인공지능 용어집

이 인공지능 용어집은 인공지능, 그 하위 분야 및 관련 분야의 연구와 관련된 용어와 개념의 정의 목록입니다.관련 용어집에는 컴퓨터 과학 용어집, 로봇 용어집 및 기계 비전 용어집이 있습니다.

A

abductive logic programming (ALP): 납치적 추론에 기초한 문제를 선언적으로 해결하기 위해 사용할 수 있는 높은 수준의 지식 표현 프레임워크.일부 술어가 불완전하게 정의되어 압두 가능한 술어로 선언되도록 함으로써 일반 논리 프로그래밍을 확장합니다.
abductive reasoning: 관찰 또는 관찰 집합에서 시작하여 가장 단순하고 가능성이 높은 설명을 찾는 논리적 추론 형식입니다.이^[2] 과정은 연역적 추론과 달리 그럴듯한 결론을 내지만 그것을 ^[1]긍정적으로 검증하지는 않는다.^[1]
abstract data type: 데이터 타입의 수학적 모델.데이터 타입은 데이터 사용자의 관점에서 동작(의미학)에 의해 정의됩니다.특히 가능한 값, 이 타입의 데이터에 대한 가능한 연산 및 이러한 연산의 동작에 관한 것입니다.
abstraction: 관심 있는^[4] 다른 세부 사항에 보다 밀접하게 주의를 기울이기 위해 물체나 시스템을 연구할 때 물리적, 공간적 또는 시간적^[3] 세부사항이나 속성을 제거하는 과정
accelerating change: 역사 전반에 걸쳐 기술 변화율이 증가하는 것으로 인식되며, 이는 미래에 더 빠르고 더 심오한 변화를 시사할 수 있으며, 마찬가지로 심오한 사회문화적 변화를 동반할 수도 있고 동반하지 않을 수도 있습니다.
action language: 상태 전이 시스템을 지정하기 위한 언어로,^[5] 일반적으로 전 세계에 대한 액션의 영향에 대한 공식 모델을 만드는 데 사용됩니다.행동 언어는 인공지능과 로봇 분야에서 일반적으로 사용되며, 시간이 지남에 따라 행동이 시스템 상태에 어떻게 영향을 미치는지 기술하며 자동화된 계획에 사용될 수 있다.
action model learning: 환경 내에서 실행할 수 있는 액션의 효과와 전제조건에 관한 소프트웨어 에이전트의 지식의 작성과 수정에 관한 머신러닝 영역.이 지식은 보통 논리 기반 행동 기술 언어로 표현되며 자동 계획자의 입력으로 사용됩니다.
action selection: 인텔리전트 시스템의 가장 기본적인 문제를 특징짓는 방법: 다음에 무엇을 할 것인가.인공지능과 컴퓨터 인지과학에서 "행동 선택 문제"는 일반적으로 지능형 에이전트와 에이전트 환경에서 복잡한 행동을 보이는 인공 시스템인 애니매트와 관련된다.
activation function: 인공신경망에서 노드의 활성화 함수는 입력 또는 입력 세트가 주어진 노드의 출력을 정의한다.
adaptive algorithm: 이전에 정의된 보상 메커니즘 또는 기준에 따라 실행 시 동작을 변경하는 알고리즘입니다.
adaptive neuro fuzzy inference system (ANFIS): 다카기를 기반으로 한 일종의 인공신경망.Sugeno 퍼지 추론 시스템.이 기술은 1990년대 ^[6]^[7]초에 개발되었습니다.그것은 신경 네트워크와 퍼지 논리 원리를 모두 통합하기 때문에, 그것은 단일 프레임워크에서 두 가지 모두의 이점을 포착할 수 있는 잠재력을 가지고 있다.그 추론 시스템은 일련의 퍼지 IF에 대응한다.그러면 비선형 ^[8]함수를 근사할 수 있는 학습 능력이 있는 규칙입니다.따라서 ANFIS는 범용 ^[9]추정기로 간주된다.ANFIS를 보다 효율적이고 최적의 방법으로 사용하기 위해서는 유전 ^[10]^[11]알고리즘에 의해 얻어진 최적의 파라미터를 사용할 수 있다.
admissible heuristic: 컴퓨터 과학에서, 특히 경로찾기와 관련된 알고리즘에서, 휴리스틱 함수는 목표에 도달하는 비용을 결코 과대평가하지 않는다면, 즉 목표에 도달하기 위해 추정하는 비용이 ^[12]경로의 현재 지점에서 가능한 최저 비용보다 높지 않다면 허용된다고 한다.
affective computing: 인간의 영향을 인식, 해석, 처리 및 시뮬레이션할 수 있는 시스템 및 장치의 연구 및 개발.감성 컴퓨팅은 컴퓨터 과학, 심리학 및 인지 과학에 ^[13]^[14]걸친 학문 간 분야입니다.
agent architecture: 컴포넌트의 배치를 나타내는 소프트웨어 에이전트와 인텔리전트 제어 시스템의 청사진.지능형 에이전트에 의해 구현된 아키텍처를 인지 ^[15]아키텍처라고 합니다.
AI accelerator: 인공지능 애플리케이션, 특히 인공 신경 네트워크, 기계 비전 및 기계 학습을 위한 하드웨어 가속으로 설계된 마이크로프로세서^[16] 또는 컴퓨터^[17] 시스템 클래스입니다.
AI-complete: 인공지능 분야에서 가장 어려운 문제는 비공식적으로 AI-complete 또는 AI-hard로 알려져 있는데, 이는 이러한 계산 문제의 난이도가 중앙 인공지능 문제를 해결하는 것과 동등하다는 것을 암시한다. 즉, 컴퓨터를 사람처럼 지능화하거나 강력한 ^[18]AI로 만드는 것이다.문제를 AI-완전이라고 부르는 것은 단순한 특정 알고리즘으로는 해결할 수 없다는 태도를 반영한다.
algorithm: 문제 클래스의 해결 방법에 대한 명확한 사양입니다.알고리즘은 계산, 데이터 처리 및 자동화된 추론 태스크를 수행할 수 있습니다.
algorithmic efficiency: 알고리즘에 의해 사용되는 계산 자원의 수와 관련된 알고리즘의 속성.알고리즘을 분석하여 자원 사용량을 결정해야 하며, 알고리즘의 효율은 다른 자원의 사용에 기초하여 측정할 수 있습니다.알고리즘 효율은 반복 프로세스 또는 연속 프로세스의 엔지니어링 생산성과 유사하다고 생각할 수 있습니다.
algorithmic probability: 알고리즘 정보 이론에서, Solomonoff 확률이라고도 알려진 알고리즘 확률은 주어진 관찰에 사전 확률을 할당하는 수학적 방법입니다.그것은 1960년대에 ^[19]레이 솔로몬오프에 의해 발명되었다.
AlphaGo: 바둑을 두는 컴퓨터 프로그램.^[20]그것은 런던에 있는 알파벳사의 구글 딥마인드에 의해 개발되었다.알파고는 알파고 제로, 알파고 마스터, 알파고 리 ^[21]등 여러 가지 버전이 있다.2015년 10월, 알파고는 19×19 크기의 대형 ^[22]^[23]보드에서 핸디캡 없이 인간 프로 바둑을 이긴 최초의 컴퓨터 바둑 프로그램이 되었다.
ambient intelligence (AmI): 사람의 존재에 민감하고 반응성이 뛰어난 전자 환경.
analysis of algorithms: 알고리즘의 계산 복잡도 결정. 즉, 알고리즘 실행에 필요한 시간, 스토리지 및/또는 기타 자원의 양입니다.통상, 알고리즘의 입력의 길이와 스텝의 수(시간 복잡도) 또는 사용하는 스토리지 장소의 수(공간 복잡도)를 관련짓는 함수를 결정합니다.
analytics: 데이터에서 의미 있는 패턴의 발견, 해석 및 통신.
answer set programming (ASP): 어려운(주로 NP-하드) 검색 문제를 지향하는 선언형 프로그래밍의 한 형태입니다.이것은 논리 프로그래밍의 안정적인 모델(응답 집합) 의미론에 기초합니다.ASP에서는 검색 문제가 안정적인 모델을 계산하기 위해 축소되고, 안정적인 모델을 생성하기 위한 프로그램인 응답 집합 솔버가 검색을 수행하기 위해 사용됩니다.
anytime algorithm: 문제가 종료되기 전에 중단되어도 문제에 대한 유효한 해결책을 반환할 수 있는 알고리즘입니다.
application programming interface (API): 소프트웨어 구축을 위한 서브루틴 정의, 통신 프로토콜 및 도구 세트입니다.일반적으로, 이것은 다양한 컴포넌트간의 명확하게 정의된 통신 방법의 집합입니다.좋은 API는 프로그래머에 의해 조립된 모든 구성 요소를 제공함으로써 컴퓨터 프로그램을 쉽게 개발할 수 있게 한다.API는 웹 기반 시스템, 운영 체제, 데이터베이스 시스템, 컴퓨터 하드웨어 또는 소프트웨어 라이브러리용일 수 있습니다.
approximate string matching: (정확하지 않고) 패턴과 거의 일치하는 문자열을 찾는 기술입니다.대략적인 문자열 매칭 문제는 보통 두 가지 하위 문제로 나뉩니다.즉, 특정 문자열 내에서 대략적인 부분 문자열 매칭을 찾는 것과 패턴에 대략 일치하는 사전 문자열을 찾는 것입니다.
approximation error: 정확한 값과 그에 대한 근사치 사이의 불일치입니다.
argumentation framework: 논쟁의 여지가 있는 정보에 대처하고, 그것으로부터 결론을 도출하는 방법.추상논쟁 ^[24]프레임워크에서 엔트리 레벨 정보는 예를 들어 데이터나 명제를 나타내는 추상논쟁의 집합입니다.인수 간의 충돌은 인수 집합의 이진 관계로 나타납니다.구체적으로는 노드가 인수이고 화살표가 공격 관계를 나타내도록 유도 그래프를 사용하여 인수 프레임워크를 나타냅니다.Dung의 프레임워크에는 논리 기반의 논쟁 프레임워크나^[25] 가치 기반의 논쟁 ^[26]프레임워크와 같은 몇 가지 확장이 존재한다.
artificial general intelligence (AGI)
artificial immune system (AIS): 척추동물 면역체계의 원리 및 프로세스에서 영감을 얻은 계산 지능, 규칙 기반 기계 학습 시스템의 클래스입니다.알고리즘은 일반적으로 문제 해결에 사용하기 위한 학습과 기억의 면역체계의 특성을 본따 만들어졌다.
artificial intelligence (AI): 인간과 다른 동물이 보여주는 자연 지능과는 대조적으로 기계에 의해 증명되는 지능.컴퓨터 과학에서 AI 연구는 "지능형 에이전트"에 대한 연구로 정의됩니다. 즉,^[27] AI의 환경을 인지하고 목표를 성공적으로 달성할 가능성을 극대화하는 조치를 취하는 장치입니다.구어체로, "인공지능"이라는 용어는 기계가 "학습"과 "문제 해결"^[28]과 같이 인간이 다른 인간의 마음과 연관짓는 "인지" 기능을 모방할 때 적용된다.
Artificial Intelligence Markup Language: 자연어 소프트웨어 에이전트를 작성하기 위한 XML 방언입니다.
artificial neural network (ANN): 동물의 뇌를 구성하는 생물학적 신경망에서 막연히 영감을 얻은 컴퓨팅 시스템입니다.
Association for the Advancement of Artificial Intelligence (AAAI): 인공지능에 대한 연구와 책임 있는 사용을 촉진하는 데 전념하는 국제 비영리 과학 협회입니다.AAAI는 또한 인공지능(AI)에 대한 대중의 이해를 높이고, AI 실무자들의 교육 및 훈련을 개선하며, 현재 AI 개발의 중요성과 잠재력 및 미래 ^[29]방향에 대한 연구 기획자와 자금 제공자들에게 지침을 제공하는 것을 목표로 하고 있다.
asymptotic computational complexity: 계산 복잡도 이론에서, 점근 계산 복잡도는 알고리즘의 계산 복잡도 추정을 위한 점근 분석의 사용이며, 일반적으로 빅 O 표기법과 관련이 있다.
attributional calculus: Ryszard S에 의해 정의된 논리 및 표현 시스템. 미할스키.그것은 술어 논리, 명제 미적분, 다치 논리 요소를 결합한다.귀납 미적분은 자연 귀납을 위한 공식 언어를 제공합니다. 귀납적 학습 과정인 귀납적 학습 과정은 사람들에게 자연스러운 형태로 결과가 나타납니다.
augmented reality (AR)
automata theory: 추상 기계와 오토마타에 대한 연구 및 이를 사용하여 해결할 수 있는 계산상의 문제.그것은 이론 컴퓨터 과학과 이산 수학의 이론이다.
automated planning and scheduling: 전략 또는 액션 시퀀스의 실현에 관한 인공지능의 한 분야로, 일반적으로 인텔리전트 에이전트, 자율 로봇 및 무인 차량에 의해 실행됩니다.기존의 제어 및 분류 문제와 달리 솔루션은 복잡하며 다차원 공간에서 발견 및 최적화되어야 합니다.계획도 의사결정 ^[31]이론과 관련이 있다.
automated reasoning: 추론의 다른 측면을 이해하는 데 전념하는 컴퓨터 과학 및 수리 논리 분야입니다.자동 추론의 연구는 컴퓨터가 완전히 또는 거의 자동으로 추론을 할 수 있도록 하는 컴퓨터 프로그램을 제작하는 데 도움이 됩니다.자동 추론은 인공지능의 하위 분야로 여겨지지만, 이론 컴퓨터 과학, 심지어 철학과도 관련이 있다.
autonomic computing (AC): 분산 컴퓨팅 자원의 자기관리 특성.오퍼레이터와 사용자에게 내재된 복잡성을 숨기면서 예측할 수 없는 변화에 적응합니다.2001년에 IBM에 의해 시작된 이 이니셔티브는 궁극적으로 자기 관리가 가능한 컴퓨터 시스템을 개발하고, 빠르게 증가하는 컴퓨팅 시스템 관리의 복잡성을 극복하고, 복잡성이 추가적인 ^[32]성장에 미치는 장벽을 줄이는 것을 목표로 했습니다.
autonomous car: 환경을 감지하고 사람의 ^[33]^[34]^[35]입력 없이 이동할 수 있는 차량입니다.
autonomous robot: 자율성이 높은 동작이나 작업을 수행하는 로봇입니다.자율로봇은 보통 인공지능, 로봇공학,^[36] 정보공학의 하위 분야로 여겨진다.

B

backpropagation: 네트워크에서 사용되는 가중치 계산에 필요한 구배를 계산하기 위해 ^[37]인공 신경망에 사용되는 방법.에러는 출력으로 계산되어 네트워크 레이어 전체에 역방향으로 분산되기 때문에 역방향 전파는 "오류의 역방향 전파"의 약어입니다.이것은 하나 이상의 숨겨진 ^[39]층이 있는 신경망을 가리키는 용어인 심층 ^[38]신경망을 훈련시키기 위해 일반적으로 사용됩니다.
backpropagation through time (BPTT): 특정 유형의 반복 신경망을 훈련하기 위한 구배 기반 기술입니다.Elman 네트워크를 훈련하는 데 사용할 수 있습니다.알고리즘은 수많은 연구자들에^[40]^[41]^[42] 의해 독립적으로 도출되었다.
backward chaining: 목표에서 후퇴하는 것으로 구어적으로 표현되는 추론 방법.자동 정리 프로버, 추론 엔진, 증명 보조자 및 기타 인공지능 ^[43]애플리케이션에 사용됩니다.
bag-of-words model: 자연어 처리 및 정보 검색(IR)에서 사용되는 단순화된 표현입니다.이 모델에서 텍스트(예: 문장 또는 문서)는 단어의 가방(멀티셋)으로 표현되며, 문법과 어순은 무시하고 다중성은 유지합니다.단어 가방 모델은 컴퓨터 ^[44]비전에도 사용되었습니다.단어 가방 모델은 분류자를 훈련시키기 위한 기능으로 ^[45]각 단어의 발생 빈도(빈도)를 사용하는 문서 분류 방법에서 일반적으로 사용됩니다.
bag-of-words model in computer vision: 컴퓨터 비전에서는, 화상 특징을 단어로 취급하는 것으로써, 단어봉투 모델(BoW 모델)을 화상 분류에 적용할 수 있다.문서 분류에서 단어 가방은 단어 발생 횟수의 희박한 벡터, 즉 어휘에 대한 희박한 히스토그램입니다.컴퓨터 비전에서 시각 단어 가방은 로컬 이미지 특징 어휘의 발생 횟수 벡터입니다.
batch normalization: 인공신경망의 성능과 안정성을 개선하기 위한 기술입니다.이것은 뉴럴 네트워크의 모든 ^[46]레이어에 평균/단위 분산이 0인 입력을 제공하는 기술입니다.배치 정규화는 2015년 ^[47]^[48]논문에서 소개되었습니다.액티베이션 조정 ^[49]및 스케일링을 통해 입력 레이어를 정규화하기 위해 사용됩니다.
Bayesian programming: 확률론적 모델을 특정하고 필요한 정보보다 적은 정보를 이용할 수 있을 때 문제를 해결하기 위한 기술을 갖는 형식주의 및 방법론.
bees algorithm: 2005년 Pham, Ghanbarzadeh 등에 의해 개발된 인구 기반 검색 알고리즘.^[50]꿀벌 군락의 먹이를 찾아다니는 행동을 흉내낸다.기본 버전에서 알고리즘은 글로벌 검색과 결합된 일종의 근린 검색을 수행하며 조합 최적화와 연속 최적화에 모두 사용할 수 있습니다.bees 알고리즘을 적용하기 위한 유일한 조건은 솔루션 간의 거리 측정이 정의되는 것입니다.벌 알고리즘의 효과와 특정한 능력은 많은 ^[51]^[52]^[53]^[54]연구에서 증명되었다.
behavior informatics (BI): 행동 지능과 행동 ^[55]통찰력을 얻기 위한 행동의 정보학.
behavior tree (BT): 컴퓨터 과학, 로봇 공학, 제어 시스템 및 비디오 게임에 사용되는 계획 실행의 수학적 모델입니다.이들은 유한한 작업 세트 간의 전환을 모듈 방식으로 설명합니다.심플한 태스크가 어떻게 구현되는지를 걱정하지 않고 심플한 태스크로 구성된 매우 복잡한 태스크를 작성할 수 있는 것이 장점입니다.BT는 동작의 주요 구성요소가 상태가 아닌 작업이라는 주요 차이점을 가지고 계층적 상태 기계와 몇 가지 유사점을 제시한다.인간의 이해가 용이하기 때문에 BT는 에러 발생률이 낮아지고 게임 개발자 커뮤니티에서 큰 인기를 끌고 있습니다.BT는 몇 가지 다른 제어 아키텍처를 ^[56]^[57]일반화하는 것으로 나타났습니다.
belief-desire-intention software model (BDI): 인텔리전트 에이전트를 프로그래밍하기 위해 개발된 소프트웨어 모델입니다.표면적으로는 에이전트의 신념, 욕망 및 의도를 구현하는 것이 특징이며, 실제로 이러한 개념을 사용하여 에이전트 프로그래밍의 특정 문제를 해결합니다.본질적으로, 계획 선택 활동(계획 라이브러리 또는 외부 플래너 응용 프로그램)과 현재 활성 계획의 실행을 분리하는 메커니즘을 제공합니다.그 결과, BDI 담당자는 계획에 대한 심의(행동 선택)와 계획 실행(행동)에 소요되는 시간의 균형을 맞출 수 있습니다.세 번째 액티비티(애초에 계획 작성)는 모델의 범위에 포함되지 않으며 시스템 설계자와 프로그래머에게 맡겨집니다.
bias–variance tradeoff: 통계학 및 기계 학습에서 편향-분산 트레이드오프는 모수 추정의 편향이 낮은 모델이 표본 전체에 걸쳐 모수 추정의 편차가 더 높은 예측 모델 집합의 특성이다. 그리고 그 반대도 마찬가지이다.
big data: 기존 데이터 처리 애플리케이션 소프트웨어가 적절하게 처리하기에는 너무 크거나 복잡한 데이터 세트를 가리키는 용어입니다.사례(행)가 많은 데이터는 통계적 힘을 더 많이 제공하지만, 복잡성이 높은 데이터(속성 또는 열이 더 많은 데이터)는 잘못된 발견률을 ^[58]더 높일 수 있습니다.
Big O notation: 인수가 특정 값 또는 무한대로 향하는 경우 함수의 제한 동작을 설명하는 수학적 표기법입니다.이것은 폴 ^[59]바흐만, 에드먼드 란다우,^[60] 그리고 다른 사람들에 의해 발명된 표기법의 일종으로, 집합적으로 바흐만-란다우 표기법 또는 점근 표기법이라고 불립니다.
binary tree: 각 노드가 최대 2개의 자식(왼쪽 자식 및 오른쪽 자식)을 갖는 트리 데이터 구조입니다.단순한 집합론 개념을 사용한 재귀적 정의는 (빈) 이진 트리가 튜플(L, S, R)이며, 여기서 L과 R은 이진 트리 또는 빈 집합이고 S는 싱글톤 ^[61]집합입니다.일부 작성자는 이진 트리를 빈 집합으로 만들 수도 있습니다.^[62]
blackboard system: 칠판 아키텍처 ^[63]^[64]^[65]^[66]모델에 근거한 인공지능 어프로치는 공통 지식 기반인 "칠판"이 문제 사양에서 시작하여 해결책으로 끝나는 다양한 전문 지식 소스 그룹에 의해 반복적으로 업데이트됩니다.각 Knowledge Source는 내부 제약 조건이 칠판 상태와 일치하면 부분적인 솔루션으로 칠판을 업데이트합니다.이렇게 해서 전문가들은 문제를 해결하기 위해 협력합니다.
Boltzmann machine: 확률적 반복 신경 네트워크와 마르코프 랜덤 ^[67]필드의 일종입니다.볼츠만 기계는 홉필드 네트워크의 확률적이고 생성적인 부분으로 볼 수 있습니다.
Boolean satisfiability problem: 주어진 부울 공식을 만족시키는 해석이 존재하는지 확인하는 문제.즉, 주어진 부울 공식의 변수를 TRUE 또는 FALSE 값으로 일관되게 대체할 수 있는지 여부를 묻습니다.이 경우 공식을 만족할 수 있다고 합니다.한편, 이러한 할당이 존재하지 않는 경우, 공식에 의해 표현되는 함수는 가능한 모든 변수 할당에 대해 FALSE이며 공식은 만족스럽지 않습니다.예를 들어 "a AND NOT b" 공식은 a = TRUE 및 b = FALSE 값을 구할 수 있기 때문에 만족할 수 있다(a AND NOT b).반면 AND NOT a는 만족스럽지 못하다.
brain technology: 신경과학의 최신 발견을 채용한 테크놀로지.이 용어는 스위스 취리히의 인공지능 연구소에서 ROBOY 프로젝트의 ^[68]맥락에서 처음 도입되었습니다.Brain Technology는 로봇,^[69] 노하우 관리^[70] 시스템 및 자체 학습 기능이 있는 기타 응용 프로그램에 사용할 수 있습니다.특히, Brain Technology 어플리케이션을 사용하면, 「노하우 맵」이라고 불리는 기본적인 학습 아키텍처를 시각화할 수 있습니다.
branching factor: 컴퓨팅, 트리 데이터 구조 및 게임 이론에서는 각 노드의 자녀 수, 아웃도입니다.이 값이 균일하지 않으면 평균 분기 계수를 계산할 수 있습니다.
brute-force search: 매우 일반적인 문제 해결 기법 및 알고리즘 패러다임으로, 솔루션의 가능한 모든 후보를 체계적으로 열거하고 각 후보가 문제의 진술을 충족하는지 확인합니다.

