的反向传播the pixel intensity value 像素灰度值Backpropagation/BP 反向传播收敛速度the rate of convergence
Base learner topographic cost term 拓扑代价项基学习器
拓扑秩序topographic ordered Base learning algorithm 基学习算法
transformation 变换Batch Normalization/BN 批量归一化
Bayes decision rule 贝叶斯判定准则平移不变性translation invariant
Bayes Model Averaging ／BMA 贝叶斯模型平均平凡解trivial answer
under-complete basis Bayes optimal classifier 贝叶斯最优分类器不完备基
Bayesian decision theory unrolling 组合扩展贝叶斯决策论
Bayesian network 贝叶斯网络无监督学习unsupervised learning
方差variance Between-class scatter matrix 类间散度矩阵
Bias 偏置/ 偏差向量化实现vecotrized implementation
Bias-variance decomposition 偏差-方差分解矢量化vectorization
Bias-Variance Dilemma 偏差–视觉皮层visual cortex 方差困境
权重衰减weight decay Bi-directional Long-Short Term Memory/Bi-LSTM
双向长短期记忆weighted average 加权平均值
Binary classification 二分类whitening 白化Binomial test 二项检验zero-mean 均值为零Bi-partition 二分法累积误差逆传播Accumulated error backpropagation
Boltzmann machine Activation Function 激活函数玻尔兹曼机
自适应谐振理论Adaptive Resonance Theory/ART Bootstrap sampling 自助采样法／可重复采样
Bootstrapping 自助法加性学习Addictive model
Break-Event Point 对抗网络Adversarial Networks ／BEP 平衡点
Calibration 校准仿射层Affine Layer
亲和矩阵Affinity matrix Cascade-Correlation 级联相关
3.
.
Categorical attribute 离散属性Cost matrix 成本矩阵
Cost-sensitive 成本敏感Class-conditional probability 类条件概率
Cross entropy 交叉熵Classification and regression tree/CART 分类与回归树Cross validation Classifier 分类器交叉验证
Crowdsourcing 众包Class-imbalance 类别不平衡
Curse of dimensionality 维数灾难闭式Closed -form
Cut point Cluster 簇/类/集群截断点
Cutting plane algorithm 割平面法Cluster analysis 聚类分析
Data mining 数据挖掘Clustering 聚类
Clustering ensemble 聚类集成Data set 数据集
Decision Boundary Co-adapting 共适应决策边界
Decision stump 决策树桩Coding matrix 编码矩阵
Decision tree 决策树／判定树COLT 国际学习理论会议
Deduction 演绎基于委员会的学习Committee-based learning
Competitive learning 竞争型学习Deep Belief Network 深度信念网络
Component learner 组件学习器Deep Convolutional Generative Adversarial Network DCGAN 深度卷积生成对抗网络Comprehensibility 可解释性Deep learning 深度学习Computation Cost 计算成本
Deep neural network/DNN 深度神经网络Computational Linguistics 计算语言学
Deep Q-Learning 深度Computer vision 计算机视觉Q 学习
Deep Q-Network Concept drift 概念漂移深度Q 网络
Density estimation 密度估计Concept Learning System /CLS 概念学习系统
Density-based clustering 条件熵密度聚类Conditional entropy
Conditional mutual information 条件互信息Differentiable neural computer 可微分神经计算机
Dimensionality reduction algorithm 降维算法CPT Conditional Probability Table ／条件概率表Directed edge Conditional random field/CRF 条件随机场有向边
Conditional risk 条件风险Disagreement measure 不合度量
Discriminative model 判别模型Confidence 置信度
Discriminator 判别器Confusion matrix 混淆矩阵Distance measure 距离度量Connection weight 连接权
Connectionism 连结主义Distance metric learning 距离度量学习
Distribution Consistency 一致性／相合性分布
Divergence Contingency table 列联表散度
Diversity measure 多样性度量／差异性度量Continuous attribute 连续属性
Domain adaption Convergence 收敛领域自适应
Downsampling 下采样Conversational agent 会话智能体
D-separation （Directed separation）有向分离Convex quadratic programming 凸二次规划Dual problem 对偶问题凸性Convexity
Dummy node Convolutional neural network/CNN 卷积神经网络哑结点
同现Co-occurrence Dynamic Fusion 动态融合
Dynamic programming 动态规划相关系数Correlation coefficient
余弦相似度Cosine similarity Eigenvalue decomposition 特征值分解
Embedding 嵌入Cost curve 成本曲线成本函数Cost Function Emotional analysis 情绪分析
4.
.
Empirical conditional entropy 经验条件熵Generalized Rayleigh quotient 广义瑞利商Generative Adversarial Networks/GAN Empirical entropy 经验熵生成对抗网络
Empirical error 经验误差Generative Model 生成模型
Generator 生成器Empirical risk 经验风险
Genetic Algorithm/GA 遗传算法End-to-End 端到端
Energy-based model 基于能量的模型Gibbs sampling 吉布斯采样
Gini index 基尼指数Ensemble learning 集成学习
Global minimum 全局最小Ensemble pruning 集成修剪
Error Correcting Output CodesGlobal Optimization 全局优化／ECOC 纠错输出码错误率Error rate Gradient boosting 梯度提升
Gradient Descent 分歧分解Error-ambiguity decomposition 误差-梯度下降
Graph theory 图论Euclidean distance 欧氏距离
Ground-truth 真相／真实Evolutionary computation 演化计算
Hard margin 硬间隔Expectation-Maximization 期望最大化
Hard voting 硬投票期望损失Expected loss
Exploding Gradient Problem 梯度爆炸问题Harmonic mean 调和平均
Hesse matrix 海塞矩阵指数损失函数Exponential loss function
Extreme Learning Machine/ELM 超限学习机Hidden dynamic model 隐动态模型
Hidden layer 隐藏层因子分解Factorization
False negative 假负类Hidden Markov Model/HMM 隐马尔可夫模型
Hierarchical clustering 层次聚类假正类False positive
Hilbert space 希尔伯特空间False Positive Rate/FPR 假正例率
Hinge loss function 合页损失函数特征工程Feature engineering
特征选择Hold-out 留出法Feature selection
Feature vector Homogeneous 同质特征向量
Hybrid computing 特征学习Featured Learning 混合计算
Hyperparameter 超参数前馈神经网络Feedforward Neural Networks/FNN
Hypothesis 假设Fine-tuning 微调
翻转法Flipping output Hypothesis test 假设验证
ICML 震荡Fluctuation 国际机器学习会议
Improved iterative scaling/IIS 改进的迭代尺度法前向分步算法Forward stagewise algorithm Incremental learning 增量学习频率主义学派Frequentist
满秩矩阵Full-rank matrix Independent and identically distributed/i.i.d.
Functional neuron 独立同分布功能神经元
Gain ratio 增益率Independent Component Analysis/ICA 独立成分分析
Game theory 博弈论Indicator function 指示函数
Individual learner 个体学习器Gaussian kernel function 高斯核函数Induction 归纳高斯
混合模型Gaussian Mixture Model
General Problem Solving 通用问题求解Inductive bias 归纳偏好
泛化Generalization Inductive learning 归纳学习
Inductive Logic Programming 泛化误差Generalization error ／ILP 归纳逻辑程序设计Information entropy 信息熵泛化误差上界Generalization error bound
广义拉格朗日函数Information gain 信息增益Generalized Lagrange function
广义线性模型Generalized linear model Input layer 输入层
5.
.
