скачать книгу бесплатно
Агрегатор (Aggregator) – это тип программного обеспечения, которое объединяет различные типы веб-контента и предоставляет его в виде легкодоступного списка. Агрегаторы каналов собирают такие данные, как онлайн-статьи из газет или цифровых изданий, публикации в блогах, видео, подкасты и т. д. Агрегатор каналов также известен как агрегатор новостей, программа для чтения каналов, агрегатор контента или программа для чтения RSS[25 - Aggregator [Электронный ресурс] www.techopedia.com (дата обращения: 07.07.2022) URL: https://www.techopedia.com/definition/2502/feed-aggregator].
Агломеративная кластеризация (Agglomerative clustering) – это один из алгоритмов кластеризации, в котором процесс группировки похожих экземпляров начинается с создания нескольких групп, где каждая группа содержит один объект на начальном этапе, затем он находит две наиболее похожие группы, объединяет их, повторяет процесс до тех пор, пока не получит единую группу наиболее похожих экземпляров[26 - Агломеративная кластеризация [Электронный ресурс] https://biconsult.ru URL: https://biconsult.ru/products/aglomerativnaya-klasterizaciya-v-mashinnom-obuchenii (дата обращения: 26.03.2023)].
Адаптивная система (Adaptive system) – это система, которая автоматически изменяет данные алгоритма своего функционирования и (иногда) свою структуру для поддержания или достижения оптимального состояния при изменении внешних условий[27 - Адаптивная система [Электронный ресурс] https://ru.wikipedia.org URL: https://ru.wikipedia.org/wiki/Адаптивная_система (дата обращения: 26.03.2023)].
Адаптивная система нейро-нечеткого вывода (Adaptive neuro fuzzy inference system) (ANFIS) (также адаптивная система нечеткого вывода на основе сети) – это разновидность искусственной нейронной сети, основанная на системе нечеткого вывода Такаги-Сугено. Методика была разработана в начале 1990-х годов. Поскольку она объединяет как нейронные сети, так и принципы нечеткой логики, то может использовать одновременно все имеющиеся преимущества в одной структуре. Его система вывода соответствует набору нечетких правил ЕСЛИ-ТО, которые имеют возможность обучения для аппроксимации нелинейных функций. Следовательно, ANFIS считается универсальной оценочной функцией. Для более эффективного и оптимального использования ANFIS можно использовать наилучшие параметры, полученные с помощью генетического алгоритма[28 - Adaptive neuro fuzzy inference system (ANFIS) [Электронный ресурс] https://hrpub.ru URL: https://www.hrpub.org/download/20190930/AEP1-18113213.pdf (дата обращения 14.02.2022)].
Адаптивный алгоритм (Adaptive algorithm) – это алгоритм, который пытается выдать лучшие результаты путём постоянной подстройки под входные данные. Такие алгоритмы применяются при сжатии без потерь. Классическим вариантом можно считать Алгоритм Хаффмана[29 - Adaptive algorithm. [Электронный ресурс] https://dic.academic.ru (дата обращения: 27.01.2022)],[30 - Сжатие без потерь. [Электронный ресурс] https://dic.academic.ru URL: https://dic.academic.ru/dic.nsf/ruwiki/38681 (дата обращения: 27.01.2022)].
Адаптивный градиентный алгоритм (Adaptive Gradient Algorithm) (AdaGrad) – это cложный алгоритм градиентного спуска, который перемасштабирует градиент отдельно на каждом параметре, эффективно присваивая каждому параметру независимый коэффициент обучения[31 - Adaptive Gradient Algorithm. [Электронный ресурс] https://jmlr.org URL: https://www.jmlr.org/papers/volume12/duchi11a/duchi11a.pdf (дата обращения: 18.02.2022)].
Аддитивные технологии (Additive technologies) – это технологии послойного создания трехмерных объектов на основе их цифровых моделей («двойников»), позволяющие изготавливать изделия сложных геометрических форм и профилей[32 - Аддитивные технологии [Электронный ресурс] https://books.google.ru URL: https://books.google.ru/books?id=6EYkEAAAQBAJ&pg (дата обращения: 27.03.2023)].
Айзек Азимов (Isaac Asimov) (1920—1992) – автор научной фантастики, сформулировал три закона робототехники, которые продолжают оказывать влияние на исследователей в области робототехники и искусственного интеллекта (ИИ)[33 - Isaac Asimov [Электронный ресурс] https://www.techopedia.com URL: https://www.techopedia.com/definition/32134/isaac-asimov (дата обращения: 27.03.2023)].
Три закона робототехники Айзека Азимова (Three Laws of Robotics by Isaac Asimov) – Робот не может причинить вред человеку или своим бездействием допустить, чтобы человеку был причинен вред. Робот должен подчиняться приказам, отданным ему людьми, за исключением случаев, когда такие приказы противоречат Первому закону. Робот должен защищать свое существование до тех пор, пока такая защита не противоречит Первому или Второму закону[34 - Isaac Asimov [Электронный ресурс] https://www.techopedia.com URL: https://www.techopedia.com/definition/32134/isaac-asimov (дата обращения: 27.03.2023)].
Активное обучение/Стратегия активного обучения (Active Learning/ Active Learning Strategy) – это особый способ полууправляемого машинного обучения, в котором обучающий агент может в интерактивном режиме запрашивать оракула (обычно человека-аннотатора) для получения меток в новых точках данных. Подход к такому обучению основывается на самостоятельном выборе алгоритма некоторых данных из массы тех, на которых он учится. Активное обучение особенно ценно, когда помеченных примеров мало или их получение слишком затратно. Вместо слепого поиска разнообразных помеченных примеров алгоритм активного обучения выборочно ищет конкретный набор примеров, необходимых для обучения[35 - Active Learning/Active Learning Strategy [Электронный ресурс] https://developers.google.com URL: https://developers.google.com/machine-learning/glossary (дата обращения: 27.03.2023)],[36 - Active Learning, Monica Nicolette Nicolescu, «A framework for learning from demonstration, generalization and practice in human-robot domains,» University of Southern California, 2003.],[37 - Active Learning, Brenna D and Chernova, Sonia and Veloso, Manuela and Browning, Brett Argall, «A survey of robot learning from demonstration,» Robotics and autonomous systems, vol. 57, pp. 469 – 483, 2009].
Алгоритм (Algorithm) – это точное предписание о выполнении в определенном порядке системы операций для решения любой задачи из некоторого данного класса (множества) задач. Термин «алгоритм» происходит от имени узбекского математика Мусы аль-Хорезми, который еще в 9 веке (ок. 820 г. н.э.) предложил простейшие арифметические алгоритмы. В математике и кибернетике класс задач определенного типа считается решенным, когда для ее решения установлен алгоритм. Нахождение алгоритмов является естественной целью человека при решении им разнообразных классов задач. Также, алгоритм – это набор правил или инструкций, данных ИИ, нейронной сети или другим машинам, чтобы помочь им учиться самостоятельно; классификация, кластеризация, рекомендация и регрессия – четыре самых популярных типа[38 - Алгоритм [Электронный ресурс] https://intuit.ru URL: https://intuit.ru/studies/courses/1122/167/lecture/4566 (дата обращения: 27.03.2023)].