C

capsule neural network (CapsNet): 계층적 관계를 보다 잘 모델링하기 위해 사용할 수 있는 인공신경망(ANN)의 일종인 기계학습 시스템.그 접근법은 생물학적 신경 ^[71]조직을 더 가깝게 모방하려는 시도이다.
case-based reasoning (CBR): 대략적으로 해석하자면, 유사한 과거 문제의 해결책을 바탕으로 새로운 문제를 해결하는 과정입니다.
chatbot: 청각적 또는 텍스트적 ^[72]방법으로 대화를 진행하는 컴퓨터 프로그램 또는 인공지능.
cloud robotics: 클라우드 컴퓨팅, 클라우드 스토리지 및 기타 인터넷 기술과 같은 클라우드 기술을 호출하려는 로봇 공학 분야로, 로봇 공학에 대한 융합 인프라와 공유 서비스의 이점을 중심으로 합니다.클라우드에 연결되면 로봇은 다양한 로봇 또는 에이전트(기타 기계, 스마트 객체, 사람 등)의 정보를 처리하고 공유할 수 있는 클라우드 내 최신 데이터 센터의 강력한 계산, 스토리지 및 통신 리소스를 활용할 수 있습니다.인간은 네트워크를 통해 원격으로 로봇에게 작업을 위임할 수도 있다.클라우드 컴퓨팅 기술을 통해 로봇 시스템은 강력한 기능을 갖추고 클라우드 기술을 통해 비용을 절감할 수 있습니다.따라서 클라우드에서 지능적인 "두뇌"를 가진 경량, 저비용, 스마트한 로봇을 만들 수 있습니다.'브레인'은 데이터센터, 지식기반, 태스크 플래너, 딥러닝, 정보처리, 환경모델, 커뮤니케이션 지원 ^[73]^[74]^[75]^[76]등으로 구성됩니다.
cluster analysis: 같은 그룹(클러스터라고 함) 내의 오브젝트가 다른 그룹(클러스터)의 오브젝트보다 서로(어떤 의미에서는) 더 유사하도록 오브젝트 세트를 그룹화하는 작업입니다.이것은 탐색적 데이터 마이닝의 주요 작업이며, 기계 학습, 패턴 인식, 이미지 분석, 정보 검색, 생물 정보학, 데이터 압축 및 컴퓨터 그래픽을 포함한 많은 분야에서 사용되는 통계 데이터 분석을 위한 공통 기술이다.
Cobweb: 계층 개념 클러스터링을 위한 증분 시스템입니다.COBWEB은 더글라스 H 교수에 의해 발명되었다. 피셔, 현재 밴더빌트 ^[77]^[78]대학에 재학 중입니다.COBWEB은 관찰을 분류 트리로 증분 정리합니다.분류 트리의 각 노드는 클래스(개념)를 나타내며 노드 아래에 분류된 객체의 속성값 분포를 요약하는 확률론적 개념으로 라벨링된다.이 분류 트리는 누락된 속성 또는 새 ^[79]개체의 클래스를 예측하는 데 사용할 수 있습니다.
cognitive architecture: 크리에이티브 테크놀로지 연구소는 인지 아키텍처를 다음과 같이 정의하고 있습니다.자연계든 인공계든 관계없이 마음을 제공하는 고정구조와 아키텍처 내에 구현된 지식과 기술과 연계하여 다양한 복잡한 환경에서 지능적인 행동을 할 수 있는 구조를 말합니다."^[80]
cognitive computing: 일반적으로 인지 컴퓨팅이라는 용어는 인간의^[81]^[82]^[83]^[84]^[85]^[86] 뇌 기능을 모방하고 인간의 ^[87]^[88]의사결정을 개선하는 데 도움이 되는 새로운 하드웨어 및/또는 소프트웨어를 지칭하는 데 사용되어 왔다.그런 의미에서 CC는 인간의 뇌/마음이 어떻게 자극을 감지하고, 추론하고, 이에 반응하는지에 대한 보다 정확한 모델을 목표로 하는 새로운 형태의 컴퓨팅입니다.
cognitive science: 정신과 ^[89]그 과정에 대한 학문적 과학 연구.
combinatorial optimization: Operations Research, 응용 수학 및 이론 컴퓨터 과학에서 조합 최적화는 유한한 ^[90]객체 집합에서 최적의 객체를 찾는 것으로 구성된 주제입니다.
committee machine: 복수의 뉴럴 네트워크(전문가)의 응답이 하나의 ^[91]응답으로 결합되는 분할 및 정복 전략을 이용한 인공 뉴럴 네트워크의 일종.위원회 기구의 종합 대응은 구성 전문가보다 우수해야 한다.분류자의 앙상블을 비교합니다.
commonsense knowledge: 인공지능 연구에서 상식적인 지식은 "레몬은 시다"와 같이 모든 인간이 알고 있어야 할 일상 세계에 대한 사실로 구성되어 있다.상식적인 지식을 다루는 최초의 AI 프로그램은 1959년 존 ^[92]맥카시의 조언 테이커였다.
commonsense reasoning: 인공지능의 한 부문은 매일 ^[93]마주치는 일상적인 상황의 유형과 본질에 대해 추측할 수 있는 인간의 능력을 시뮬레이션하는 것과 관련이 있다.
computational chemistry: 화학적 문제를 해결하기 위해 컴퓨터 시뮬레이션을 사용하는 화학 분야입니다.
computational complexity theory: 컴퓨터 문제를 고유의 난이도에 따라 분류하고 이러한 클래스를 서로 관련짓는 데 초점을 맞춥니다.계산 문제는 컴퓨터가 해결하는 작업이다.계산 문제는 알고리즘과 같은 수학적 단계를 기계적으로 적용함으로써 해결할 수 있다.
computational creativity: 인공지능, 인지심리학, 철학 및 예술 분야를 포함하는 다원적 노력.
computational cybernetics: 사이버네틱스와 컴퓨터 인텔리전스 기술의 통합.
computational humor: 유머 ^[94]연구에 컴퓨터를 사용하는 컴퓨터 언어학 및 인공지능 분야입니다.
computational intelligence (CI): 일반적으로 데이터 또는 실험 관찰로부터 특정 작업을 학습하는 컴퓨터의 능력을 나타냅니다.
computational learning theory: 컴퓨터 과학에서, 컴퓨터 학습 이론(또는 단지 학습 이론)은 기계 학습 알고리즘의 ^[95]설계와 분석을 연구하는 데 전념하는 인공지능의 하위 분야이다.
computational linguistics: 계산적 관점에서 자연어의 통계적 또는 규칙적 모델링과 언어적 질문에 대한 적절한 계산적 접근에 관한 학문 간 분야.
computational mathematics: 컴퓨팅이 중요한 역할을 하는 과학 분야의 수학 연구.
computational neuroscience: 신경계의 ^[96]^[97]^[98]^[99]발달, 구조, 생리학 및 인지 능력을 지배하는 원리를 이해하기 위해 뇌의 수학적 모델, 이론적 분석 및 추상화를 사용하는 신경과학 분야.
computational number theory: 숫자 이론 계산을 수행하기 위한 알고리즘 연구.
computational problem: 이론 컴퓨터 과학에서, 계산 문제는 컴퓨터가 풀 수 있는 질문의 집합을 나타내는 수학적 객체입니다.
computational statistics: 통계와 컴퓨터 사이언스 사이의 인터페이스.
computer-automated design (CAutoD): 설계 자동화는 일반적으로 전자 설계 자동화 또는 제품 구성 도구인 설계 자동화를 말합니다.커진 전산 설계(CAD), 자동 설계와computer-automated design[100][101][102]애플리케이션의 자동차 공학 같은 광범위한 시민 engineering,[103][104][105][106]복합 재료 설계, 제어 engineering,[107]역동적인 시스템 식별과 optimization,[108]금융 시스템과 함께, 우려하고 있i.Ndustrial 장비, 메카트로닉 시스템, ofst뱀장어 건설,^[109] 구조 최적화 ^[110]및 새로운 시스템의 발명.보다 최근에는 진화 계산 ^[112]^[113]및 군집 지능 ^[114]알고리즘과 같은 휴리스틱 검색 기술을 포함하여 생물학적으로 영감을 받은 기계 ^[111]학습에 의해 기존의 CAD 시뮬레이션이 CAutoD로 변환되는 것으로 보인다.
computer audition (CA): 머신 리스닝을 참조해 주세요.
computer science: 컴퓨터의 설계와 사용의 기초를 형성하는 이론, 실험 및 엔지니어링.여기에는 디지털 정보를 처리, 저장 및 전달하는 알고리즘의 연구가 포함됩니다.컴퓨터 과학자는 계산 이론과 계산 ^[115]시스템 설계를 전문으로 합니다.
computer vision: 디지털 이미지나 비디오로부터 높은 수준의 이해를 얻을 수 있도록 컴퓨터를 만드는 방법을 다루는 학제간 과학 분야입니다.엔지니어링의 관점에서, 그것은 인간의 ^[116]^[117]^[118]시각 시스템이 할 수 있는 작업을 자동화하려고 합니다.
concept drift: 예측 분석과 기계 학습에서 개념 표류는 모델이 예측하려고 하는 목표 변수의 통계 특성이 시간에 따라 예기치 않은 방식으로 변화한다는 것을 의미합니다.시간이 지날수록 예측의 정확도가 떨어지기 때문에 문제가 발생합니다.
connectionism: 인지과학 분야에서 인공신경망을 ^[119]사용하여 정신현상을 설명하고자 하는 접근법.
consistent heuristic: 인공지능의 경로 찾기 문제 연구에서, 휴리스틱 함수는 추정치가 항상 인접 정점에서 목표까지의 추정 거리보다 작거나 같으면 일관성이 있거나 단조롭다고 한다.
constrained conditional model (CCM): 선언적 제약이 있는 조건부(확률적 또는 차별적) 모델의 학습을 강화하는 기계 학습 및 추론 프레임워크.
constraint logic programming: 제약 조건 프로그래밍의 한 형태로, 논리 프로그래밍이 제약 조건 만족으로부터의 개념을 포함하도록 확장됩니다.제약조건 논리 프로그램은 절 본문에 제약조건을 포함하는 논리 프로그램입니다.제약조건을 포함하는 절의 예는 다음과 같습니다.A(X,Y) :- X+Y>0, B(X), C(Y)이에서는, 「」입니다.X+Y>0A(X,Y),B(X) , , , , 입니다.C(Y)일반 로직 프로그래밍과 같은 리터럴입니다.이 조항은 진술이 다음과 같은 조건을 명시하고 있다.A(X,Y) 지::X+Y 둘 다 0보다 크다B(X) ★★★★★★★★★★★★★★★★★」C(Y)사실이야.
constraint programming: 변수 간의 관계가 제약의 형태로 기술되는 프로그래밍 패러다임.제약조건은 실행할 단계 또는 일련의 단계를 지정하는 것이 아니라 찾을 수 있는 솔루션의 속성을 지정하는 점에서 명령형 프로그래밍 언어의 일반적인 기본조건과 다릅니다.
constructed language: 음운학, 문법, 어휘가 자연스럽게 발달하지 않고 의식적으로 만들어진 언어입니다.인공어는 인공어,^[120] 계획어 또는 발명어라고도 할 수 있습니다.
control theory: 제어 시스템 공학은 공학적 프로세스와 기계에서 연속적으로 작동하는 동적 시스템의 제어를 다루는 수학의 하위 분야입니다.목표는 지연이나 오버슈트 없이 최적의 방식으로 제어 동작을 사용하여 이러한 시스템을 제어하고 제어 안정성을 보장하기 위한 제어 모델을 개발하는 것입니다.
convolutional neural network: 딥 러닝에서 컨볼루션 뉴럴 네트워크(CNN, ConvNet)는 시각 이미지 분석에 가장 일반적으로 적용되는 딥 뉴럴 네트워크의 클래스이다.CNN은 최소한의 전처리를 ^[121]요구하도록 설계된 다층 퍼셉트론의 변형을 사용한다.공유 가중치 아키텍처와 변환 불변성 ^[122]^[123]특성을 기반으로 이동 불변성 또는 공간 불변성 인공 신경망(SIANN)이라고도 합니다.
crossover: 유전 알고리즘과 진화 계산에서, 유전 연산자는 새로운 자손을 낳기 위해 두 부모의 유전 정보를 결합하는 데 사용되었다.그것은 기존의 집단으로부터 확률적으로 새로운 해결책을 만들어내는 한 가지 방법이며, 생물학적 유기체의 성적 생식 중에 일어나는 교차와 유사하다.또한 기존 용액을 복제함으로써 용액을 생성할 수 있는데, 이는 무성 생식과 유사하다.새로 생성된 솔루션은 일반적으로 모집단에 추가하기 전에 변환됩니다.

D

Darkforest: 컨볼루션 뉴럴 네트워크를 이용한 딥러닝 기술을 기반으로 페이스북이 개발한 컴퓨터 바둑 프로그램.업데이트 버전 Darkfores2는 이전 버전의 기술과 몬테카를로 트리 ^[124]^[125]검색을 결합한 것입니다.MCTS는 컴퓨터 체스 프로그램에서 흔히 볼 수 있는 트리 검색 방법을 효과적으로 사용하여 랜덤화합니다.^[126]업데이트를 통해 시스템은 Darkfmcts3로 ^[127]인식됩니다.
Dartmouth workshop: 인공 지능에 대한 다트머스 여름 연구 프로젝트는 1956년 여름 워크숍의 이름이었다. 지금은 많은^[130] 사람들이^[128]^[129] 인공지능의 분야로서 중요한 행사로 간주하고 있다.
data augmentation: 데이터 분석에서 데이터 확대는 데이터 양을 늘리기 위해 사용되는 기술입니다.기계 학습을 훈련할 때 과적합을 줄이는 데 도움이 됩니다.
data fusion: 여러 데이터 소스를 통합하여 개별 데이터 ^[131]소스에서 제공하는 정보보다 더 일관되고 정확하며 유용한 정보를 생성하는 프로세스입니다.
data integration: 서로 다른 소스에 있는 데이터를 결합하여 사용자에게 ^[132]통합된 뷰를 제공하는 프로세스입니다.이 프로세스는 상업용 도메인(예: 유사한 두 회사가 데이터베이스를 통합해야 하는 경우)과 과학용 도메인(예를 들어 서로 다른 생물 정보학 저장소의 연구 결과 결합)을 모두 포함하는 다양한 상황에서 중요해진다.데이터 통합은 볼륨(즉, 빅 데이터)^[133]이 증가하고 기존 데이터를 공유할 필요성이 증가함에 따라 빈도가 높아집니다.그것은 광범위한 이론 연구의 초점이 되었고, 수많은 미해결 문제들이 여전히 풀리지 않은 채로 남아 있다.
data mining: 기계학습, 통계 및 데이터베이스 시스템의 교차점에서 메서드를 포함하는 대규모 데이터 집합의 패턴을 검색하는 프로세스입니다.
data science: 과학적 방법, 프로세스, 알고리즘 및 시스템을 사용하여 데이터 마이닝과 유사하게 정형 및 ^[134]^[135]비정형 데이터로부터 지식과 통찰력을 추출하는 학문 간 분야입니다.데이터 과학은 ^[136]"실제 현상을 이해하고 분석하기" 위해 "통계, 데이터 분석, 기계 학습 및 관련 방법을 통합하기 위한 개념"이다.그것은 수학, 통계학, 정보과학, 컴퓨터 과학의 맥락에서 많은 분야에서 도출된 기술과 이론을 사용한다.
data set: 데이터 컬렉션입니다.일반적으로 데이터 세트는 단일 데이터베이스 테이블 또는 단일 통계 데이터 매트릭스의 내용에 대응합니다.여기서 테이블의 각 열은 특정 변수를 나타내며 각 행은 해당 데이터 세트의 특정 멤버에 대응합니다.데이터 세트에는 데이터 세트의 각 멤버에 대한 각 변수 값(예: 개체의 키 및 무게)이 나열됩니다.각 값을 기준이라고 합니다.데이터 세트는 행 수에 해당하는 하나 이상의 멤버에 대한 데이터로 구성될 수 있습니다.
data warehouse (DW or DWH): 보고 및 데이터 ^[137]분석에 사용되는 시스템입니다.DW는 하나 이상의 서로 다른 소스에서 가져온 통합 데이터의 중앙 저장소입니다.현재 데이터와 이력 데이터를 한 곳에^[138] 저장
Datalog: 구문적으로 프롤로그의 서브셋인 선언형 논리 프로그래밍 언어.연역 데이터베이스의 쿼리 언어로 자주 사용됩니다.최근 몇 년 동안 데이터로그는 데이터 통합, 정보 추출, 네트워킹, 프로그램 분석, ^[139]보안 및 클라우드 컴퓨팅에서 새로운 응용 분야를 찾아냈습니다.
decision boundary: 역전파 기반의 인공신경망 또는 퍼셉트론의 경우, 네트워크가 학습할 수 있는 의사결정 경계의 유형은 네트워크가 가진 숨겨진 계층의 수에 의해 결정된다.숨겨진 레이어가 없는 경우 선형 문제만 학습할 수 있습니다.만약 그것이 하나의 숨겨진 층을 가지고 있다면, 그것은 R의ⁿ 콤팩트 부분 집합에서 임의의 연속 함수를 배울 수 있고, 그래서 그것은 임의의 결정 경계를 가질 수 있다.
decision support system (DSS): 비즈니스 또는 조직의 의사결정 활동을 지원하는 정보 시스템.DSS는 조직의 관리, 운용 및 계획 수준(보통 중간 이상의 관리)에 도움이 되며, 빠르게 변화하고 있어 사전에 특정하기 어려운 문제(비구조화 및 반구조화 의사결정 문제 등)에 대한 의사결정을 지원합니다.의사결정 지원 시스템은 완전한 컴퓨터화 또는 인력화 또는 둘 다 조합할 수 있습니다.
decision theory: 에이전트의 [140]선택의 기초가 되는 추론에 대한 연구.결정 이론은 두 갈래로 나눌 수 있습니다: 불확실한 믿음과 가치의 집합이 주어졌을 때 최선의 결정을 내리는 방법에 대한 조언을 제공하는 규범적 결정 이론과 현존하는 비합리적인 행위자들이 실제로 결정을 내리는 방법을 분석하는 서술적 결정 이론입니다.
decision tree learning: 의사결정 트리(예측 모형)를 사용하여 항목(가지에 표시됨)에 대한 관측치에서 항목 목표 값(잎에 표시됨)에 대한 결론으로 이동합니다.통계, 데이터 마이닝 및 기계 학습에 사용되는 예측 모델링 접근법 중 하나입니다.
declarative programming: 제어 흐름을 설명하지 않고 계산의 ^[141]논리를 표현하는 프로그래밍 패러다임 - 컴퓨터 프로그램의 구조와 요소를 구축하는 스타일입니다.
deductive classifier: 인공지능 추론 엔진의 일종입니다.그것은 의학 연구나 분자 생물학과 같은 영역에 대한 일련의 선언을 프레임 언어로 입력으로 받아들인다.예를 들어 클래스 이름, 하위 클래스, 속성 및 허용되는 값에 대한 제한 등이 있습니다.
Deep Blue: IBM이 개발한 체스용 컴퓨터입니다.그것은 체스 게임과 체스 경기에서 정규 시간 통제 하에 세계 챔피언과의 경기에서 모두 이긴 최초의 컴퓨터 체스 게임 시스템으로 알려져 있다.
deep learning: 태스크별 알고리즘과 달리 학습 데이터 표현을 기반으로 하는 광범위한 기계 학습 방법 패밀리의 일부입니다.학습은 지도, 반지도 또는 ^[142]^[143]^[144]비지도로 이루어질 수 있습니다.
DeepMind Technologies: 2010년 9월에 설립된 영국의 인공지능 회사. 현재 Alphabet Inc.가 소유하고 있다.이 회사는 런던에 본사를 두고 있으며 캐나다,^[145] 프랑스 ^[146]및 미국에 연구 센터를 두고 있습니다.구글에 의해 2014년에 후천성, 그 회사는 어떻게 패션 그 humans,[147]뿐만 아니라 신경 튜링 machine,[148]거나, 단기 기억과 유사한 컴퓨터에 비롯된 전통적인 튜링 기계 같은 외부 기억을 되돌릴 수 있는 신경 네트워크와 비슷한 비디오 게임을 하는 법을 가르쳐 주는 신경 조직을 만들었다.그 h의uman ^[149]^[150]두뇌이 회사는 2016년 알파고 프로그램이 다큐멘터리 ^[151]영화의 주제였던 다섯 번의 대결에서 세계 챔피언인 인간 프로 바둑 선수 이세돌을 물리친 후 화제가 되었다.좀 더 일반적인 프로그램인 알파제로(AlphaZero)는 강화 ^[152]학습을 사용하여 며칠 동안 바둑, 체스, 장기(장기)를 하는 가장 강력한 프로그램을 물리쳤다.
default logic: 디폴트 가정으로 추론을 공식화하기 위해 레이먼드 라이트가 제안한 비단조 논리.
description logic (DL): 정식 지식 표현 언어 패밀리.많은 DL은 명제 논리보다는 표현력이 높지만 1차 논리보다는 표현력이 낮습니다.후자와는 대조적으로, DL의 핵심 추론 문제는 (보통) 결정할 수 있으며, 이러한 문제에 대해 효율적인 의사결정 절차가 설계되고 구현되었습니다.일반, 공간, 시간, 시공간 및 퍼지 기술 로직이 있으며, 각 기술 로직은 서로 다른 수학적 ^[153]생성자 집합을 지원함으로써 DL 표현성과 추론 복잡성 사이의 다른 균형을 특징으로 합니다.
developmental robotics (DevRob): 구체화된 기계에서 새로운 기술과 새로운 지식을 평생 개방적으로 학습할 수 있는 개발 메커니즘, 아키텍처 및 제약을 연구하는 것을 목적으로 하는 과학 분야입니다.
diagnosis: 시스템의 동작이 올바른지 여부를 판단할 수 있는 알고리즘과 기술의 개발에 관한 것.시스템이 올바르게 기능하지 않는 경우 알고리즘은 시스템의 어느 부분에서 장애가 발생하고 있는지, 어떤 종류의 장애가 발생하고 있는지를 가능한 한 정확하게 판별할 수 있어야 합니다.계산은 현재 동작에 대한 정보를 제공하는 관찰을 기반으로 합니다.
dialogue system: 일관된 구조를 가진 인간과 대화하기 위한 컴퓨터 시스템입니다.대화 시스템은 입력 채널과 출력 채널 모두에서 텍스트, 음성, 그래픽, 합틱, 제스처 및 기타 통신 모드를 채택했습니다.
dimensionality reduction: 주 변수 집합을 얻어 고려 중인^[154] 랜덤 변수의 수를 줄이는 과정입니다.피쳐 선택과 피쳐 ^[155]추출로 나눌 수 있습니다.
discrete system: 셀 수 있는 수의 상태를 가진 시스템.이산 시스템은 아날로그 시스템이라고도 하는 연속 시스템과 대조될 수 있습니다.최종 이산 시스템은 종종 유향 그래프로 모델링되며 계산 이론에 따라 정확성과 복잡성에 대해 분석됩니다.이산 시스템은 셀 수 있는 수의 상태를 가지고 있기 때문에 정확한 수학적 모델로 설명할 수 있다.컴퓨터는 이산적인 시스템으로 볼 수 있는 유한 상태의 기계입니다.컴퓨터는 종종 다른 이산 시스템뿐만 아니라 연속 시스템도 모델링하기 위해 사용되기 때문에 실제 연속 시스템을 이산 시스템으로 표현하기 위한 방법이 개발되었습니다.그러한 방법 중 하나는 이산적인 시간 간격으로 연속 신호를 샘플링하는 것이다.
distributed artificial intelligence (DAI): 문제에 대한 분산 솔루션 개발에 전념하는 인공지능 연구의 하위 분야입니다.DAI는 멀티 에이전트시스템 ^[156]분야와 밀접하게 관련되어 있습니다.또, 멀티 에이전트시스템 분야의 전신입니다.
dynamic epistemic logic (DEL): 지식과 정보의 변화를 다루는 논리적 프레임워크.일반적으로 DEL은 여러 에이전트가 관련된 상황에 초점을 맞추고 이벤트가 발생했을 때 에이전트의 지식이 어떻게 변화하는지 조사합니다.

E

eager learning: 시스템이 시스템의 트레이닝 중에 트레이닝 데이터를 넘어서는 일반화가 ^[157]시스템에 대해 쿼리가 이루어질 때까지 지연되는 게으른 학습과는 반대로 일반적인 입력에 의존하지 않는 목표 함수를 구축하려고 하는 학습 방법.
Ebert test: 컴퓨터 기반의 합성^[158]^[159] 음성이 사람들을 ^[160]웃길 만큼 충분히 능숙하게 농담을 할 수 있는지 여부를 측정하는 테스트입니다.2011년 TED 컨퍼런스에서 영화평론가 Roger Ebert가 제안한 것은 말하는 ^[158]인간의 굴절, 전달, 타이밍 및 억양을 컴퓨터화된 음성으로 마스터하는 소프트웨어 개발자에 대한 도전이었습니다.이 테스트는 ^[161]인간과 구별할 수 없는 성능을 만들어냄으로써 지능적인 행동을 보이는 컴퓨터의 능력을 측정하는 방법으로 앨런 튜링이 1950년에 제안한 튜링 테스트와 유사하다.
echo state network (ESN): 희박하게 접속된 숨겨진 레이어를 가진 반복성 뉴럴 네트워크(통상 1%의 접속성).숨겨진 뉴런의 연결성과 무게는 고정되고 무작위로 할당됩니다.출력 뉴런의 가중치는 네트워크가 특정 시간 패턴을 (재) 생산할 수 있도록 학습될 수 있다.이 네트워크의 주요 관심사는 그 행동이 비선형이지만, 훈련 중에 수정된 유일한 가중치는 숨겨진 뉴런을 출력 뉴런에 연결하는 시냅스라는 것이다.따라서 오차함수는 파라미터 벡터에 관한 2차 함수이며 선형 시스템으로 ^[162]^[163]쉽게 구분할 수 있습니다.
embodied agent: 환경 내의 물리적 본체를 통해 환경과 상호 작용하는 지능형 에이전트입니다.예를 들어 인간이나 만화 동물과 같이 신체와 함께 그래픽으로 표현되는 작용제는 물리적인 ^[164]것이 아니라 가상의 작용제라고 불리기도 한다.
embodied cognitive science: 학문 간 연구 분야로, 그 목적은 지적 행동의 기초가 되는 메커니즘을 설명하는 것입니다.그것은 세 가지 주요 방법론으로 구성된다. 1) 심신을 단일 개체로 간주하는 총체적 방식으로 심리 및 생물학적 시스템의 모델링, 2) 지적 행동의 일반적인 원칙의 공통 집합의 형성, 3) 통제된 환경에서 로봇 에이전트의 실험적인 사용.
error-driven learning: 에러 피드백을 최소화하기 위해 에이전트가 환경에서 어떻게 액션을 취해야 하는지에 관한 머신러닝의 서브영역.그것은 일종의 강화 학습이다.
ensemble averaging: 기계학습, 특히 인공신경망의 생성에서 앙상블 평균은 하나의 모델을 만드는 것이 아니라 여러 모델을 만들고 그것들을 결합하여 원하는 출력을 내는 과정이다.
ethics of artificial intelligence: 인공지능에 특화된 기술 윤리의 일부입니다.
evolutionary algorithm (EA): 진화 ^[165]계산의 서브셋으로, 일반 모집단 기반의 메타 휴리스틱 최적화 알고리즘입니다.EA는 생식, 돌연변이, 재조합 및 선택과 같은 생물학적 진화에 영감을 받은 메커니즘을 사용합니다.최적화 문제에 대한 후보 솔루션은 모집단에서 개인의 역할을 하며, 적합성 함수는 솔루션의 품질을 결정합니다(손실 함수 참조).모집단의 진화는 위의 연산자를 반복적으로 적용한 후에 이루어진다.
evolutionary computation: 생물학적 진화에 영감을 받은 글로벌 최적화를 위한 알고리즘 패밀리, 그리고 이러한 알고리즘을 연구하는 인공지능과 소프트 컴퓨팅의 하위 분야.기술적인 용어로, 이들은 메타 휴리스틱 또는 확률적 최적화 특성을 가진 모집단 기반 시행착오 해결사 제품군이다.
evolving classification function (ECF): 진화하는 분류기 함수 또는 진화하는 분류기는 기계 학습 및 인공지능 분야에서 분류 및 클러스터링을 위해 사용되며, 일반적으로 역동적이고 변화하는 환경에서 데이터 스트림 마이닝 작업에 사용됩니다.
existential risk: 인공지능(AGI)의 상당한 진보는 언젠가 인간의 멸종이나 회복 불가능한 다른 세계적 ^[166]^[167]^[168]재앙을 초래할 수 있다는 가설이다.
expert system: 인간 ^[169]전문가의 의사결정 능력을 모방하는 컴퓨터 시스템.전문가 시스템은 지식 본체를 통해 추론함으로써 복잡한 문제를 해결하도록 설계되어 있으며, 이는 주로 기존의 ^[170]절차 코드를 통한 것이 아니라 규칙처럼 표현된다.