Insensitive loss 不敏感损失Log-likelihood 对数似然
Log-linear regression 对数线性回归Inter-cluster similarity 簇间相似度
Long-Short Term Memory/LSTM 长短期记忆International Conference for Machine Learning/ICML
国际机器学习大会Loss function 损失函数
Machine translation/MT 机器翻译Intra-cluster similarity 簇内相似度
Macron-P 宏查准率Intrinsic value 固有值
Isometric Mapping/Isomap 等度量映射Macron-R 宏查全率
Majority voting Isotonic regression 等分回归绝对多数投票法
Manifold assumption 流形假设迭代二分器Iterative Dichotomiser
Manifold learning 流形学习Kernel method 核方法
Margin theory 间隔理论Kernel trick 核技巧Kernelized Linear Discriminant Analysis／KLDA Marginal distribution 边际分布
核线性判别分析Marginal independence 边际独立性
折交叉验证／K-fold cross validation k k 倍交叉验证Marginalization 边际化
–均值聚类Markov Chain Monte Carlo/MCMC K-Means Clustering K
马尔可夫链蒙特卡罗方法近邻算法K-Nearest Neighbours Algorithm/KNN K Markov Random Field 马尔可夫随机场Knowledge base 知识库
Maximal clique 最大团Knowledge Representation 知识表征Maximum Likelihood Estimation/MLE Label space 标记空间极大似然估计／极大似然法Lagrange duality 拉格朗日对偶性
Maximum margin 拉格朗日乘子Lagrange multiplier 最大间隔
Maximum weighted spanning tree 最大带权生成树Laplace smoothing 拉普拉斯平滑Laplacian correction Max-Pooling 最大池化拉普拉斯修正
Mean squared error 隐狄利克雷分布Latent Dirichlet Allocation 均方误差
Meta-learner 元学习器潜在语义分析Latent semantic analysis
Metric learning 度量学习Latent variable 隐变量
Micro-P 懒惰学习Lazy learning 微查准率
Micro-R 微查全率学习器Learner
Minimal Description Length/MDL 最小描述长度类比学习Learning by analogy
Minimax game 学习率Learning rate 极小极大博弈
Learning Vector Quantization/LVQ Misclassification cost 误分类成本学习向量量化
最小二乘回归树Least squares regression tree Mixture of experts 混合专家
留一法Leave-One-Out/LOO Momentum 动量
linear chain conditional random field Moral graph 道德图／端正图
线性链条件随机场Multi-class classification 多分类
线性判别分析／Linear Discriminant AnalysisLDA Multi-document summarization 多文档摘要
线性模型Linear model Multi-layer feedforward neural networks
多层前馈神经网络线性回归Linear Regression
Multilayer Perceptron/MLP 多层感知器联系函数Link function
Multimodal learning Local Markov property 局部马尔可夫性多模态学习
Multiple Dimensional Scaling Local minimum 多维缩放局部最小
Multiple linear regression 多元线性回归对数似然Log likelihood
Multi-response Linear Regression ／对数几率logit ／Log oddsMLR
多响应线性回归回归Logistic Regression Logistic
6.
.
Mutual information 互信息Paired t-test 成对t 检验
Pairwise 成对型朴素贝叶斯Naive bayes
Pairwise Markov property 成对马尔可夫性Naive Bayes Classifier 朴素贝叶斯分类器Parameter 参数Named entity recognition 命名实体识别
Parameter estimation 参数估计纳什均衡Nash equilibrium
Parameter tuning 调参Natural language generation/NLG 自然语言生成
Parse tree 解析树Natural language processing 自然语言处理
Particle Swarm Optimization/PSO 粒子群优化算法Negative class 负类Part-of-speech tagging Negative correlation 负相关法词性标注
Perceptron 感知机Negative Log Likelihood 负对数似然
Performance measure 性能度量Neighbourhood Component Analysis/NCA
Plug and Play Generative Network 即插即用生成网络近邻成分分析
神经机器翻译Plurality voting 相对多数投票法Neural Machine Translation
Polarity detection Neural Turing Machine 神经图灵机极性检测
Polynomial kernel function Newton method 牛顿法多项式核函数
Pooling 池化NIPS 国际神经信息处理系统会议
Positive class NFL ／没有免费的午餐定理正类No Free Lunch Theorem Positive definite matrix Noise-contrastive estimation 噪音对比估计正定矩阵
Post-hoc test Nominal attribute 列名属性后续检验
Post-pruning Non-convex optimization 非凸优化后剪枝
非线性模型potential function 势函数Nonlinear model
Non-metric distance 非度量距离Precision 查准率／准确率
Prepruning 预剪枝Non-negative matrix factorization 非负矩阵分解
Principal component analysis/PCA Non-ordinal attribute 无序属性主成分分析
Principle of multiple explanations Non-Saturating Game 非饱和博弈多释原则
Prior 先验Norm 范数Probability Graphical Model 概率图模型Normalization 归一化Nuclear norm 核范数Proximal Gradient Descent/PGD 近端梯度下降
Pruning 剪枝Numerical attribute 数值属性
Pseudo-label 伪标记Letter O
Quantized Neural Network Objective function 目标函数量子化神经网络
Oblique decision tree 斜决策树Quantum computer 量子计算机
Occam's razor 奥卡姆剃刀Quantum Computing 量子计算
Odds 几率Quasi Newton method 拟牛顿法
离策略Radial Basis Function／RBF 径向基函数Off-Policy
Random Forest Algorithm 随机森林算法一次性学习One shot learning
Random walk 随机漫步独依赖估计ODE One-Dependent Estimator ／
On-Policy 在策略Recall 查全率／召回率
有序属性Ordinal attribute Receiver Operating Characteristic/ROC
受试者工作特征Out-of-bag estimate 包外估计Output layer Rectified Linear Unit/ReLU 线性修正单元输出层Recurrent Neural Network 输出调制法Output smearing 循环神经网络Recursive neural network 递归神经网络过拟合／过配Overfitting
过采样Oversampling Reference model 参考模型
7.
.
Regression 回归Spectral Clustering 谱聚类
Speech Recognition 语音识别Regularization 正则化
Splitting variable 切分变量Reinforcement learning/RL 强化学习Representation learning 表征学习Squashing function 挤压函数
Stability-plasticity dilemma 可塑性Representer theorem 表示定理-稳定性困境
Statistical learning 统计学习reproducing kernel Hilbert space/RKHS
Status feature function 状态特征函再生核希尔伯特空间
重采样法Stochastic gradient descent 随机梯度下降Re-sampling
Stratified sampling Rescaling 再缩放分层采样
Structural risk 结构风险Residual Mapping 残差映射
Structural risk minimization/SRM 结构风险最小化Residual Network 残差网络
Restricted Boltzmann Machine/RBM 子空间Subspace 受限玻尔兹曼机
限定等距性Supervised learning 监督学习／有导师学习Restricted Isometry Property/RIP support vector expansion Re-weighting 重赋权法支持向量展式
鲁棒性/ Support Vector Machine/SVM 支持向量机Robustness 稳健性Surrogat loss Root node 根结点替代损失
Surrogate function 规则引擎Rule Engine 替代函数
Rule learning 规则学习Symbolic learning 符号学习
Symbolism Saddle point 鞍点符号主义
Sample space 样本空间Synset 同义词集
T-Distribution Stochastic Neighbour Embedding Sampling 采样
分布随机近邻嵌入Score function 评分函数t-SNE T –
张量Tensor Self-Driving 自动驾驶
张量处理单元SOM 自组织映射Tensor Processing Units/TPU Self-Organizing Map ／
Semi-naive Bayes classifiers 半朴素贝叶斯分类器最小二乘法The least square method
阈值Threshold Semi-Supervised Learning 半监督学习
阈值逻辑单元semi-Supervised Support Vector Machine Threshold logic unit
半监督支持向量机阈值移动Threshold-moving
Time Step Sentiment analysis 情感分析时间步骤Tokenization 标记化Separating hyperplane 分离超平面
Training error 函数训练误差Sigmoid function Sigmoid
Training instance 相似度度量训练示例／训练例Similarity measure
直推学习Transductive learning Simulated annealing 模拟退火
迁移学习Simultaneous localization and mapping Transfer learning
同步定位与地图构建树库Treebank
Singular Value Decomposition 奇异值分解试错法Tria-by-error
松弛变量Slack variables True negative 真负类平滑True positive 真正类Smoothing 真正例率True Positive Rate/TPR 软间隔Soft margin
Soft margin maximization 软间隔最大化图灵机Turing Machine
Soft voting Twice-learning 二次学习软投票欠拟合／欠配Sparse representation 稀疏表征Underfitting
Undersampling 欠采样稀疏性Sparsity
特化Specialization Understandability 可理解性8.