АлгоритмBLEU (BLEU) – это алгоритм оценки качества текста, который был автоматически переведен с одного естественного языка на другой. Качество считается соответствием между переводом машины и человека: «чем ближе машинный перевод к профессиональному человеческому переводу, тем лучше» – это основная идея BLEU[39 - BLEU (Bilingual Evaluation Understudy) [Электронный ресурс] https://developers.google.com URL: https://developers.google.com/machine-learning/glossary/language (дата обращения: 27.03.2023)].
Алгоритм Q-обучения (Q-learning) – это алгоритм обучения, основанный на ценностях. Алгоритмы на основе значений обновляют функцию значений на основе уравнения (в частности, уравнения Беллмана). В то время как другой тип, основанный на политике, оценивает функцию ценности с помощью жадной политики, полученной из последнего улучшения политики. Табличное Q-обучение (при обучении с подкреплением) представляет собой реализацию Q-обучения с использованием таблицы для хранения Q-функций для каждой комбинации состояния и действия. «Q» в Q-learning означает качество. Качество здесь показывает, насколько полезно данное действие для получения вознаграждения в будущем[40 - Q-learning [Электронный ресурс] https://towardsdatascience.com URL: https://towardsdatascience.com/a-beginners-guide-to-q-learning-c3e2a30a653c (дата обращения: 07.07.2022)].
Алгоритм дерева соединений (также алгоритм Хьюгина) (Junction tree algorithm) – это метод, используемый в машинном обучении для извлечения маргинализации в общих графах. Граф называется деревом, потому что он разветвляется на разные разделы данных; узлы переменных являются ветвями[41 - Junction tree algorithm (also Clique Tree) [Электронный ресурс] https://ai.stanford.edu URL: https://ai.stanford.edu/~paskin/gm-short-course/lec3.pdf (дата обращения: 27.03.2023)],[42 - Junction tree algorithm (also Clique Tree) [Электронный ресурс] https://en.wikipedia.org URL: https://en.wikipedia.org/wiki/Junction_tree_algorithm#cite_note-:1-1 (дата обращения: 27.03.2023)].
Алгоритм любого времени (Anytime algorithm) – это алгоритм, который может дать частичный ответ, качество которого зависит от объема вычислений, которые он смог выполнить. Ответ, генерируемый алгоритмами anytime, является приближенным к правильному. Большинство алгоритмов выполняются до конца: они дают единственный ответ после выполнения некоторого фиксированного объема вычислений. Однако в некоторых случаях пользователь может захотеть завершить алгоритм до его завершения. Эта особенность алгоритмов anytime моделируется такой теоретической конструкцией, как предельная машина Тьюринга (Бургин, 1992; 2005)[43 - Anytime algorithm [Электронный ресурс] https://dic.academic.ru URL: https://dic.academic.ru/dic.nsf/eng_rus/423258/anytime (дата обращения: 27.01.2022)].
Алгоритм обучения (Learning Algorithm) – это фрагменты кода, которые помогают исследовать, анализировать и находить смысл в сложных наборах данных. Каждый алгоритм представляет собой конечный набор однозначных пошаговых инструкций, которым машина может следовать для достижения определенной цели. В модели машинного обучения цель состоит в том, чтобы установить или обнаружить шаблоны, которые люди могут использовать для прогнозирования или классификации информации. Они используют параметры, основанные на обучающих данных – подмножестве данных, которое представляет больший набор. По мере расширения обучающих данных для более реалистичного представления мира, алгоритм вычисляет более точные результаты[44 - Алгоритм обучения [Электронный ресурс] https://azure.microsoft.com URL: https://azure.microsoft.com/en-gb/overview/machine-learning-algorithms/#overview (дата обращения: 07.07.2022)].
Алгоритм оптимизации Адам (Adam optimization algorithm) – это расширение стохастического градиентного спуска, который в последнее время получил широкое распространение для приложений глубокого обучения в области компьютерного зрения и обработки естественного языка[45 - Adam optimization algorithm [Электронный ресурс] https://archive.org URL: https://archive.org/details/riseofexpertcomp00feig (дата обращения: 11.03.2022)].
Алгоритм оптимизации роя светлячков (Glowworm swarm optimization algorithm) – это метаэвристический алгоритм без производных, имитирующий поведение свечения светлячков, который может эффективно фиксировать все максимальные мультимодальные функции[46 - Glowworm swarm optimization algorithm (GSO) Applied Mechanics and Materials Vol. 421 (2013) pp 507—511© (2013) Trans Tech Publications, Switzerland doi: 10.4028 www.scientific.net/AMM.421.507 Glowworm Swarm Optimization (GSO) Algorithm for Optimization Problems: A State-of-the-Art Review (дата обращения: 11.01.2022)].
Алгоритм Персептрона (Perceptron algorithm) – это линейный алгоритм машинного обучения для задач бинарной классификации. Его можно считать одним из первых и одним из самых простых типов искусственных нейронных сетей. Это определенно не «глубокое» обучение, но это важный строительный блок. Как и логистическая регрессия, он может быстро изучить линейное разделение в пространстве признаков для задач классификации двух классов, хотя, в отличие от логистической регрессии, он обучается с использованием алгоритма оптимизации стохастического градиентного спуска и не предсказывает калиброванные вероятности[47 - Perceptron algorithm [Электронный ресурс] https://machinelearningmastery.com URL: https://machinelearningmastery.com/perceptron-algorithm-for-classification-in-python/ (дата обращения: 07.07.2022)].
Алгоритм поиска (Search algorithm) – это любой алгоритм, который решает задачу поиска, а именно извлекает информацию, хранящуюся в некоторой структуре данных или вычисленную в пространстве поиска проблемной области, либо с дискретными, либо с непрерывными значениями[48 - Search algorithm [Электронный ресурс] https://www.wikidata.org URL: https://www.wikidata.org/wiki/Q755673 (дата обращения: 27.03.2023)].
Алгоритм пчелиной колонии (алгоритм оптимизации подражанием пчелиной колонии, artificial bee colony optimization, ABC) (Bees algorithm) – это один из полиномиальных эвристических алгоритмов для решения оптимизационных задач в области информатики и исследования операций. Относится к категории стохастических биоинспирированных алгоритмов, базируется на имитации поведения колонии медоносных пчел при сборе нектара в природе[49 - Bees algorithm [Электронный ресурс] https://en.wikipedia.org URL: https://en.wikipedia.org/wiki/Bees_algorithm#cite_note-Pham_&_al,_2005-1 (дата обращения: 27.03.2023)].
