[前端与智能]人工智能领域常用术语表（上）

  在学习人工智能的过程中遇到了大量的专业术语，在网上搜了很多资料，都没有找到一个比较全的术语表。我这里整理了一份，大多来自现在看的一本书上，所幸的是这个附录表，目前没有电子版的，要不我就重复发明轮子了。这里摘上来，供大家平时查阅

    * 人工神经网络：一个信息处理范例，它接受人脑结构和功能的启发而产生，ANN包括大量称作神经元的简单而高度互联的处理器，它类似大脑的生物神经元，神经元通过把信号从一个神经元传递到另一个神经元的有权重的链接相连。在一个生物的神经网络中，学习设计调整突触，ANN通过不断调整权重来学习，这些权重储存了解决某些问题所需要的知识
    * 人工智能：计算机科学的一个领域，该领域灌注智能机器的开发，如果机器的行为在人类身上也能观察到，就认为该机器是智能的
    * 断言：在推理中得到的事实
    * 相关记忆：记忆的一个类型，允许我们吧相关的事物关联起来，例如，当我们听到一段音乐的时候，我们就能回想起一个完整的感受体验，包括声音和情景体验。我们甚至能够在不熟悉的环境中将熟悉的脸认出来，当输入一个相似的模式的时候，相关的ANN就会回想起最为接近的已存储的训练模式
    * 属性对象的特性
    * 轴突：生物神经元的一根很长的枝，他能从细胞中输出信号（动作电位），在ANN中轴突用神经元输出来模拟
    *  向后链接：一个推理技术，从假设开始向后推理，将规则库中的规则和数据库中的事实相匹配，知道目标被证明为错误为止。也称为目标驱动推理
    * 向后传送算法：有监督学习最常用的方法，该算法有两个阶段，首先向输入层输入一个训练输入模式。网络逐层传送输入模式知道输出层产生输出模式为止。如果输出模式与预期输出不一致。则计算误差。然后从输出层向输入层传送误差，在传送的过程中调整权重的值。
    * 贝叶斯推理：专家系统中不确定性管理的一种统计方法。他基于证据的贝叶斯规则在在系统中传送不确定性
    * 贝叶斯规则:一种统计方法，根据新的证据来更新于事实相关的概率
    * 双相关记忆：模拟相关记忆的特性的一种神经网络，把不同的集合中的模式相关起来，反之亦然。他的基本体现结构包括两个完全链接的层：输入层和输出层
    * 位：二进制数字
    * 位图：对行列的点组成的图的描述
    * 黑盒：对用户来说不是透明的模型
    * 布尔逻辑：基于布尔代数的逻辑系统，0假1真
    * 分支：决策树种的节点间的链接
    * 构造块：给染色体高度适应性的一组基因，根据构造块的假设，在一个染色体上结合几个构造块可以找到最佳解决方案
    * 分类与回归树：使用决策树的数据工具。提供一组能够将新数据用于预测结构的规则，通过生成二元分个割来给数据记录分段
    * 分类数据：适合少量离散类别的数据，如性别，婚姻状况
    * 质心技术：找到称做质心或重心的点的逆模糊化的方法。而在该店的垂线能将聚合集分割成两个相等的部分
    * 确定因子：赋给事实或者规则的数字，表示事实或者规则有效的可信度或者置信水平
    * 确定理论：在基于不精准推理的专家系统中，管理不确定性的理论，他使用确定因子表示观察到的某个事件的假设的可信度
    * 子节点：在决策树种，子节点就是由树中的上一层节点通过分割产生的节点，一个子节点包含其父节点中数据的子集
    * 染色体：代表一个个体的基因串
    * 类：具有共同属性的对象集
    * 类框架：代表一个类的框架
    * 剪切：把模糊规则的后项和规则前项的真值相联系的常用方法。这个方法基于在前项真值水平上的裁剪后项的隶属函数，因为从隶属函数的顶部分段，被剪切的模糊集会丢失一些信息
    * 克隆：生成一个其亲代的完全拷贝的子代
    * 聚类：把不同的种类的对象划分为同类子集的过程，聚类算法可以用于查找在某些方面相似的类