.
Unequal cost 非均等代价contours轮廓
constraint约束Unit-step function 单位阶跃函数
constant 常理Univariate decision tree 单变量决策树commercial Unsupervised learning 无监督学习／无导师学习商务的
complementarity补充Unsupervised layer-wise training 无监督逐层训练
coordinate ascent同等级上升上采样Upsampling
clippingVanishing Gradient Problem 梯度消失问题剪下物；剪报；修剪
component分量；部件Variational inference 变分推断
continuous连续的VC Theory VC维理论Version space 版本空间covariance协方差canonical正规的，正则的Viterbi algorithm 维特比算法
concave非凸的V on Neumann architecture 冯·诺伊曼架构
corresponds相符合；相当；通信Wasserstein GAN/WGAN Wasserstein 生成对抗网络corollary 推论Weak learner 弱学习器Weight 权重concrete具体的事物，实在的东西权共享cross validation交叉验证Weight sharing
correlationWeighted voting 加权投票法相互关系
Within-class scatter matrix 类内散度矩阵convention约定
clusterWord embedding 词嵌入一簇
Word sense disambiguation 词义消歧centroids 质心，形心
convergeZero-data learning 零数据学习收敛
computationally计算(机) Zero-shot learning 零次学习的
calculus计算approximations 近似值arbitrary随意的derive获得，取得
dual二元的affine 仿射的
duality arbitrary任意的二元性；二象性；对偶性
amino acid 氨基酸derivation求导；得到；起源
denote预示，表示，是经得起检验的…的标志；意味着，[逻]指称amenable
divergence 散度；发散性axiom公理，原则
abstract 提取dimension尺度，规格；维数
dot小圆点architecture 架构，体系结构；建造业
distortion变形absolute 绝对的
density概率密度函数军火库arsenal
discrete离散的assignment 分配discriminative有识别能力的algebra 线性代数diagonal 对角asymptotically 无症状的
dispersion分散，散开恰当的appropriate
determinant bias 偏差决定因素
简短，简洁；短暂brevity disjoint不相交的
[800 ] broader encounter 广泛遇到
ellipses椭圆简短的briefly
批量batch equality等式
extra额外的收敛，集中到一点convergence
凸的convex empirical经验；观察
9.
.
ennmerate例举，计数logarithmic对数的，用对数表示的
latent潜在的exceed超过，越出
Leave-one-out cross validation 留一法交叉验证expectation期望magnitude efficient生效的巨大
mapping绘图，制图；映射endow赋予
matrix 矩阵explicitly清楚的mutual exponential family指数家族相互的，共同的monotonically单调的equivalently等价的
minor 较小的，次要的feasible可行的
forary初次尝试multinomial多项的
multi-class classificationfinite 有限的，限定的二分类问题
nasty讨厌的forgo摒弃，放弃
notation标志，注释fliter过滤
na?ve朴素的frequentist最常发生的
obtain得到forward search 前向式搜索
oscillate 摆动formalize使定形optimization problem 最优化问题generalized归纳的objective function 目标函数generalization概括，归纳；普遍化；判断（根据不足）optimal 最理想的guarantee保证；抵押品
orthogonal(矢量，矩阵等)正交的generate形成，产生
orientation方向geometric margins 几何边界
gap 裂口ordinary普通的
occasionally偶然的generative 生产的；有生产力的heuristic启发式的；启发法；启发程序partial derivative偏导数
property性质hone 怀恋；磨
超平面proportional成比例的hyperplane
initial 最初的primal原始的，最初的
permit implement 执行允许
pseudocode 伪代码intuitive 凭直觉获知的
permissible 增加的可允许的incremental
intercept截距polynomial多项式
preliminary intuitious 直觉预备
precision instantiation 例子精度
perturbation 不安，扰乱indicator 指示物，指示器poist interative 重复的，迭代的假定，设想
positive semi-definite半正定的integral 积分parentheses identical 相等的；完全相同的圆括号
表示，指出indicate posterior probability后验概率invariance 不变性，恒定性plementarity 补充
pictorially …把impose强加于图像的
中间的intermediate parameterize确定…的参数
解释，翻译interpretation poisson distribution柏松分布pertinent相关的联合概率joint distribution
替代lieu quadratic二次的
10.
.
quantity量，数量；分量
query疑问的
regularization使系统化；调整
reoptimize重新优化
restrict限制；限定；约束
reminiscent回忆往事的；提醒的；使人联想…的（of）remark注意
random variable随机变量
respect考虑
respectively各自的；分别的
redundant过多的；冗余的
susceptible敏感的
stochastic可能的；随机的
symmetric对称的
sophisticated复杂的
spurious假的；伪造的
subtract减去；减法器
simultaneously同时发生地；同步地
suffice满足
scarce稀有的，难得的
split分解，分离
subset子集
statistic统计量
successive iteratious连续的迭代
scale标度
sort of有几分的
squares平方
trajectory轨迹temporarily暂时的terminology专用名词tolerance容忍；公差thumb翻阅
threshold阈，临界theorem定理
tangent正弦
unit-length vector单位向量valid有效的，正确的variance方差
variable变量；变元vocabulary词汇
valued经估价的；宝贵的wrapper包装
总计1038词汇
11.