F

fast-and-frugal trees: 분류 트리의 일종입니다.패스트&프루갈 트리는 사전 분류자로 작동하는 의사결정 도구로 사용할 수 있으며, 필요한 경우 각 클래스 또는 ^[171]카테고리에 작업(결정)을 연관시킬 수 있습니다.
feature extraction: 기계학습, 패턴인식 및 이미지 처리에서 특징 추출은 측정된 데이터의 초기 집합에서 시작하여 유익하고 비장화적인 파생값(특징)을 구축하여 후속 학습 및 일반화 단계를 용이하게 하며 경우에 따라서는 더 나은 인간 해석으로 이어진다.
feature learning: 기계학습에서 기능학습 또는 표현학습은^[142] 시스템이 원시데이터에서 기능검출 또는 분류에 필요한 표현을 자동으로 검출할 수 있도록 하는 일련의 기술입니다.이것에 의해, 수동의 기능 엔지니어링이 대체되어 머신이 기능을 학습해, 그것들을 사용해 특정의 태스크를 실행할 수 있게 됩니다.
feature selection: 기계학습 및 통계학에서 기능 선택은 변수 선택, 속성 선택 또는 변수 하위 집합 선택이라고도 하며 모델 구축에 사용할 관련 기능(변수, 예측 변수)의 하위 집합을 선택하는 프로세스입니다.
federated learning: 분산된 데이터를 사용하여 여러 장치에서 훈련을 수행할 수 있도록 하는 일종의 기계 학습으로, 개별 사용자와 해당 데이터의 프라이버시 보호에 도움이 됩니다.
first-order logic: 수학, 철학, 언어학 및 컴퓨터 과학에서 사용되는 공식 시스템 모음입니다.1차 논리는 비논리적인 대상 위에 계량화된 변수를 사용하고 변수를 포함하는 문장을 사용할 수 있도록 하기 때문에 소크라테스와 같은 명제가 아닌 "X가 소크라테스이고 X가 인간인 X가 존재하며 X가 변수인 ^[172]X가 존재하는 X가 존재한다"라는 형식으로 표현될 수 있다.이것은 양수어나 ^[173]관계를 사용하지 않는 명제 논리와 구별된다.
fluent: 시간이 지남에 따라 변경될 수 있는 조건입니다.행동에 대한 추론에 대한 논리적 접근에서, 유향은 시간에 의존하는 주장을 가진 술어에 의해 1차 논리로 표현될 수 있다.
formal language: 알파벳에서 문자를 가져와 특정 규칙 집합에 따라 올바르게 구성된 단어 집합입니다.
forward chaining: 추론 엔진을 사용할 때 두 가지 주요 추론 방법 중 하나로, 모더스 포넨의 반복 적용으로 논리적으로 설명될 수 있다.Forward Chaining은 전문가 시스템, 기업 및 생산 규칙 시스템에서 널리 사용되는 구현 전략입니다.순방향 체인의 반대는 역방향 체인입니다.순방향 체인은 사용 가능한 데이터로 시작하여 목표에 도달할 때까지 추론 규칙을 사용하여 최종 사용자로부터 더 많은 데이터를 추출합니다.순방향 체인을 사용하는 추론 엔진은 선행 조건(If 절)이 참인 것으로 알려진 규칙을 찾을 때까지 추론 규칙을 검색합니다.그러한 규칙이 발견되면 엔진은 결과(Then 절)를 결론내거나 추론할 수 있으며,^[174] 결과적으로 데이터에 새로운 정보를 추가할 수 있습니다.
frame: "단계적 상황"을 표현하여 지식을 하위 구조로 나누는 데 사용되는 인공지능 데이터 구조입니다.프레임은 인공지능 프레임 언어에서 사용되는 주요 데이터 구조입니다.
frame language: 인공지능에서 지식표현에 사용되는 기술입니다.프레임은 프레임 개념의 세트 및 서브셋의 온톨로지로서 저장됩니다.기본적인 설계 목표는 다르지만 객체 지향 언어의 클래스 계층과 유사합니다.프레임은 지식의 명시적이고 직관적인 표현에 초점을 맞추고 오브젝트는 캡슐화와 정보 은폐에 초점을 맞춥니다.프레임은 AI 연구, 오브젝트는 주로 소프트웨어 엔지니어링에서 유래했습니다.그러나 실제로는 프레임과 객체 지향 언어의 기술과 기능이 상당히 중복됩니다.
frame problem: 로봇 ^[175]환경의 실행 가능한 설명을 위한 적절한 공리의 컬렉션을 찾는 문제.
friendly artificial intelligence: 인류에 긍정적인 영향을 미치는 가상의 인공지능(AGI)입니다.그것은 인공지능 윤리의 일부이며 기계 윤리와 밀접한 관련이 있다.기계 윤리는 인공 지능 에이전트가 어떻게 행동해야 하는지에 관한 것이지만, 친근한 인공지능 연구는 이러한 행동을 실질적으로 어떻게 초래하고 적절히 제한되도록 하는지에 초점을 맞추고 있다.
futures studies: 가능, 가능성, 그리고 선호되는 미래를 가정하는 학문과 ^[176]그 근저에 있는 세계관과 신화에 대한 연구.
fuzzy control system: 퍼지 논리에 기반한 제어 시스템 - 아날로그 입력 값을 0과 1 사이의 연속 값을 갖는 논리 변수 측면에서 분석하는 수학 시스템. 고전 또는 디지털 로직은 각각 1 또는 0(^[177]^[178]각각 참 또는 거짓)의 이산 값으로 작동합니다.
fuzzy logic: 변수의 진실 값이 0(완전 거짓과 같이)에서 1(완전 참과 같이) 사이의 임의의 실수로 표현될 수 있는 "진실성"을 가질 수 있는 다치 로직의 단순한 형식입니다.그 결과, 부분 진실의 개념을 다루는데 이용된다.여기서 진실 값은 완전 참과 완전 거짓 사이일 수 있다.변수의 참값에는 정수 값 0 또는 1만 있을 수 있는 부울 로직과 대조됩니다.
fuzzy rule: 퍼지 논리 시스템 내에서 입력 변수를 기반으로 출력을 추론하는 데 사용되는 규칙입니다.
fuzzy set: 고전 집합론에서 집합 내 요소의 멤버십은 2차 조건에 따라 이진법으로 평가된다. 즉, 한 요소가 집합에 속하거나 속하지 않는다.반면 퍼지 집합 이론은 집합 내 요소의 멤버십을 점진적으로 평가할 수 있게 한다. 이는 실제 단위 간격에서 가치 있는 멤버십 함수의 도움으로 설명된다[0, 1].퍼지 집합은 고전 집합의 지시 함수(특징 함수)가 퍼지 집합의 멤버십 함수의 특별한 경우이기 때문에 고전 집합을 일반화한다. 퍼지 집합은 퍼지 집합이 0 또는 ^[179]1 값만 취할 경우이다.퍼지 집합론에서 고전적인 2가 집합은 보통 선명한 집합이라고 불린다.퍼지 집합 이론은 정보가 불완전하거나 부정확한 광범위한 영역에서 사용될 수 있다. 예를 들어 생물 정보학이다.^[180]

G

game theory: 합리적인 의사결정자 ^[181]간의 전략적 상호작용의 수학적 모델에 대한 연구.
general game playing (GGP): 일반 게임 플레이는 하나 이상의 게임을 성공적으로 ^[182]^[183]^[184]실행하고 플레이할 수 있도록 인공지능 프로그램을 설계한 것입니다.
generative adversarial network (GAN): 기계 학습 시스템의 클래스입니다.두 개의 신경망이 제로섬 게임 프레임워크에서 서로 경쟁합니다.
genetic algorithm (GA): 진화 알고리즘(EA)의 보다 큰 클래스에 속하는 자연 선택 프로세스에서 영감을 얻은 메타 휴리스틱.유전자 알고리즘은 일반적으로 돌연변이, 교차 ^[185]및 선택과 같은 생체 영감을 받은 연산자에 의존하여 최적화 및 검색 문제에 대한 고품질 솔루션을 생성하는 데 사용된다.
genetic operator: 유전 알고리즘에 사용되는 연산자로, 주어진 문제에 대한 해답으로 알고리즘을 유도합니다.연산자에는 크게 세 가지 유형(변환, 크로스오버 및 선택)이 있으며 알고리즘이 성공하기 위해서는 서로 연계하여 동작해야 합니다.
glowworm swarm optimization: 글로웜(반딧불 또는 번개 버그라고도 함)의 동작을 기반으로 한 군집 인텔리전스 최적화 알고리즘입니다.
graph (abstract data type): 컴퓨터 과학에서, 그래프는 수학, 특히 그래프 이론의 분야에서 무방향 그래프와 방향 그래프 개념을 구현하기 위한 추상 데이터 유형입니다.
graph (discrete mathematics): 수학에서, 특히 그래프 이론에서, 그래프는 어떤 의미에서는 물체의 쌍이 "관련된" 물체의 집합에 이르는 구조이다.개체는 정점(노드 또는 점이라고도 함)이라고 하는 수학적 추상화에 해당하며, 관련된 각 정점 쌍을 가장자리(호 또는 ^[186]선이라고도 함)라고 합니다.
graph database (GDB): 노드, 에지 및 속성을 사용하여 의미 조회에 그래프 구조를 사용하여 데이터를 표현하고 저장하는 데이터베이스입니다.시스템의 주요 개념은 그래프(또는 에지 또는 관계)이며, 데이터 및 노드 간의 관계를 나타내는 에지 집합의 스토어 내 데이터 항목을 직접 관련짓습니다.이러한 관계를 통해 저장소의 데이터를 직접 연결할 수 있으며 대부분의 경우 한 번의 작업으로 검색할 수 있습니다.그래프 데이터베이스는 데이터 간의 관계를 우선순위로 유지합니다.그래프 데이터베이스 내의 관계는 데이터베이스 자체에 영구적으로 저장되므로 쿼리 속도가 빠릅니다.그래프 데이터베이스를 사용하여 관계를 직관적으로 시각화할 수 있으므로 상호 연결된 높은 ^[187]^[188]데이터에 유용합니다.
graph theory: 객체 간의 쌍방향 관계를 모형화하는 데 사용되는 수학적 구조인 그래프 연구입니다.
graph traversal: 그래프의 각 정점을 방문(확인 및/또는 업데이트)하는 프로세스입니다.이러한 통과는 정점이 방문하는 순서에 따라 분류됩니다.트리 트래버설은 그래프 트래버설의 특수한 경우입니다.

H

halting problem
heuristic: 고전적인 방법이 너무 느릴 때 문제를 더 빨리 해결하거나 고전적인 방법이 정확한 해결책을 찾지 못할 때 대략적인 해결책을 찾기 위해 설계된 기술입니다.이는 최적성, 완전성, 정확성 또는 정밀도를 속도와 교환함으로써 달성됩니다.어떻게 보면 지름길이라고 할 수 있다.휴리스틱 함수는 단순히 휴리스틱이라고도 불리며 사용 가능한 정보를 기반으로 각 분기 단계에서 검색 알고리즘의 대체 순위를 매겨 어떤 분기를 따를지 결정하는 함수입니다.예를 들어,^[189] 정확한 해결책에 근접할 수 있습니다.
hidden layer: 입력 또는 출력 전용이 아닌 인공 신경망의 내부 뉴런 층.
hidden unit: 인공 신경망의 숨겨진 층에 있는 뉴런입니다.
hyper-heuristic: 컴퓨터 검색 문제를 효율적으로 해결하기 위해 종종 기계 학습 기술의 통합에 의해 몇 가지 단순한 경험론(또는 그러한 경험론의 구성요소)을 선택, 결합, 생성 또는 조정하는 프로세스를 자동화하려는 경험적 검색 방법입니다.하이퍼 휴리스틱을 공부하는 동기 중 하나는 한 가지 ^[190]^[191]^[192]문제만 해결하는 것이 아니라 여러 가지 문제를 다룰 수 있는 시스템을 구축하는 것이다.

I

IEEE Computational Intelligence Society: "신경 네트워크, 연결주의 시스템, 유전 알고리즘, 진화 프로그래밍, 퍼지 시스템 및 하이브리드 인텔리를 강조하는 생물학적, 언어적으로 동기 부여되는 컴퓨터 패러다임의 이론, 설계, 응용 및 개발"에 초점을 맞춘 전기전자공학협회(IEEE)의 전문학회이러한 패러다임이 포함된 gent systems."^[193]
incremental learning: 입력 데이터가 기존 모델의 지식을 확장하기 위해, 즉 모델을 더욱 훈련시키기 위해 지속적으로 사용되는 기계 학습 방법.이는 교육 데이터가 시간이 지남에 따라 점진적으로 사용 가능해지거나 크기가 시스템 메모리 한계를 벗어날 때 적용할 수 있는 지도 학습 및 비지도 학습의 동적 기술을 나타냅니다.증분 학습을 촉진할 수 있는 알고리즘을 증분 기계 학습 알고리즘이라고 합니다.
inference engine: 새로운 정보를 추론하기 위해 기술 자료에 논리적인 규칙을 적용하는 시스템의 구성요소입니다.
information integration (II): 개념적, 맥락적, 인쇄적 표현이 다른 이종 출처의 정보 병합.비구조화 또는 반구조화 리소스의 데이터 마이닝 및 통합에 사용됩니다.일반적으로 정보 통합은 지식의 텍스트 표현을 참조하지만 리치 미디어 콘텐츠에 적용되기도 합니다.관련 용어인 정보 융합(Information ^[131]Fusion)은 중복성과 불확실성을 줄이기 위해 정보를 새로운 정보 세트로 결합하는 것을 포함합니다.
Information Processing Language (IPL): 목록, 동적 메모리 할당, 데이터 유형, 재귀, 인수, 생성기로서의 함수, 공동 멀티태스킹 등의 간단한 문제 해결 액션을 수행하는 프로그램을 지원하는 기능을 포함하는 프로그래밍 언어입니다.IPL은 어셈블리 언어 스타일이긴 하지만 목록 처리 개념을 발명했습니다.
intelligence amplification (IA): 인간의 지능을 높이는 데 정보기술의 효과적인 활용.
intelligence explosion: 인류가 인공지능(AGI)을 구축한 결과일 수 있다.AGI는 기술적 특이성 시기에 한계를 알 수 없는 ASI(인공 슈퍼 인텔리전스)의 급속한 출현으로 이어지는 재귀적 자기계발을 할 수 있을 것이다.
intelligent agent (IA): 센서 및 후속 작동기를 통한 관찰을 사용하는 환경에서 목표를 달성하기 위한 활동(즉, 에이전트)을 지시하며 행동하는 자율적 실체(즉, 지능적)입니다.인텔리전트 에이전트는 학습하거나 지식을 활용하여 목표를 달성할 수도 있습니다.그것들은 매우 단순하거나 매우 복잡할 수 있다.
intelligent control: 신경 네트워크, 베이지안 확률, 퍼지 논리, 기계 학습, 강화 학습, 진화 계산 및 유전 ^[194]알고리즘과 같은 다양한 인공지능 컴퓨팅 접근방식을 사용하는 제어 기술 클래스.
intelligent personal assistant: 구두 명령에 따라 개인을 위해 태스크 또는 서비스를 수행할 수 있는 소프트웨어 에이전트입니다.때때로 "챗봇"이라는 용어는 온라인 채팅(또는 엔터테인먼트 전용 온라인 채팅 프로그램)을 통해 일반적으로 또는 구체적으로 액세스하는 가상 도우미를 지칭하기 위해 사용됩니다.일부 가상 보조자들은 사람의 말을 해석하고 합성된 목소리로 반응할 수 있다.사용자는 어시스턴트에게 질문을 하거나 홈오토메이션 디바이스와 미디어 재생을 음성으로 제어하거나 이메일, 할 일 목록, 캘린더 등 기타 기본적인 작업을 구두 ^[195]명령으로 관리할 수 있습니다.
interpretation: 정식 언어의 기호에 대한 의미 부여.수학, 논리학, 그리고 이론 컴퓨터 과학에서 사용되는 많은 형식 언어들은 통사적인 용어로만 정의되며, 따라서 어떤 해석이 주어질 때까지 아무런 의미도 갖지 않습니다.형식 언어의 해석에 대한 일반적인 연구는 형식 의미론이라고 불린다.
intrinsic motivation: 인텔리전트 에이전트는 본질적으로 행동에서 비롯된 경험의 정보 내용만이 동기 부여 요소일 경우 행동하도록 동기를 부여합니다.이 문맥에서의 정보내용은 정보이론의 의미로 불확실성을 정량화하는 것으로 측정된다.전형적인 내재적 동기는 음식을 찾는 것과 같은 전형적인 외적 동기와는 대조적으로 특이한(놀라운) 상황을 찾는 것이다.본질적으로 동기부여된 인공작용제는 탐색과 ^[196]호기심과 유사한 행동을 보여준다.
issue tree: 질문을 다른 컴포넌트로 수직으로 분할하여 ^[197]^{: 47}오른쪽을 읽을 때 상세하게 진행하는 그래픽 분석입니다.문제 트리는 문제의 근본 원인을 파악하고 잠재적인 해결책을 식별하기 위해 문제 해결에 유용합니다.또한 각 조각이 문제의 ^[198]전체 그림에 어떻게 적합한지 확인할 수 있는 참조점을 제공합니다.

J

junction tree algorithm: 기계학습에서 사용되는 방법으로 일반 그래프에서 한계화를 추출합니다.본질적으로, 그것은 연결 트리라고 불리는 수정된 그래프에서 믿음의 전파를 수행하는 것을 수반합니다.그래프는 데이터의 다른 섹션으로 분기하기 때문에 트리라고 불립니다.변수의 노드가 ^[199]분기입니다.

K

kernel method: 머신러닝에서 커널 메서드는 패턴 분석을 위한 알고리즘의 클래스이며, 가장 잘 알려진 멤버는 서포트 벡터 머신(SVM)입니다.패턴 분석의 일반적인 작업은 데이터 집합에서 일반적인 유형의 관계(예: 클러스터, 순위, 주성분, 상관관계, 분류)를 찾아 연구하는 것이다.
KL-ONE: 시맨틱 네트워크와 프레임의 전통에서 잘 알려진 지식 표현 시스템, 즉 프레임 언어입니다.이 시스템은 의미 네트워크 표현에서 의미 불명확성을 극복하고 구조화된 ^[200]^[201]^[202]상속 네트워크로서 개념 정보를 명시적으로 표현하려는 시도이다.
knowledge acquisition: 지식 기반 시스템에 필요한 규칙 및 온톨로지 정의에 사용되는 프로세스입니다.이 문구는 처음에 전문가 시스템 개발, 즉 도메인 전문가를 찾아 인터뷰하고 규칙, 객체 및 프레임 기반 온톨로지를 통해 지식을 캡처하는 것과 관련된 초기 작업을 설명하기 위해 전문가 시스템과 함께 사용되었습니다.
knowledge-based system (KBS): 복잡한 문제를 해결하기 위해 지식 기반을 추론하고 사용하는 컴퓨터 프로그램입니다.이 용어는 광범위하고 다양한 종류의 시스템을 나타냅니다.모든 지식 기반 시스템을 통합하는 하나의 공통 주제는 지식을 명시적으로 표현하려는 시도와 새로운 지식을 도출할 수 있는 추론 시스템이다.따라서, 지식 기반 시스템은 두 가지 구별되는 특징, 즉 지식 기반과 추론 엔진을 가지고 있다.
knowledge engineering (KE): 지식 기반 시스템의 구축, 유지보수 및 사용에 관련된 모든 기술적, 과학적, 사회적 측면.
knowledge extraction: 정형(관계형 데이터베이스, XML) 및 비정형(텍스트, 문서, 이미지) 소스에서 지식을 창출합니다.그 결과 얻은 지식은 기계에서 읽을 수 있고 기계에서 해석할 수 있는 형식이어야 하며, 지식을 회의를 용이하게 하는 방식으로 표현해야 합니다.구조적으로는 정보 추출(NLP) 및 ETL(데이터 웨어하우스)과 유사하지만 주요 기준은 추출 결과가 구조화된 정보의 생성이나 관계형 스키마로의 변환을 넘어서는 것이다.기존 공식 지식(식별자 또는 온톨로지 사용)을 재사용하거나 소스 데이터를 기반으로 스키마를 생성해야 합니다.
knowledge Interchange Format (KIF): 시스템이 지식 기반 시스템에서 정보를 공유하고 재사용할 수 있도록 설계된 컴퓨터 언어입니다.KIF는 KL-ONE이나 LOM과 같은 프레임 언어와 비슷하지만 이러한 언어와 달리 주요 역할은 지식의 표현이나 사용을 위한 프레임워크가 아니라 시스템 간의 지식 교환을 위한 것입니다.KIF의 디자이너들은 이것을 포스트스크립트에 비유했다.PostScript는 주로 문서를 저장하고 조작하는 언어로 설계된 것이 아니라 시스템과 장치가 문서를 공유하는 교환 형식으로 설계되었습니다.마찬가지로 KIF는 다양한 언어, 형식, 플랫폼 등을 사용하는 다양한 시스템 간에 지식을 공유하기 위한 것입니다.
knowledge representation and reasoning (KR² or KR&R): 의료 상태를 진단하거나 자연스러운 언어로 대화하는 등 복잡한 작업을 컴퓨터 시스템이 해결할 수 있는 형태로 세계에 대한 정보를 표현하는 데 전념하는 인공지능 분야입니다.지식 표현은 복잡한 시스템을 설계하고 구축하기 쉽게 하는 형식주의를 설계하기 위해 인간이 문제를 해결하고 지식을 표현하는 방법에 대한 심리학^[203] 연구 결과를 통합합니다.지식 표현과 추론은 또한 규칙이나 집합과 하위 ^[204]집합의 관계와 같은 다양한 종류의 추론을 자동화하기 위해 논리로부터의 발견을 포함한다.지식 표현 형식주의의 예로는 의미망, 시스템 아키텍처, 프레임, 규칙 및 온톨로지 등이 있습니다.자동 추론 엔진의 예로는 추론 엔진, 정리 프로버 및 분류기가 있습니다.

L

lazy learning: 기계학습에서 게으른 학습은 시스템이 쿼리를 수신하기 전에 트레이닝 데이터를 일반화하려고 하는 것과 달리 이론적으로 트레이닝 데이터의 일반화가 시스템에 대해 쿼리가 이루어질 때까지 지연되는 학습방법이다.
Lisp (programming language) (LISP): 오랜 역사와 괄호로 둘러싸인 고유한 접두사 ^[205]표기법을 가진 프로그래밍 언어 패밀리.
logic programming: 형식 논리에 주로 기반을 둔 프로그래밍 패러다임의 한 종류입니다.논리 프로그래밍 언어로 작성된 프로그램은 논리 형식의 문장 집합으로, 일부 문제 영역에 대한 사실과 규칙을 표현합니다.주요 로직 프로그래밍 언어 제품군에는 Prolog, ASP(Answer set programming) 및 Datalogger가 있습니다.
long short-term memory (LSTM): 딥 러닝 분야에서 사용되는 인공 반복 뉴럴 네트워크 아키텍처^[206].표준 피드포워드 뉴럴 네트워크와 달리 LSTM은 "일반 목적 컴퓨터"로 만드는 피드백 연결을 가지고 있습니다(즉, 튜링 기계가 할 ^[207]수 있는 모든 것을 계산할 수 있습니다).단일 데이터 포인트(예: 이미지)뿐만 아니라 전체 데이터 시퀀스(예: 음성 또는 비디오)도 처리할 수 있습니다.

M

machine vision (MV): 일반적으로 업계에서 자동 검사, 프로세스 제어 및 로봇 안내와 같은 애플리케이션에 대해 이미징 기반 자동 검사 및 분석을 제공하는 데 사용되는 기술 및 방법입니다.머신비전은 다수의 테크놀로지, 소프트웨어 및 하드웨어 제품, 통합 시스템, 액션, 방법 및 전문지식을 망라한 용어입니다.시스템 공학 분야로서의 기계 비전은 컴퓨터 과학의 한 형태인 컴퓨터 비전과 구별된다고 볼 수 있습니다.기존 기술을 새로운 방식으로 통합하고 실제 문제를 해결하기 위해 적용하려고 합니다.이 용어는 산업 자동화 환경에서 이러한 기능을 위해 널리 사용되는 용어이지만 보안 및 차량 안내와 같은 다른 환경에서도 이러한 기능을 위해 사용됩니다.
Markov chain: 각 사건의 확률이 이전 ^[208]^[209]^[210]사건에서 얻은 상태에 따라 달라지는 가능한 사건의 시퀀스를 설명하는 확률적 모델.
Markov decision process (MDP): 이산 시간 확률 제어 프로세스.이는 결과가 부분적으로 랜덤하고 부분적으로 의사결정자의 통제 하에 있는 상황에서 의사결정을 모델링하기 위한 수학적 프레임워크를 제공한다.MDP는 동적 프로그래밍 및 강화 학습을 통해 해결된 최적화 문제를 연구하는 데 유용하다.
mathematical optimization: 수학, 컴퓨터 과학 및 운영 연구에서는 이용 가능한 ^[211]대안에서 최적의 요소(일부 기준과 관련하여)를 선택하는 것을 말한다.
machine learning (ML): 컴퓨터 시스템이 명시적 명령을 사용하지 않고 대신 패턴과 추론에 의존하여 특정 작업을 효과적으로 수행하기 위해 사용하는 알고리즘과 통계 모델에 대한 과학적 연구.
machine listening: 기계에 ^[212]^[213]의한 오디오 이해를 위한 알고리즘과 시스템의 일반적인 연구 분야입니다.
machine perception: 인간이 감각을 사용하여 주변 ^[214]^[215]^[216]세계와 관계를 맺는 것과 유사한 방식으로 데이터를 해석하는 컴퓨터 시스템의 능력.
mechanism design: 경제적 메커니즘이나 인센티브를 설계하기 위해 공학적 접근법을 취하는 경제학 및 게임 이론 분야로, 전략적인 환경에서 원하는 목표를 향해 플레이어가 합리적으로 행동합니다.게임이 끝날 때 시작해서 뒤로 가기 때문에, 그것은 역게임 이론이라고도 불린다.경제 및 정치(시장, 경매, 투표 절차)에서 네트워크 시스템(인터넷 도메인 간 라우팅, 후원 검색 경매)에 이르기까지 광범위한 애플리케이션을 제공합니다.
mechatronics: 전기 및 기계 시스템의 엔지니어링에 중점을 두고 로봇 공학, 전자 공학, 컴퓨터, 통신, 시스템, 제어 ^[217]^[218]및 제품 엔지니어링의 조합을 포함하는 공학 분야의 다분야 부문입니다.
metabolic network reconstruction and simulation: 특정 유기체의 분자 메커니즘에 대한 심층적인 통찰력을 제공합니다.특히, 이 모델들은 게놈과 분자 ^[219]생리를 연관시킨다.
metaheuristic: 컴퓨터 과학과 수학적 최적화에서 메타 휴리스틱은 고위급 관리 절차나 heuristic를 창출하는 경우 또는 최적화 문제에,거나 불완전한 불완전한 정보 또는 제한된 계산 처리 능력을 특히가 충분히 좋은 해결책을 제공할 수 있는 경험적(부분 검색 알고리즘)선택을 찾도록 설계된.[220][221]메타휴리스틱스는 너무 커서 완전히 샘플링할 수 없는 솔루션 세트를 샘플링합니다.
model checking: 컴퓨터 과학에서 모델 검사 또는 속성 검사는 주어진 시스템 모델에 대해 이 모델이 주어진 규격을 충족하는지 철저히 그리고 자동으로 검사하는 것입니다.일반적으로 하드웨어 또는 소프트웨어 시스템을 염두에 두고 있지만, 사양에는 시스템 충돌을 일으킬 수 있는 교착 상태나 유사한 중요 상태가 없는 등의 안전 요건이 포함되어 있습니다.모델 체크는 유한 상태 시스템의 정확성 특성을 자동으로 검증하는 기술입니다.
modus ponens: 명제 논리학에서, 모더스 포넨은 ^[222]추론의 규칙이다.이는 "P는 Q를 의미하고 P는 True로 단언되므로 Q는 True여야 한다"로 요약할 수 있다.
modus tollens: 명제논리학에서, 모더스 톨렌스는 유효한 논쟁 형태이자 추론 규칙이다.만약 진술이 사실이라면, 그 진술의 반대도 마찬가지라는 것은 일반적인 진실의 적용이다.추론 규칙 모듀스 톨렌스는 P로부터의 추론이 Q를 의미하고 Q의 부정을 의미하며 P의 부정이 유효함을 단언한다.
Monte Carlo tree search: 컴퓨터 과학에서 몬테카를로 트리 검색(MCTS)은 어떤 종류의 의사결정 프로세스를 위한 휴리스틱 검색 알고리즘입니다.
multi-agent system (MAS): 여러 지능형 에이전트로 구성된 컴퓨터 시스템입니다.멀티 에이전트 시스템은 개별 에이전트 또는 단일 시스템이 해결하기 어렵거나 불가능한 문제를 해결할 수 있습니다.지능에는 체계적, 기능적, 절차적 접근법, 알고리즘 검색 또는 강화 학습이 포함될 수 있습니다.
multi-swarm optimization: 하나의 (표준) 군집 대신 여러 개의 서브 군집 사용을 기반으로 하는 파티클 군집 최적화(PSO)의 변형입니다.멀티 SWARM 최적화의 일반적인 접근방식은 각 서브 SWARM이 특정 영역에 초점을 맞추고 특정 다양화 방법이 서브 SWARM을 실행할 위치와 시기를 결정하는 것이다.멀티스왑 프레임워크는 다중(로컬) 최적화가 존재하는 멀티모달 문제에 대한 최적화에 특히 적합합니다.
mutation: 유전 알고리즘 염색체 집단의 한 세대에서 다음 세대로 유전적 다양성을 유지하기 위해 사용되는 유전 연산자.그것은 생물학적 돌연변이와 유사하다.돌연변이는 염색체의 하나 이상의 유전자 값을 초기 상태에서 변화시킨다.돌연변이는 이전 솔루션과 완전히 다를 수 있습니다.따라서 GA는 돌연변이를 사용함으로써 더 나은 해결책을 얻을 수 있다.돌연변이는 사용자가 정의할 수 있는 돌연변이 확률에 따라 진화 중에 발생합니다.이 확률은 낮게 설정해야 합니다.너무 높게 설정하면 검색이 원시 랜덤 검색으로 바뀝니다.
Mycin: 인공 지능을 사용하여 박테레미아 및 뇌수막염과 같은 심각한 감염을 일으키는 박테리아를 식별하고 환자의 체중에 맞게 용량을 조절하여 항생제를 권장하는 초기 역방향 사슬 전문가 시스템. 많은 항생제가 접미사 "-mycin"을 가지고 있기 때문에 항생제 자체에서 유래한 이름입니다.MYCIN 시스템은 혈액 응고 질환 진단에도 사용되었다.