Алгоритмическая оценка (Algorithmic Assessment) – это техническая оценка, которая помогает выявлять и устранять потенциальные риски и непредвиденные последствия использования систем искусственного интеллекта, чтобы вызвать доверие и создать поддерживающие системы вокруг принятия решений ИИ[50 - Algorithmic Assessment [Электронный ресурс] https://www.accenture.com URL: https://www.accenture.com/nz-en/services/applied-intelligence/ai-ethics-governance (дата обращения: 27.03.2023)].
Алгоритмическая предвзятость (Biased algorithm) – это систематические и повторяющиеся ошибки в компьютерной системе, которые приводят к несправедливым результатам, например, привилегия одной произвольной группы пользователей над другими[51 - Biased algorithm [Электронный ресурс] https://en.wikipedia.org URL: https://en.wikipedia.org/wiki/Algorithmic_bias (дата обращения: 27.03.2023)],[52 - Алгоритмическая предвзятость [Электронный ресурс] https://ru.wikibrief.org URL: https://ru.wikibrief.org/wiki/Algorithmic_bias (дата обращения: 27.03.2023)].
Алгоритмы машинного обучения (Machine learning algorithms) – это фрагменты кода, которые помогают пользователям исследовать и анализировать сложные наборы данных и находить в них смысл или закономерность. Каждый алгоритм – это конечный набор однозначных пошаговых инструкций, которые компьютер может выполнять для достижения определенной цели. В модели машинного обучения цель заключается в том, чтобы установить или обнаружить закономерности, с помощью которых пользователи могут создавать прогнозы либо классифицировать информацию. В алгоритмах машинного обучения используются параметры, основанные на учебных данных (подмножество данных, представляющее более широкий набор). При расширении учебных данных для более реалистичного представления мира с помощью алгоритма вычисляются более точные результаты. В различных алгоритмах применяются разные способы анализа данных. Они часто группируются по методам машинного обучения, в рамках которых используются: контролируемое обучение, неконтролируемое обучение и обучение с подкреплением. В наиболее популярных алгоритмах для прогнозирования целевых категорий, поиска необычных точек данных, прогнозирования значений и обнаружения сходства используются регрессия и классификация[53 - Алгоритмы машинного обучения [Электронный ресурс] https://azure.microsoft.com URL: https://azure.microsoft.com/ru-ru/overview/machine-learning-algorithms/#overview (дата обращения: 07.07.2022)].
Анализ алгоритмов (Analysis of algorithms) – это область на границе компьютерных наук и математики. Цель его состоит в том, чтобы получить точное представление об асимптотических характеристиках алгоритмов и структур данных в усредненном виде. Объединяющей темой является использование вероятностных, комбинаторных и аналитических методов. Объектами изучения являются случайные ветвящиеся процессы, графы, перестановки, деревья и строки[54 - Analysis of algorithms (AofA) [Электронный ресурс] https://aofa.cs.purdue.edu URL: https://aofa.cs.purdue.edu/#:~:text=Analysis%20of%20Algorithms%20(AofA)%20is,%2C%20combinatorial%2C%20and%20analytic%20methods (дата обращения: 18.02.2022)].
Анализ временных рядов (Time series analysis) – это раздел машинного обучения и статистики, который анализирует временные данные. Многие типы задач машинного обучения требуют анализа временных рядов, включая классификацию, кластеризацию, прогнозирование и обнаружение аномалий. Например, вы можете использовать анализ временных рядов, чтобы спрогнозировать будущие продажи зимних пальто по месяцам на основе исторических данных о продажах[55 - Time series analysis [Электронный ресурс] https://developers.google.com URL: https://developers.google.com/machine-learning/glossary/clustering#time-series-analysis (дата обращения: 27.03.2023)],[56 - Time series analysis [Электронный ресурс] https://www.primeclasses.in URL: https://www.primeclasses.in/glossary/data-science-course/machine-learning/time-series-analysis (дата обращения: 27.03.2023)].
Анализ данных (Data analysis) – это область математики и информатики, занимающаяся построением и исследованием наиболее общих математических методов и вычислительных алгоритмов извлечения знаний из экспериментальных (в широком смысле) данных; процесс исследования, фильтрации, преобразования и моделирования данных с целью извлечения полезной информации и принятия решений. Анализ данных имеет множество аспектов и подходов, охватывает разные методы в различных областях науки и деятельности[57 - Data analysis [Электронный ресурс] https://dic.academic.ru URL: https://dic.academic.ru/dic.nsf/ruwiki/1727524 (дата обращения: 16.02.2022)].
Анализ настроений (Sentiment analysis) – это использование статистических алгоритмов или алгоритмов машинного обучения для определения общего отношения группы – положительного или отрицательного – к услуге, продукту, организации или теме. Например, используя понимание естественного языка, алгоритм может выполнять анализ настроений по текстовой обратной связи по университетскому курсу, чтобы определить степень, в которой студентам в целом понравился или не понравился учебный курс[58 - Sentiment analysis [Электронный ресурс] https://developers.google.com URL: https://developers.google.com/machine-learning/glossary/language#sentiment-analysis (дата обращения: 16.02.2022)].
Анализ основных компонентов (PCA) (Principal component analysis (PCA)) – это построение новых функций, которые являются основными компонентами набора данных. Главные компоненты представляют собой случайные величины максимальной дисперсии, построенные из линейных комбинаций входных признаков. Эквивалентно, они являются проекциями на оси главных компонентов, которые представляют собой линии, минимизирующие среднеквадратичное расстояние до каждой точки в наборе данных. Чтобы обеспечить уникальность, все оси главных компонентов должны быть ортогональны. PCA – это метод максимального правдоподобия для линейной регрессии при наличии гауссовского шума как на входе, так и на выходе. В некоторых случаях PCA соответствует преобразованию Фурье, например DCT, используемому при сжатии изображений JPEG[59 - Principal component analysis (PCA) [Электронный ресурс] http://alumni.media.mit.edu URL: http://alumni.media.mit.edu/~tpminka/statlearn/glossary/glossary.html (дата обращения: 27.03.2023)].
Аналитика принятия решений (Decision intelligence) – это практическая дисциплина, используемая для улучшения процесса принятия решений путем четкого понимания и программной разработки того, как принимаются решения, и как итоговые результаты оцениваются, управляются и улучшаются с помощью обратной связи[60 - Decision intelligence [Электронный ресурс] https://www.simplilearn.com URL: https://www.simplilearn.com/decision-intelligence-article (дата обращения: 27.03.2023)].