    * 认知科学：研究如何获得和使用知识的交叉学科，设计的学科包括人工智能，心理学，语言学，哲学，神经学和教育学，也就是，关于计算机模拟智能和智能系统的研究
    * 常识：如何解决现实世界中的问题放人普遍知识，通常通过实践获得
    * 竞争学习：无监督的学习，神经元之间彼此竞争以致只有一个神经元能够相应某个输入模式，在竞争中获胜的神经元通常被称为胜者通吃神经元。
    * 补：在经典的集合论中，集合A的补集就是不是A的成员的元素的集合
    * 置信因子：即确定因子
    * 冲突：两个或者多个产生式规则与数据库中的数据匹配，但是智能有一个规则在给定的循环中被激发的状态
    * 冲突解决的方案：当多个规则可以在给定的循环中被激发的时候，选择其中一个被激发的产生式规则的方法
    * 合取：逻辑操作AND
    * 链接：神经元之间传递信号的链接
    * 后项：规则中IF部分中的结论或者动作
    * 连续数据：在某间隔中有无限个可能取值的数据，连续的是可度量的，但是不一定是整数
    * 收敛：当误差达到预设的阈值，表面网络已经学习了任务时，就说ANN网络是收敛的。对于种群来说，当种群中有个体达到了一致的趋势，当已经获得一个解决方案，就说遗传算法收敛
    * 交叉：通过交换两个现有染色体的部分来产生新的染色体的繁殖操作
    * 交叉概率：介于0-1之间的数，表示两个染色体交叉的可能性
    * 数据驱动推理：向前推理
    * 数据清理：探测和纠正明显的误差并替数据库中丢失的数据的过程
    * 数据挖掘：数据中知识的提取，也就是为了发掘有用的模式和规则，对大量数据的研究和分析，数据挖掘的最终目标是发现知识
    * 数据可视化：数据的图形化表示，能帮助用户理解数据中的结构和数据中包含的信息含义
    * 数据仓库：一个大型的数据库，包含了上百万条，甚至是上亿条数据记录。用于支持组织的决策制定，它是结构化的，能够快速地在线查询和管理摘要
    * 决策树：一个数据集的图形化表示，以树状结构 来描述数据。
    * 决策支持系统：一个交互的基于计算机的系统，用来帮助人和组织来在某个领域做决策
    * 演绎推理：从一般到特殊的推理
    * 逆模糊化：模糊推理的最后一步，将结合的模糊规则输出转化为清晰的值的过程
    * 隶属度：0-1之间的数值，表示元素属于某个集合的程度
    * Delta规则：在训练过程中更新感知器权重的过程
    * 守护程序：与一个槽相关的过程，当槽值发生变化或者被请求时执行，守护程序通常会有一个IF-THEN的结构，他和方法为同义词
    * 动作电位：生物神经元通过长距离的传递也不会减弱强度的输出信号
    * 激活函数：将神经元的净输入映射到输出的一个数学函数，通常使用的激活函数有：阶跃，信号，线性和s型函数
    * 自适应学习速度：根据训练中的误差的变化而调节的学习速度，如果本次误差大于前一次的预先指定的倍数，学习速度将降低，如果小于则学习速度将加快，使用自适应学习速度使多感知器的学习速度加快   
    * 聚集合：通过聚合获得的模糊集
    * 聚合：模糊推理的第三步，将已经切割或缩放的所有模糊规则后项的隶属函数合并进一个模糊集以用于每个输入变量的过程
    * 算法：用于解决问题的指令集
    * AND：逻辑操作符，在产生式规则中使用时，表示所有用AND的前链接项为真时，规则后项才为真
    * 前项：规则IF部分的条件语句，也称为前提
    * a- part-of：连接代表组件的子类和代表整体的父类的弧
    * 近似推理：不需要产生式规则的IF部分与数据库中的数据精确匹配的推理
    * 弧：在表示相邻的节点连接特点的语义网络中，节点之间带方向标识的标识连接，最常见的是is-a  a-part-of

太晚了，看来只明天继续了，留下一个《下》