N

naive Bayes classifier: 기계 학습에서, 순진한 베이즈 분류기는 특징들 사이의 강한 (순진한) 독립성 가정과 함께 베이즈의 정리를 적용하는 것에 기초한 단순한 확률론적 분류기의 집합이다.
naive semantics: 특정 영역에 대한 기본 지식을 나타내기 위해 컴퓨터 과학에서 사용되는 접근법으로 인공지능 응용 프로그램에서 자연어 문장의 의미 표현과 같은 응용 프로그램에서 사용됩니다.일반적인 설정에서 이 용어는 세계에서 특정 도메인에 대해 일반적으로 이해되는 지식의 제한된 저장소의 사용을 가리키기 위해 사용되었으며 데이터 ^[223]스키마의 지식 기반 설계와 같은 분야에 적용되었습니다.
name binding: 프로그래밍 언어에서 이름 바인딩은 엔티티(데이터 및/또는 코드)와 ^[224]식별자를 연결하는 것입니다.오브젝트에 바인드된 식별자는 그 오브젝트를 참조한다고 한다.기계어에는 식별자에 대한 기본 개념은 없지만 프로그래밍 언어에 의해 이름-객체 바인딩이 서비스 및 프로그래머용 표기법으로서 구현됩니다.바인딩은 범위 지정과 밀접하게 연결되어 있습니다.이것에 의해, 어느 이름이 어느 오브젝트에 바인드 되는지가 결정됩니다.프로그램 코드의 어느 장소(전형적으로)와 가능한 실행 패스(일시적으로) 중 어느 것이냐가 결정됩니다.식별자 사용id의 id는 바인딩(또는 정의) 오카렌스라고 불립니다.기타 모든 발생(식, 할당 및 서브프로그램 호출 등)에서 식별자는 바인딩된 항목을 나타냅니다. 이러한 발생을 적용된 발생이라고 합니다.
named-entity recognition (NER): 구조화되지 않은 텍스트에 기재되어 있는 이름, 조직, 장소, 의료 코드, 시간 표현, 수량, 금전적 가치, 비율 등 미리 정의된 카테고리로 분류되는 정보 추출의 하위 작업입니다.
named graph: URI를 ^[225]사용하여 일련의 자원 기술 프레임워크 스테이트먼트(그래프)를 식별하여 컨텍스트, 출처 정보 또는 기타 메타데이터와 같은 스테이트먼트 세트를 기술할 수 있는 시멘틱 웹 아키텍처의 주요 개념.명명된 그래프는 그래프를 만들 수 있는 RDF 데이터^[226] 모델의 단순한 확장이지만, 이 모델에는 웹에 널리 게시된 그래프를 구분할 수 있는 효과적인 수단이 없다.
natural language generation (NLG): 구조화된 데이터를 일반 영어 콘텐츠로 변환하는 소프트웨어 프로세스입니다.조직에서 커스텀 리포트를 자동화하는 롱 폼의 컨텐츠를 작성하는 것과 동시에, Web 또는 모바일 애플리케이션의 커스텀 컨텐츠를 작성하는 데 사용할 수 있습니다.또한 대화식 대화(챗봇)에서 텍스트의 짧은 흐림을 생성하는 데 사용할 수 있으며, 텍스트 투 스피치 시스템에서 큰 소리로 읽을 수도 있습니다.
natural language processing (NLP): 컴퓨터와 인간(자연) 언어 간의 상호작용, 특히 대량의 자연 언어 데이터를 처리 및 분석하도록 컴퓨터를 프로그래밍하는 방법에 관한 컴퓨터 과학, 정보 공학 및 인공지능의 하위 분야입니다.
natural language programming: 자연어 문장(예: 영어)^[227]에 관한 온톨로지 지원 프로그래밍 방법.
network motif: 생물학적 네트워크, 소셜 네트워크, 기술 네트워크(예: 컴퓨터 네트워크 및 전기 회로) 등을 포함한 모든 네트워크는 다양한 하위 그래프를 포함하는 그래프로 나타낼 수 있다.네트워크의 중요한 로컬 속성 중 하나는 이른바 네트워크 모티브로, 반복적이고 통계적으로 유의한 서브그래프 또는 패턴으로 정의됩니다.
neural machine translation (NMT): 대규모 인공신경망을 사용하여 단어 시퀀스의 가능성을 예측하는 기계번역 접근법입니다.일반적으로 단일 통합 모델에서 문장 전체를 모델링합니다.
neural Turing machine (NTM): 반복 뉴럴 네트워크 모델입니다.NTM은 뉴럴 네트워크의 퍼지 패턴 매칭 기능과 프로그래밍 가능한 컴퓨터의 알고리즘 파워를 결합합니다.NTM에는 외부 메모리 자원에 결합된 뉴럴 네트워크 컨트롤러가 있으며, 이 컨트롤러는 주의 메커니즘을 통해 상호 작용합니다.메모리 상호작용은 엔드 투 엔드로 구별 가능하며, 구배 ^[228]강하를 사용하여 최적화할 수 있습니다.Long Short-Term Memory(LSTM; 롱단기메모리) 네트워크 컨트롤러를 탑재한 NTM은 복사, 정렬, 관련 호출 등의 간단한 알고리즘을 예만으로 ^[229]추론할 수 있습니다.
neuro-fuzzy: 인공 신경망과 퍼지 논리의 조합.
neurocybernetics: 확장 또는 배선된 두뇌와 외부 장치 간의 직접 통신 경로.BCI는 양방향 정보 흐름을 허용한다는 점에서 신경조절과 다릅니다.BCI는 종종 인간의 인지 또는 감각 운동 ^[230]기능을 연구, 매핑, 보조, 증강 또는 복구하는 것을 목적으로 한다.
neuromorphic engineering: 신경계에 ^[231]존재하는 신경생물학적 아키텍처를 모방하기 위해 전자 아날로그 회로를 포함하는 초대형 집적회로(VLSI) 시스템의 사용을 기술하는 개념.최근 신경형이라는 용어는 아날로그, 디지털, 혼합 모드 아날로그/디지털 VLSI 및 (지각, 운동 제어 또는 멀티센서리 통합을 위해) 신경 시스템 모델을 구현하는 소프트웨어 시스템을 설명하기 위해 사용되어 왔다.하드웨어 레벨에서의 뉴로모픽 컴퓨팅의 실장은 산화물 기반의 멤리스터,^[232] 스핀트로닉 메모리,^[233] 임계값 스위치 및 트랜지스터에 ^[234]^[235]^[236]^[237]의해 실현될 수 있습니다.
node: 연결된 목록 또는 트리 데이터 구조와 같은 데이터 구조의 기본 단위입니다.노드에는 데이터가 포함되어 있으며 다른 노드에 링크될 수도 있습니다.노드 간의 링크는 포인터에 의해 구현되는 경우가 많습니다.
nondeterministic algorithm: 같은 입력이라도 결정론적 알고리즘과 달리 다른 실행에서 다른 동작을 나타낼 수 있는 알고리즘입니다.
nouvelle AI: 누벨 AI는 기존 AI와 달리 곤충과 비슷한 지능 수준의 로봇을 만드는 것을 목표로 하고 있다.연구자들은 상징적 AI가 전형적으로 프로그램해야 하는 ^[238]구성된 세계를 사용하는 대신, 이러한 지능들이 "현실 세계"와 상호작용하기 때문에 단순한 행동에서 유기적으로 나올 수 있다고 믿는다.
NP: 계산 복잡도 이론에서 NP(비결정론적 다항식 시간)는 결정 문제를 분류하는 데 사용되는 복잡도 클래스이다.NP는 "예"인 문제 인스턴스가 다항식 시간에 ^[239]^{[Note 1]}입증 가능한 증거를 갖는 결정 문제의 집합입니다.
NP-completeness: 계산 복잡도 이론에서, 문제는 제한된 클래스의 브루트 포스 검색 알고리즘에 의해 해결될 수 있고 유사한 알고리즘으로 다른 문제를 시뮬레이션하기 위해 사용될 수 있을 때 NP-완전입니다.보다 정확하게 말하면, 문제에 대한 각 입력은 다항식 길이의 솔루션 집합과 관련지어져야 하며, 그 유효성을 신속하게(다항식^[240] 시간 내에) 테스트할 수 있어야 하며, 따라서 솔루션 집합이 비어 있지 않으면 모든 입력에 대한 출력이 "예"이고 비어 있으면 "아니오"가 되어야 합니다.
NP-hardness: 계산 복잡도 이론에서 비공식적으로 "적어도 NP에서 가장 어려운 문제만큼 어려운" 문제 클래스의 정의 특성입니다.NP-하드 문제의 간단한 예로는 서브셋합 문제가 있습니다.

O

Occam's razor: 같은 예측을 하는 경쟁 가설이 제시될 때 가장 적은 ^[241]가정으로 해결책을 선택해야 한다는 문제 해결 원칙. 이 원칙은 다른 예측을 하는 가설을 걸러내는 것을 의미하지 않습니다.이 아이디어는 영국 프란치스코회 수사 Ockham c.(1287–1347)의 윌리엄에게 기인한 것으로, 그는 학문의 철학자이자 신학자이다.
offline learning
online machine learning: 트레이닝 데이터 세트 전체를 한 번에 학습함으로써 최적의 프레딕터를 생성하는 배치 학습 기법과 달리 데이터가 순차적으로 이용 가능하게 되어 각 단계에서 미래의 데이터에 대한 최적의 프레딕터를 갱신하는 머신 러닝 방법.온라인 학습은 전체 데이터 세트에 대한 훈련이 계산적으로 불가능한 기계 학습 영역에서 사용되는 일반적인 기술이며, 코어 외 알고리즘이 필요합니다.또한 알고리즘이 데이터의 새로운 패턴에 동적으로 적응해야 하는 상황이나 데이터 자체가 시간의 함수로 생성되는 경우에도 사용됩니다.
ontology learning: 자연어 텍스트의 말뭉치로부터 대응하는 도메인의 용어와 이러한 용어가 나타내는 개념간의 관계를 추출해, 검색을 용이하게 하기 위해서 온톨로지 언어로 부호화하는 것을 포함한 온톨로지의 자동 또는 반자동 작성.
OpenAI: 영리법인 오픈비영리단체를 모체로 하는 AI LP 오픈인공지능(AI) 분야의 연구를 실시하는 주식회사 AI는^[242] 인류 전체에 이익이 되도록 친근한 AI를 육성·발전시키는 것을 목표로 하고 있다.
OpenCog: 오픈소스 인공지능 프레임워크 구축을 목표로 하는 프로젝트.OpenCog Prime은 로봇 및 가상 구현 인식을 위한 아키텍처로, 인간과 ^[243]동등한 인공지능(AGI)을 발생시키도록 설계된 일련의 상호작용 구성요소를 시스템 전체의 새로운 현상으로 정의합니다.
Open Mind Common Sense: 매사추세츠공과대학(MIT) 미디어랩을 거점으로 하는 인공지능 프로젝트입니다.이 프로젝트는 웹을 통해 수천 명의 사람들의 공헌을 통해 대규모 상식적인 지식 기반을 구축하고 활용하는 것을 목표로 하고 있습니다.
open-source software (OSS): 저작권자가 사용자에게 소프트웨어를 연구, 변경 및 ^[244]배포할 권리를 부여하는 라이선스에 따라 소스 코드가 공개되는 컴퓨터 소프트웨어의 일종입니다.오픈 소스 소프트웨어는 공동 공개 방식으로 개발될 수 있습니다.오픈 소스 소프트웨어는 오픈 ^[245]콜라보레이션의 대표적인 예입니다.

P

partial order reduction: 모델 체크 또는 자동 플래닝 및 스케줄링 알고리즘에 의해 검색되는 상태 공간의 크기를 줄이는 기술.동시에 실행된 전환의 교환성을 이용하여 다른 순서로 실행되었을 때 동일한 상태가 됩니다.
partially observable Markov decision process (POMDP): 마르코프 의사결정 프로세스(MDP)의 일반화.POMDP는 시스템 다이내믹스가 MDP에 의해 결정된다고 가정되는 에이전트 결정 프로세스를 모델링하지만 에이전트는 직접 기본 상태를 관찰할 수 없습니다.대신, 관측치 및 관측 확률 집합과 기본 MDP에 기반하여 가능한 상태의 집합에 대한 확률 분포를 유지해야 한다.
particle swarm optimization (PSO): 주어진 품질 측정과 관련하여 후보 솔루션을 반복적으로 개선함으로써 문제를 최적화하는 계산 방법입니다.이것은 후보 해법(여기서는 입자라 칭함)의 집단을 가지고 이러한 입자를 탐색 공간에서 입자의 위치와 속도에 대한 간단한 수학 공식에 따라 이동시킴으로써 문제를 해결합니다.각 입자의 이동은 가장 잘 알려진 국소적인 위치에 의해 영향을 받지만 탐색 공간에서 가장 잘 알려진 위치로 유도되며, 다른 입자에 의해 더 나은 위치가 발견됨에 따라 업데이트됩니다.이것은 무리를 최선의 해결책으로 이동시킬 것으로 기대된다.
pathfinding: 컴퓨터 어플리케이션에 의한 두 지점 사이의 최단 경로의 플롯.그것은 미로를 해결하는 데 있어 보다 실용적인 변형이다.이 연구 분야는 가중 그래프에서 최단 경로를 찾기 위한 다이크스트라의 알고리즘에 크게 기초하고 있다.
pattern recognition: 컴퓨터 알고리즘을 사용하여 데이터의 규칙성을 자동으로 검출하고 이러한 규칙성을 사용하여 데이터를 다른 ^[246]범주로 분류하는 등의 조치를 취합니다.
predicate logic: 수학, 철학, 언어학 및 컴퓨터 과학에서 사용되는 공식 시스템 모음입니다.1차 논리는 비논리적인 사물 위에 계량화된 변수를 사용하고 변수를 포함하는 문장을 사용할 수 있도록 하기 때문에 소크라테스와 같은 명제보다는 "x는 소크라테스이고 x는 인간이다"라는 형태로 표현될 수 있고,^[172] x는 변수인 반면 수량화자가 존재한다.이것은 양적 논리나 ^[247]관계를 사용하지 않는 명제 논리와 구별된다; 이런 의미에서 명제 논리는 1차 논리의 기초이다.
predictive analytics: 데이터 마이닝, 예측 모델링 및 기계 학습으로부터 현재 및 역사적 사실을 분석하여 미래 또는 미지의 사건에 대한 예측을 ^[248]^[249]하는 다양한 통계 기법.
principal component analysis (PCA): 직교 변환을 사용하여 상관 관계가 있을 수 있는 변수(각 항목이 다양한 숫자 값을 갖는)의 관측치 집합을 주성분이라고 하는 선형 상관 관계가 없는 변수의 값 집합으로 변환하는 통계 절차입니다.이 변환은 첫 번째 주성분이 가능한 가장 큰 분산을 가지도록 정의되며(즉, 가능한 한 많은 양의 데이터 변동을 설명함) 후속 각 성분은 이전 성분과 직교한다는 제약 조건 하에서 가능한 가장 큰 분산을 갖도록 정의됩니다.결과 벡터(각각 변수의 선형 조합이며 n개의 관측치를 포함)는 상관 관계가 없는 직교 기저 집합입니다.PCA는 원래 변수의 상대적 스케일링에 민감합니다.
principle of rationality: 칼 R에 의해 만들어진 원리. 1963년 하버드 강연에서 포퍼는 그의 책 프레임워크 ^[250]신화에 발표했다.이것은 그가 1944/1945년 이코노미카 기사에서 '상황의 논리'라고 불렀던 것과 관련이 있으며, 그의 저서 역사주의의 ^[251]빈곤에 나중에 출판되었다.Popper의 합리성 원칙에 따라 에이전트는 객관적인 상황에 따라 가장 적절한 방법으로 행동합니다.그것은 그가 상황 분석 모델을 추진하기 위해 사용했던 인간 행동의 이상화된 개념이다.
probabilistic programming (PP): 확률론적 모델이 지정되고 이러한 모델에 대한 추론이 ^[252]자동으로 수행되는 프로그래밍 패러다임.이는 확률론적 모델링과 전통적인 범용 프로그래밍을 통합하여 전자를 보다 쉽고 광범위하게 적용할 ^[253]^[254]수 있도록 하려는 시도를 나타낸다.불확실성에 직면하여 의사결정을 지원하는 시스템을 만드는 데 사용할 수 있습니다.확률적 프로그래밍에 사용되는 프로그래밍 언어를 "확률적 프로그래밍 언어"(PPL)라고 합니다.
production system
programming language: 다양한 종류의 출력을 생성하는 일련의 명령으로 구성된 형식 언어입니다.프로그래밍 언어는 알고리즘을 구현하기 위해 컴퓨터 프로그래밍에서 사용됩니다.
Prolog: 인공지능 및 컴퓨터 언어학과 ^[255]^[256]^[257]관련된 논리 프로그래밍 언어입니다.프롤로그는 1차 로직인 형식 로직에 뿌리를 두고 있으며, 다른 많은 프로그래밍 언어와는 달리 주로 선언형 프로그래밍 언어로 프로그램 로직이 표현되어 사실과 규칙으로 표현됩니다.이러한 관계에 대한 쿼리를 ^[258]실행하여 계산이 시작됩니다.
propositional calculus: 명제(참 또는 거짓일 수 있음) 및 인수 흐름을 다루는 논리 분기입니다.복합 명제는 논리적인 연결로 명제를 연결함으로써 형성된다.논리적 연결이 없는 명제를 원자 명제라고 합니다.1차 논리와 달리, 명제 논리는 비논리적인 객체, 그에 대한 술어 또는 수량화를 다루지 않습니다.그러나 명제논리의 모든 기계는 1차논리와 고차논리에 포함된다.그런 의미에서 명제논리는 1차 논리와 고차 논리의 기초가 된다.
Python: Guido van Rossum에 의해 1991년에 처음 공개된 해석된 고급 범용 프로그래밍 언어.Python의 디자인 철학은 코드 가독성을 강조하며 상당한 여백을 사용한다.언어 구성 및 객체 지향 접근 방식은 프로그래머가 소규모 ^[259]및 대규모 프로젝트를 위해 명확하고 논리적인 코드를 작성할 수 있도록 지원하는 것을 목표로 합니다.

Q

qualification problem: 철학 및 인공지능(특히 지식 기반 시스템)에서 자격 문제는 실제 행동이 의도된 ^[260]^[261]효과를 발휘하는 데 필요한 모든 전제 조건을 나열하는 것이 불가능하다는 것과 관련이 있다.그것은 내가 의도한 결과를 얻을 수 없는 것에 대처하는 것처럼 보일지도 모른다.프레임의 ^[260]문제와는 반대로 강하게 연결되어 있습니다.
quantifier: 논리학에서, 정량화는 열린 공식을 만족시키는 담화 영역에서 표본의 양을 지정한다.가장 일반적인 두 개의 수량자는 "모두"와 "존재한다"를 의미합니다.예를 들어, 산술에서, 수량자는 자연수가 영원하다고 말할 수 있다.모든 n(여기서 n은 자연수)에 대해 n보다 큰 다른 수(예를 들어 n의 후속수)가 있다고 적음으로써 자연수가 영원하다고 말할 수 있다.
quantum computing: 연산을 수행하기 위해 중첩 및 얽힘과 같은 양자역학적 현상을 사용한다.양자컴퓨터는 이러한 계산을 수행하기 위해 사용되며, 이는 이론적으로 또는 물리적으로 ^[262]^{: I-5}구현될 수 있다.
query language: 쿼리 언어 또는 데이터 쿼리 언어(DQL)는 데이터베이스 및 정보 시스템에서 쿼리를 작성하기 위해 사용되는 컴퓨터 언어입니다.일반적으로 쿼리 언어는 데이터베이스 쿼리 언어인지 정보 검색 쿼리 언어인지에 따라 분류할 수 있다.차이점은 데이터베이스 쿼리 언어는 사실적 질문에 사실적 답변을 제공하는 반면 정보 검색 쿼리 언어는 조사 영역에 관련된 정보를 포함하는 문서를 검색하려고 시도한다는 것입니다.

R

R programming language: R ^[263]Foundation for Statistical Computing이 지원하는 통계 컴퓨팅 및 그래픽용 프로그래밍 언어 및 자유 소프트웨어 환경.R언어는 통계학자^[264] 및 데이터 ^[265]채굴자들 사이에서 통계 소프트웨어와 데이터 분석을 개발하기 위해 널리 사용된다.
radial basis function network: 수학적 모델링 분야에서 방사 기저 함수 네트워크는 방사 기저 함수를 활성화 함수로 사용하는 인공 신경망이다.네트워크의 출력은 입력 및 뉴런 파라미터의 방사형 기저함수의 선형 조합입니다.레이디얼 베이스 함수 네트워크는 함수 근사, 시계열 예측, 분류, 시스템 제어 등 다양한 용도로 사용됩니다.그것들은 1988년 Royal Signals and Radar ^[266]^[267]^[268]Institution의 연구원인 Bromhead와 Lowe에 의해 처음 공식화 되었다.
random forest: 훈련 시에 다수의 의사결정 트리를 구성하고 개별 트리의 클래스(분류) 또는 평균 예측(회귀)^[269]^[270] 모드인 클래스를 출력함으로써 작동하는 분류, 회귀 및 기타 태스크를 위한 앙상블 학습 방법.랜덤 의사결정 포레스트는 의사결정 트리의 훈련 ^[271]세트에 과적합하는 습관을 수정한다.
reasoning system: 정보기술에서 추론 시스템은 추론 및 유도와 같은 논리적 기법을 사용하여 이용 가능한 지식으로부터 결론을 도출하는 소프트웨어 시스템입니다.추론 시스템은 인공지능과 지식 기반 시스템의 구현에 중요한 역할을 한다.
recurrent neural network (RNN): 노드 간의 연결이 시간 시퀀스를 따라 방향 그래프를 형성하는 인공 신경망의 클래스입니다.이를 통해 시간적 동적 동작을 나타낼 수 있습니다.피드포워드 뉴럴 네트워크와 달리 RNN은 내부 상태(메모리)를 사용하여 입력 시퀀스를 처리할 수 있습니다.이를 통해 분할되지 않은 연결 필기^[272] 인식 또는 ^[273]^[274]음성 인식과 같은 작업에 적용할 수 있습니다.
region connection calculus
reinforcement learning (RL): 소프트웨어 에이전트가 누적 보상에 대한 개념을 최대화하기 위해 환경에서 어떻게 행동해야 하는지에 관한 기계 학습 분야입니다.강화 학습은 지도 학습과 비지도 학습과 함께 세 가지 기본 기계 학습 패러다임 중 하나이다.라벨링된 입력/출력 쌍을 제시할 필요가 없고 차선의 조치를 명시적으로 수정할 필요가 없다는 점에서 감독 학습과 다르다.대신 초점은 (미지의 영역에 대한) 탐험과 (현재의 ^[275]지식에 대한) 착취 사이의 균형을 찾는 것입니다.
reservoir computing: 신경망의 ^[276]확장으로 간주될 수 있는 계산을 위한 프레임워크.일반적으로 입력 신호는 저장소로 불리는 고정(랜덤) 동적 시스템에 공급되며 저장소의 다이내믹은 입력을 더 높은 차원에 매핑합니다.그런 다음 저장소의 상태를 읽고 원하는 출력에 매핑하도록 간단한 읽기 메커니즘이 훈련됩니다.주요 이점은 판독 단계에서만 교육이 수행되고 저장소가 고정된다는 것입니다.액체 상태^[277] 기계와 에코 상태^[278] 네트워크는 저장 장치 ^[279]컴퓨팅의 두 가지 주요 유형입니다.
Resource Description Framework (RDF): 원래 메타데이터 데이터 모델로 설계된 W3C(World Wide Web Consortium) 사양^[280] 패밀리입니다.다양한 구문 표기 및 데이터 직렬화 형식을 사용하여 웹 리소스에 구현된 정보의 개념 기술 또는 모델링에 대한 일반적인 방법으로 사용되게 되었습니다.또한 지식 관리 응용 프로그램에서도 사용됩니다.
restricted Boltzmann machine (RBM): 일련의 입력에 대해 확률 분포를 학습할 수 있는 생성 확률적 인공 신경 네트워크.
Rete algorithm: 규칙 기반 시스템을 구현하기 위한 패턴 일치 알고리즘.이 알고리즘은 지식 기반에서 많은 사물 또는 사실에 많은 규칙이나 패턴을 효율적으로 적용하기 위해 개발되었습니다.데이터 저장소 및 사실을 기반으로 시스템 규칙 중 어떤 규칙을 실행해야 하는지 결정하는 데 사용됩니다.
robotics: 기계 공학, 전자 공학, 정보 공학, 컴퓨터 공학 등을 포함하는 과학 및 공학 분야의 학제 간 분과입니다.로봇 공학은 로봇의 제어, 감각 피드백, 정보 처리를 위한 컴퓨터 시스템뿐만 아니라 로봇의 설계, 제작, 작동 및 사용을 다룬다.
rule-based system: 컴퓨터 과학에서 규칙 기반 시스템은 정보를 유용한 방법으로 해석하기 위해 지식을 저장하고 조작하기 위해 사용된다.그것은 인공지능의 응용과 연구에 자주 사용된다.일반적으로 규칙 기반 시스템이라는 용어는 인간이 조작하거나 큐레이션된 규칙 집합을 포함하는 시스템에 적용됩니다.규칙 기반 기계 학습과 같이 자동 규칙 추론을 사용하여 구성된 규칙 기반 시스템은 일반적으로 이 시스템 유형에서 제외됩니다.