Аналитика данных(Data analytics) – это наука об анализе необработанных данных, чтобы делать выводы об этой информации. Многие методы и процессы анализа данных были автоматизированы в механические процессы и алгоритмы, которые работают с необработанными данными для потребления человеком[61 - Data analytics [Электронный ресурс] www.investopedia.com (дата обращения: 07.07.2022) URL: https://www.investopedia.com/terms/d/data-analytics.asp].
Аннотация (Annotation) – это специальный модификатор, используемый в объявлении класса, метода, параметра, переменной, конструктора и пакета, а также инструмент, выбранный стандартом JSR-175 для описания метаданных[62 - Annotation [Электронный ресурс] https://appen.com URL: https://appen.com/ai-glossary/ (дата обращения 05.04.2020)].
Аннотация объекта (Entity annotation) – это процесс маркировки неструктурированных предложений такой информацией, чтобы машина могла их прочитать. Это может включать, например, маркировку всех людей, организаций и местоположений в документе[63 - Entity annotation [Электронный ресурс] https://bigdataanalyticsnews.com URL: https://bigdataanalyticsnews.com/artificial-intelligence-glossary/ (дата обращения: 27.03.2023)].
Анонимизация (Anonymization) – это процесс удаления данных (из документов, баз данных и т.д.) с целью сокрытия источника информации, действующего лица и т. д. Например: анонимизация выписки из стационара процесс удаления данных с целью предотвращения идентификации личности пациента[64 - Анонимизация [Электронный ресурс] https://ru.wikipedia.org URL: https://ru.wikipedia.org/wiki/Анонимизация (дата обращения: 27.03.2023)].
Ансамбль (Ensemble) – это слияние прогнозов нескольких моделей. Можно создать ансамбль с помощью одного или нескольких из следующих способов: различные инициализации; различные гиперпараметры; другая общая структура. Глубокие и широкие модели представляют собой своеобразный ансамбль[65 - Ensemble [Электронный ресурс] https://www.primeclasses.in URL: https://www.primeclasses.in/glossary/data-science-course/machine-learning/ensemble (дата обращения: 27.03.2023)].
Антивирусное программное обеспечение (Antivirus software) – это программа или набор программ, предназначенных для предотвращения, поиска, обнаружения и удаления программных вирусов и других вредоносных программ, таких как черви, трояны, рекламное ПО и т.д.[66 - Antivirus software [Электронный ресурс] www.webroot.com (дата обращения: 07.07.2022) URL: https://www.webroot.com/ca/en/resources/tips-articles/what-is-anti-virus-software].
АПИ-как-услуга (API-AS-a-service) – это подход, который сочетает в себе экономию API и аренду программного обеспечения и предоставляет интерфейсы прикладного программирования как услугу[67 - API-AS-a-service [Электронный ресурс] www.sofokus.com (дата обращения: 07.07.2022) URL: https://www.sofokus.com/glossary-of-digital-business/#ABCD].
АПИнабора данных (Dataset API) – это высокоуровневый API TensorFlow для чтения данных и преобразования их в форму, требуемую алгоритмом машинного обучения. Объект tf. data. Dataset представляет собой последовательность элементов, в которой каждый элемент содержит один или несколько тензоров. Объект tf.data.Iterator обеспечивает доступ к элементам набора данных[68 - Dataset API (tf. data) [Электронный ресурс] https://developers.google.com URL: https://developers.google.com/machine-learning/glossary/tensorflow#dataset-api-tf.data (дата обращения: 27.03.2023)].
Аппаратное обеспечение (Hardware) – это система взаимосвязанных технических устройств, предназначенных для ввода (вывода), обработки и хранения данных[69 - Аппаратное обеспечение [Электронный ресурс] https://cdto.wiki URL: https://cdto.wiki/Аппаратное_обеспечение (дата обращения: 27.03.2023)].
Аппаратное обеспечение ИИ (AI hardware, AI-enabled hardware, AI hardware platform) – это аппаратное обеспечение ИИ, аппаратные средства ИИ, аппаратная часть инфраструктуры или системы искусственного интеллекта, ИИ-инфраструктуры.
Аппаратное ускорение (Hardware acceleration) – это применение аппаратного обеспечения для выполнения некоторых функций быстрее по сравнению с выполнением программ процессором общего назначения[70 - Аппаратное ускорение [Электронный ресурс] https://ru.wikipedia.org URL: https://ru.wikipedia.org/wiki/Аппаратное_ускорение (дата обращения: 27.03.2023)].
Аппаратно-программный комплекс (Hardware-software complex) – это набор технических и программных средств, работающих совместно для выполнения одной или нескольких сходных задач[71 - Аппаратно-программный комплекс [Электронный ресурс] https://ru.wikipedia.org URL: https://ru.wikipedia.org/wiki/ (дата обращения: 27.03.2023)].
Аппаратный акселератор (Hardware accelerator) – это устройство, выполняющее некоторый ограниченный набор функций для повышения производительности всей системы или отдельной её подсистемы. Например, purpose-built hardware accelerator – специализированный аппаратный ускоритель[72 - Аппаратный акселератор [Электронный ресурс] https://www.computer-museum.ru URL: https://www.computer-museum.ru/dictionary/term/4783/ (дата обращения: 27.03.2023)].
Аппаратный Сервер (аппаратное обеспечение) (Hardware Server) – это выделенный или специализированный компьютер для выполнения сервисного программного обеспечения (в том числе серверов тех или иных задач) без непосредственного участия человека. Одновременное использование как высокопроизводительных процессоров, так и FPGA позволяет обрабатывать сложные гибридные приложения[73 - Аппаратный Сервер [Электронный ресурс] https://ru.wikipedia.org URL: https://ru.wikipedia.org/wiki/Сервер_(аппаратное_обеспечение) (дата обращения: 27.03.2023)].
Априорное (Prior) – это распределение вероятностей, которое будет представлять ранее существовавшие убеждения о конкретной величине до того, как будут рассмотрены новые данные[74 - Prior [Электронный ресурс] https://en.wikipedia.org URL: https://en.wikipedia.org/wiki/Prior_probability (дата обращения: 27.03.2023)].
Артефакт (Artifact) – это один из многих видов материальных побочных продуктов, производимых в процессе разработки программного обеспечения. Некоторые артефакты (например, варианты использования, диаграммы классов и другие модели унифицированного языка моделирования (UML), требования и проектные документы) помогают описать функции, архитектуру и дизайн программного обеспечения. Другие артефакты связаны с самим процессом разработки, например, планы проектов, бизнес-кейсы и оценки рисков[75 - Artifact [Электронный ресурс] https://en.wikipedia.org https://en.wikipedia.org/wiki/Artifact_(software_development) (дата обращения: 07.07.2022)].