小论知识与知识表示方法 摘要： 知识是人们在生产生活中经常使用的词汇，知识表示的过程是用一些约定的符号把知识编码成计算机可以接受的数据形式。知识的表示方法例如一阶谓词逻辑表示法，产生式表示法，语义网络表示法，框架表示法和过程规则表示法等等。目前，产生式表示法已经成了人工智能中应用最多的一种知识表示模式，尤其是在专家系统方面，产生式的基本形式P→Q 或者 IF P THEN QP是产生式的前提，也称为前件，它给出了该产生式可否使用的先决条件，由事实的逻辑组合来构成；Q是一组结论或操作，也称为产生式的后件，它指出当前题P 满足时，应该推出的结论或应该执行的动作。 关键字：知识；知识表示；产生式表示法 引言： 知识和知识表示方法是人们生活中必不可少的一部分，知识表示能力是指知识表示方法能否正确、有效地将推理所需要的各种知识表示出来，这是对知识表示方法的最为重要的要求。因为产生式表示方
法的自然性，有效性，一致性获得了所有人的肯定，成为构造专家系统的第一选择的知识表示方法。 正文： 1、知识 1.1知识的定义 知识是经过筛选和整理的信息，是对事物运动变化规律的表述，是人类对客观世界一种较为准确、全面的认识和理解。 1.2知识的特性 1）真假性及其相对性 2）不确定性 3）矛盾性或相容性 4）可表示性与可利用性 1.3知识的分类 1）叙述型知识，有关系统状态、环境、条件和问题的概念、定义和事实的知识。 2）过程型知识，有关系统变化、问题求解过程的操作、演算和运动的知识。 3）控制型知识，有关如何选择相应的操作、演算和行动的比较、判断、管理和决策的知识。 2、知识表示方法——产生式表示方法 “产生式”由美国数学家波斯特（E.POST）在1943年首先提出，它根据串代替规则提出了一种称为波斯特机的计算模型，模型中的每
单选题： 1.生物特征识别技术不包括（）。（3.0分） A.体感交互 B.指纹识别 C.人脸识别 D.虹膜识别 我的答案：A√答对 2.（）是人工智能的核心，是使计算机具有智能的主要方法，其应用遍及人工智能的各个领域。（ 3.0分） A.深度学习 B.机器学习 C.人机交互 D.智能芯片 我的答案：B√答对 3.下列选项中，不属于生物特征识别技术的是（）。（3.0分） A.步态识别 B.声纹识别 C.文本识别 D.虹膜识别 我的答案：C√答对
4.（）是自然语言处理的重要应用，也可以说是最基础的应用。（3.0分） A.文本识别 B.机器翻译 C.文本分类 D.问答系统 我的答案：C√答对 5.（）是指直接通过肢体动作与周边数字设备和环境进行交互。（3.0分） A.体感交互 B.指纹识别 C.人脸识别 D.虹膜识别 我的答案：A√答对 6.立体视觉是（）领域的一个重要课题，它的目的在于重构场景的三维几何信息。（3.0分） A.人机交互 B.虚拟现实 C.自然语言处理 D.计算机视觉 我的答案：D√答对
7.（），中共中央政治局就人工智能发展现状和趋势举行第九次集体学习。（3.0分） A.2018年3月15日 B.2018年10月31日 C.2018年12月31日 D.2019年1月31日 我的答案：B√答对 8.（）是通过建立人工神经网络，用层次化机制来表示客观世界，并解释所获取的知识，例如图像、声音和文本。（3.0分） A.深度学习 B.机器学习 C.人机交互 D.智能芯片 我的答案：A√答对 9.下列对人工智能芯片的表述，不正确的是（）。（3.0分） A.一种专门用于处理人工智能应用中大量计算任务的芯片 B.能够更好地适应人工智能中大量矩阵运算 C.目前处于成熟高速发展阶段 D.相对于传统的CPU处理器，智能芯片具有很好的并行计算性能 我的答案：C√答对
华尔通星级：五星 1、实时热点资讯 2、人工智能选股系统 3、股票基础知识学习视频教程（初、中、高） 4、支持线上开户，多数券商合作登录。 5、有比较多的技术指标。 6、支持模拟炒股功能 优势： 1、华尔智能选股 华尔智能选股是华尔通推出的根据对个股的量化计算、智能算法以及数据分析智能为用户选出相对优势股。分六个方面选择，包括趋势、突破、尾盘、十字星、黄金位、红三兵六种技术形态，全方位满足用户选股习惯。除此以外，华尔还能帮用户分析个股未来走势。 2、牛人圈子 华尔通设有专门的牛人圈子，资深高手汇聚，牛人会定时直播、分享经典战法、精研技术指标，更有牛人私人笔记，主要记录牛人精华内容，解读上市公司公告、季报、年报，提供最具参考的价值观点。 同花顺星级：五星 同花顺起步早，是国内第一批的企业，总体来说，优势还是有的。 优势： 1、资料齐备，你想看的信息基本上都有；
2、支持线上开户，大部分券商可以直接登录； 3、行情稳定； 4、有比较多的技术指标。 不足之处：还是偏向于传统，缺乏创新。 1.同花顺，大智慧：老牌交易软件, 功能齐全, 资讯及时, 模拟炒股为辅助, 更适合实盘操 作。 2.同花顺的最习惯最顺手，简洁、可视面积大。不过大券商基本都自己开发自家产品了。 电脑：收盘的温馨提示概况得也很实用。资讯栏信息排列得时间错乱 同花顺首页的强弱评级、赚钱效应、个股涨停分布算是挺实用的亮点。K线的指标平台各种指标都有，我觉得实用的一个是“扑捉顶底”，逃顶功能挺准的。感觉软件架构有点问题，容易假死。 雪球星级：四星 雪球最早是做美股论坛的平台，由于上线时间早，累积了大量的专业投资者。现在的雪球更像是个人投资组合的管理工具，同时也比较强调社交属性。 有趣的晒实盘的功能，增加了用户的互动。同时，雪球也推出了“买什么”产品，实质是用户自己建立的投资组合，一些投资组合是免费的，而一些是需要收费的。总的来说，在雪球上可以获得丰富的信息，而且投资者也可以非常便捷的交流。 自媒体社交，好声音打广告，股票微博类
人工智能的核心技术是什么？ 《人工智能标准化白皮书（2018）》 1 机器学习 机器学习（Machine Learning）是一门涉及统计学、系统辨识、逼近理论、神经网络、优化理论、计算机科学、脑科学等诸多领域的交叉学科，研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能，是人工智能技术的核心。基于数据的机器学习是现代智能技术中的重要方法之一，研究从观测数据（样本）出发寻找规律，利用这些规律对未来数据或无法观测的数据进行预测。根据学习模式、学习方法以及算法的不同，机器学习存在不同的分类方法。 （1）根据学习模式将机器学习分类为监督学习、无监督学习和强化学习等。 监督学习 监督学习是利用已标记的有限训练数据集，通过某种学习策略/方法建立一个模型，实现对新数据/实例的标记（分类）/映射，最典型的监督学习算法包括回归和分类。监督学习要求训练样本的分类标签已知，分类标签精确度越高，样本越具有代表性，学习模型的准确度越高。监督学习在自然语言处理、信息检索、文本挖掘、手写体辨识、垃圾邮件侦测等领域获得了广泛应用。 无监督学习 无监督学习是利用无标记的有限数据描述隐藏在未标记数据中的结构/规律，最典型的非监督学习算法包括单类密度估计、单类数据降维、聚类等。无监督学习不需要训练样本和人工标注数据，便于压缩数据存储、减少计算量、提升算法速度，还可以避免正、负样本偏移引起的分类错误问题。主要用于经济预测、异常检测、数据挖掘、图像处理、模式识别等领域，例如组织大型计算机集群、社交网络分析、市场分割、天文数据分析等。 强化学习 强化学习是智能系统从环境到行为映射的学习，以使强化信号函数值最大。由于外部环境提供的信息很少，强化学习系统必须靠自身的经历进行学习。强化学习的目标是学习从环境状态到行为的映射，使得智能体选择的行为能够获得环境最大的奖赏，使得外部环境对学习系统在某种意义下的评价为最佳。其在机器人控制、无人驾驶、下棋、工业控制等领域获得成功应用。 （2）根据学习方法可以将机器学习分为传统机器学习和深度学习。 传统机器学习 传统机器学习从一些观测（训练）样本出发，试图发现不能通过原理分析获得的规律，实现对未来数据行为或趋势的准确预测。相关算法包括逻辑回归、隐马尔科夫方法、支持向
人工智能在计算机网络技术的应 用 【摘要】近年来，计算机网络技术取得了极大的发展，与此同时其在多领域应用过程中所存在的问题也逐渐暴露并 引发人们的关注，比如计算机网络信息安全问题等。然而由于应用以往的数据运算等功能已然无法解决现阶段计算机 网络技术在实际应用中所出现的问题，因此便有了对人工智能应用的尝试。然而也正是在计算机网络技术发展日新月异的背景之下，人们对人工智能的应用优势也已然形成了较为成熟的认识，并于实际的计算机网络安全管理过程中扩大了对其的应用。本文首先从计算机网络安全管理技术与网络系统管理和评价技术两个角度介绍了人工智能的应用，接着对人工智能在计算机网络技术中的应用优势做了简要分析，以期能够推动人工智能应用的进一步发展。 【关键词】人工智能；计算机网络技术；应用 1人工智能在计算机网络安全管理技术中的具体应用 智能防火墙、智能反垃圾邮件系统以及智能化入侵检测是人工智能在计算机网络安全管理技术中的几个具体应用方面，在此主要对人工智能在入侵检测方面的应用进行介绍。第一，数据挖掘与数据融合技术。数据挖掘技术具有两大主