S

satisfiability: 수학 논리학에서 만족도와 타당성은 의미론의 기본 개념이다.공식을 ^[281]참으로 만드는 해석(모형)을 찾을 수 있는 경우 공식이 충족됩니다.모든 해석이 공식을 참으로 만드는 경우 공식이 유효합니다.이러한 개념의 반대는 불만족과 무효이다. 즉, 어떤 해석도 공식을 참으로 만들지 않으면 공식이 불만족스럽고, 그러한 해석 중 일부가 공식을 거짓으로 만들지 않으면 무효이다.이 네 가지 개념은 아리스토텔레스의 반대편과 정확히 유사한 방식으로 서로 연관되어 있다.
search algorithm: 검색 문제를 해결하는 알고리즘, 즉 문제 영역의 검색 공간에 저장되거나 계산된 정보를 이산 또는 연속 값으로 검색합니다.
selection: 개체 게놈이 나중에 번식하기 위해 개체군 중에서 선택되는 유전 알고리즘의 단계입니다(교차 연산자 사용).
self-management: 컴퓨터 시스템이 사람의 개입 없이 자신의 작업을 관리하는 프로세스입니다.
semantic network: 네트워크 내의 개념 간의 의미 관계를 나타내는 기술 자료.이것은 지식 표현의 한 형태로 자주 사용됩니다.이것은 개념을 나타내는 꼭지점과 ^[282]개념 사이의 의미 관계를 나타내는 가장자리, 매핑 또는 연결된 의미 필드를 구성하는 방향 또는 방향 없는 그래프입니다.
semantic reasoner: 일련의 주장된 사실 또는 공리에서 논리적 결과를 추론할 수 있는 소프트웨어.의미론적 이유자의 개념은 보다 풍부한 메커니즘 세트를 제공함으로써 추론 엔진의 개념을 일반화한다.추론 규칙은 일반적으로 온톨로지 언어, 그리고 종종 기술 논리 언어를 통해 지정됩니다.많은 추론자들은 추론을 수행하기 위해 1차 술어 논리를 사용합니다; 추론은 일반적으로 전진 체인 및 후진 체인 방식으로 진행됩니다.
semantic query: 연관성 및 컨텍스트 특성에 대한 쿼리 및 분석을 허용합니다.의미 쿼리를 사용하면 데이터에 포함된 구문, 의미 및 구조 정보를 기반으로 명시적으로 또는 암시적으로 파생된 정보를 모두 검색할 수 있습니다.정확한 결과(아마도 단일 정보의 고유한 선택)를 제공하거나 패턴 매칭과 디지털 추론을 통해 더 모호하고 개방적인 질문에 답하도록 설계되어 있습니다.
semantics: 프로그래밍 언어 이론에서 의미론은 프로그래밍 언어의 의미에 대한 엄격한 수학적 연구와 관련된 분야이다.특정 프로그래밍 언어로 정의된 구문적으로 유효한 문자열의 의미를 평가하여 관련된 계산을 보여줍니다.평가가 구문적으로 유효하지 않은 문자열일 경우 결과는 계산되지 않습니다.의미론은 특정 언어로 프로그램을 실행할 때 컴퓨터가 수행하는 프로세스를 설명합니다.이것은 프로그램의 입력과 출력의 관계를 설명하거나 프로그램이 특정 플랫폼에서 어떻게 실행될지에 대한 설명을 통해 계산 모델을 생성함으로써 나타낼 수 있습니다.
sensor fusion: 이러한 소스를 개별적으로 사용할 때보다 결과 정보가 불확실성을 덜 갖도록 서로 다른 소스에서 파생된 감각 데이터 또는 데이터의 결합.
separation logic: 프로그램에 대한 추론 방법인 Hoare 논리의 확장입니다.분리 로직의 어설션 언어는 번치된 의미(^[283]BI) 로직의 특수한 경우입니다.
similarity learning: 인공지능에서 감독되는 기계학습 분야입니다.이것은 회귀와 분류와 밀접하게 관련되어 있지만, 목표는 두 물체가 얼마나 비슷하거나 관련이 있는지를 측정하는 유사성 함수로부터 배우는 것이다.순위 매기기, 추천 시스템, 시각적 신원 추적, 얼굴 확인 및 스피커 검증에 응용 프로그램이 있습니다.
simulated annealing (SA): 주어진 함수의 전역 최적화를 근사하기 위한 확률론적 기법.구체적으로는 최적화 문제에 대해 대규모 검색 공간에서 글로벌 최적화를 근사화하는 메타 휴리스틱입니다.
situated approach: 인공지능 연구에서 위치 접근법은 그들의 환경에서 효과적으로 동작하도록 설계된 에이전트를 구축한다.이를 위해서는 생존에 필요한 기본적인 지각력과 운동 능력에 초점을 맞추어 "아래로부터" AI를 설계해야 한다.위치적 접근법은 추상적 추론이나 문제 해결 기술에 훨씬 낮은 우선순위를 부여합니다.
situation calculus: 동적 도메인을 표현하고 추론하기 위해 설계된 논리 형식주의입니다.
Selective Linear Definite clause resolution: 논리 프로그래밍에 사용되는 기본 추론 규칙입니다.이는 해상도를 개선한 것으로, 경음기 조항에 대한 타당성과 반박이 모두 완료되었습니다.
software: 컴퓨터에 작업 방법을 알려주는 데이터 또는 컴퓨터 명령 모음입니다.이는 시스템이 구축되어 실제로 작업을 수행하는 물리적 하드웨어와는 대조적입니다.컴퓨터 과학 및 소프트웨어 공학에서 컴퓨터 소프트웨어는 컴퓨터 시스템, 프로그램 및 데이터에 의해 처리되는 모든 정보입니다.컴퓨터 소프트웨어는 컴퓨터 프로그램, 라이브러리 및 온라인 문서 또는 디지털 미디어와 같은 실행 불가능한 관련 데이터를 포함합니다.
software engineering: 체계적인 ^[284]^[285]^[286]방법으로 소프트웨어 개발에 엔지니어링을 적용하는 것.
spatial-temporal reasoning: 컴퓨터 과학, 인지 과학, 인지 심리학 분야에서 파생된 인공지능 분야입니다.인지적 측면에서 이론적 목표는 마음속에 공간적 지식을 표현하고 추론하는 것을 포함한다.적용된 목표는 컴퓨팅 측면에서 시간과 공간을 탐색하고 이해하기 위한 고급 자동 제어 시스템을 개발하는 것입니다.
SPARQL: Resource Description Framework(^[287]^[288]RDF) 형식으로 저장된 데이터를 가져오고 조작할 수 있는 RDF 쿼리 언어(데이터베이스용 의미 쿼리 언어).
speech recognition: 컴퓨터에 의한 구어 인식과 텍스트로의 번역이 가능한 방법론과 테크놀로지를 개발하는 컴퓨터 언어학의 학제적인 서브필드.이것은 또한 자동 음성 인식(ASR), 컴퓨터 음성 인식 또는 음성 문자 변환(STT)으로 알려져 있다.언어학, 컴퓨터 공학 및 전기 공학 분야의 지식과 연구를 통합합니다.
spiking neural network (SNN): 자연 신경망을 ^[289]더 가깝게 모방한 인공 신경망입니다.신경 및 시냅스 상태 외에도 SNN은 운영 모델에 시간 개념을 통합합니다.
state: 정보기술(IT)과 컴퓨터 과학에서 프로그램은 이전 사건이나 사용자 ^[290]상호작용을 기억하도록 설계된 경우 상태 저장(stateful)으로 기술됩니다.기억된 정보는 시스템 상태라고 불립니다.
statistical classification: 기계학습과 통계학에서 분류는 범주 멤버쉽이 알려진 관찰(또는 인스턴스)을 포함하는 데이터(또는 인스턴스)의 훈련 세트를 기반으로 새로운 관측치가 속한 범주 집합(하위 모집단) 중 어느 집합에 속하는지를 식별하는 문제이다.예를 들어 "스팸" 또는 "비스팸" 클래스에 지정된 전자 메일을 할당하고 환자의 관찰된 특성(성별, 혈압, 특정 증상의 유무 등)에 따라 지정된 환자에게 진단을 할당하는 것입니다.분류는 패턴 인식의 한 예입니다.
statistical relational learning (SRL): 불확실성(통계적 방법을 사용하여 처리할 수 있음)과 복잡한 관계 ^[291]^[292]구조를 모두 나타내는 영역 모델에 관련된 인공지능 및 기계 학습의 하위 분야입니다.SRL은 문헌에서 Relational Machine Learning(RML; 관계형 머신 러닝)이라고 불리기도 합니다.일반적으로, SRL에서 개발된 지식 표현 형식은 1차 로직을 사용하여 도메인의 관계 속성을 일반적인 방식으로 기술하고(범용 정량화), 불확실성을 모델링하기 위해 확률론적 그래픽 모델(베이지안 네트워크 또는 마르코프 네트워크 등)을 활용한다. 또한 일부는 방법을 기반으로 한다.f 유도 로직 프로그래밍.
stochastic optimization (SO): 랜덤 변수를 생성하고 사용하는 모든 최적화 방법.확률적 문제의 경우, 무작위 변수는 무작위 목적 함수 또는 무작위 제약 조건을 포함하는 최적화 문제 자체의 공식에 나타납니다.확률적 최적화 방법에는 랜덤 반복이 있는 방법도 포함된다.일부 확률 최적화 방법은 확률적 최적화의 ^[293]두 가지 의미를 결합하여 확률적 문제를 해결하기 위해 무작위 반복을 사용한다.확률적 최적화 방법은 결정론적 문제에 대한 결정론적 방법을 일반화한다.
stochastic semantic analysis: 자연언어 이해의 의미적 구성요소로서 컴퓨터 과학에서 사용되는 접근법.확률적 모델은 일반적으로 의미적 모델의 기본 의미 단위로 단어의 세그먼트의 정의를 사용하며, 어떤 경우에는 두 계층 접근법을 ^[294]포함한다.
Stanford Research Institute Problem Solver (STRIPS)
subject-matter expert
superintelligence: 가장 똑똑하고 재능 있는 인간의 지능을 훨씬 능가하는 가상의 에이전트입니다.슈퍼인텔리전스는 이러한 고도의 지적 역량이 실제 세계에서 활동하는 에이전트에 구현되어 있는지 여부에 관계없이 문제 해결 시스템(슈퍼인텔리전트 언어 번역자 또는 엔지니어링 어시스턴트 등)의 속성을 나타낼 수도 있습니다.슈퍼인텔리전스는 인텔리전스 폭발에 의해 생성될 수도 있고 생성되지 않을 수도 있으며 기술적 특이성과 관련될 수도 있습니다.
supervised learning: 입력-출력 쌍의 ^[295]예를 기반으로 입력을 출력에 매핑하는 함수를 학습하는 기계 학습 태스크입니다.일련의 교육 ^[296]예시로 구성된 레이블이 지정된 교육 데이터에서 함수를 추론합니다.지도 학습에서는 각 예가 입력 객체(일반적으로 벡터)와 원하는 출력 값(감독 신호라고도 함)으로 구성된 쌍입니다.지도 학습 알고리즘은, 트레이닝 데이터를 해석해, 새로운 예시의 매핑에 사용할 수 있는 유추 함수를 생성한다.최적의 시나리오에서는 알고리즘이 보이지 않는 인스턴스의 클래스 라벨을 올바르게 결정할 수 있습니다.이를 위해서는 교육 데이터에서 보이지 않는 상황까지 "합리적인" 방식으로 일반화하는 학습 알고리즘이 필요합니다(귀납적 편향 참조).
support-vector machines: 머신러닝에서 서포트 벡터 머신(SVM, 서포트 벡터 네트워크^[297])은 분류 및 회귀 분석에 사용되는 데이터를 분석하는 관련 학습 알고리즘과 함께 감독되는 학습 모델입니다.
swarm intelligence (SI): 자연적 또는 인위적으로 분산된 자기 조직화된 시스템의 집단적 행동.이 표현은 세포 로봇 ^[298]시스템의 맥락에서 도입되었다.
symbolic artificial intelligence: 문제, 논리 및 검색의 높은 수준의 "상징적"(인간이 읽을 수 있는) 표현에 기초한 인공지능 연구의 모든 방법을 수집하는 용어입니다.
synthetic intelligence (SI): 기계의 지능이 모조품이나 어떤 방식으로든 인공적일 필요가 없다는 것을 강조하는 인공지능의 대체 용어입니다; 그것은 진정한 형태의 ^[299]^[300]지능일 수 있습니다.
systems neuroscience: 신경 회로와 시스템의 구조와 기능을 연구하는 신경 과학 및 시스템 생물학 하위 분야입니다.이것은 신경 경로, 신경 회로, 그리고 더 큰 뇌 네트워크를 형성하기 위해 함께 연결되었을 때 신경 세포가 어떻게 행동하는지와 관련된 많은 연구 영역을 포함하는 포괄적인 용어이다.

T

technological singularity: 기술의 성장이 제어할 수 없고 돌이킬 수 없게 되어 인류 ^[301]^[302]^[303]문명에 예측할 수 없는 변화를 가져오는 미래의 가상 지점.
temporal difference learning: 가치 함수의 현재 추정치에서 부트스트랩을 통해 학습하는 모델 없는 강화 학습 방법의 클래스입니다.이러한 방법은 몬테카를로 방법과 같은 환경에서 표본을 추출하여 동적 프로그래밍 ^[304]방법과 같은 현재 추정치에 기초하여 업데이트를 수행합니다.
tensor network theory: 소뇌 신경망에 의해 감각 시공간 좌표를 운동 좌표로 변환하는 수학적 모델을 제공하는 뇌 기능의 이론(특히 소뇌의 이론).이 이론은 텐서를 ^[305]^[306]이용한 뇌 기능의 기하학으로 개발되었습니다.
TensorFlow: 데이터 흐름 및 다양한 태스크에 걸친 차별화된 프로그래밍을 위한 자유 오픈 소스 소프트웨어 라이브러리입니다.이것은 상징적인 수학 라이브러리이며,^[307] 신경 네트워크와 같은 기계 학습 애플리케이션에도 사용됩니다.
theoretical computer science (TCS): 컴퓨팅의 보다 수학적인 토픽에 초점을 맞추고 계산 이론을 포함하는 일반 컴퓨터 과학 및 수학의 서브셋입니다.
theory of computation: 이론 컴퓨터 과학과 수학에서, 계산 이론은 알고리즘을 사용하여 계산 모델에서 문제를 얼마나 효율적으로 해결할 수 있는지를 다루는 분야이다.이 분야는 오토마타 이론과 언어, 계산 가능성 이론, 계산 복잡성 이론의 세 가지 주요 분야로 나뉘는데, 이 세 가지 분야들은 "컴퓨터의 기본적인 능력과 한계는 무엇인가?"^[308]라는 질문에 의해 연결된다.
Thompson sampling: 멀티 암 밴디트 문제에서 탐색과 이용의 딜레마에 대처하는 액션을 선택하기 위한 휴리스틱.그것은 무작위로 도출된 ^[309]^[310]믿음에 대해 예상되는 보상을 극대화하는 행동을 선택하는 것으로 구성된다.
time complexity: 알고리즘을 실행하는 데 걸리는 시간을 설명하는 계산 복잡도.시간 복잡도는 일반적으로 알고리즘에 의해 실행되는 기본 연산의 수를 카운트함으로써 추정되며, 각 기본 연산을 수행하는 데 일정한 시간이 걸린다고 가정합니다.따라서 알고리즘에 의해 실행되는 기본 연산의 수와 소요 시간은 최대 일정 요인만큼 차이가 납니다.
transhumanism: 인간의 지성과 ^[311]^[312]생리를 크게 향상시키는 고도의 기술을 개발하고 널리 보급함으로써 인간 조건의 변형을 주창하는 국제 철학 운동.
transition system: 이론 컴퓨터 과학에서, 전이 시스템은 계산 연구에 사용되는 개념이다.이것은 이산 시스템의 잠재적인 동작을 설명하는 데 사용됩니다.상태 및 상태 간 전환으로 구성되며, 한 세트에서 선택한 레이블로 레이블이 지정될 수 있습니다. 두 개 이상의 전환에 동일한 레이블이 표시될 수 있습니다.라벨 세트가 싱글톤인 경우 시스템은 기본적으로 라벨이 없으며 라벨을 생략하는 간단한 정의가 가능합니다.
tree traversal: 그래프 트래버설의 한 형태로 트리 데이터 구조 내의 각 노드를 정확히 한 번 방문(체크 및/또는 갱신)하는 프로세스를 참조합니다.이러한 통과는 노드가 방문하는 순서에 따라 분류됩니다.
true quantified Boolean formula: 계산 복잡도 이론에서, 언어 TQBF는 진정한 양자화된 부울 공식으로 구성된 공식 언어이다.(완전하게) 정량화된 부울 공식은 모든 변수가 문장 시작 부분에서 존재 또는 보편적 수량화자를 사용하여 정량화(또는 한계화)되는 정량화된 명제 논리의 공식이다.이러한 공식은 (자유 변수가 없기 때문에) true 또는 false에 해당합니다.이러한 수식이 true로 평가되면 해당 수식은 TQBF 언어로 표시됩니다.QSAT(Quantized SAT)라고도 합니다.
Turing machine
Turing test: 1950년 앨런 튜링에 의해 개발된 인간과 동등하거나 구별할 수 없는 지적 행동을 보이는 기계의 능력 테스트.튜링은 인간 평가자가 인간과 인간과 같은 반응을 일으키도록 설계된 기계 사이의 자연 언어 대화를 판단할 것을 제안했다.평가자는 대화의 두 파트너 중 하나가 기계이며 모든 참가자가 서로 분리된다는 것을 알게 됩니다.대화는 컴퓨터 키보드나 화면과 같은 텍스트 전용 채널로 제한되므로, 결과는 단어를 ^[313]음성으로 렌더링하는 기계의 능력에 의존하지 않습니다.평가자가 기계와 사람을 확실하게 구별할 수 없는 경우 기계는 테스트를 통과한 것으로 간주됩니다.테스트 결과는 질문에 대한 정답을 제공하는 기계의 능력에 따라 달라지는 것이 아니라, 기계의 정답이 인간의 정답과 얼마나 유사한지에 따라 달라집니다.
type system: 프로그래밍 언어에서 변수, 식, 함수 또는 ^[314]모듈과 같은 컴퓨터 프로그램의 다양한 구조에 유형이라는 속성을 할당하는 규칙 집합입니다.이러한 유형은 프로그래머가 대수적 데이터 유형, 데이터 구조 또는 기타 구성 요소(예: "string", "float", "float return boolean")에 사용하는 암묵적인 범주를 공식화하고 적용합니다.타입 시스템의 주된 목적은 컴퓨터 프로그램의 다른 부분들 사이의 인터페이스를 정의하고 그 부분들이 일관된 방식으로 연결되었는지 확인함으로써 컴퓨터 프로그램의^[315] 버그 가능성을 줄이는 것입니다.이 체크는 정적(컴파일 시), 동적(실행 시) 또는 정적 체크와 동적 체크의 조합으로 수행할 수 있습니다.유형 시스템에는 비즈니스 규칙 표현, 특정 컴파일러 최적화 활성화, 다중 디스패치 허용, 문서 형식 제공 등 다른 목적도 있습니다.

U

unsupervised learning: 기존 레이블 없이 데이터 집합에서 이전에 알려지지 않은 패턴을 찾는 데 도움이 되는 자체 조직화된 Hebbian 학습 유형입니다.자기 조직이라고도 하며 주어진 ^[316]입력의 확률 밀도를 모델링할 수 있습니다.기계학습의 세 가지 주요 범주 중 하나이며, 감독 및 강화 학습과 함께 제공됩니다.반지도 학습 또한 설명되었으며, 지도와 비지도 기술의 혼합체이다.

V

vision processing unit (VPU): 기계 비전 ^[317]^[318]작업을 가속화하기 위해 설계된 마이크로프로세서입니다.값 정렬 완료 – AI 완료 문제와 마찬가지로 값 정렬 완료 문제는 ^{[citation needed]}AI 제어 문제를 완전히 해결해야 하는 문제입니다.

W

Watson: IBM의 Deep에서 개발된 자연 ^[319]언어로 질문에 대답할 수 있는 질의응답 컴퓨터 시스템수석 조사관 David ^[320]Ferrucci가 이끄는 연구팀의 QA 프로젝트.왓슨의 이름은 IBM의 첫 CEO인 사업가 토마스 J.^[321]^[322] 왓슨의 이름을 따왔다.
weak AI: 하나의 좁은 ^[323]^[324]^[325]작업에 초점을 맞춘 인공지능.
World Wide Web Consortium (W3C): World Wide Web(WW 또는 W3)의 주요 국제 표준 기구.

「」를 참조해 주세요.