Архивное хранилище (Archival Storage) – это источник данных, которые не нужны для повседневных операций организации, но к которым может потребоваться доступ время от времени. Используя архивное хранилище, организации могут использовать вторичные источники, сохраняя при этом защиту данных. Использование источников архивного хранения снижает необходимые затраты на первичное хранение и позволяет организации поддерживать данные, которые могут потребоваться для соблюдения нормативных или других требований[76 - Archival Storage [Электронный ресурс] www.komprise.com (дата обращения: 07.07.2022) URL: https://www.komprise.com/glossary_terms/archival-storage/].
Архивный пакет информации (AIC) (Archival Information Collection (AIC)) – это информация, содержание которой представляет собой агрегацию других пакетов архивной информации. Функция цифрового сохранения сохраняет способность регенерировать провалы (пакеты информации) по мере необходимости с течением времени[77 - Archival Information Collection (AIC) [Электронный ресурс] www.umich.edu URL: https://www.icpsr.umich.edu/web/ICPSR/cms/2042#A (дата обращения: 07.07.2022)].
Архитектура агента (Agent architecture) – это план программных агентов и интеллектуальных систем управления, изображающий расположение компонентов. Архитектуры, реализованные интеллектуальными агентами, называются когнитивными архитектурами[78 - Agent architecture [Электронный ресурс] https://dic.academic URL: https://en-academic.com/dic.nsf/enwiki/2205509 (дата обращения 28.02.2022)].
Архитектура вычислительной машины (Architecture of a computer) – это концептуальная структура вычислительной машины, определяющая проведение обработки информации и включающая методы преобразования информации в данные и принципы взаимодействия технических средств и программного обеспечения[79 - Архитектура вычислительной машины [Электронный ресурс] https://ru.wikipedia.org URL: https://ru.wikipedia.org/wiki/Архитектура_(значения) (дата обращения: 28.03.2023)].
Архитектура вычислительной системы(Architecture of a computing system) – это конфигурация, состав и принципы взаимодействия (включая обмен данными) элементов вычислительной системы[80 - Архитектура вычислительной системы [Электронный ресурс] https://cdto.wiki URL: https://cdto.wiki/Архитектура_вычислительной_системы (дата обращения: 28.03.2023)].
Архитектура механизма обработки матриц (MPE)(Matrix Processing Engine Architecture) – это многомерный массив обработки физических матриц цифровых устройств с умножением (MAC), который вычисляет серию матричных операций сверточной нейронной сети[81 - Matrix Processing Engine Architecture (MPE) [Электронный ресурс] https://en.wikipedia.org URL: https://en.wikipedia.org/wiki/Systems_architecture#cite_note-5 (дата обращения: 28.03.2023)],[82 - Matrix Processing Engine Architecture (MPE) [Электронный ресурс] https://www.gyrfalcontech.ai URL: https://www.gyrfalcontech.ai/mpe-architecture/ page 9 (дата обращения: 28.03.2023)].
Архитектура системы (Architecture of a system) – это принципиальная организация системы, воплощенная в её элементах, их взаимоотношениях друг с другом и со средой, а также принципы, направляющие её проектирование и эволюцию[83 - Architecture of a system [Электронный ресурс] http://cabibbo.dia URL: http://cabibbo.dia.uniroma3.it/ids/altrui/ieee1471.pdf (дата обращения: 28.03.2023)].
Архитектура фон Неймана (Von Neumann architecture) – это широко известный принцип совместного хранения команд и данных в памяти компьютера. Вычислительные машины такого рода часто обозначают термином «машина фон Неймана», однако соответствие этих понятий не всегда однозначно. В общем случае, когда говорят об архитектуре фон Неймана, подразумевают принцип хранения данных и инструкций в одной памяти[84 - Архитектура фон Неймана [Электронный ресурс] https://en.wikipedia.org URL: https://en.wikipedia.org/wiki/Von_Neumann_architecture (дата обращения: 07.07.2022)].
Архитектурная группа описаний (Architectural description group, Architectural view) – это представление системы в целом с точки зрения связанного набора интересов[85 - Архитектурная группа описаний [Электронный ресурс] https://ru.wikipedia.org URL: https://ru.wikipedia.org/wiki/Архитектура_системы (дата обращения: 28.03.2023)],[86 - Архитектурная группа описаний [Электронный ресурс] https://habr.com URL: https://habr.com/ru/post/347204/ (дата обращения: 28.03.2023)].
Архитектурный фреймворк (Architectural frameworks) – это высокоуровневые описания организации как системы; они охватывают структуру его основных компонентов на разных уровнях, взаимосвязи между этими компонентами и принципы, определяющие их эволюцию[87 - Architectural frameworks [Электронный ресурс] https://implementationscience.biomedcentral.com URL: https://implementationscience.biomedcentral.com /articles/10.1186/s13012-017-0607-7#:~:text=Architectural%20frameworks %20are%20high%2Dlevel, principles %20that%20guide%20their%20evolution (дата обращения: 07.07.2022)].
Асимптотическая вычислительная сложность (Asymptotic computational complexity) – это использование асимптотического анализа для оценки вычислительной сложности алгоритмов и вычислительных задач, обычно связанных с использованием большой нотации O. Асимптотическая сложность является ключом к сравнению алгоритмов. Асимптотическая сложность раскрывает более глубокие математические истины об алгоритмах, которые не зависят от аппаратного обеспечения[88 - Asymptotic computational complexity [Электронный ресурс] https://dic.academic.ru URL: https://dic.academic.ru/dic.nsf/eng_rus/429332/asymptotic (дата обращения: 27.01.2022)].
Асинхронные межкристальные протоколы (Asynchronous inter-chip protocols) – это протоколы для обмена данных в низкоскоростных устройствах; для управления обменом данными используются не кадры, а отдельные символы[89 - Асинхронные межкристальные протоколы [Электронный ресурс] https://studopedia.ru URL: https://studopedia.ru/3_184365_asinhronnie-i-sinhronnie-protokoli.html (дата обращения: 28.03.2023)].
Ассоциация (Association) – это еще один тип метода обучения без учителя, который использует разные правила для поиска взаимосвязей между переменными в заданном наборе данных. Эти методы часто используются для анализа потребительской корзины и механизмов рекомендаций, подобно рекомендациям «Клиенты, которые купили этот товар, также купили»[90 - Association [Электронный ресурс] https://www.ibm.com URL: https://www.ibm.com/cloud/blog/supervised-vs-unsupervised-learning (дата обращения: 28.03.2023)].