要功能，即学习与记忆功能。其在入侵检测过程中的具体应用为：首先应用审计程序提取和描述网络连接和主机会话的特征，接下来再利用数据挖掘技术这项人工智能来学习与记忆网络活动的正常轮廓等，如此一来，便可以在检测异常的情况发生时，对有害性的入侵进行准确的识别，从而使针对于入侵的实际检测效果获得大幅提升。而数据融合技术的应用原理则是，首先对数据进行组合，并在此基础上完成更多信息资源的获得。在计算机网络安全管理技术方面应用数据融合技术可以通过联合多个个体传感器共同发挥作用，从而有效降低其各自发挥作用时在检测范围方面所存在的局限性，最终实现传感器系统运行能力的大幅提升。第二，人工神经网络与人工免疫技术。人工神经网络的主要优势表现在其学习能力与容错能力等方面。将人工神经网络这项人工智能应用于计算机网络安全管理技术中不仅有利于提升对存 在噪声或畸变的输入模式的识别能力，而且还可以得益于并行模式从而有效提升入侵检测工作的效率。相较于传统的入侵检测技术而言，人工免疫技术的优势主要在于其自身所具备的三种机制，即基因库、否定选择、克隆选择，总得来说，这三种机制不仅有利于提升入侵检测系统的杀毒能力，而且有利于提升入侵检测系统对未知病毒的识别能力。而专就基因库这一项机制而言，其功能发挥原理在于：基因片段在发生突变或完成重组以后，可以储存在基因库中，如此一来，
人工智能选股之stacking集成学习
本文研究导读 (4) Stacking集成学习模型简介 (5) Stacking集成学习的原理 (5) 从传统的Stacking到改进的Stacking (6) Stacking集成学习中基模型的对比和选取 (7) 相同训练数据，不同模型的对比 (7) 训练数据为72个月 (7) 训练数据为6个月 (7) 不同训练数据，相同模型的对比 (8) 模型预测值相关性分析和夏普比率分析 (9) Stacking集成学习测试流程 (10) 测试流程 (10) 模型构建 (12) Stacking模型分层回测分析 (13) 模型选股测试结果和IC值分析 (17) 对比测试1 (18) 对比测试2 (20) 对比测试3 (22) 总结和展望 (24) 附录：传统Stacking和改进Stacking的区别 (25) 传统Stacking模型的构建过程 (25) 改进Stacking模型的构建过程 (25) 风险提示 (27)
图表1： Stacking集成学习示意图 (5) 图表2：传统的Stacking集成学习 (6) 图表3：改进的Stacking集成学习 (6) 图表4：各机器学习模型相对中证500的超额收益（训练数据为72个月） (7) 图表5：各机器学习模型相对中证500的超额收益（训练数据为6个月） (8) 图表6： XGBoost各训练期长度训练所得模型相对中证500的超额收益（训练数据为6个月）.. 8图表7：其他基模型预测值与XGBoost_72m预测值的相关系数 (9) 图表8：基模型夏普比率 (9) 图表9：基模型适应度指标S (9) 图表10： Stacking集成学习模型构建示意图 (10) 图表11：选股模型中涉及的全部因子及其描述 (11) 图表12： Stacking模型滚动训练过程 (12) 图表13： Stacking模型滚动测试过程 (13) 图表14：单因子分层测试法示意图 (14) 图表15： Stacking模型分层组合绩效分析（20110131～20180427） (15) 图表16： Stacking模型分层组合回测净值 (15) 图表17： Stacking模型各层组合净值除以基准组合净值示意图 (15) 图表18： Stacking模型分层组合1相对沪深300月超额收益分布图 (15) 图表19： Stacking模型多空组合月收益率及累积收益率 (15) 图表20： Stacking模型组合在不同年份的收益及排名分析（分十层） (16) 图表21：不同市值区间Stacking模型组合绩效指标对比图（分十层） (16) 图表22：不同行业Stacking模型分层组合绩效分析（分五层） (17) 图表23：对比测试1中各种模型选股指标对比（全A选股，行业中性） (18) 图表24：对比测试1中各种模型超额收益和回撤表现（全A选股，中证500行业中性，每个行业选4只个股） (19) 图表25：对比测试1中各种模型IC，IR指标 (19) 图表26：对比测试1中各种模型IC 值累积曲线 (19) 图表27：对比测试2中各种模型选股指标对比（全A选股，行业中性） (20) 图表28：对比测试2中各种模型超额收益和回撤表现（全A选股，中证500行业中性，每个行业选4只个股） (21) 图表29：对比测试2中各种模型IC，IR指标 (21) 图表30：对比测试2中各种模型IC 值累积曲线 (21) 图表31：对比测试3中各种模型选股指标对比（全A选股，行业中性） (22) 图表32：对比测试3中各种模型超额收益和回撤表现（全A选股，中证500行业中性，每个行业选4只个股） (23) 图表33：对比测试3中各种模型IC，IR指标 (23) 图表34：对比测试3中各种模型IC 值累积曲线 (23) 图表35：传统Stacking模型的构建过程 (25) 图表36：改进Stacking模型的构建过程 (26)
人工智能词汇表 (技术文章) 阿天发表于:04-12-08 20:42 1，AI: AI是人工智能英文单词Artificial Intelligence的缩写。 2，人工智能: 人工智能是研究如何制造出人造的智能机器或智能系统，来模拟人类智能活动的能力，以延伸人们智能的科学。 3，产生式系统: 产生式系统是Post于1943年提出的一种计算形式体系里所使用的术语，主要是使用类似于文法的规则，对符号串作替换运算。到了60年代产生式系统成为认知心理学研究人类心理活动中信息加工过程的基础，并用它来建立人类认识的模型。到现在产生式系统已发展成为人工智能系统中最典型最普遍的一种结构，例如目前大多数的专家系统都采用产生式系统的结构来建造。产生式系统由综合数据库、一组产生式规则（规则集）和一个控制系统（控制策略）三部分组成，称为产生式系统的三要素。 4，产生式系统的三要素: 产生式系统的三要素是综合数据库、一组产生式规则（规则集）和一个控制系统（控制策略）。 5，产生式规则: 产生式规则是知识表示的一种形式，其形式如下： IF <前件> THEN <后件> 其中规则的<前件>表达的是该条规则所要满足的条件，规则的<后件>表示的是该规则所得出的结论，或者动作。规则表达的可以是与待求解的问题有关的客观规律方面的知识，也可以是对求解问题有帮助的策略方面的知识。 6，八数码游戏（八数码问题）: 八数码游戏（八数码问题）描述为：在3×3组成的九宫格棋盘上，摆有八个将牌，每一个将牌都刻有1-8八个数码中的某一个数码。棋盘中留有一个空格，允许其周围的某一个将牌向空格移动，这样通过移动将牌就可以不断改变将牌的布局。这种游戏求解的问题是：给定一种初始的将牌布局或结构（称初始状态）和一个目标的布局（称目标状态），问如何移动将牌，实现从初始状态到目标状态的转变。 7，传教士和野人问题（M-C问题）: 传教士和野人问题描述为：有N个传教士和N个野人来到河边准备渡河，河岸有一条船，每次至多可供k人乘渡。问传教士为了安全起见，应如何规划摆渡方案，使得任何时刻，在河的两岸以及船上的野人数目总是不超过传教士的数目（允许在河的某一岸或者在船上只有野人而没有传教士）。 8，路径:
眉山市公需科目培训：2019人工智能与健康试题及答案（四） 一、单选题 1.《“健康中国2030”规划纲要》中提到，健康是经济社会发展的（）。（ 2.0分） A.必然要求 B.基础条件 C.核心要义 D.根本目的 我的答案：B√答对 2.对于神经退行性疾病，（）将成为主要的检测手段。（2.0分） A.X光 B.计算机断层扫描 C.核磁共振成像 D.内窥镜 我的答案：C√答对 3.在中国现有的心血管病患中，患病人数最多的是（）。（2.0分） A.脑卒中 B.冠心病 C.高血压 D.肺原性心脏病 我的答案：C√答对 4.（）是用电脑对文本集按照一定的标准进行自动分类标记。（2.0分） A.文本识别 B.机器翻译 C.文本分类 D.问答系统 我的答案：C√答对 5.古代把计量叫“度量衡”，其中，“度”是测量（）的过程。（2.0分） A.长度 B.容积 C.温度