인공지능

레퍼런스

^ ^a ^b 예를 들어 다음과 같습니다.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 C. S. Peirce. Mats Bergman, Sami Paavola & João Queiroz. Retrieved 24 August 2014.
^ Colburn, Timothy; Shute, Gary (5 June 2007). "Abstraction in Computer Science". Minds and Machines. 17 (2): 169–184. doi:10.1007/s11023-007-9061-7. ISSN 0924-6495. S2CID 5927969.
^ Kramer, Jeff (1 April 2007). "Is abstraction the key to computing?". Communications of the ACM. 50 (4): 36–42. CiteSeerX 10.1.1.120.6776. doi:10.1145/1232743.1232745. ISSN 0001-0782. S2CID 12481509.
^ Michael Gelfond, Vladimir Lifschitz(1998) "액션 언어", 컴퓨터 및 정보 과학 관련 Linköping 전자 기사, vol 3, nr 16.
^ Jang, Jyh-Shing R (1991). Fuzzy Modeling Using Generalized Neural Networks and Kalman Filter Algorithm (PDF). Proceedings of the 9th National Conference on Artificial Intelligence, Anaheim, CA, USA, July 14–19. Vol. 2. pp. 762–767.
^ Jang, J.-S.R. (1993). "ANFIS: adaptive-network-based fuzzy inference system". IEEE Transactions on Systems, Man and Cybernetics. 23 (3): 665–685. doi:10.1109/21.256541. S2CID 14345934.
^ Abraham, A. (2005), "Adaptation of Fuzzy Inference System Using Neural Learning", in Nedjah, Nadia; De Macedo Mourelle, Luiza (eds.), Fuzzy Systems Engineering: Theory and Practice, Studies in Fuzziness and Soft Computing, vol. 181, Germany: Springer Verlag, pp. 53–83, CiteSeerX 10.1.1.161.6135, doi:10.1007/11339366_3, ISBN 978-3-540-25322-8
^ Jang, Sun, Mizutani(1997) - Neuro-Fuzzy and Soft Computing – 프렌티스 홀, 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). "Comparison of optimized neural network with fuzzy logic for ore grade estimation". Australian Journal of Basic and Applied Sciences. 4: 764–772.
^ Russell, S.J.; Norvig, P. (2002). Artificial Intelligence: A Modern Approach. Prentice Hall. ISBN 978-0-13-790395-5.
^ Tao, Jianhua; Tieniu Tan (2005). "Affective Computing: A Review". Affective Computing and Intelligent Interaction. Vol. LNCS 3784. Springer. pp. 981–995. doi:10.1007/11573548.
^ El Kaliouby, Rana (November–December 2017). "We Need Computers with Empathy". Technology Review. Vol. 120, no. 6. p. 8. Archived from the original on 7 July 2018. Retrieved 6 November 2018.
^ 2008년 8월 27일 웨이백 머신에서 아카이브된 에이전트 아키텍처 비교
^ "Intel unveils Movidius Compute Stick USB AI Accelerator". 21 July 2017. Archived from the original on 11 August 2017. Retrieved 28 November 2018.
^ "Inspurs unveils GX4 AI Accelerator". 21 June 2017.
^ 샤피로, 스튜어트 C.(1992)Stuart C의 인공지능샤피로(Ed.), 인공지능 백과사전 (제2판, 페이지 54-57)뉴욕: John Wiley. (섹션 4는 'AI 완료 태스크'에 관한 것입니다.)
^ Solomonoff, R., "귀납적 추론의 일반 이론에 관한 예비 보고서", 보고서 V-131, 케임브리지, Zator Co.(1960년 2월 4일 보고서 개정).
^ "Artificial intelligence: Google's AlphaGo beats Go master Lee Se-dol". BBC News. 12 March 2016. Retrieved 17 March 2016.
^ "AlphaGo DeepMind". DeepMind.
^ "Research Blog: AlphaGo: Mastering the ancient game of Go with Machine Learning". Google Research Blog. 27 January 2016.
^ "Google achieves AI 'breakthrough' by beating Go champion". BBC News. 27 January 2016.
^ '똥' 참조 (1995년)
^ "Besnard and Hunter" (2001) 참조
^ '벤치카폰' 참조(2002년)
^
인텔리전트 에이전트의 연구로서의 AI의 정의:
- Pool, Mackworth & Goebel 1998, 페이지 1 harvnb 오류: 대상 없음: CITREFoolMackworthGoebel 1998(도움말)은 이 문서에서 사용되는 버전을 제공합니다.그들은 인공지능의 동의어로 "컴퓨팅 인텔리전스"라는 용어를 사용한다는 점에 유의하십시오.
- Russell & Norvig(2003) harvts 오류: 대상 없음: CITREFRussell Norvig2003(도움말) 및 "전체 에이전트 관점은 현재 현장에서 폭넓게 받아들여지고 있다"(Russell & Norvig 2003, 페이지 55)라고 적습니다.
- 닐슨 1998
- Legg & Hutter 2007 harvnb 오류: 대상 없음: CITREFLeggHutter2007 (도움말)
^ 러셀 & 노비그 2009, 페이지 2
^ "AAAI Corporate Bylaws".
^ Cipresso, Pietro; Giglioli, Irene Alice Chicchi; Raya, iz; Riva, Giuseppe (7 December 2011). "The Past, Present, and Future of Virtual and Augmented Reality Research: A Network and Cluster Analysis of the Literature". Frontiers in Psychology. 9: 2086. doi:10.3389/fpsyg.2018.02086. PMC 6232426. PMID 30459681.
^ Ghallab, Malik; Nau, Dana S.; Traverso, Paolo (2004), Automated Planning: Theory and Practice, Morgan Kaufmann, ISBN 978-1-55860-856-6
^ Kephart, J.O.; Chess, D.M. (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 automated car. IEEE/RSJ International Conference on Intelligent Robots and Systems. Vol. 3. Kyongju. pp. 1507–1512. doi:10.1109/IROS.1999.811692. ISBN 0-7803-5184-3.
^ "Self-driving Uber car kills Arizona woman crossing street". Reuters. 20 March 2018.
^ Thrun, Sebastian (2010). "Toward Robotic Cars". Communications of the ACM. 53 (4): 99–106. doi:10.1145/1721654.1721679. S2CID 207177792.
^ "Information Engineering Main/Home Page". University of Oxford. Retrieved 3 October 2018.
^ Goodfellow, Ian; Bengio, Yoshua; Courville, Aaron (2016) 딥 러닝.MIT Press. 196. ISBN 9780262035613
^ Nielsen, Michael A. (2015). "Chapter 6". Neural Networks and Deep Learning.
^ "Deep Networks: Overview - Ufldl". ufldl.stanford.edu. Retrieved 4 August 2017.
^ Mozer, M. C. (1995). "A Focused Backpropagation Algorithm for Temporal Pattern Recognition". In Chauvin, Y.; Rumelhart, D. (eds.). Backpropagation: Theory, architectures, and applications. Hillsdale, NJ: Lawrence Erlbaum Associates. pp. 137–169. Retrieved 21 August 2017.
^ Robinson, A. J. & Fallside, F. (1987). The utility driven dynamic error propagation network (Technical report). Cambridge University, Engineering Department. CUED/F-INFENG/TR.1.
^ Werbos, Paul J. (1988). "Generalization of backpropagation with application to a recurrent gas market model". Neural Networks. 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.
^ Sivic, Josef (April 2009). "Efficient visual search of videos cast as text retrieval" (PDF). IEEE Transactions on Pattern Analysis and Machine Intelligence. 31 (4): 591–605. CiteSeerX 10.1.1.174.6841. doi:10.1109/TPAMI.2008.111. PMID 19229077. S2CID 9899337.
^ McTear et al. 2016, 페이지 167
^ "Understanding the backward pass through Batch Normalization Layer". kratzert.github.io. Retrieved 24 April 2018.
^ Ioffe, Sergey; Szegedy, Christian (2015). "Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift". arXiv:1502.03167 [cs.LG].
^ "Glossary of Deep Learning: Batch Normalisation". medium.com. 27 June 2017. Retrieved 24 April 2018.
^ "Batch normalization in Neural Networks". towardsdatascience.com. 20 October 2017. Retrieved 24 April 2018.
^ Pham DT, Ghanbarzadeh A, Koc E, Otri S, Rahim S 및 Zaidi M.벌 알고리즘.테크니컬 노트, 제조 엔지니어링 센터, 영국 카디프 대학교, 2005.
^ Pham, D.T., Castellani, M. (2009년)Bees 알고리즘 – 지속적인 최적화 문제를 해결하기 위한 사료 활용 행동 모델링 2016년 11월 9일 웨이백 머신에 보관.Proc. ImechE, Part C, 223(12), 2919-2938.
^ Pham, D. T.; Castellani, M. (2014). "Benchmarking and comparison of nature-inspired population-based continuous optimisation algorithms". Soft Computing. 18 (5): 871–903. doi:10.1007/s00500-013-1104-9. S2CID 35138140.
^ Pham, Duc Truong; Castellani, Marco (2015). "A comparative study of the Bees Algorithm as a tool for function optimisation". Cogent Engineering. 2. doi:10.1080/23311916.2015.1091540.
^ Nasrinpour, H. R.; Massah Bavani, A.; Teshnehlab, M. (2017). "Grouped Bees Algorithm: A Grouped Version of the Bees Algorithm". Computers. 6 (1): 5. doi:10.3390/computers6010005.
^ Cao, Longbing (2010). "In-depth Behavior Understanding and Use: the Behavior Informatics Approach". Information Science. 180 (17): 3067–3085. arXiv:2007.15516. doi:10.1016/j.ins.2010.03.025. S2CID 7400761.
^ 2016년 콜란치즈 미셸, 외그렌 페터.동작 트리가 하이브리드 제어 시스템을 모듈화하고 순차 동작 구성, 추정 아키텍처 및 의사결정 트리를 일반화하는 방법 IEEE Transactions on Robotics vol.PP, No.99, 페이지 1-18 (2016)
^ Colledanchise, Michele; Ögren, Petter (2018). Behavior Trees in Robotics and AI. arXiv:1709.00084. doi:10.1201/9780429489105. ISBN 9780429950902. S2CID 27470659.
^ Breur, Tom (July 2016). "Statistical Power Analysis and the contemporary "crisis" in social sciences". Journal of Marketing Analytics. 4 (2–3): 61–65. doi:10.1057/s41270-016-0001-3. ISSN 2050-3318.
^ Bachmann, Paul (1894). Analytische Zahlentheorie [Analytic Number Theory] (in German). Vol. 2. Leipzig: Teubner.
^ Landau, Edmund (1909). Handbuch der Lehre von der Verteilung der Primzahlen [Handbook on the theory of the distribution of the primes] (in German). Leipzig: B. G. Teubner. p. 883.
^ John, Taylor (2009). Garnier, Rowan (ed.). Discrete Mathematics: Proofs, Structures and Applications, Third Edition. CRC Press. p. 620. ISBN 978-1-4398-1280-8.
^ Skiena, Steven S (2009). The Algorithm Design Manual. Springer Science & Business Media. p. 77. ISBN 978-1-84800-070-4.
^ Erman, L. D.; Hayes-Roth, F.; Lesser, V. R.; Reddy, D. R. (1980). "The Hearsay-II Speech-Understanding System: Integrating Knowledge to Resolve Uncertainty". ACM Computing Surveys. 12 (2): 213. doi:10.1145/356810.356816. S2CID 118556.
^ Corkill, Daniel D. (September 1991). "Blackboard Systems" (PDF). AI Expert. 6 (9): 40–47.
^ * Nii, H. Yenny (1986). Blackboard Systems (PDF) (Technical report). Department of Computer Science, Stanford University. STAN-CS-86-1123. Retrieved 12 April 2013.
^ Hayes-Roth, B. (1985). "A blackboard architecture for control". Artificial Intelligence. 26 (3): 251–321. doi:10.1016/0004-3702(85)90063-3.
^ Hinton, Geoffrey E. (24 May 2007). "Boltzmann machine". Scholarpedia. 2 (5): 1668. Bibcode:2007SchpJ...2.1668H. doi:10.4249/scholarpedia.1668. ISSN 1941-6016.
^ NZZ- Die Zangengeburt eines Möglichen Stamvators.웹사이트 Neue Zürcher Zeitung.열여섯을 보았다.2013년 8월
^ 공식 홈페이지 Roboy는 2013-08-03년 Wayback Machine에서 아카이브되었습니다.웹 사이트 Roboy.열여섯을 보았다.2013년 8월
^ 공식 홈페이지 스타마인드.웹사이트 스타마인드열여섯을 보았다.2013년 8월
^ Sabour, Sara; Frosst, Nicholas; Hinton, Geoffrey E. (26 October 2017). "Dynamic Routing Between Capsules". arXiv:1710.09829 [cs.CV].
^ "What is a chatbot?". techtarget.com. Retrieved 30 January 2017.
^ Civera, Javier; Ciocarlie, Matei; Aydemir, Alper; Bekris, Kostas; Sarma, Sanjay (2015). "Guest Editorial Special Issue on Cloud Robotics and Automation". IEEE Transactions on Automation Science and Engineering. 12 (2): 396–397. doi:10.1109/TASE.2015.2409511. S2CID 16080778.
^ "Robo Earth - Tech News". Robo Earth.
^ Goldberg, Ken. "Cloud Robotics and Automation".
^ Li, R. "Cloud Robotics-Enable cloud computing for robots". Retrieved 7 December 2014.
^ Fisher, Douglas (1987). "Knowledge acquisition via incremental conceptual clustering". Machine Learning. 2 (2): 139–172. doi:10.1007/BF00114265.
^ Fisher, Douglas H. (July 1987). "Improving inference through conceptual clustering". Proceedings of the 1987 AAAI Conferences. AAAI Conference. Seattle Washington. pp. 461–465.
^ Iba, William; Langley, Pat (27 January 2011). "Cobweb models of categorization and probabilistic concept formation". In Pothos, Emmanuel M.; Wills, Andy J. (eds.). Formal approaches in categorization. Cambridge: Cambridge University Press. pp. 253–273. ISBN 9780521190480.
^ ICT 웹사이트 https://cogarch.ict.usc.edu/ 를 참조해 주세요.
^ "Hewlett Packard Labs".
^ Terdiman, Daniel (2014)IBM의 TrueNorth 프로세서는 인간의 뇌를 모방합니다.https://cnet.com/news/ibms-truenorth-processor-mimics-the-human-brain/
^ 기사, 숀(2011).IBM, 인간의 두뇌를 모방한 인지 컴퓨팅 칩 공개 TechSpot: 2011년 8월 18일 12:00 PM
^ Hamill, Jasper(2013).인지 컴퓨팅: IBM이 두뇌와 유사한 SyNAPSE 칩용 소프트웨어를 공개합니다. The Register:2013년 8월 8일
^ Denning., P.J. (2014). "Surfing Toward the Future". Communications of the ACM. 57 (3): 26–29. doi:10.1145/2566967. S2CID 20681733.
^ Ludwig, Lars (2013). Extended Artificial Memory: Toward an integral cognitive theory of memory and technology (pdf) (Thesis). Technical University of Kaiserslautern. Retrieved 7 February 2017.
^ "Research at HP Labs".
^ "Automate Complex Workflows Using Tactical Cognitive Computing: Coseer". thesiliconreview.com. Retrieved 31 July 2017.
^ 인지과학은 마음을 이해하려는 언어학, 심리학, 신경과학, 철학, 컴퓨터 과학, 인류학 연구자들의 학문 간 분야이다.델의 학습 방법: 인지 과학자에게 물어보세요.
^ 슈라이버, 알렉산더(2006년 2월 1일).조합 최적화 코스(PDF), 1페이지.
^ HAYKIN, S. 뉴럴 네트워크 - 종합 재단제2판피어슨 프렌티스 홀: 1999.
^ "PROGRAMS WITH COMMON SENSE". www-formal.stanford.edu. Retrieved 11 April 2018.
^ Davis, Ernest; Marcus, Gary (2015). "Commonsense reasoning". Communications of the ACM. Vol. 58, no. 9. pp. 92–103. doi:10.1145/2701413.
^ Hulstijn, J 및 Nijholt, A.(에드).컴퓨터 유머에 관한 국제 워크숍의 진행.네덜란드 Enschede의 Twente Workshops on Language Technology 12위1996년 트벤터 대학교
^ "ACL - Association for Computational Learning".
^ Trappenberg, Thomas P. (2002).컴퓨터 신경과학의 기초.미국:옥스퍼드 대학 출판사 페이지 1. ISBN 978-0-19-851582-1
^ 컴퓨터 신경과학이란 무엇인가?패트리샤 S.처칠랜드, 크리스토프 코흐, 테런스 J. 세즈노스키예요컴퓨터 신경과학 페이지 46-55에 수록되어 있습니다.편집자: 에릭 L.슈와츠.1993. MIT 프레스
^ "Theoretical Neuroscience". The MIT Press. Archived from the original on 31 May 2018. Retrieved 24 May 2018.
^ Gerstner, W.; Kistler, W.; Naud, R.; Paninski, L. (2014). Neuronal Dynamics. Cambridge, UK: Cambridge University Press. ISBN 9781107447615.
^ Kamentsky, L.A.; Liu, C.-N. (1963). "Computer-Automated Design of Multifont Print Recognition Logic". IBM Journal of Research and Development. 7 (1): 2. doi:10.1147/rd.71.0002.
^ 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).구조적 성능 기준에 따른 컴퓨터 자동화 설계, Mouchel 100주년 회의, 8월 19-21일 영국 케임브리지, 토목 및 구조 공학 혁신, 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, (1995년) EUROCODE-3, Northeric Steel Conference 95, JUN 19-21, 787-794에 따른 반강골조의 컴퓨터 자동화 설계
^ 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.
^ Zhan, Z.H. 등 (2011년)진화적 계산은 머신러닝에 대응합니다.조사, IEEE Computational Intelligence Magazine, 6(4), 68-75.
^ 그레고리 S.Hornby (2003년.컴퓨터 자동 설계 시스템 생성 표현, NASA Ames Research Center, Mail Stop 269-3, Moffett Field, CA 94035-1000
^ J. Clune과 H. Lipson(2011).발달 생물학에서 영감을 얻은 생성 인코딩을 통해 진화하는 3차원 객체.2011년 유럽 인공생명체 회의의 진행.
^ 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. Retrieved 14 May 2012.
^ 다나 H. 발라드; 크리스토퍼 M. 브라운(1982년).컴퓨터 비전프렌티스 홀.ISBN 0-13-165316-4.
^ 황, T. (1996-11-19)반도니, 카를로, E, ED컴퓨터 비전: 진화와 약속(PDF). 제19회 CERN 컴퓨팅 스쿨.제네바: CERN. 페이지 21-25. doi:10.5170/CERN-196-008.21.ISBN 978-9290830955.
^ 밀란 송카, 바츨라바크, 로저 보일(2008).이미지 처리, 분석 및 머신 비전.톰슨.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.
^ 장, 위(1988년)."시프트 불변 패턴 인식 뉴럴 네트워크와 그 광학 아키텍처"일본응용물리학회 연차총회 의사록
^ 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.
^ 솔로몬오프, R.J.인공지능의 시간척도; 사회적 효과에 대한 성찰, 인간 시스템 관리, 제5권 1985, 페이지 149-153
^ 무어, J., 다트머스 대학 인공지능 컨퍼런스:향후 50년, AI 매거진, 제27권, 제4호, 제87-9페이지, 2006년
^ Kline, Ronald R., Cybernetics, Automata Studies and the Dartmouth Conference on 인공지능, IEEE Annals of Computing, 2011년 10월부터 12월까지 IEE 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.
^ 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.
^ 를 클릭합니다Huang; Green; Loo, "Datalog and Emerging applications", SIGMOD 2011 (PDF), UC Davis.
^ 스틸, 케이티, 스테판슨, H. Orri, "결정 이론", 스탠포드 철학 백과사전(2015년 겨울판), 에드워드 N. 잘타(ed), URL = [1]
^ Lloyd, J.W., Practical Advantages of Declarative Programming
^ ^a ^b 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.
^ Schmidhuber, J (2015). "Deep Learning in Neural Networks: An Overview". Neural Networks. 61: 85–117. arXiv:1404.7828. doi:10.1016/j.neunet.2014.09.003. PMID 25462637. S2CID 11715509.
^ Bengio, Yoshua; LeCun, Yann; Hinton, Geoffrey (2015). "Deep Learning". Nature. 521 (7553): 436–444. Bibcode:2015Natur.521..436L. doi:10.1038/nature14539. PMID 26017442. S2CID 3074096.
^ "About Us DeepMind". DeepMind.
^ "A return to Paris DeepMind". DeepMind.
^ "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].
^ 2014년 베스트 오브: 구글의 비밀스러운 DeepMind 스타트업, "Neural Turing Machine" 공개, 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].
^ 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.
^ 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.
^ 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.
^ 드마조, 이브, J-P.뮐러, 에드분산형 아이제2권 엘세비어, 1990년
^ 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.
^ Herbert Jaeger(2007) 에코 스테이트 네트워크.스콜라피디아.
^ 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.
^ Vikhar, P. A. (2016). "Evolutionary algorithms: A critical review and its future prospects". Proceedings of the 2016 International Conference on Global Trends in Signal Processing, Information Computing and Communication (ICGTSPICC). Jalgaon, 2016, pp. 261-265: 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.
^ 마르티뇽, 로라, 비터치, 올리버, 다케자와, 마사노리, 포르스터, 말콤순진하면서도 깨달음: 「내추럴 주파수」로부터 「신속하고 검소한 의사결정 나무」(Thinking: Psychological perspects on reasoning, adminitors, David Hardman and Laura Macchi), Chicher: John Wiley & Sons, 2003.
^ ^a ^b 호지슨 박사, "First Order Logic", 필라델피아 세인트 조지프 대학 , 1995.
^ Hughes, G. E., & Cresswell, M. J., Modal Logic의 새로운 입문(런던: Routledge, 1996), 페이지 161.
^ Feigenbaum, Edward (1988). The Rise of the Expert Company. Times Books. p. 318. ISBN 978-0-8129-1731-4.
^ Hayes, Patrick. "The Frame Problem and Related Problems in Artificial Intelligence" (PDF). University of Edinburgh. Archived from the original (PDF) on 3 December 2013. Retrieved 9 March 2019. {{cite journal}}:Cite 저널 요구 사항 journal=(도움말)
^ Sardar, Z (2010). "The Namesake: Futures; futures studies; futurology; futuristic; Foresight -- What's in a name?". Futures. 42 (3): 177–184. doi:10.1016/j.futures.2009.11.001.
^ Pedrycz, Witold (1993). Fuzzy control and fuzzy systems (2 ed.). Research Studies Press Ltd.
^ Hájek, Petr (1998). Metamathematics of fuzzy logic (4 ed.). Springer Science & Business Media.
^ D. Dubois 및 H. Prade(1988) 퍼지 집합 및 시스템.뉴욕, 학술 출판사
^ Liang, Lily R.; Lu, Shiyong; Wang, Xuena; Lu, Yi; Mandal, Vinay; Patacsil, Dorrelyn; Kumar, Deepak (2006). "FM-test: A fuzzy-set-theory-based approach to differential gene expression data analysis". BMC Bioinformatics. 7: S7. doi:10.1186/1471-2105-7-S4-S7. PMC 1780132. PMID 17217525.
^ 마이어슨, 로저 B.(1991)게임 이론: 갈등 분석, 하버드 대학 출판부, 페이지 1. 챕터 프리뷰 링크, 페이지 vii–xi.
^ Pell, Barney (1992). H. van den Herik; L. Allis (eds.). "Metagame: a new challenge for games and learning" [Heuristic programming in artificial intelligence 3–the third computerolympiad] (PDF). Ellis-Horwood. {{cite journal}}:Cite 저널 요구 사항 journal=(도움말)
^ Pell, Barney (1996). "A Strategic Metagame Player for General Chess-Like Games". Computational Intelligence. 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". AI Magazine. 26 (2): 62. doi:10.1609/aimag.v26i2.1813. ISSN 2371-9621.
^ Mitchell 1996, 페이지 2. sfn 오류: 대상 없음: CITREFMitchell 1996 (도움말)
^ Trudeau, Richard J. (1993). Introduction to Graph Theory (Corrected, enlarged republication. ed.). New York: Dover Pub. p. 19. ISBN 978-0-486-67870-2. Retrieved 8 August 2012. A graph is an object consisting of two sets called its vertex set and its edge set.
^ Yoon, Byoung-Ha; Kim, Seon-Kyu; Kim, Seon-Young (March 2017). "Use of Graph Database for the Integration of Heterogeneous Biological Data". Genomics & Informatics. 15 (1): 19–27. doi:10.5808/GI.2017.15.1.19. ISSN 1598-866X. PMC 5389944. PMID 28416946.
^ Bourbakis, Nikolaos G. (1998). Artificial Intelligence and Automation. World Scientific. p. 381. ISBN 9789810226374. Retrieved 20 April 2018.
^ Pearl, Judea (1984). Heuristics: intelligent search strategies for computer problem solving. United States: Addison-Wesley Pub. Co., Inc., Reading, MA. p. 3. Bibcode:1985hiss.book.....P. OSTI 5127296.
^ E. K. Burke, E. Hart, G. Kendall, J. Newall, P. Ross, S.슐렌버그, 하이퍼 휴리스틱스:현대 검색 기술의 새로운 방향, 메타 휴리스틱 핸드북(F. Glover and G. Kochenberger, eds), Kluwer, 2003, 페이지 457-474.
^ P. Ross, 하이퍼 휴리스틱스, 검색 방법론:최적화 및 의사결정 지원 기법 소개 튜토리얼(E. K. Burke 및 G. Kendall, eds), Springer, 2005, 페이지 529-556.
^ Ozcan, E.; Bilgin, B.; Korkmaz, E. E. (2008). "A Comprehensive Analysis of Hyper-heuristics". Intelligent Data Analysis. 12 (1): 3–23. doi:10.3233/ida-2008-12102.
^ "IEEE CIS Scope". Archived from the original on 4 June 2016. Retrieved 18 March 2019.
^ "Control of Machining Processes - Purdue ME Manufacturing Laboratories". 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). "How can we define intrinsic motivation?". Proc. of the 8th Conf. on Epigenetic Robotics. Vol. 5. pp. 29–31.
^ Chevallier, Arnaud (2016). "Strategic thinking in complex problem solving". Oxford Scholarship Online. Oxford; New York: Oxford University Press. doi:10.1093/acprof:oso/9780190463908.001.0001. ISBN 9780190463908. OCLC 940455195. S2CID 157255130.
^ "Strategy survival guide: Issue trees". London: Government of the United Kingdom. July 2004. Archived from the original on 17 February 2012. Retrieved 6 October 2018. PDF 형식으로도 이용 가능합니다.
^ Paskin, Mark. "A Short Course on Graphical Models" (PDF). Stanford.
^ Woods, W. A.; Schmolze, J. G. (1992). "The KL-ONE family". Computers & Mathematics with Applications. 23 (2–5): 133. doi:10.1016/0898-1221(92)90139-9.
^ Brachman, R. J.; Schmolze, J. G. (1985). "An Overview of the KL-ONE Knowledge Representation System" (PDF). Cognitive Science. 9 (2): 171. doi:10.1207/s15516709cog0902_1.
^ Duce, D.A.; Ringland, G.A. (1988). Approaches to Knowledge Representation, An Introduction. Research Studies Press, Ltd. ISBN 978-0-86380-064-1.
^ Schank, Roger; Robert Abelson (1977). Scripts, Plans, Goals, and Understanding: An Inquiry Into Human Knowledge Structures. Lawrence Erlbaum Associates, Inc.
^ "Knowledge Representation in Neural Networks - deepMinds". deepMinds. 16 August 2018. Retrieved 16 August 2018.
^ Reilly, Edwin D. (2003). Milestones in computer science and information technology. Greenwood Publishing Group. pp. 156–157. ISBN 978-1-57356-521-9.
^ Hochreiter, Sepp; Schmidhuber, Jürgen (1997). "Long short-term memory". Neural Computation. 9 (8): 1735–1780. doi:10.1162/neco.1997.9.8.1735. PMID 9377276. S2CID 1915014.
^ Siegelmann, Hava T.; Sontag, Eduardo D. (1992). On the Computational Power of Neural Nets. ACM. Vol. COLT '92. pp. 440–449. doi:10.1145/130385.130432. ISBN 978-0897914970. S2CID 207165680.
^ Gagniuc, Paul A. (2017). Markov Chains: From Theory to Implementation and Experimentation. USA, NJ: John Wiley & Sons. pp. 1–235. ISBN 978-1-119-38755-8.
^ "Markov chain Definition of Markov chain in US English by Oxford Dictionaries". Oxford Dictionaries English. Retrieved 14 December 2017.
^ 정의는 Brilliant.org "Brilliant Math and Science Wiki"에서 확인할 수 있습니다.2019년 5월 12일 취득
^ 수학 프로그래밍 용어집, INFOMS Computing Society는 "2014-03-05년 웨이백 머신에 보관된 수학 프로그래밍의 특성"을 소개합니다.
^ Wang, Wenwu (1 July 2010). Machine Audition: Principles, Algorithms and Systems. IGI Global. ISBN 9781615209194 – via igi-global.com.
^ "Machine Audition: Principles, Algorithms and Systems" (PDF).
^ 말콤 테이텀(2012년 10월 3일)."기계 인식이란 무엇입니까?"
^ Alexander Serov(2013년 1월 29일).'주관적 현실과 강력한 인공지능'(PDF).
^ "Machine Perception & Cognitive Robotics Laboratory". ccs.fau.edu. Retrieved 18 June 2016.
^ "What is Mechatronics Engineering?". Prospective Student Information. University of Waterloo. Archived from the original on 6 October 2011. Retrieved 30 May 2011.
^ "Mechatronics (Bc., Ing., PhD.)". Archived from the original on 15 August 2016. Retrieved 15 April 2011.
^ Franke; Siezen, Teusink (2005). "Reconstructing the metabolic network of a bacterium from its genome". Trends in Microbiology. 13 (11): 550–558. doi:10.1016/j.tim.2005.09.001. PMID 16169729.
^ Balamurugan, R.; Natarajan, A.M.; Premalatha, K. (2015). "Stellar-Mass Black Hole Optimization for Biclustering Microarray Gene Expression Data". Applied Artificial Intelligence. 29 (4): 353–381. doi:10.1080/08839514.2015.1016391. S2CID 44624424.
^ Bianchi, Leonora; Dorigo, Marco; Maria Gambardella, Luca; Gutjahr, Walter J. (2009). "A survey on metaheuristics for stochastic combinatorial optimization" (PDF). Natural Computing. 8 (2): 239–287. doi:10.1007/s11047-008-9098-4. S2CID 9141490.
^ 허버트 B.Enderton, 2001, A Mathemical Indroduction to Logic Second Edition Enderton: 110, Harcourt Academic Press, Burlington MA, ISBN 978-0-12-238452-3.
'^ 자동화된 데이터베이스 설계를 지원하는 Naive Symantics', 지식 및 데이터 엔지니어링에 관한 IEEE 트랜잭션, V. C. Storey, R. C. Goldstein 및 H. Ullrich의 제14호 (2002년 1월)
^ Using early binding and late binding in Automation, Microsoft, 11 May 2007, retrieved 11 May 2009
^ 엄밀히 말하면 URIRef
^ https://w3.org/TR/PR-rdf-syntax/ "Resource Description Framework(RDF) 모델 및 구문 사양"
^ 밀러, 랜스 A. "자연어 프로그래밍:스타일, 전략, 대비"IBM Systems Journal 20.2(1981) : 184–215.
^ "Deep Minds: An Interview with Google's Alex Graves & Koray Kavukcuoglu". Retrieved 17 May 2016.
^ Graves, Alex; Wayne, Greg; Danihelka, Ivo (2014). "Neural Turing Machines". arXiv:1410.5401 [cs.NE].
^ Krucoff, Max O.; Rahimpour, Shervin; Slutzky, Marc W.; Edgerton, V. Reggie; Turner, Dennis A. (1 January 2016). "Enhancing Nervous System Recovery through Neurobiologics, Neural Interface Training, and Neurorehabilitation". Frontiers in Neuroscience. 10: 584. doi:10.3389/fnins.2016.00584. PMC 5186786. PMID 28082858.
^ Mead, Carver (1990). "Neuromorphic electronic systems" (PDF). Proceedings of the IEEE. 78 (10): 1629–1636. CiteSeerX 10.1.1.161.9762. doi:10.1109/5.58356.
^ Maan, A. K.; Jayadevi, D. A.; James, A. P. (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.
^ "기억처리 및 신경망을 위한 스핀트로닉 아키텍처 조사", JSA, 2018
^ Zhou, You; Ramanathan, S. (1 August 2015). "Mott Memory and Neuromorphic Devices". Proceedings of the IEEE. 103 (8): 1289–1310. doi:10.1109/JPROC.2015.2431914. ISSN 0018-9219. S2CID 11347598.
^ Monroe, D. (2014). "Neuromorphic computing gets ready for the (really) big time". Communications of the ACM. 57 (6): 13–15. doi:10.1145/2601069. S2CID 20051102.
^ Zhao, W. S.; 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.
^ 인간 두뇌 프로젝트 SP 9: YouTube의 뉴로모픽 컴퓨팅 플랫폼
^ Copeland, Jack (May 2000). "What is Artificial Intelligence?". AlanTuring.net. Retrieved 7 November 2015.
^ Kleinberg, Jon; Tardos, Éva (2006). Algorithm Design (2nd ed.). Addison-Wesley. p. 464. ISBN 0-321-37291-3.
^ Cobham, Alan (1965). "The intrinsic computational difficulty of functions". Proc. Logic, Methodology, and Philosophy of Science II. North Holland.
^ "What is Occam's Razor?". math.ucr.edu. Retrieved 1 June 2019.
^ "OpenAI는 자본 유치를 위해 비영리에서 '주당이익'으로 전환합니다."테크크런치2019년 5월 10일 취득.
^ "OpenCog: Open-Source Artificial General Intelligence for Virtual Worlds". CyberTech News. 6 March 2009. Archived from the original on 6 March 2009. Retrieved 1 October 2016.
^ St. Laurent, Andrew M. (2008). Understanding Open Source and Free Software Licensing. O'Reilly Media. p. 4. ISBN 9780596553951.
^ Levine, Sheen S.; Prietula, Michael J. (30 December 2013). "Open Collaboration for Innovation: Principles and Performance". Organization Science. 25 (5): 1414–1433. arXiv:1406.7541. doi:10.1287/orsc.2013.0872. ISSN 1047-7039. S2CID 6583883.
^ 비숍, 크리스토퍼 M. (2006)패턴 인식 및 머신 러닝(PDF).스프링거, 페이지 7패턴 인식은 공학에서 유래한 반면, 기계 학습은 컴퓨터 과학에서 유래했습니다.그러나 이러한 활동은 같은 분야의 두 가지 측면으로 볼 수 있으며, 함께 지난 10년간 상당한 발전을 이루었습니다.
^ Hughes, G. E., & Cresswell, M. J., Modal Logic의 새로운 입문(런던: Routledge, 1996), 페이지 161.
^ Nyce, Charles (2007), Predictive Analytics White Paper (PDF), American Institute for Chartered Property Casualty Underwriters/Insurance Institute of America, p. 1
^ Eckerson, Wayne (10 May 2007), Extending the Value of Your Data Warehousing Investment, The Data Warehouse Institute
^ Karl R. Popper, Framework의 신화, 런던 (Routlege) 1994, 8장.
^ Karl R. Popper, 역사주의의 빈곤, 런던 (루트리지) 1960, 친구.iv, 제31장
^ "Probabilistic programming does in 50 lines of code what used to take thousands". phys.org. 13 April 2015. Retrieved 13 April 2015.
^ "Probabilistic Programming". probabilistic-programming.org. Archived from the original on 10 January 2016. Retrieved 31 July 2019.
^ Pfeffer, Avrom(2014), 실용 확률론적 프로그래밍, Manning 출판물. 페이지 28.ISBN 978-1 6172-9233-0
^ Clocksin, William F.; Mellish, Christopher S. (2003). Programming in Prolog. Berlin ; New York: Springer-Verlag. ISBN 978-3-540-00678-7.
^ Bratko, Ivan (2012). Prolog programming for artificial intelligence (4th ed.). Harlow, England ; New York: Addison Wesley. ISBN 978-0-321-41746-6.
^ Covington, Michael A. (1994). Natural language processing for Prolog programmers. Englewood Cliffs, N.J.: Prentice Hall. ISBN 978-0-13-629213-5.
^ 로이드, J. W. (1984년)논리 프로그래밍의 기초입니다.베를린: Springer-Verlag.ISBN 978-3-540-13299-8.
^ 쿨먼, 데이브"Python Book: Python, Advanced Python 및 Python 연습 시작"섹션 1.12012년 6월 23일 원본(PDF)에서 아카이브 완료.
^ ^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.
^ R언어와 환경 Hornik, 커트(410월 2017년)."RFAQ".종합 R아카이브 네트워크. 2.1은 무엇인가 R?.8월 6일 2018년 Retrieved.R재단 Hornik, 커트(410월 2017년)."RFAQ".종합 R아카이브 네트워크. 213은 무엇인가 R재단?.8월 6일 2018년 Retrieved.그 R코어 팀 그들의 데이터 분석의 소프트웨어를 사용하여:R코어 팀(2016년)를 인용하는 것이 R을 사용한다 작가들에게 묻는다.R: 통계 컴퓨팅용 언어 및 환경.R 통계 컴퓨팅 재단, 오스트리아 비엔나.URL https://R-project.org/.
^ 한비야는 폭스, 존&안데르센, 로버트(2005년 1월)사용된다."사회 통계 Courses을 가르쳐 줄 R통계 컴퓨팅 환경을 사용하여"(PDF).부서 사회학, 맥 매스터 대학의.8월 6일 2018년 Retrieved.{{ 들고 일기}}:Cite저널 journal=( 도와 주)밴스, 애슐리(2009년 1월 6)이 필요하다."데이터 분석가들은 R의 파워에 의해 Captivated".뉴욕 타임즈도요.8월 6일 2018년 Retrieved.인기 있는 프로그래밍 언어 자료 분석가들의 기업과 학계 내부에 늘어나는 수치에 사용되는 R이름이기도 하다.그것은 그들의 공통어화 되어 있습니다...
^ 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.
^ 호, 천금(1995).랜덤 의사결정 포레스트(PDF).1995년 8월 14-16일 몬트리올, 제3회 문서 분석 및 인정 국제회의의 진행. 페이지 278-282.2016년 4월 17일 원본(PDF)에서 보관.2016년 6월 5일 취득.
^ 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.
^ 헤스티, 트레버, 티비라니, 로버트, 프리드먼, 제롬(2008).통계학 학습의 요소 (제2판).스프링거.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.
^ 슈라우웬, 벤자민, 다비드 베르스트라텐, 얀 반 캄펜하우트."리저버 컴퓨팅의 개요: 이론, 응용 프로그램 및 구현."인공신경망에 관한 유럽 심포지엄의 진행 ESANN 2007, 페이지 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, "반복 신경망을 분석하고 훈련하는 에코 상태 접근법"기술 보고서 154(2001), 독일 정보기술연구센터.
^ Jaeger, Herbert (2007). "Echo state network". Scholarpedia. 2 (9): 2330. doi:10.4249/scholarpedia.2330.
^ "XML and Semantic Web W3C Standards Timeline" (PDF). 4 February 2012.
^ 예를 들어 Boolos and Jeffrey, 1974, 11장을 참조하십시오.
^ 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.
^ 아브란 등 2004, 페이지 1-1 harvnb 오류: 대상 없음: CITREFAbranMooreBourqueDupuis2004 (도움말)
^ "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 Getoor와 Ben Taskar:통계관계학습개론, MIT Press, 2007
^ 라이언 A. 로시, 루크 K맥도웰, 데이비드 W.아하와 제니퍼 네빌, "통계 관계 학습을 위한 그래프 데이터 변환"인공지능 연구 저널(JAIR), 제45권(2012), 363-441페이지.
^ Spall, J. C. (2003). Introduction to Stochastic Search and Optimization. Wiley. ISBN 978-0-471-33052-3.
^ F의 2단계 확률 모델을 이용한 언어 이해Pla, et al, 2001, 컴퓨터 사이언스 ISBN 978-3-540-42557-1의 스프링거 강의 노트
^ Stuart J. Russell, Peter Norvig (2010)인공지능: 모던 어프로치, 제3판, 프렌티스 홀 ISBN 9780136042594.
^ Mehryar Mohri, Afshin Rostamizadeh, Ameet Talwalkar (2012) 기계학습 재단, MIT 9780262018258 프레스.
^ 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.
^ Haugland 1985, 페이지 255. sfn 오류: 대상 없음: CITREF Haugland 1985 (도움말)
^ Pool, Mcworth & Goebbel 1998, 페이지 1. sfn 오류: 대상 없음: CITREF PoolMackworth Goebbel 1998 (도움말)
^ "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.
^ 캐드왈라드르, 캐롤(2014)."로봇이 곧 일어설까요? 구글의 새로운 엔지니어링 디렉터는 그렇게 생각합니다.가디언지.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.^{[데드링크]}
^ 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: 오픈소스 머신러닝" "각종 지각 및 언어 이해 태스크에 사용되는 머신러닝 소프트웨어입니다." - Jeffrey Dean, YouTube 클립 0:47 / 2:17 분
^ 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.
^ 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.
^ 튜링은 원래 1950년에 사용 가능한 몇 안 되는 텍스트 전용 통신 시스템 중 하나인 텔레프린터를 제안했다. (1950년, 페이지 433) harv 오류: 대상 없음: CITREFTuring 1950 (도움말)
^ Pierce 2002, 페이지 1: "타입 시스템은 특정 프로그램 동작의 부재를 증명하기 위한 다루기 쉬운 구문적 방법입니다." sfn 오류: 대상 없음: CITREFierce 2002 (도움말)
^ Cardelli 2004, 페이지 1: "타입 시스템의 기본 목적은 프로그램 실행 중 실행 오류 발생을 방지하는 것입니다." sfn 오류: 대상 없음: CITREFCardelli 2004 (도움말)
^ 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.
^ "DeepQA Project: FAQ". IBM. 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. Retrieved 18 February 2011.
^ io9.com은 좁은 AI를 언급하고 있다.2013년 4월 1일 발행.2014년 2월 16일 취득:https://io9.com/how-much-longer-before-our-first-ai-catastrophe-464043243
^ 벤 괴첼 AI 연구원은 좁은 AI 대신 AGI에 관심을 갖게 된 이유를 이렇게 설명한다.2013년 10월 18일 발행.2014년 2월 16일 취득.https://intelligence.org/2013/10/18/ben-goertzel/
^ TechCrunch는 협 AI에 관한 AI 앱 구축에 대해 논의한다.2015년 10월 16일 발행.2015년 10월 17일 취득.https://techcrunch.com/2015/10/15/machine-learning-its-the-hard-problems-that-are-valuable/

메모들

^ 다항식 시간은 알고리즘에 필요한 연산 횟수가 문제의 크기에 비해 얼마나 빨리 증가하는지를 나타냅니다.따라서 이는 알고리즘의 효율성에 대한 척도입니다.