Ассоциация по развитию искусственного интеллекта (Association for the Advancement of Artificial Intelligence) – это международное научное сообщество, занимающееся продвижением исследований и ответственным использованием искусственного интеллекта. AAAI также стремится повысить общественное понимание искусственного интеллекта (ИИ), улучшить обучение и подготовку специалистов, занимающихся ИИ, и предоставить рекомендации для планировщиков исследований и спонсоров относительно важности и потенциала текущих разработок ИИ и будущих направлений[91 - Association for the Advancement of Artificial Intelligence (AAAI) [Электронный ресурс] https://en.wikipedia.org URL: https://en.wikipedia.org/wiki/Association_for_the_Advancement_of_Artificial_Intelligence#cite_note-1 (дата обращения: 28.03.2023)][92 - Association for the Advancement of Artificial Intelligence (AAAI) [Электронный ресурс] https://en.wikipedia.org URL: https://en.wikipedia.org/wiki/Association_ for_the_Advancement_of_Artificial_Intelligence#cite_note-1 (дата обращения: 28.03.2023)].
Атрибутивное исчисление (Attributional calculus) – это типизированная логическая система, сочетающая элементы логики высказываний, исчисления предикатов и многозначной логики с целью естественной индукции. Под естественной индукцией понимается форма индуктивного обучения, которая генерирует гипотезы в формах, ориентированных на человека, то есть в формах, которые кажутся людям естественными, их легко понять и соотнести с человеческим знанием. Для достижения этой цели AИ включает нетрадиционные логические операции и формы, которые могут сделать логические выражения более простыми и более тесно связанными с эквивалентными описаниями на естественном языке[93 - Attributional calculus Ryszard S. Michalski (2004), ATTRIBUTIONAL CALCULUS: A LOGIC AND REPRESENTATION LANGUAGE FOR NATURAL INDUCTION. Machine Learning and Inference Laboratory, George Mason University, Fairfax, VA 22030—4444 and Institute of Computer Science, Polish Academy of Sciences, Warsaw.].
Аффективные вычисления (также искусственный эмоциональный интеллект или эмоциональный ИИ) (Affective computing) – это вычисления, в которых системы и устройства могут распознавать, интерпретировать, обрабатывать и имитировать человеческие аффекты. Это междисциплинарная область, охватывающая информатику, психологию и когнитивную науку[94 - Affective computing [Электронный ресурс] //OpenMind URL: https://www.bbvaopenmind.com/en/technology/digital-world/what-is-affective-computing/ (дата обращения 14.02.2022)].
«Б»
База данных (Database) – это упорядоченный набор структурированной информации или данных, которые обычно хранятся в электронном виде в компьютерной системе. База данных обычно управляется системой управления базами данных (СУБД). Данные вместе с СУБД, а также приложения, которые с ними связаны, называются системой баз данных, или, для краткости, просто базой данных[95 - Database [Электронный ресурс] https://www.coe.int URL: https://www.coe.int/en/web/artificial-intelligence/glossary (дата обращения: 28.03.2023)].
База Данных ImageNet (ImageNet) – это большая визуальная база данных, предназначенная для использования в исследованиях программного обеспечения для распознавания визуальных объектов. Более 14 миллионов изображений были вручную аннотированы в рамках проекта, чтобы указать, какие объекты изображены, и, по крайней мере, в одном миллионе изображений также предусмотрены ограничивающие рамки. ImageNet содержит более 20 000 категорий, среди которых типичная категория, такая как «воздушный шар» или «клубника», состоит из нескольких сотен изображений. База данных аннотаций URL-адресов сторонних изображений находится в свободном доступе непосредственно из ImageNet, хотя фактические изображения не принадлежат ImageNet. С 2010 года в рамках проекта ImageNet проводится ежегодный конкурс программного обеспечения ImageNet Large Scale Visual Recognition Challenge (ILSVRC), в котором программы соревнуются за правильную классификацию и обнаружение объектов и сцен. В задаче используется «усеченный» список из тысячи неперекрывающихся классов[96 - База Данных ImageNet [Электронный ресурс] www.wikiwand.com/en URL: https://www.wikiwand.com/en/IEEE_Computational_Intelligence_Society (дата обращения: 07.07.2022)].
База данныхMNIST (MNIST) – это база данных образцов рукописного написания цифр от 0 до 9, содержит 60 000 образцов наборов данных для обучения и тестовый набор из 10 000 образцов. Цифры были нормализованы по размеру и расположены в центре изображения фиксированного размера. Каждое изображение хранится в виде массива целых чисел 28x28, где каждое целое число представляет собой значение в оттенках серого от 0 до 255 включительно. MNIST – это канонический набор данных для машинного обучения, часто используемый для тестирования новых подходов к машинному обучению. Это часть большой базы данных рукописных форм и символов, опубликованной Национальным институтом стандартов и технологий США (NIST)[97 - MNIST [Электронный ресурс] https://www.primeclasses.in URL: https://www.primeclasses.in/glossary/data-science-course/machine-learning/mnist (дата обращения: 28.03.2023)].
Базовый уровень (Baseline) – это модель, используемая в качестве контрольной точки для сравнения того, насколько хорошо работает другая модель (как правило, более сложная). Например, модель логистической регрессии может служить базовым уровнем для глубокой модели. Для конкретной проблемы базовый уровень помогает разработчикам моделей количественно определить минимальную ожидаемую производительность, которую новая модель должна обеспечить, чтобы быть полезной[98 - Baseline [Электронный ресурс] https://developers.google.com URL: https://developers.google.com/machine-learning/glossary#baseline (дата обращения: 28.03.2023)].
Байесовская оптимизация (Bayesian optimization) – это метод вероятностной регрессионной модели для оптимизации ресурсоемких целевых функций путем оптимизации суррогата с помощью байесовского метода обучения. Поскольку байесовская оптимизация сама по себе очень дорогая, ее обычно используют для оптимизации дорогостоящих задач с небольшим количеством параметров, таких как выбор гиперпараметров[99 - Bayesian optimization [Электронный ресурс] https://developers.google.com URL: https://developers.google.com/machine-learning/glossary#bayesian-optimization (дата обращения: 28.03.2023)].
Байесовская сеть (или Байесова сеть, Байесовская сеть доверия) (Bayesian Network) – это графическая вероятностная модель, представляющая собой множество переменных и их вероятностных зависимостей. Например, байесовская сеть может быть использована для вычисления вероятности того, чем болен пациент по наличию или отсутствию ряда симптомов, основываясь на данных о зависимости между симптомами и болезнями[100 - Bayesian Network [Электронный ресурс] https://dic.academic.ru URL: https://dic.academic.ru/dic.nsf/ruwiki/1738444 (дата обращения: 31.01.2022)].