我的答案：A√答对 6.瓦普尼克&泽范兰杰斯理论（VC理论）的目标是很好地（）事件。（2.0分） A.预测 B.统计 C.分析 D.回顾 我的答案：A√答对 7.“计算机器能够思维”的观点是由（）提出来的。（2.0分） A.冯·诺依曼 B.图灵 C.诸葛亮 D.公输班 我的答案：B√答对 8.据清华原副校长施一公教授研究，中国每年有265万人死于（），占死亡人数的28%。（2.0分） A.癌症 B.心脑血管疾病 C.神经退行性疾病 D.交通事故 我的答案：A√答对 9.关于专用人工智能与通用人工智能，下列表述不当的是（）。（2.0分） A.人工智能的近期进展主要集中在专用智能领域 B.专用人工智能形成了人工智能领域的单点突破，在局部智能水平的单项测试中可以超越人类智能 C.通用人工智能可处理视觉、听觉、判断、推理、学习、思考、规划、设计等各类问题 D.真正意义上完备的人工智能系统应该是一个专用的智能系统 我的答案：D√答对 10.50年前，人工智能之父们说服了每一个人：“（）是智能的钥匙。”（2.0分） A.算法 B.逻辑
人工智能与网络安全 【考点解析】 人工智能(Artificial Intelligence) , 英文缩写为AI 。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式作出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。 人工智能的应用： ①模式识别：指纹识别、语音识别、光学字符识别、手写识别等 ②机器翻译：语言翻译 ③智能机器人、计算机博弈、智能代理 ④其它：机器证明、数据挖掘、无人驾驶飞机、专家系统等 ●例题1：下列不属于人工智能软件的是：（ C ） A、语音汉字输入软件 B、金山译霸 C、在联众网与网友下棋 D、使用OCR汉字识别软件 ●例题2.下列运用了人工智能技术的是（C ） A.播放视频 B.播放音乐 C.手写板输入汉字 D.键盘输入汉字 ●例题3.以下不属于人工智能技术应用的（ B ） A.超级国际象棋电脑“深蓝二代” B.office软件 C.医疗专家系统 D.于机器人对话 ●例题4.某公司为了加强考勤管理，购置了指纹打卡机，这体现信息技术的（ C ） A.多元性 B.网络化 C.智能化 D.多媒体化 ●例题5. 指纹识别属于人工智能学科中的（ B ） A.字迹识别研究范畴 B.模式识别研究范畴 C.语音识别研究范畴 D.字符识别研究范畴 【考点】了解信息的发布与交流的常用方式 【考点解析】 信息发布
?根据发布的方式：视觉：报纸、杂志、书籍听觉：广播视听：电影、电视、网络 ?根据发布主体分成三类：个人信息发布；行业信息发布；官方机构信息发布 ?因特网上信息发布的常用方式：E-mail（电子邮件）BBS（论坛公告板）QQ（同类的还有MSN等）博客（weblog） ?信息发布的效果与以下三个方面有关：发布的时间与地点、媒体的发布速度、信息的保存时间 ●例题6：以下关于电子邮件的说法不正确的是: （ C ） A、电子邮件的英文简称是E－mail。 B、所有的E－mail地址的通用格式是：用户名@邮件服务器名 C、在一台计算机上申请的“电子邮箱”，以后只有通过这台计算机上网才能收信 D、一个人可以申请多个电子邮箱 补充：网络常用术语 站点（网站）：是一组网络资源的集合。便于维护和管理 超级链接：用超级链接可以实现从一个网页到另一个目标的连接，这个目标可以是一个网页，也可以是图像、动画、视频，甚至可以是一 个可执行程序 超文本：主要以文字的形式表示信息，建立链接关系主要是在文本间进行防火墙：是指一个或一组系统，用来在两个或多个网络间加强防问控制，限制入侵者进入，从而起以安全防护的作用。 BBS：就是我们平时所说的论坛，我们可以在里面就自己感兴趣的话题发布信息或提出看法 E-mail:就是我们平时所说的电子邮件，其特点P91 ●例题7.下列不属于在因特网上发布信息的是（ A ） A．将数据保存在光盘中 B.发送E-mail邮件 C.发表博客文章 D.与同学通过QQ聊天 ●例题8.利用业余时间创作了一段flash动画，想与远方的朋友一起分享，下列可供他发表改作品的途径有（ C ） ①在因特网以网页形式发布②在论坛公告板BBS上发布③通过电子邮件发送给朋友④通过固定电话告诉朋友⑤通过网络聊天工具QQ传送 A. ①②③④⑤ B. ①②③④ C. ①②③⑤ D.②③④⑤
四句话就让你彻底明白人工智能都是什么! 第一句：AI顾名思义就是英文单词Artificial intelligenc，即人工智能。 其实人工智能并不是什么触不可及的东西，包括苹果Siri、百度度秘、微软小冰等智能助理和智能聊天类应用以及美图秀秀的自动美化功能，都属于人工智能。甚至一些简单的，套路固定的资讯类新闻，也是由人工智能来完成的。 当然，现在的主流搜索引擎以及翻译技术也都在尝试，利用人工智能来为广大网友提供更为精准的搜索服务。至于以实物存在的人工智能，当属现在物流仓库的小黄机器人了。他们正代替人类完成繁重的商品摆放、整理，快速出库、入库等操作。 第二句：现在人工智能并没有发展到像电影中的机器人一样，那么高智能化的程度，今天的家庭机器人还远无法像大家奢望的那样，以人形外貌出现在主人面前。现在的人工智能分三个级别：弱人工智能、强人工智能、超人工智能。 1、弱人工智能 也称限制领域人工智能或应用型人工智能，指的是专注于且只能解决特定领域问题的人工智能。毫无疑问，今天我们看到的所有人工智能算法和应用都属于弱人工智能。Alpha Go 其实也是一个弱人工智能。 2、强人工智能 强人工智能又称通用人工智能或完全人工智能，指的是可以胜任人类所有工作的人工智能。一个可以称得上强人工智能的程序，大概需要具备以下几方面的能力：存在不确定因素时进行推理，使用策略，解决问题，制定决策的能力；知识表示的能力，包括常识性知识的表示能力；规划能力；学习能力；使用自然语言进行交流沟通的能力；将上述能力整合起来实现既定目标的能力。 3、超人工智能 假设计算机程序通过不断发展，可以比世界上最聪明、最有天赋的人类还聪明，那么由此
基于神经网络的人机对抗人工智能系统（理论） -------------------------------------------------------------------------------- 基于神经网络的人机对抗人工智能系统 Harreke 摘要： 人工智能是一门科学名称。自电子计算机发明后不久，人工智能学科即宣布创立，其目的就是要模拟人类的智力活动机制来改进计算机的软件硬件构成，使他们掌握一种或多种人的智能，以便在各种领域内有效替代人的脑力劳动，特别是解决用传统软硬件方法难以解决的问题，如模式识别，复杂的控制行为或对海量的数据进行实时评估等。 所谓人工智能，就是由人工建立的硬件或软件系统的智能，是无生命系统的智能。智能是人类智力活动的能力，是一个抽象的概念。一个软件或硬件系统是否有智能，只能根据它所表现出来的行为是否和人类某些行为相类似来做判断。 人工智能在计算机上的实现，有两种不同的方式。一种是采用传统的编程技术，使系统呈现智能的效果，而不考虑所用方法是否与人或生物机体所用的方法相同。这种方法称为工程学方法，它的编程方式虽然简单，智能效果显著，可是算法和程序一旦固定下来，智能就很难再进一步提高。另一种是模拟法，它不仅要看智能效果，还要求实现方法和人类或生物机体所用的方法相同或类似。人工神经网络是模拟人类或生物大脑中神经元的活动方式，属于模拟法。 人工神经网络入门难度大，编程者需要为每一个对象设置一个智能系统来进行控制，新设置好的智能系统，虽然一开始什么都不懂，但它拥有学习的能力，可以通过学习，不断提升智能，不断适应环境、应付各种情况。通常来讲，使用人工神经网络虽然编程复杂，但编写完成后的维护工作，将比使用其他方式编程后的维护更加省力。 本文采用人工神经网络构建一个完整的人工智能系统，并将该人工神经网络理论应用于电脑领域的项目DOTA。 关键词：人机对抗，神经网络，人工智能，DOTA 目录 第一章神经网络系统概述 1.1生物学神经网络 1.2人工神经网络
人工智能技术及其发展趋势 1.关于专用人工智能与通用人工智能，下列表述不当的是（）。（10.0分） A.人工智能的近期进展主要集中在专用智能领域 B.专用人工智能形成了人工智能领域的单点突破，在局部智能水平的单项测试中可以超越人类智能 C.通用人工智能可处理视觉、听觉、判断、推理、学习、思考、规划、设计等各类问题 D.真正意义上完备的人工智能系统应该是一个专用的智能系统 我的答案：D√答对 2.（）是通过建立人工神经网络，用层次化机制来表示客观世界，并解释所获取的知识，例如图像、声音和文本。（10.0分） A.深度学习 B.机器学习 C.人机交互 D.智能芯片 我的答案：A√答对 3.下列选项中，不属于生物特征识别技术的是（）。（10.0分） A.步态识别 B.声纹识别 C.文本识别