[Josephson-1] 예를 들어 다음과 같습니다.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 C. S. Peirce. Mats Bergman, Sami Paavola & João Queiroz. Retrieved 24 August 2014.

[3] Colburn, Timothy; Shute, Gary (5 June 2007). "Abstraction in Computer Science". Minds and Machines. 17 (2): 169–184. doi:10.1007/s11023-007-9061-7. ISSN 0924-6495. S2CID 5927969.

[4] Kramer, Jeff (1 April 2007). "Is abstraction the key to computing?". Communications of the ACM. 50 (4): 36–42. CiteSeerX 10.1.1.120.6776. doi:10.1145/1232743.1232745. ISSN 0001-0782. S2CID 12481509.

[5] Michael Gelfond, Vladimir Lifschitz(1998) "액션 언어", 컴퓨터 및 정보 과학 관련 Linköping 전자 기사, vol 3, nr 16.

[6] Jang, Jyh-Shing R (1991). Fuzzy Modeling Using Generalized Neural Networks and Kalman Filter Algorithm (PDF). Proceedings of the 9th National Conference on Artificial Intelligence, Anaheim, CA, USA, July 14–19. Vol. 2. pp. 762–767.

[7] Jang, J.-S.R. (1993). "ANFIS: adaptive-network-based fuzzy inference system". IEEE Transactions on Systems, Man and Cybernetics. 23 (3): 665–685. doi:10.1109/21.256541. S2CID 14345934.

[8] Abraham, A. (2005), "Adaptation of Fuzzy Inference System Using Neural Learning", in Nedjah, Nadia; De Macedo Mourelle, Luiza (eds.), Fuzzy Systems Engineering: Theory and Practice, Studies in Fuzziness and Soft Computing, vol. 181, Germany: Springer Verlag, pp. 53–83, CiteSeerX 10.1.1.161.6135, doi:10.1007/11339366_3, ISBN 978-3-540-25322-8

[9] Jang, Sun, Mizutani(1997) - Neuro-Fuzzy and Soft Computing – 프렌티스 홀, 335-368, ISBN 0-13-261066-3

[10] 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.

[11] Tahmasebi, P. (2010). "Comparison of optimized neural network with fuzzy logic for ore grade estimation". Australian Journal of Basic and Applied Sciences. 4: 764–772.

[12] Russell, S.J.; Norvig, P. (2002). Artificial Intelligence: A Modern Approach. Prentice Hall. ISBN 978-0-13-790395-5.

[TaoTan-13] Tao, Jianhua; Tieniu Tan (2005). "Affective Computing: A Review". Affective Computing and Intelligent Interaction. Vol. LNCS 3784. Springer. pp. 981–995. doi:10.1007/11573548.

[14] El Kaliouby, Rana (November–December 2017). "We Need Computers with Empathy". Technology Review. Vol. 120, no. 6. p. 8. Archived from the original on 7 July 2018. Retrieved 6 November 2018.

[15] 2008년 8월 27일 웨이백 머신에서 아카이브된 에이전트 아키텍처 비교

[16] "Intel unveils Movidius Compute Stick USB AI Accelerator". 21 July 2017. Archived from the original on 11 August 2017. Retrieved 28 November 2018.

[17] "Inspurs unveils GX4 AI Accelerator". 21 June 2017.

[Shapiro92-18] 샤피로, 스튜어트 C.(1992)Stuart C의 인공지능샤피로(Ed.), 인공지능 백과사전 (제2판, 페이지 54-57)뉴욕: John Wiley. (섹션 4는 'AI 완료 태스크'에 관한 것입니다.)

[19] Solomonoff, R., "귀납적 추론의 일반 이론에 관한 예비 보고서", 보고서 V-131, 케임브리지, Zator Co.(1960년 2월 4일 보고서 개정).

[20] "Artificial intelligence: Google's AlphaGo beats Go master Lee Se-dol". BBC News. 12 March 2016. Retrieved 17 March 2016.

[21] "AlphaGo DeepMind". DeepMind.

[googlego-22] "Research Blog: AlphaGo: Mastering the ancient game of Go with Machine Learning". Google Research Blog. 27 January 2016.

[bbcgo-23] "Google achieves AI 'breakthrough' by beating Go champion". BBC News. 27 January 2016.

[24] '똥' 참조 (1995년)

[25] "Besnard and Hunter" (2001) 참조

[26] '벤치카폰' 참조(2002년)

[Definition_of_AI-27] 인텔리전트 에이전트의 연구로서의 AI의 정의:
Pool, Mackworth & Goebel 1998, 페이지 1 harvnb 오류: 대상 없음: CITREFoolMackworthGoebel 1998(도움말)은 이 문서에서 사용되는 버전을 제공합니다.그들은 인공지능의 동의어로 "컴퓨팅 인텔리전스"라는 용어를 사용한다는 점에 유의하십시오.

Russell & Norvig(2003) harvts 오류: 대상 없음: CITREFRussell Norvig2003(도움말) 및 "전체 에이전트 관점은 현재 현장에서 폭넓게 받아들여지고 있다"(Russell & Norvig 2003, 페이지 55)라고 적습니다.

닐슨 1998

Legg & Hutter 2007 harvnb 오류: 대상 없음: CITREFLeggHutter2007 (도움말)

[28] Pool, Mackworth & Goebel 1998, 페이지 1 harvnb 오류: 대상 없음: CITREFoolMackworthGoebel 1998(도움말)은 이 문서에서 사용되는 버전을 제공합니다.그들은 인공지능의 동의어로 "컴퓨팅 인텔리전스"라는 용어를 사용한다는 점에 유의하십시오.

[29] Russell & Norvig(2003) harvts 오류: 대상 없음: CITREFRussell Norvig2003(도움말) 및 "전체 에이전트 관점은 현재 현장에서 폭넓게 받아들여지고 있다"(Russell & Norvig 2003, 페이지 55)라고 적습니다.

[30] 닐슨 1998

[31] Legg & Hutter 2007 harvnb 오류: 대상 없음: CITREFLeggHutter2007 (도움말)

[FOOTNOTERussellNorvig20092-28] 러셀 & 노비그 2009, 페이지 2

[29] "AAAI Corporate Bylaws".

[Cipresso_Giglioli_Raya_Riva_2011_p.-30] Cipresso, Pietro; Giglioli, Irene Alice Chicchi; Raya, iz; Riva, Giuseppe (7 December 2011). "The Past, Present, and Future of Virtual and Augmented Reality Research: A Network and Cluster Analysis of the Literature". Frontiers in Psychology. 9: 2086. doi:10.3389/fpsyg.2018.02086. PMC 6232426. PMID 30459681.

[31] Ghallab, Malik; Nau, Dana S.; Traverso, Paolo (2004), Automated Planning: Theory and Practice, Morgan Kaufmann, ISBN 978-1-55860-856-6

[Kephart-32] Kephart, J.O.; Chess, D.M. (2003), "The vision of autonomic computing", Computer, 36: 41–52, CiteSeerX 10.1.1.70.613, doi:10.1109/MC.2003.1160055

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

[34] "Self-driving Uber car kills Arizona woman crossing street". Reuters. 20 March 2018.

[thrun2010toward-35] Thrun, Sebastian (2010). "Toward Robotic Cars". Communications of the ACM. 53 (4): 99–106. doi:10.1145/1721654.1721679. S2CID 207177792.

[36] "Information Engineering Main/Home Page". University of Oxford. Retrieved 3 October 2018.

[37] Goodfellow, Ian; Bengio, Yoshua; Courville, Aaron (2016) 딥 러닝.MIT Press. 196. ISBN 9780262035613

[38] Nielsen, Michael A. (2015). "Chapter 6". Neural Networks and Deep Learning.

[39] "Deep Networks: Overview - Ufldl". ufldl.stanford.edu. Retrieved 4 August 2017.

[40] Mozer, M. C. (1995). "A Focused Backpropagation Algorithm for Temporal Pattern Recognition". In Chauvin, Y.; Rumelhart, D. (eds.). Backpropagation: Theory, architectures, and applications. Hillsdale, NJ: Lawrence Erlbaum Associates. pp. 137–169. Retrieved 21 August 2017.

[41] Robinson, A. J. & Fallside, F. (1987). The utility driven dynamic error propagation network (Technical report). Cambridge University, Engineering Department. CUED/F-INFENG/TR.1.

[42] Werbos, Paul J. (1988). "Generalization of backpropagation with application to a recurrent gas market model". Neural Networks. 1 (4): 339–356. doi:10.1016/0893-6080(88)90007-x.

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

[sivic-44] Sivic, Josef (April 2009). "Efficient visual search of videos cast as text retrieval" (PDF). IEEE Transactions on Pattern Analysis and Machine Intelligence. 31 (4): 591–605. CiteSeerX 10.1.1.174.6841. doi:10.1109/TPAMI.2008.111. PMID 19229077. S2CID 9899337.

[45] McTear et al. 2016, 페이지 167

[46] "Understanding the backward pass through Batch Normalization Layer". kratzert.github.io. Retrieved 24 April 2018.

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

[48] "Glossary of Deep Learning: Batch Normalisation". medium.com. 27 June 2017. Retrieved 24 April 2018.

[49] "Batch normalization in Neural Networks". towardsdatascience.com. 20 October 2017. Retrieved 24 April 2018.

[Pham_&_al,_2005-50] Pham DT, Ghanbarzadeh A, Koc E, Otri S, Rahim S 및 Zaidi M.벌 알고리즘.테크니컬 노트, 제조 엔지니어링 센터, 영국 카디프 대학교, 2005.

[Pham_&_Castellani,_2009-51] Pham, D.T., Castellani, M. (2009년)Bees 알고리즘 – 지속적인 최적화 문제를 해결하기 위한 사료 활용 행동 모델링 2016년 11월 9일 웨이백 머신에 보관.Proc. ImechE, Part C, 223(12), 2919-2938.

[52] Pham, D. T.; Castellani, M. (2014). "Benchmarking and comparison of nature-inspired population-based continuous optimisation algorithms". Soft Computing. 18 (5): 871–903. doi:10.1007/s00500-013-1104-9. S2CID 35138140.

[53] Pham, Duc Truong; Castellani, Marco (2015). "A comparative study of the Bees Algorithm as a tool for function optimisation". Cogent Engineering. 2. doi:10.1080/23311916.2015.1091540.

[Nasrinpour_&_Massah_&_Teshnehlab_2017-54] Nasrinpour, H. R.; Massah Bavani, A.; Teshnehlab, M. (2017). "Grouped Bees Algorithm: A Grouped Version of the Bees Algorithm". Computers. 6 (1): 5. doi:10.3390/computers6010005.

[55] Cao, Longbing (2010). "In-depth Behavior Understanding and Use: the Behavior Informatics Approach". Information Science. 180 (17): 3067–3085. arXiv:2007.15516. doi:10.1016/j.ins.2010.03.025. S2CID 7400761.

[Colledanchise_TRO16-56] 2016년 콜란치즈 미셸, 외그렌 페터.동작 트리가 하이브리드 제어 시스템을 모듈화하고 순차 동작 구성, 추정 아키텍처 및 의사결정 트리를 일반화하는 방법 IEEE Transactions on Robotics vol.PP, No.99, 페이지 1-18 (2016)

[Colledanchise_BOOK17-57] Colledanchise, Michele; Ögren, Petter (2018). Behavior Trees in Robotics and AI. arXiv:1709.00084. doi:10.1201/9780429489105. ISBN 9780429950902. S2CID 27470659.

[58] Breur, Tom (July 2016). "Statistical Power Analysis and the contemporary "crisis" in social sciences". Journal of Marketing Analytics. 4 (2–3): 61–65. doi:10.1057/s41270-016-0001-3. ISSN 2050-3318.

[Bachmann-59] Bachmann, Paul (1894). Analytische Zahlentheorie [Analytic Number Theory] (in German). Vol. 2. Leipzig: Teubner.

[Landau-60] Landau, Edmund (1909). Handbuch der Lehre von der Verteilung der Primzahlen [Handbook on the theory of the distribution of the primes] (in German). Leipzig: B. G. Teubner. p. 883.

[GarnierTaylor2009-61] John, Taylor (2009). Garnier, Rowan (ed.). Discrete Mathematics: Proofs, Structures and Applications, Third Edition. CRC Press. p. 620. ISBN 978-1-4398-1280-8.

[Skiena2009-62] Skiena, Steven S (2009). The Algorithm Design Manual. Springer Science & Business Media. p. 77. ISBN 978-1-84800-070-4.

[63] Erman, L. D.; Hayes-Roth, F.; Lesser, V. R.; Reddy, D. R. (1980). "The Hearsay-II Speech-Understanding System: Integrating Knowledge to Resolve Uncertainty". ACM Computing Surveys. 12 (2): 213. doi:10.1145/356810.356816. S2CID 118556.

[64] Corkill, Daniel D. (September 1991). "Blackboard Systems" (PDF). AI Expert. 6 (9): 40–47.

[65] * Nii, H. Yenny (1986). Blackboard Systems (PDF) (Technical report). Department of Computer Science, Stanford University. STAN-CS-86-1123. Retrieved 12 April 2013.

[66] Hayes-Roth, B. (1985). "A blackboard architecture for control". Artificial Intelligence. 26 (3): 251–321. doi:10.1016/0004-3702(85)90063-3.

[67] Hinton, Geoffrey E. (24 May 2007). "Boltzmann machine". Scholarpedia. 2 (5): 1668. Bibcode:2007SchpJ...2.1668H. doi:10.4249/scholarpedia.1668. ISSN 1941-6016.

[68] NZZ- Die Zangengeburt eines Möglichen Stamvators.웹사이트 Neue Zürcher Zeitung.열여섯을 보았다.2013년 8월

[69] 공식 홈페이지 Roboy는 2013-08-03년 Wayback Machine에서 아카이브되었습니다.웹 사이트 Roboy.열여섯을 보았다.2013년 8월

[70] 공식 홈페이지 스타마인드.웹사이트 스타마인드열여섯을 보았다.2013년 8월

[71] Sabour, Sara; Frosst, Nicholas; Hinton, Geoffrey E. (26 October 2017). "Dynamic Routing Between Capsules". arXiv:1710.09829 [cs.CV].

[target-72] "What is a chatbot?". techtarget.com. Retrieved 30 January 2017.

[RASrobot-73] Civera, Javier; Ciocarlie, Matei; Aydemir, Alper; Bekris, Kostas; Sarma, Sanjay (2015). "Guest Editorial Special Issue on Cloud Robotics and Automation". IEEE Transactions on Automation Science and Engineering. 12 (2): 396–397. doi:10.1109/TASE.2015.2409511. S2CID 16080778.

[74] "Robo Earth - Tech News". Robo Earth.

[kengoldberg-75] Goldberg, Ken. "Cloud Robotics and Automation".

[sites.google.com-76] Li, R. "Cloud Robotics-Enable cloud computing for robots". Retrieved 7 December 2014.

[77] Fisher, Douglas (1987). "Knowledge acquisition via incremental conceptual clustering". Machine Learning. 2 (2): 139–172. doi:10.1007/BF00114265.

[78] Fisher, Douglas H. (July 1987). "Improving inference through conceptual clustering". Proceedings of the 1987 AAAI Conferences. AAAI Conference. Seattle Washington. pp. 461–465.

[79] Iba, William; Langley, Pat (27 January 2011). "Cobweb models of categorization and probabilistic concept formation". In Pothos, Emmanuel M.; Wills, Andy J. (eds.). Formal approaches in categorization. Cambridge: Cambridge University Press. pp. 253–273. ISBN 9780521190480.

[80] ICT 웹사이트 https://cogarch.ict.usc.edu/ 를 참조해 주세요.

[81] "Hewlett Packard Labs".

[82] Terdiman, Daniel (2014)IBM의 TrueNorth 프로세서는 인간의 뇌를 모방합니다.https://cnet.com/news/ibms-truenorth-processor-mimics-the-human-brain/

[83] 기사, 숀(2011).IBM, 인간의 두뇌를 모방한 인지 컴퓨팅 칩 공개 TechSpot: 2011년 8월 18일 12:00 PM

[84] Hamill, Jasper(2013).인지 컴퓨팅: IBM이 두뇌와 유사한 SyNAPSE 칩용 소프트웨어를 공개합니다. The Register:2013년 8월 8일

[Denning-85] Denning., P.J. (2014). "Surfing Toward the Future". Communications of the ACM. 57 (3): 26–29. doi:10.1145/2566967. S2CID 20681733.

[86] Ludwig, Lars (2013). Extended Artificial Memory: Toward an integral cognitive theory of memory and technology (pdf) (Thesis). Technical University of Kaiserslautern. Retrieved 7 February 2017.

[87] "Research at HP Labs".

[88] "Automate Complex Workflows Using Tactical Cognitive Computing: Coseer". thesiliconreview.com. Retrieved 31 July 2017.

[89] 인지과학은 마음을 이해하려는 언어학, 심리학, 신경과학, 철학, 컴퓨터 과학, 인류학 연구자들의 학문 간 분야이다.델의 학습 방법: 인지 과학자에게 물어보세요.

[90] 슈라이버, 알렉산더(2006년 2월 1일).조합 최적화 코스(PDF), 1페이지.

[91] HAYKIN, S. 뉴럴 네트워크 - 종합 재단제2판피어슨 프렌티스 홀: 1999.

[92] "PROGRAMS WITH COMMON SENSE". www-formal.stanford.edu. Retrieved 11 April 2018.

[93] Davis, Ernest; Marcus, Gary (2015). "Commonsense reasoning". Communications of the ACM. Vol. 58, no. 9. pp. 92–103. doi:10.1145/2701413.

[94] Hulstijn, J 및 Nijholt, A.(에드).컴퓨터 유머에 관한 국제 워크숍의 진행.네덜란드 Enschede의 Twente Workshops on Language Technology 12위1996년 트벤터 대학교

[ACL-95] "ACL - Association for Computational Learning".

[96] Trappenberg, Thomas P. (2002).컴퓨터 신경과학의 기초.미국:옥스퍼드 대학 출판사 페이지 1. ISBN 978-0-19-851582-1

[97] 컴퓨터 신경과학이란 무엇인가?패트리샤 S.처칠랜드, 크리스토프 코흐, 테런스 J. 세즈노스키예요컴퓨터 신경과학 페이지 46-55에 수록되어 있습니다.편집자: 에릭 L.슈와츠.1993. MIT 프레스

[98] "Theoretical Neuroscience". The MIT Press. Archived from the original on 31 May 2018. Retrieved 24 May 2018.

[99] Gerstner, W.; Kistler, W.; Naud, R.; Paninski, L. (2014). Neuronal Dynamics. Cambridge, UK: Cambridge University Press. ISBN 9781107447615.

[IBM-100] Kamentsky, L.A.; Liu, C.-N. (1963). "Computer-Automated Design of Multifont Print Recognition Logic". IBM Journal of Research and Development. 7 (1): 2. doi:10.1147/rd.71.0002.

[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).구조적 성능 기준에 따른 컴퓨터 자동화 설계, Mouchel 100주년 회의, 8월 19-21일 영국 케임브리지, 토목 및 구조 공학 혁신, 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, (1995년) EUROCODE-3, Northeric Steel Conference 95, JUN 19-21, 787-794에 따른 반강골조의 컴퓨터 자동화 설계

[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] Zhan, Z.H. 등 (2011년)진화적 계산은 머신러닝에 대응합니다.조사, IEEE Computational Intelligence Magazine, 6(4), 68-75.

[112] 그레고리 S.Hornby (2003년.컴퓨터 자동 설계 시스템 생성 표현, NASA Ames Research Center, Mail Stop 269-3, Moffett Field, CA 94035-1000

[113] J. Clune과 H. Lipson(2011).발달 생물학에서 영감을 얻은 생성 인코딩을 통해 진화하는 3차원 객체.2011년 유럽 인공생명체 회의의 진행.

[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. Retrieved 14 May 2012.

[116] 다나 H. 발라드; 크리스토퍼 M. 브라운(1982년).컴퓨터 비전프렌티스 홀.ISBN 0-13-165316-4.

[117] 황, T. (1996-11-19)반도니, 카를로, E, ED컴퓨터 비전: 진화와 약속(PDF). 제19회 CERN 컴퓨팅 스쿨.제네바: CERN. 페이지 21-25. doi:10.5170/CERN-196-008.21.ISBN 978-9290830955.

[118] 밀란 송카, 바츨라바크, 로저 보일(2008).이미지 처리, 분석 및 머신 비전.톰슨.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] 장, 위(1988년)."시프트 불변 패턴 인식 뉴럴 네트워크와 그 광학 아키텍처"일본응용물리학회 연차총회 의사록

[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] 솔로몬오프, R.J.인공지능의 시간척도; 사회적 효과에 대한 성찰, 인간 시스템 관리, 제5권 1985, 페이지 149-153

[129] 무어, J., 다트머스 대학 인공지능 컨퍼런스:향후 50년, AI 매거진, 제27권, 제4호, 제87-9페이지, 2006년

[130] Kline, Ronald R., Cybernetics, Automata Studies and the Dartmouth Conference on 인공지능, IEEE Annals of Computing, 2011년 10월부터 12월까지 IEE 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.

[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] 를 클릭합니다Huang; Green; Loo, "Datalog and Emerging applications", SIGMOD 2011 (PDF), UC Davis.

[140] 스틸, 케이티, 스테판슨, H. Orri, "결정 이론", 스탠포드 철학 백과사전(2015년 겨울판), 에드워드 N. 잘타(ed), URL = [1]

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

[pami-142] 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.

[143] Schmidhuber, J (2015). "Deep Learning in Neural Networks: An Overview". Neural Networks. 61: 85–117. arXiv:1404.7828. doi:10.1016/j.neunet.2014.09.003. PMID 25462637. S2CID 11715509.

[144] Bengio, Yoshua; LeCun, Yann; Hinton, Geoffrey (2015). "Deep Learning". Nature. 521 (7553): 436–444. Bibcode:2015Natur.521..436L. doi:10.1038/nature14539. PMID 26017442. S2CID 3074096.

[145] "About Us DeepMind". DeepMind.

[146] "A return to Paris DeepMind". DeepMind.

[arxiv_medium-147] "The Last AI Breakthrough DeepMind Made Before Google Bought It". The Physics arXiv Blog. 29 January 2014. Retrieved 12 October 2014.

[arxiv-148] Graves, Alex; Wayne, Greg; Danihelka, Ivo (2014). "Neural Turing Machines". arXiv:1410.5401 [cs.NE].

[149] 2014년 베스트 오브: 구글의 비밀스러운 DeepMind 스타트업, "Neural Turing Machine" 공개, MIT Technology Review

[DNCnature2016-150] 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.

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

[152] 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].

[153] 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.

[154] 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.

[155] 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.

[156] 드마조, 이브, J-P.뮐러, 에드분산형 아이제2권 엘세비어, 1990년

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

[twsL35-158] 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....

[twsL34-159] 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.

[twsL41-160] "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,

[twsL37-161] 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...

[162] 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.

[163] Herbert Jaeger(2007) 에코 스테이트 네트워크.스콜라피디아.

[164] 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.

[EVOALG-165] Vikhar, P. A. (2016). "Evolutionary algorithms: A critical review and its future prospects". Proceedings of the 2016 International Conference on Global Trends in Signal Processing, Information Computing and Communication (ICGTSPICC). Jalgaon, 2016, pp. 261-265: 261–265. doi:10.1109/ICGTSPICC.2016.7955308. ISBN 978-1-5090-0467-6. S2CID 22100336.

[aima-166] 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.

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

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

[Jackson1998-169] Jackson, Peter (1998), Introduction To Expert Systems (3 ed.), Addison Wesley, p. 2, ISBN 978-0-201-87686-4

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

[naive-171] 마르티뇽, 로라, 비터치, 올리버, 다케자와, 마사노리, 포르스터, 말콤순진하면서도 깨달음: 「내추럴 주파수」로부터 「신속하고 검소한 의사결정 나무」(Thinking: Psychological perspects on reasoning, adminitors, David Hardman and Laura Macchi), Chicher: John Wiley & Sons, 2003.

[auto-172] 호지슨 박사, "First Order Logic", 필라델피아 세인트 조지프 대학 , 1995.

[173] Hughes, G. E., & Cresswell, M. J., Modal Logic의 새로운 입문(런던: Routledge, 1996), 페이지 161.

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

[175] Hayes, Patrick. "The Frame Problem and Related Problems in Artificial Intelligence" (PDF). University of Edinburgh. Archived from the original (PDF) on 3 December 2013. Retrieved 9 March 2019. {{cite journal}}:Cite 저널 요구 사항 journal=(도움말)

[Sardar,_Z._2010_pp._177-176] Sardar, Z (2010). "The Namesake: Futures; futures studies; futurology; futuristic; Foresight -- What's in a name?". Futures. 42 (3): 177–184. doi:10.1016/j.futures.2009.11.001.

[Pedrycz-177] Pedrycz, Witold (1993). Fuzzy control and fuzzy systems (2 ed.). Research Studies Press Ltd.

[Hájek-178] Hájek, Petr (1998). Metamathematics of fuzzy logic (4 ed.). Springer Science & Business Media.

[:0-179] D. Dubois 및 H. Prade(1988) 퍼지 집합 및 시스템.뉴욕, 학술 출판사

[180] Liang, Lily R.; Lu, Shiyong; Wang, Xuena; Lu, Yi; Mandal, Vinay; Patacsil, Dorrelyn; Kumar, Deepak (2006). "FM-test: A fuzzy-set-theory-based approach to differential gene expression data analysis". BMC Bioinformatics. 7: S7. doi:10.1186/1471-2105-7-S4-S7. PMC 1780132. PMID 17217525.

[Myerson-181] 마이어슨, 로저 B.(1991)게임 이론: 갈등 분석, 하버드 대학 출판부, 페이지 1. 챕터 프리뷰 링크, 페이지 vii–xi.