Байесовский классификатор в машинном обучении (Bayesian classifier in machine learning) – это семейство простых вероятностных классификаторов, основанных на использовании теоремы Байеса и «наивном» предположении о независимости признаков классифицируемых объектов. Анализ на основе байесовской классификации активно изучался и использовался начиная с 1950-х годов в области классификации документов, где в качестве признаков использовались частоты слов. Алгоритм является масштабируемым по числу признаков, а по точности сопоставим с другими популярными методами, такими как машины опорных векторов. Как и любой классификатор, байесовский присваивает метки классов наблюдениям, представленным векторами признаков. При этом предполагается, что каждый признак независимо влияет на вероятность принадлежности наблюдения к классу. Например, объект можно считать яблоком, если он имеет округлую форму, красный цвет и диаметр около 10 см. Наивный байесовский классификатор «считает», что каждый из этих признаков независимо влияет на вероятность того, что этот объект является яблоком, независимо от любых возможных корреляций между характеристиками цвета, формы и размера. Простой байесовский классификатор строится на основе обучения с учителем. Несмотря на мало реалистичное предположение о независимости признаков, простые байесовские классификаторы хорошо зарекомендовали себя при решении многих практических задач. Дополнительным преимуществом метода является небольшое число примеров, необходимых для обучения[101 - Байесовский классификатор в машинном обучении [Электронный ресурс] https://wiki.loginom.ru URL: https://wiki.loginom.ru/articles/bayesian_classifier.html (дата обращения: 07.07.2022)].
Байесовское программирование (Bayesian programming) — это формальная система и методология определения вероятностных моделей и решения задач, когда не вся необходимая информация является доступной[102 - Bayesian programming [Электронный ресурс] https://en.wikipedia.org URL: https://en.wikipedia.org/wiki/Bayesian_programming (дата обращения: 28.03.2023)],[103 - Байесовское программирование [Электронный ресурс] https://ru.wikipedia.org URL: https://ru.wikipedia.org/wiki/Байесовское_программирование (дата обращения: 28.03.2023)].
Башня (Tower) – это компонент глубокой нейронной сети, которая сама по себе является глубокой нейронной сетью без выходного слоя. Как правило, каждая башня считывает данные из независимого источника. Башни независимы до тех пор, пока их выходные данные не будут объединены в последнем слое[104 - Tower [Электронный ресурс] https://developers.google.com URL: https://developers.google.com/machine-learning/glossary#tower (дата обращения: 28.03.2023)].
Байт(Byte) – это восемь битов. Байт – это просто кусок из 8 единиц и нулей. Например: 01000001 – это байт. Компьютер часто работает с группами битов, а не с отдельными битами, и наименьшая группа битов, с которой обычно работает компьютер, – это байт. Байт равен одному столбцу в файле, записанном в символьном формате[105 - Byte [Электронный ресурс] www.umich.edu (дата обращения: 07.07.2022) URL: https://www.icpsr.umich.edu/web/ICPSR/cms/2042#B].
Безопасность критической информационной инфраструктуры (Security of a critical information infrastructure) – это состояние защищенности критической информационной инфраструктуры, обеспечивающее ее устойчивое функционирование при проведении в отношении ее компьютерных атак[106 - Безопасность критической информационной инфраструктуры [Электронный ресурс] http://www.kremlin.ru URL: http://www.kremlin.ru/acts/bank/42128 (дата обращения: 28.03.2023)].
Безопасность приложений(Application security) – это процесс повышения безопасности приложений путем поиска, исправления и повышения безопасности приложений. Многое из этого происходит на этапе разработки, но включает инструменты и методы для защиты приложений после их развертывания. Это становится все более важным, поскольку хакеры все чаще атакуют приложения[107 - Application security [Электронный ресурс] www.csoonline.com URL: https://www.csoonline.com/article/3315700/what-is-application-security-a-process-and-tools-for-securing-software.html (дата обращения: 07.07.2022)].
Бенчмарк (Benchmark) (также benchmark program, benchmarking program, benchmark test) – это тестовая программа или пакет для оценки (измерения и/или сравнения) различных аспектов производительности процессора, отдельных устройств, компьютера, системы или конкретного приложения, программного обеспечения; эталон, который позволяет сравнивать продукты разных производителей друг с другом или с некоторым стандартом. Например, онлайн-бенчмарк – онлайн-бенчмарк; стандартный бенчмарк – стандартный бенчмарк; сравнение времени бенчмарка – сравнение времени выполнения бенчмарка[108 - Benchmark [Электронный ресурс] https://medium.com URL: https://medium.com/@tauheedul/it-hardware-benchmarks-for-machine-learning-and-artificial-intelligence-6183ceed39b8 (дата обращения 11.03.2022)].
Бенчмаркинг(Benchmarking) – это набор методик, которые позволяют изучить опыт конкурентов и внедрить лучшие практики в своей компании[109 - Бенчмаркинг [Электронный ресурс] https://trends.rbc.ru URL: https://trends.rbc.ru/trends/education/61540f1e9a7947ed382de149 (дата обращения: 28.03.2023)].
Беспроводная сеть(Wireless network) – это компьютерная сеть, в которой используются беспроводные соединения для передачи данных между сетевыми узлами. Беспроводная сеть – это метод, с помощью которого дома, телекоммуникационные сети и бизнес-установки избегают дорогостоящего процесса ввода кабелей в здание или в качестве соединения между различными местоположениями оборудования. Административные телекоммуникационные сети обычно реализуются и администрируются с использованием радиосвязи. Эта реализация происходит на физическом уровне (слое) сетевой структуры модели OSI[110 - Wireless network [Электронный ресурс] https://en.wikipedia.org (дата обращения: 07.07.2022) URL: https://en.wikipedia.org/wiki/Wireless_network].
Беспроводная широкополосная связь(WiBBWireless broadband) – это телекоммуникационная технология, которая обеспечивает высокоскоростной беспроводной доступ в Интернет или доступ к компьютерным сетям на большой территории. Этот термин включает как фиксированную, так и мобильную широкополосную связь[111 - WiBB Wireless broadband [Электронный ресурс] https://en.wikipedia.org URL: https://en.wikipedia.org/wiki/Wireless_broadband (дата обращения: 07.07.2022)].
БЕТАверсия(BETA) – это термин, который относится к этапу разработки онлайн-сервиса, на котором сервис объединяется с точки зрения функциональности, но требуется подлинный пользовательский опыт, прежде чем сервис можно будет завершить ориентированным на пользователя способом. При разработке онлайн-сервиса цель бета-фазы состоит в том, чтобы распознать как проблемы программирования, так и процедуры, повышающие удобство использования. Бета-фаза особенно часто используется в связи с онлайн-сервисами и, может быть, либо бесплатной (открытая бета-версия), либо ограниченной для определенной целевой группы (закрытая бета-версия)[112 - BETA [Электронный ресурс] www.sofokus.com URL: https://www.sofokus.com/glossary-of-digital-business/#ABCD (дата обращения: 07.07.2022)].