D.虹膜识别 我的答案：C√答对 4.（）是自然语言处理的重要应用，也可以说是最基础的应用。（10.0分） A.文本识别 B.机器翻译 C.文本分类 D.问答系统 我的答案：C√答对 1.一般说来，人工智能技术包括（）。（10.0分）） A.深度学习、机器学习 B.计算机视觉、自然语言处理 C.人机交互、生物信息技术、智能芯片 D.虚拟现实/增强现实、机器人技术 我的答案：ABCD√答对 2.指纹识别是通过（）等物理传感器获取指纹图像，经过数据处理进行分析判别。（10.0分）） A.光 B.电 C.力 D.热
我的答案：ABCD √答对 1.机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。（10.0分） 我的答案： 正确 √答对 2.卷积神经网络是一种常用来处理具有网格结构拓扑数据的神经网络，如处理时序数据和图像数据等，广泛应用于人脸识别、物品识别等领域。（10.0分） 我的答案： 正确 √答对 3.人工智能是科学交叉的结果，它由不同领域多学科综合发展而来。（10.0分） 我的答案： 正确 √答对 4.机器人一般由执行机构、驱动装置、检测装置、控制系统和复杂机械等组成，涉及到控制论、机械电子、计算机、材料、仿生等学科，在工业、医学、农业、建筑业甚至军事等领域中均有重要用途。（10.0分） 我的答案： 正确 √答对 1、最困难的事就是认识自己。20.7.57.5.202008:2708:27:50Jul-2008:27 2、自知之明是最难得的知识。二〇二〇年七月五日2020年7月5日星期日 3、越是无能的人，越喜欢挑剔别人。08:277.5.202008:277.5.202008:2708:27:507.5.202008:277.5.2020 4、与肝胆人共事，无字句处读书。7.5.20207.5.202008:2708:2708:27:5008:27:50 5、三军可夺帅也。Sunday, July 5, 2020July 20Sunday, July 5, 20207/5/2020 6、最大的骄傲于最大的自卑都表示心灵的最软弱无力。8时27分8时27分5-Jul-207.5.2020 7、人生就是学校。20.7.520.7.520.7.5。2020年7月5日星期日二〇二〇年七月五日 亲爱的用户： 烟雨江南，画屏如展。在那桃花盛开的地方，在这醉 人芬芳的季节，愿你生活像春天一样阳光，心情像桃花一 样美丽，感谢你的阅读。
人工智能专业重要词汇表 1、A开头的词汇： Artificial General Intelligence/AGI通用人工智能 Artificial Intelligence/AI人工智能 Association analysis关联分析 Attention mechanism注意力机制 Attribute conditional independence assumption属性条件独立性假设Attribute space属性空间 Attribute value属性值 Autoencoder自编码器 Automatic speech recognition自动语音识别 Automatic summarization自动摘要 Average gradient平均梯度 Average-Pooling平均池化 Accumulated error backpropagation累积误差逆传播 Activation Function激活函数 Adaptive Resonance Theory/ART自适应谐振理论 Addictive model加性学习 Adversarial Networks对抗网络 Affine Layer仿射层 Affinity matrix亲和矩阵 Agent代理/ 智能体 Algorithm算法 Alpha-beta pruningα-β剪枝 Anomaly detection异常检测 Approximation近似 Area Under ROC Curve／AUC R oc 曲线下面积 2、B开头的词汇 Backpropagation Through Time通过时间的反向传播Backpropagation/BP反向传播 Base learner基学习器 Base learning algorithm基学习算法 Batch Normalization/BN批量归一化 Bayes decision rule贝叶斯判定准则 Bayes Model Averaging／BMA贝叶斯模型平均 Bayes optimal classifier贝叶斯最优分类器 Bayesian decision theory贝叶斯决策论 Bayesian network贝叶斯网络
湖南理工学院 人工智能课程论文 题目：模式识别及人工神经网络 课程名称：人工智能 院系：计算机学院 专业班级： 姓名： 学号: 课程论文成绩： 指导教师： 2016年 6 月 26 日 模式识别及人工神经网络 摘要:人工神经网络是指模拟人脑神经系统的结构和功能,运用大量的处理部件,由人工方式建立起来的网络系统。该文首先介绍了神经网络研究动向，然后介绍了近年来几种新型神经网络的基本模型及典型应用,包括模糊神经网络、神经网络与遗传算法的结合、进化神经网络、混沌神经网络和神经网络与小波分析的结合。最后,根据这几种新型神经网络的特点, 展望了它们今后的发展前景。[2] 关键词:模糊神经网络;神经网络与遗传算法的结合;进化神经网络;混沌神经网络；神经网络与小波分析。 Pattern recognition and artificial neural network
Abstract: Artificial neural network is the system that simulates the human brain’s structure and function, and uses a large number of processing elements, and is manually established by the network system. This paper firstly introduces the research trends of the neural network, and then introduces several new basic models of neural networks and typical applications in recent years, including of fuzzy neural network, the combine of neural network and genetic algorithm, evolutionary neural networks, chaotic neural networks and the combine of neural networks and wavelet analysis. Finally, their future prospects are predicted based on the characteristics of these new neural networks in the paper. Key words: Fuzzy neural network; Neural network and genetic algorithm; Evolutionary neural networks; Chaotic neural networks; Neural networks and wavelet analysis 1 什么是人工神经网络？ 所谓人工神经网络就是模仿生物大脑的结构和功能而构成的一种信息系统计算机，人士地球上具有最高智慧的动物，而人的指均来自大脑，人类靠大脑进行思考，联想，记忆和推理判断等，这些功能是任何被称为“电脑”的一般计算机所无法取代的，长期以来，许多科学家一直致力于人脑内部结构和功能的探讨和研究，并试图建立模拟人脑的计算机，虽然到目前对大脑的内部工作机理还不是完全清楚，但对其结构有所了解。粗略地讲，大脑是由大量神经细胞或者神经元组成的，每个神经元可看作是一个小的处理单元，这些神经元按某种方式连接起来，形成大脑内部的生理神经元网络。这种神经元网络中各神经元之间联结的强弱，按外部的激励信号做自适应变化，而每个神经元又随着所接收到的多个信号的综合大小而呈现兴奋或抑制状态。 1.1 人工智能网络的发展 （1）初期（萌发）期---MP模型的提出和人工升级网络的兴起 --1943年，美国神经生理学家Warren Mcculloch和数学家Walter Pitts 合写了一篇关于神经元如何工作的开拓性文章：“A Logical Calculus of Ideas Immanent in Nervous Activity”。该文指出，脑细胞的活动就像各种逻辑运算。