[182] Pell, Barney (1992). H. van den Herik; L. Allis (eds.). "Metagame: a new challenge for games and learning" [Heuristic programming in artificial intelligence 3–the third computerolympiad] (PDF). Ellis-Horwood. {{cite journal}}:Cite 저널 요구 사항 journal=(도움말)

[pellfirst-183] Pell, Barney (1996). "A Strategic Metagame Player for General Chess-Like Games". Computational Intelligence. 12 (1): 177–198. doi:10.1111/j.1467-8640.1996.tb00258.x. ISSN 1467-8640. S2CID 996006.

[ggppell-184] Genesereth, Michael; Love, Nathaniel; Pell, Barney (15 June 2005). "General Game Playing: Overview of the AAAI Competition". AI Magazine. 26 (2): 62. doi:10.1609/aimag.v26i2.1813. ISSN 2371-9621.

[FOOTNOTEMitchell19962-185] Mitchell 1996, 페이지 2. sfn 오류: 대상 없음: CITREFMitchell 1996 (도움말)

[186] Trudeau, Richard J. (1993). Introduction to Graph Theory (Corrected, enlarged republication. ed.). New York: Dover Pub. p. 19. ISBN 978-0-486-67870-2. Retrieved 8 August 2012. A graph is an object consisting of two sets called its vertex set and its edge set.

[187] Yoon, Byoung-Ha; Kim, Seon-Kyu; Kim, Seon-Young (March 2017). "Use of Graph Database for the Integration of Heterogeneous Biological Data". Genomics & Informatics. 15 (1): 19–27. doi:10.5808/GI.2017.15.1.19. ISSN 1598-866X. PMC 5389944. PMID 28416946.

[188] Bourbakis, Nikolaos G. (1998). Artificial Intelligence and Automation. World Scientific. p. 381. ISBN 9789810226374. Retrieved 20 April 2018.

[189] Pearl, Judea (1984). Heuristics: intelligent search strategies for computer problem solving. United States: Addison-Wesley Pub. Co., Inc., Reading, MA. p. 3. Bibcode:1985hiss.book.....P. OSTI 5127296.

[190] E. K. Burke, E. Hart, G. Kendall, J. Newall, P. Ross, S.슐렌버그, 하이퍼 휴리스틱스:현대 검색 기술의 새로운 방향, 메타 휴리스틱 핸드북(F. Glover and G. Kochenberger, eds), Kluwer, 2003, 페이지 457-474.

[Ross05-191] P. Ross, 하이퍼 휴리스틱스, 검색 방법론:최적화 및 의사결정 지원 기법 소개 튜토리얼(E. K. Burke 및 G. Kendall, eds), Springer, 2005, 페이지 529-556.

[Ozcan08-192] Ozcan, E.; Bilgin, B.; Korkmaz, E. E. (2008). "A Comprehensive Analysis of Hyper-heuristics". Intelligent Data Analysis. 12 (1): 3–23. doi:10.3233/ida-2008-12102.

[IEEE_CIS_Scope-193] "IEEE CIS Scope". Archived from the original on 4 June 2016. Retrieved 18 March 2019.

[194] "Control of Machining Processes - Purdue ME Manufacturing Laboratories". engineering.purdue.edu.

[195] 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.

[196] Oudeyer, Pierre-Yves; Kaplan, Frederic (2008). "How can we define intrinsic motivation?". Proc. of the 8th Conf. on Epigenetic Robotics. Vol. 5. pp. 29–31.

[197] Chevallier, Arnaud (2016). "Strategic thinking in complex problem solving". Oxford Scholarship Online. Oxford; New York: Oxford University Press. doi:10.1093/acprof:oso/9780190463908.001.0001. ISBN 9780190463908. OCLC 940455195. S2CID 157255130.

[198] "Strategy survival guide: Issue trees". London: Government of the United Kingdom. July 2004. Archived from the original on 17 February 2012. Retrieved 6 October 2018. PDF 형식으로도 이용 가능합니다.

[:1-199] Paskin, Mark. "A Short Course on Graphical Models" (PDF). Stanford.

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

[201] Brachman, R. J.; Schmolze, J. G. (1985). "An Overview of the KL-ONE Knowledge Representation System" (PDF). Cognitive Science. 9 (2): 171. doi:10.1207/s15516709cog0902_1.

[202] Duce, D.A.; Ringland, G.A. (1988). Approaches to Knowledge Representation, An Introduction. Research Studies Press, Ltd. ISBN 978-0-86380-064-1.

[203] Schank, Roger; Robert Abelson (1977). Scripts, Plans, Goals, and Understanding: An Inquiry Into Human Knowledge Structures. Lawrence Erlbaum Associates, Inc.

[204] "Knowledge Representation in Neural Networks - deepMinds". deepMinds. 16 August 2018. Retrieved 16 August 2018.

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

[206] Hochreiter, Sepp; Schmidhuber, Jürgen (1997). "Long short-term memory". Neural Computation. 9 (8): 1735–1780. doi:10.1162/neco.1997.9.8.1735. PMID 9377276. S2CID 1915014.

[Siegelmann92-207] Siegelmann, Hava T.; Sontag, Eduardo D. (1992). On the Computational Power of Neural Nets. ACM. Vol. COLT '92. pp. 440–449. doi:10.1145/130385.130432. ISBN 978-0897914970. S2CID 207165680.

[208] Gagniuc, Paul A. (2017). Markov Chains: From Theory to Implementation and Experimentation. USA, NJ: John Wiley & Sons. pp. 1–235. ISBN 978-1-119-38755-8.

[209] "Markov chain Definition of Markov chain in US English by Oxford Dictionaries". Oxford Dictionaries English. Retrieved 14 December 2017.

[210] 정의는 Brilliant.org "Brilliant Math and Science Wiki"에서 확인할 수 있습니다.2019년 5월 12일 취득

[211] 수학 프로그래밍 용어집, INFOMS Computing Society는 "2014-03-05년 웨이백 머신에 보관된 수학 프로그래밍의 특성"을 소개합니다.

[212] Wang, Wenwu (1 July 2010). Machine Audition: Principles, Algorithms and Systems. IGI Global. ISBN 9781615209194 – via igi-global.com.

[213] "Machine Audition: Principles, Algorithms and Systems" (PDF).

[214] 말콤 테이텀(2012년 10월 3일)."기계 인식이란 무엇입니까?"

[215] Alexander Serov(2013년 1월 29일).'주관적 현실과 강력한 인공지능'(PDF).

[216] "Machine Perception & Cognitive Robotics Laboratory". ccs.fau.edu. Retrieved 18 June 2016.

[217] "What is Mechatronics Engineering?". Prospective Student Information. University of Waterloo. Archived from the original on 6 October 2011. Retrieved 30 May 2011.

[CZU-218] "Mechatronics (Bc., Ing., PhD.)". Archived from the original on 15 August 2016. Retrieved 15 April 2011.

[Franke_2005-219] Franke; Siezen, Teusink (2005). "Reconstructing the metabolic network of a bacterium from its genome". Trends in Microbiology. 13 (11): 550–558. doi:10.1016/j.tim.2005.09.001. PMID 16169729.

[220] Balamurugan, R.; Natarajan, A.M.; Premalatha, K. (2015). "Stellar-Mass Black Hole Optimization for Biclustering Microarray Gene Expression Data". Applied Artificial Intelligence. 29 (4): 353–381. doi:10.1080/08839514.2015.1016391. S2CID 44624424.

[221] Bianchi, Leonora; Dorigo, Marco; Maria Gambardella, Luca; Gutjahr, Walter J. (2009). "A survey on metaheuristics for stochastic combinatorial optimization" (PDF). Natural Computing. 8 (2): 239–287. doi:10.1007/s11047-008-9098-4. S2CID 9141490.

[222] 허버트 B.Enderton, 2001, A Mathemical Indroduction to Logic Second Edition Enderton: 110, Harcourt Academic Press, Burlington MA, ISBN 978-0-12-238452-3.

[223] '^ 자동화된 데이터베이스 설계를 지원하는 Naive Symantics', 지식 및 데이터 엔지니어링에 관한 IEEE 트랜잭션, V. C. Storey, R. C. Goldstein 및 H. Ullrich의 제14호 (2002년 1월)

[tkac08-224] Using early binding and late binding in Automation, Microsoft, 11 May 2007, retrieved 11 May 2009

[225] 엄밀히 말하면 URIRef

[226] ttps://w3.org/TR/PR-rdf-syntax/ "Resource Description Framework(RDF) 모델 및 구문 사양"

[227] 밀러, 랜스 A. "자연어 프로그래밍:스타일, 전략, 대비"IBM Systems Journal 20.2(1981) : 184–215.

[MyUser_Https:_May_17_2016c-228] "Deep Minds: An Interview with Google's Alex Graves & Koray Kavukcuoglu". Retrieved 17 May 2016.

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

[Krucoff_584-230] Krucoff, Max O.; Rahimpour, Shervin; Slutzky, Marc W.; Edgerton, V. Reggie; Turner, Dennis A. (1 January 2016). "Enhancing Nervous System Recovery through Neurobiologics, Neural Interface Training, and Neurorehabilitation". Frontiers in Neuroscience. 10: 584. doi:10.3389/fnins.2016.00584. PMC 5186786. PMID 28082858.

[231] Mead, Carver (1990). "Neuromorphic electronic systems" (PDF). Proceedings of the IEEE. 78 (10): 1629–1636. CiteSeerX 10.1.1.161.9762. doi:10.1109/5.58356.

[Maan_1–13-232] Maan, A. K.; Jayadevi, D. A.; James, A. P. (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.

[233] "기억처리 및 신경망을 위한 스핀트로닉 아키텍처 조사", JSA, 2018

[234] Zhou, You; Ramanathan, S. (1 August 2015). "Mott Memory and Neuromorphic Devices". Proceedings of the IEEE. 103 (8): 1289–1310. doi:10.1109/JPROC.2015.2431914. ISSN 0018-9219. S2CID 11347598.

[235] Monroe, D. (2014). "Neuromorphic computing gets ready for the (really) big time". Communications of the ACM. 57 (6): 13–15. doi:10.1145/2601069. S2CID 20051102.

[236] Zhao, W. S.; 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.

[humanbrainproject-237] 인간 두뇌 프로젝트 SP 9: YouTube의 뉴로모픽 컴퓨팅 플랫폼

[238] Copeland, Jack (May 2000). "What is Artificial Intelligence?". AlanTuring.net. Retrieved 7 November 2015.

[kleinberg2006-239] Kleinberg, Jon; Tardos, Éva (2006). Algorithm Design (2nd ed.). Addison-Wesley. p. 464. ISBN 0-321-37291-3.

[241] Cobham, Alan (1965). "The intrinsic computational difficulty of functions". Proc. Logic, Methodology, and Philosophy of Science II. North Holland.

[242] "What is Occam's Razor?". math.ucr.edu. Retrieved 1 June 2019.

[243] "OpenAI는 자본 유치를 위해 비영리에서 '주당이익'으로 전환합니다."테크크런치2019년 5월 10일 취득.

[244] "OpenCog: Open-Source Artificial General Intelligence for Virtual Worlds". CyberTech News. 6 March 2009. Archived from the original on 6 March 2009. Retrieved 1 October 2016.

[245] St. Laurent, Andrew M. (2008). Understanding Open Source and Free Software Licensing. O'Reilly Media. p. 4. ISBN 9780596553951.

[Open_Collaboration-246] Levine, Sheen S.; Prietula, Michael J. (30 December 2013). "Open Collaboration for Innovation: Principles and Performance". Organization Science. 25 (5): 1414–1433. arXiv:1406.7541. doi:10.1287/orsc.2013.0872. ISSN 1047-7039. S2CID 6583883.

[247] 비숍, 크리스토퍼 M. (2006)패턴 인식 및 머신 러닝(PDF).스프링거, 페이지 7패턴 인식은 공학에서 유래한 반면, 기계 학습은 컴퓨터 과학에서 유래했습니다.그러나 이러한 활동은 같은 분야의 두 가지 측면으로 볼 수 있으며, 함께 지난 10년간 상당한 발전을 이루었습니다.

[248] Hughes, G. E., & Cresswell, M. J., Modal Logic의 새로운 입문(런던: Routledge, 1996), 페이지 161.

[Nyce-249] Nyce, Charles (2007), Predictive Analytics White Paper (PDF), American Institute for Chartered Property Casualty Underwriters/Insurance Institute of America, p. 1

[Eckerson-250] Eckerson, Wayne (10 May 2007), Extending the Value of Your Data Warehousing Investment, The Data Warehouse Institute

[251] Karl R. Popper, Framework의 신화, 런던 (Routlege) 1994, 8장.

[252] Karl R. Popper, 역사주의의 빈곤, 런던 (루트리지) 1960, 친구.iv, 제31장

[physorg-253] "Probabilistic programming does in 50 lines of code what used to take thousands". phys.org. 13 April 2015. Retrieved 13 April 2015.

[254] "Probabilistic Programming". probabilistic-programming.org. Archived from the original on 10 January 2016. Retrieved 31 July 2019.

[Pfeffer2014-255] Pfeffer, Avrom(2014), 실용 확률론적 프로그래밍, Manning 출판물. 페이지 28.ISBN 978-1 6172-9233-0

[Clocksin2003-256] Clocksin, William F.; Mellish, Christopher S. (2003). Programming in Prolog. Berlin ; New York: Springer-Verlag. ISBN 978-3-540-00678-7.

[Bratko2012-257] Bratko, Ivan (2012). Prolog programming for artificial intelligence (4th ed.). Harlow, England ; New York: Addison Wesley. ISBN 978-0-321-41746-6.

[Covington1994-258] Covington, Michael A. (1994). Natural language processing for Prolog programmers. Englewood Cliffs, N.J.: Prentice Hall. ISBN 978-0-13-629213-5.

[259] 로이드, J. W. (1984년)논리 프로그래밍의 기초입니다.베를린: Springer-Verlag.ISBN 978-3-540-13299-8.

[260] 쿨먼, 데이브"Python Book: Python, Advanced Python 및 Python 연습 시작"섹션 1.12012년 6월 23일 원본(PDF)에서 아카이브 완료.

[reiter-261] Reiter, Raymond (2001). Knowledge in Action: Logical Foundations for Specifying and Implementing Dynamical Systems. Cambridge, Massachusetts: The MIT Press. pp. 20–22. ISBN 9780262527002.

[262] 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-263] 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.

[264] R언어와 환경 Hornik, 커트(410월 2017년)."RFAQ".종합 R아카이브 네트워크. 2.1은 무엇인가 R?.8월 6일 2018년 Retrieved.R재단 Hornik, 커트(410월 2017년)."RFAQ".종합 R아카이브 네트워크. 213은 무엇인가 R재단?.8월 6일 2018년 Retrieved.그 R코어 팀 그들의 데이터 분석의 소프트웨어를 사용하여:R코어 팀(2016년)를 인용하는 것이 R을 사용한다 작가들에게 묻는다.R: 통계 컴퓨팅용 언어 및 환경.R 통계 컴퓨팅 재단, 오스트리아 비엔나.URL https://R-project.org/.

[265] 한비야는 폭스, 존&안데르센, 로버트(2005년 1월)사용된다."사회 통계 Courses을 가르쳐 줄 R통계 컴퓨팅 환경을 사용하여"(PDF).부서 사회학, 맥 매스터 대학의.8월 6일 2018년 Retrieved.{{ 들고 일기}}:Cite저널 journal=( 도와 주)밴스, 애슐리(2009년 1월 6)이 필요하다."데이터 분석가들은 R의 파워에 의해 Captivated".뉴욕 타임즈도요.8월 6일 2018년 Retrieved.인기 있는 프로그래밍 언어 자료 분석가들의 기업과 학계 내부에 늘어나는 수치에 사용되는 R이름이기도 하다.그것은 그들의 공통어화 되어 있습니다...

[266] 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...

[267] 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.

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

[269] 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.

[270] 호, 천금(1995).랜덤 의사결정 포레스트(PDF).1995년 8월 14-16일 몬트리올, 제3회 문서 분석 및 인정 국제회의의 진행. 페이지 278-282.2016년 4월 17일 원본(PDF)에서 보관.2016년 6월 5일 취득.

[271] 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.

[272] 헤스티, 트레버, 티비라니, 로버트, 프리드먼, 제롬(2008).통계학 학습의 요소 (제2판).스프링거.ISBN 0-387-95284-5.

[273] 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.

[sak2014-274] 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.

[liwu2015-275] 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-276] 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.

[277] 슈라우웬, 벤자민, 다비드 베르스트라텐, 얀 반 캄펜하우트."리저버 컴퓨팅의 개요: 이론, 응용 프로그램 및 구현."인공신경망에 관한 유럽 심포지엄의 진행 ESANN 2007, 페이지 471-482.

[278] 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.

[279] Jaeger, Herbert, "반복 신경망을 분석하고 훈련하는 에코 상태 접근법"기술 보고서 154(2001), 독일 정보기술연구센터.

[280] Jaeger, Herbert (2007). "Echo state network". Scholarpedia. 2 (9): 2330. doi:10.4249/scholarpedia.2330.

[281] "XML and Semantic Web W3C Standards Timeline" (PDF). 4 February 2012.

[282] 예를 들어 Boolos and Jeffrey, 1974, 11장을 참조하십시오.

[Sowa-283] Sowa, John F. (1987). "Semantic Networks". In Shapiro, Stuart C (ed.). Encyclopedia of Artificial Intelligence. Retrieved 29 April 2008.

[bi-284] 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.

[BoDu04-285] 아브란 등 2004, 페이지 1-1 harvnb 오류: 대상 없음: CITREFAbranMooreBourqueDupuis2004 (도움말)

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

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

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

[289] 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_1996-290] 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.

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

[Getoor2007-292] Lise Getoor와 Ben Taskar:통계관계학습개론, MIT Press, 2007

[293] 라이언 A. 로시, 루크 K맥도웰, 데이비드 W.아하와 제니퍼 네빌, "통계 관계 학습을 위한 그래프 데이터 변환"인공지능 연구 저널(JAIR), 제45권(2012), 363-441페이지.

[spall2003-294] Spall, J. C. (2003). Introduction to Stochastic Search and Optimization. Wiley. ISBN 978-0-471-33052-3.

[295] F의 2단계 확률 모델을 이용한 언어 이해Pla, et al, 2001, 컴퓨터 사이언스 ISBN 978-3-540-42557-1의 스프링거 강의 노트

[296] Stuart J. Russell, Peter Norvig (2010)인공지능: 모던 어프로치, 제3판, 프렌티스 홀 ISBN 9780136042594.

[297] Mehryar Mohri, Afshin Rostamizadeh, Ameet Talwalkar (2012) 기계학습 재단, MIT 9780262018258 프레스.

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

[299] 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.

[FOOTNOTEHaugeland1985255-300] Haugland 1985, 페이지 255. sfn 오류: 대상 없음: CITREF Haugland 1985 (도움말)

[FOOTNOTEPooleMackworthGoebbel19981-301] Pool, Mcworth & Goebbel 1998, 페이지 1. sfn 오류: 대상 없음: CITREF PoolMackworth Goebbel 1998 (도움말)

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

[Singularity_hypotheses-303] Eden, Amnon H.; Moor, James H. (2012). Singularity hypotheses: A Scientific and Philosophical Assessment. Dordrecht: Springer. pp. 1–2. ISBN 9783642325601.

[304] 캐드왈라드르, 캐롤(2014)."로봇이 곧 일어설까요? 구글의 새로운 엔지니어링 디렉터는 그렇게 생각합니다.가디언지.Guardian News and Media Limited.

[RSutton-1998-305] 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-306] 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.^{[데드링크]}

[Neuroscience1985-Pellionisz-307] 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-308] "TensorFlow: 오픈소스 머신러닝" "각종 지각 및 언어 이해 태스크에 사용되는 머신러닝 소프트웨어입니다." - Jeffrey Dean, YouTube 클립 0:47 / 2:17 분

[Sipser-3rd-309] 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)

[310] 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.

[311] 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.

[Mercer-312] Mercer, Calvin. Religion and Transhumanism: The Unknown Future of Human Enhancement. Praeger.

[Bostrom_2005-313] Bostrom, Nick (2005). "A history of transhumanist thought" (PDF). Journal of Evolution and Technology. Retrieved 21 February 2006.

[314] 튜링은 원래 1950년에 사용 가능한 몇 안 되는 텍스트 전용 통신 시스템 중 하나인 텔레프린터를 제안했다. (1950년, 페이지 433) harv 오류: 대상 없음: CITREFTuring 1950 (도움말)

[FOOTNOTEPierce20021-315] Pierce 2002, 페이지 1: "타입 시스템은 특정 프로그램 동작의 부재를 증명하기 위한 다루기 쉬운 구문적 방법입니다." sfn 오류: 대상 없음: CITREFierce 2002 (도움말)

[FOOTNOTECardelli20041-316] Cardelli 2004, 페이지 1: "타입 시스템의 기본 목적은 프로그램 실행 중 실행 오류 발생을 방지하는 것입니다." sfn 오류: 대상 없음: CITREFCardelli 2004 (도움말)

[Hinton99a-317] Hinton, Jeffrey; Sejnowski, Terrence (1999). Unsupervised Learning: Foundations of Neural Computation. MIT Press. ISBN 978-0262581684.

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

[319] Banerje, Prasid (28 March 2016). "The rise of VPUs: Giving Eyes to Machines". Digit.in.

[ibm-320] "DeepQA Project: FAQ". IBM. Retrieved 11 February 2011.

[321] 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_20110208-322] Hale, Mike (8 February 2011). "Actors and Their Roles for $300, HAL? HAL!". The New York Times. Retrieved 11 February 2011.

[323] "The DeepQA Project". IBM Research. Retrieved 18 February 2011.

[324] 9.com은 좁은 AI를 언급하고 있다.2013년 4월 1일 발행.2014년 2월 16일 취득:https://io9.com/how-much-longer-before-our-first-ai-catastrophe-464043243

[325] 벤 괴첼 AI 연구원은 좁은 AI 대신 AGI에 관심을 갖게 된 이유를 이렇게 설명한다.2013년 10월 18일 발행.2014년 2월 16일 취득.https://intelligence.org/2013/10/18/ben-goertzel/

[326] TechCrunch는 협 AI에 관한 AI 앱 구축에 대해 논의한다.2015년 10월 16일 발행.2015년 10월 17일 취득.https://techcrunch.com/2015/10/15/machine-learning-its-the-hard-problems-that-are-valuable/

[240] 다항식 시간은 알고리즘에 필요한 연산 횟수가 문제의 크기에 비해 얼마나 빨리 증가하는지를 나타냅니다.따라서 이는 알고리즘의 효율성에 대한 척도입니다.

[2]

[1]

[4]

[3]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]

[13]

[14]

[15]

[16]

[17]

[18]

[19]

[20]

[21]

[22]

[23]

[24]

[25]

[26]

[27]

[28]

[29]

[30]

[31]

[32]

[33]

[34]

[35]

[36]

[37]

[39]

[38]

[40]

[41]

[42]

[43]

[44]

[45]

[46]

[47]

[48]

[49]

[50]

[51]

[52]

[53]

[54]

[55]

[56]

[57]

[58]

[59]

[60]

[61]

[62]

[63]

[64]

[65]

[66]

[67]

[68]

[69]

[70]

[71]

[72]

[73]

[74]

[75]

[76]

[77]

[78]

[79]

[80]

[81]

[82]

[83]

[84]

[85]

[86]

[87]

[88]

[89]

[90]

[91]

[92]

[93]

[94]

[95]

[96]

[97]

[98]

[99]

[109]

v t 컴퓨터 공학
주의: 이 템플릿은 대략 2012 ACM Computing Classification System에 준거하고 있습니다.
하드웨어	프린트 기판 주변기기 집적회로 대규모 통합 시스템온칩(SoC) 소비전력(친환경 컴퓨팅) 전자 설계 자동화 하드웨어 액셀러레이션
컴퓨터 시스템 구성	컴퓨터 아키텍처 임베디드 시스템 실시간 컴퓨팅 신뢰성
네트워크	네트워크 아키텍처 네트워크 프로토콜 네트워크 컴포넌트 네트워크 스케줄러 네트워크 퍼포먼스 평가 네트워크 서비스
소프트웨어 구성	통역사 미들웨어 가상 머신 운영 체제 소프트웨어 품질
소프트웨어 표기법 및 도구	프로그래밍 패러다임 프로그래밍 언어 컴파일러 도메인 고유의 언어 모델링 언어 소프트웨어 프레임워크 통합 개발 환경 소프트웨어 구성 관리 소프트웨어 라이브러리 소프트웨어 저장소
소프트웨어 개발	제어 변수 소프트웨어 개발 프로세스 요건 분석 소프트웨어 설계 소프트웨어 구축 소프트웨어 도입 소프트웨어 엔지니어링 소프트웨어 유지보수 프로그래밍팀 오픈 소스 모델
계산 이론	계산 모형 격식어 오토마타 이론 계산가능성 이론 계산 복잡도 이론 논리 의미론
알고리즘	알고리즘 설계 알고리즘 분석 알고리즘 효율 랜덤화 알고리즘 계산기하학
컴퓨팅의 수학	이산 수학 확률 통계 정보 수학 소프트웨어 정보 이론 수학적 해석 수치 분석 이론 컴퓨터 공학
정보 시스템	데이터베이스 관리 시스템 정보 스토리지 시스템 엔터프라이즈 정보 시스템 소셜 정보 시스템 지리정보시스템 의사결정지원시스템 공정관리시스템 멀티미디어 정보 시스템 데이터 마이닝 디지털 라이브러리 컴퓨팅 플랫폼 디지털 마케팅 월드 와이드 웹 정보 검색
보안.	암호화 형식적인 방법 보안 서비스 침입 탐지 시스템 하드웨어 보안 네트워크 보안 정보 보안 응용 프로그램 보안
인간과 컴퓨터의 상호 작용	상호작용 설계 소셜 컴퓨팅 유비쿼터스 컴퓨팅 시각화 접근성
동시성	동시 컴퓨팅 병렬 컴퓨팅 분산 컴퓨팅 멀티스레딩 멀티프로세서
인공지능	자연어 처리 지식 표현 및 추론 컴퓨터 비전 계획 및 스케줄링 자동화 검색 방법론 제어방법 인공지능의 철학 분산형 인공지능
기계 학습	지도 학습 비지도 학습 강화 학습 멀티태스킹 학습 교차 검증
그래픽스	애니매이션 렌더링 이미지 조작 그래픽스 처리 장치 혼합현실 가상현실 이미지 압축 솔리드 모델링
응용 컴퓨팅	전자상거래 엔터프라이즈 소프트웨어 계산 수학 계산물리학 계산화학 계산생물학 계산사회과학 계산공학 컴퓨터 헬스케어 디지털 아트 전자 출판 사이버 전쟁 전자투표 비디오 게임 워드프로세서 운용 조사 교육용 테크놀로지 문서 관리
카테고리 개요 위키프로젝트 공통

v t 진화 계산
주요 토픽	컨버전스(진화형 컴퓨팅) 진화 알고리즘 진화적 데이터 마이닝 진화적 멀티모달 최적화 인간 기반 진화 계산 대화형 진화 계산
알고리즘	세포진화알고리즘 공분산 행렬 적응 진화 전략(CMA-ES) 미분 진화 진화적 프로그래밍 유전 알고리즘 유전자 프로그래밍 유전자 발현 프로그래밍 진화 전략 자연 진화 전략 신경진화 학습 분류기 시스템
관련 기술	군집 지능 개미 군락 최적화 벌 알고리즘 뻐꾸기 검색 입자 군집 최적화 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 Program synthesis
Journals	Evolutionary Computation (journal)

v t Robotics
Main articles	Outline Glossary Indexc History Geography Hall of Fame Ethics Laws Competitions AI competitions
Types	Aerobot Anthropomorphic Humanoid Android Cyborg Claytronics Companion Animatronic Audio-Animatronics Industrial Articulated arm Domestic Educational Entertainment Juggling Military Medical Service Disability Agricultural Food service Retail BEAM robotics Soft robotics
Classifications	Biorobotics Unmanned vehicle aerial ground Mobile robot Microbotics Nanorobotics Necrobotics Robotic spacecraft Space probe Swarm Telerobotics Underwater remotely-operated
Locomotion	Tracks Walking Hexapod Climbing Electric unicycle Robot navigation
Research	Evolutionary Kits Simulator Suite Open-source Software Adaptable Developmental Paradigms Ubiquitous
Related	Critique of work Powered exoskeleton Technological unemployment Terrainability Fictional robots
Category Outline

Search

인공지능 용어집

A

B

C

D

E

F

G

H

I

J

K

L

M

N

O

P

Q

R

S

T

U

V

W

「 」를 참조해 주세요.

레퍼런스

메모들

「」를 참조해 주세요.