通用人工智能与机器的意 识问题 南开大学黄彧
?意识是什么——意识的哲学思考？?Conscious AGI Agent是否可能？ ?Conscious AGI Agent如何构建自己的身体？?Conscious AGI Agent是怎样与环境互动的？ ?如何理解AGI Agent中的时间问题？?Conscious AGI Agent实现自由意志的途径是什么？?AGI Agent如何具有主观经验？ ?AGI Agent中意识和创造力有何种联系？
?Antonio Chella University of Palermo 研究领域：Artificial Intelligence; Oncology; Machine Learning & Pattern Recognition; Cardiology; Multimedia antonio.chella@unipa.it ?Riccardo Manzotti Iulm University of Milan 研究领域：Artificial Intelligence; Computer Vision; Human-Computer InteractionNetworks & Communications; Neuroscience riccardo.manzotti@iulm.it One's conscious experience of an object is identical with the object one experiences
对在设计有意识的智能体时面临的主要问题，进行回顾。
2019年人工智能系列研究：机器学习中的随机数
正文目录 本文研究导读 (4) 机器学习中的随机数 (5) 从计算机中的随机数生成谈起 (5) 数据集的随机划分 (5) 优化算法中的随机数 (6) 赋予参数随机初始值 (6) 随机梯度下降 (6) 集成学习中的随机数 (8) 神经网络中的随机数 (9) Python环境下如何设置随机数种子 (10) 机器学习选股模型随机性的来源 (11) 方法 (12) 人工智能选股模型测试流程 (12) 全连接神经网络模型参数设定 (14) 单因子测试 (14) 回归法和IC值分析法 (14) 分层回测法 (15) 结果 (16) 模型性能 (16) 回归法和IC值分析法 (17) 分层测试法 (18) 不同随机性来源的横向比较 (20) 总结 (22) 风险提示 (23) 图表目录 图表1：机器学习中随机数所涉及的环节、作用和代表模型 (5) 图表2：二元损失函数示意图 (7) 图表3：损失函数为凸函数（左）和非凸函数（右） (7) 图表4：梯度下降法（左）和随机梯度下降法（右） (7) 图表5：Bootstrap重采样示意图 (8) 图表6：Bagging并行集成方法示意图 (9) 图表7：Dropout方法示意图 (10) 图表8：Python常用机器学习包中随机数种子参数设置方法 (11) 图表9：keras包（tensorflow作为后端）设置随机数种子代码实例 (11) 图表10：机器学习选股模型随机性的可能来源和对应的考察方式 (11)
图表11：人工智能选股模型测试流程示意图 (12) 图表12：年度滚动训练示意图 (12) 图表13：选股模型中涉及的全部因子及其描述 (13) 图表14：模型历年滚动训练最优超参数 (14) 图表15：2011~2018年四种模型样本外平均正确率分布 (16) 图表16：2011~2018年四种模型样本外平均AUC分布 (16) 图表17：2018年四种模型样本外平均正确率分布 (16) 图表18：2018年四种模型样本外平均AUC分布 (16) 图表19：2011~2018年四种模型平均t 值分布 (17) 图表20：2011~2018年四种模型平均|t|值分布 (17) 图表21：2011~2018年四种模型平均因子收益率分布 (17) 图表22：2011~2018年四种模型平均Rank IC分布 (17) 图表23：2011~2018年逻辑回归模型累积Rank IC及波动情况 (18) 图表24：2011~2018年XGBoost模型累积Rank IC及波动情况 (18) 图表25：2011~2018年随机森林模型累积Rank IC及波动情况 (18) 图表26：2011~2018年全连接神经网络模型累积Rank IC及波动情况 (18) 图表27：2011~2018年四种模型多空组合年化收益率分布 (18) 图表28：2011~2018年四种模型多空组合夏普比率分布 (18) 图表29：2011~2018年四种模型Top组合年化收益率分布 (19) 图表30：2011~2018年四种模型Top组合夏普比率分布 (19) 图表31：2011~2018年逻辑回归模型多空组合净值及波动情况 (19) 图表32：2011~2018年XGBoost模型多空组合净值及波动情况 (19) 图表33：2011~2018年随机森林模型多空组合净值及波动情况 (19) 图表34：2011~2018年全连接神经网络模型多空组合净值及波动情况 (19) 图表35：2011~2018年逻辑回归模型多空组合平均和最优最差净值 (20) 图表36：2011~2018年XGBoost模型多空组合平均和最优最差净值 (20) 图表37：2011~2018年随机森林模型多空组合平均和最优最差净值 (20) 图表38：2011~2018年全连接神经网络多空组合平均和最优最差净值 (20) 图表39：XGBoost模型四种随机性来源比较 (21)
人工智能及其在智能家居领域的应用实践 在百度里输入智能两个字，我们可以得到智能手机、智能手环、智能眼镜等词汇就映入眼中，但智能究竟是什么？人工智能又是什么？人工智能与我们的生活有什么联系呢？我想就这三个话题谈谈我的 一些认识和了解。 百度百科对“智能”下的定义是：从感觉到记忆到思维这一过程，称为“智慧”，智慧的结果就产生了行为和语言，将行为和语言的表达过程称为“能力”，两者合称“智能”，将感觉、记忆、回忆、思维、语言、行为的整个过程称为智能过程，它是智力和能力的表现。 智能及智能的本质是古今中外许多哲学家、脑科学家一直在努力探索和研究的问题，但至今仍然没有完全了解，以致智能的发生与物质的本质、宇宙的起源、生命的本质一起被列为自然界四大奥秘。近些年来，随着脑科学、神经心理学等研究的进展，人们对人脑的结构和功能有了初步认识，但对整个神经系统的内部结构和作用机制，特别是脑的功能原理还没有认识清楚，有待进一步的探索。 至于人工智能，维基百科给出的定义是：人工智能（Artificial Intelligence, AI）亦称机器智能，是指由人工制造出来的系统所表现出来的智能。通常人工智能是指通过普通电脑实现的智能。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能
完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。例如繁重的科学和工程计算本来是要人脑来承担的，现在计算机不但能完成这种计算, 而且能够比人脑做得更快、更准确，因之当代人已不再把这种计算看作是“需要人类智能才能完成的复杂任务”, 可见复杂工作的定义是随着时代的发展和技术的进步而变化的, 人工智能这门科学的具体目标也自然随着时代的变化而发展。所谓的智能手机、智能手环、智能眼镜等等，以目前的科技水平来看这些物件本身并不会自主思考，也没有人脑一样一系列的复杂思考过程，它们的智能只是在科技领域的术语，可以相对于三十年前的手机手环和眼镜等，现在的设备在信息处理和与人交互方面有了质的飞跃，我想这可能是冠以智能名义的原因吧。人工智能的研究领域很广，主要包括机器人、语言识别、图像识别、自然语言处理和专家系统等。我们比较熟悉的智能家居，就是人工智能衍化的一个细小分支。 智能家居是在互联网的影响之下物联化体现。智能家居通过物联网技术将家中的各种设备（如音视频设备、照明系统、窗帘控制、空调控制、安防系统、数字影院系统、影音服务器、影柜系统、网络家电等）连接到一起，提供家电控制、照明控制、电话远程控制、室内外遥控、防盗报警、环境监测、暖通控制、红外转发以及可编程定时控制等多种功能和手段。与普通家居相比，智能家居不仅具有传统的居住功能，兼备建筑、网络通信、信息家电、设备自动化，集系统、结构、服务、管理为一体的高效、舒适、安全、便利、环保的居住环境，提供全方位的信息交互功能。帮助家庭与外部保持信息交流畅通，