Библиотека Keras (The Keras Library) – это библиотека Python, используемая для глубокого обучения и создания искусственных нейронных сетей. Выпущенный в 2015 году, Keras предназначен для быстрого экспериментирования с глубокими нейронными сетями. Keras предлагает несколько инструментов, которые упрощают работу с изображениями и текстовыми данными. Помимо стандартных нейронных сетей, Keras также поддерживает сверточные и рекуррентные нейронные сети. В качестве бэкэнда Keras обычно использует TensorFlow, Microsoft Cognitive toolkit или Theano. Он удобен для пользователя и требует минимального кода для выполнения функций и команд. Keras имеет модульную структуру и имеет несколько методов предварительной обработки данных. Keras также предлагает методы. evaluate () и predict_classes () для тестирования и оценки моделей. Github и Slack организуют форумы сообщества для Keras[113 - The Keras Library [Электронный ресурс] https://datawider.com URL: https://datawider.com/top-10-python-libraries/#_ftn2 (дата обращения: 28.03.2023)].
Библиотека Matplotlib (Matplotlib) – это комплексная, популярная библиотека Python с открытым исходным кодом для создания визуализаций «качества публикации». Визуализации могут быть статическими, анимированными или интерактивными. Он был эмулирован из MATLAB и, таким образом, содержит глобальные стили, очень похожие на MATLAB, включая иерархию объектов[114 - Matplotlib [Электронный ресурс] https://books.google.ru URL: https://books.google.ru/books?id=-w2DEAAAQBAJ&pg=PT391&lpg=PT391&dq=It +has+been+emulated+from+MATLAB+and+thus +contains+global+styles+very+similar+to+MATLAB, +including+the+object+hierarchy&source=bl&ots=ruX5Ow1E-j&sig=ACfU3U1FqV3-RtxTevhXaIQNPRheAJbv8A&hl= ru&sa=X&ved=2ahUKEwjzycGevP79AhXSy4sKHdq3 Dsc4ChDoAXoECBYQAw#v=onepage&q=It%20has %20been%20emulated%20from%20MATLAB %20and%20thus%20contains%20global%20styles %20very%20similar%20to%20MATLAB%2C %20including%20the%20object%20hierarchy&f=false (дата обращения: 28.03.2023)].
Библиотека Numpy (Numpy) – это библиотека Python, представленная в 2006 году для поддержки многомерных массивов и матриц. Библиотека также позволяет программистам выполнять высокоуровневые математические вычисления с массивами и матрицами. Можно сказать, что это объединение своих предшественников – The Numeric и Numarray. NumPy является неотъемлемой частью Python и по существу предоставляет программе математические функции типа MATLAB. По сравнению с обычными списками Python, он занимает меньше памяти, удобен в использовании и имеет более быструю обработку. При интеграции с другими библиотеками, такими как SciPy и / или Matplotlib, его можно эффективно использовать для целей анализа данных и анализа данных[115 - Библиотека Numpy [Электронный ресурс] https://datawider.com URL: https://datawider.com/top-10-python-libraries/#_ftn1 (дата обращения: 07.07.2022)].
Библиотека PyTorch & Torch (PyTorch (Torch Library) – это библиотека машинного обучения, которая в основном используется для приложений обработки естественного языка и компьютерного зрения. Разработанная исследовательской лабораторией искусственного интеллекта и выпущенная в сентябре 2016 года, это библиотека с открытым исходным кодом, основанная на библиотеке Torch для научных вычислений и машинного обучения. PyTorch предоставляет операции с объектом n-мерного массива, аналогичные NumPy, однако, кроме того, он предлагает более быстрые вычисления за счет интеграции с графическим процессором. PyTorch автоматически различает построение и обучение нейронных сетей. PyTorch – это внесла свой вклад в разработку нескольких программ глубокого обучения – Tesla Autopilot, Uber’s Pyro, PyTorch Lighten и т.д.[116 - PyTorch (Torch Library) [Электронный ресурс] https://datawider.com URL: https://datawider.com/top-10-python-libraries/#_ftn3 (дата обращения: 28.03.2023)].
Библиотека Scikit-learn (Scikit-learn Library) – это простая в освоении библиотека Python с открытым исходным кодом для машинного обучения, построенная на NumPy, SciPy и matplotlib. Его можно использовать для классификации данных, регрессии, кластеризации, уменьшения размерности, выбора модели и предварительной обработки[117 - Scikit-learn Library [Электронный ресурс] https://datawider.com URL: https://datawider.com/top-10-python-libraries/#_ftn10 (дата обращения: 28.03.2023)].
Библиотека SciPy (SciPy Library) – это библиотека Python с открытым исходным кодом для выполнения научных и технических вычислений на Python. Она была разработана открытым сообществом разработчиков, которое также поддерживает его поддержку и спонсирует разработки. SciPy предлагает несколько пакетов алгоритмов и функций, которые поддерживают научные вычисления: константы, кластер, fft, fftpack, интегрировать и т. д. SciPy по сути является частью стека NumPy и использует многомерные массивы в качестве структур данных, предоставляемых модулем NumPy. Первоначально выпущенный в 2001 году, она распространялась по лицензии BSD с репозиторием на GitHub[118 - SciPy Library [Электронный ресурс] https://datawider.com URL: https://datawider.com/top-10-python-libraries/#_ftn6 (дата обращения: 28.03.2023)].
Библиотека Seaborn (Seaborn) – это библиотека визуализации данных Python для построения «привлекательных и информативных» статистических графиков. Seaborn основан на Matplotlib. Он включает в себя множество визуализаций на выбор, включая временные ряды и совместные графики.
Библиотека Theano (Theano) – это библиотека Python, используемая для компиляции, определения, оптимизации и оценки математических выражений, содержащих многомерные массивы. Она была разработана Монреальским институтом алгоритмов обучения (MILA) при Монреальском университете и выпущена в 2007 году. Это библиотека с открытым исходным кодом под лицензией BSD. Библиотека построена поверх NumPy и имеет аналогичный интерфейс. Наряду с процессором он позволяет использовать графический процессор для ускорения вычислений. Theano вносит значительный вклад в крупномасштабные научные вычисления и связанные с ними исследования и поддерживается специальной группой из 13 разработчиков[119 - Theano [Электронный ресурс] https://datawider.com URL: https://datawider.com/top-10-python-libraries/#_ftn7 (дата обращения: 28.03.2023)].
Биграмм (Bigram) – N-грамм, в которой N=2[120 - Bigram [Электронный ресурс] https://en.wikipedia.org URL: https://en.wikipedia.org/wiki/Bigram (дата обращения: 28.03.2023)].
Бинарное дерево (Binary tree) – это иерархическая структура данных, в которой каждый узел имеет значение (оно же является в данном случае и ключом) и ссылки на левого и правого потомка. Как правило, первый называется родительским узлом, а дети называются левым и правым наследниками. Двоичное дерево не является упорядоченным ориентированным деревом[121 - Binary tree [Электронный ресурс] https://habr.com URL: https://habr.com/ru/post/267855/ (дата обращения: 31.01.2022)].
Биннинг (машинное зрение) (Binning) – это процесс объединения заряда от соседних пикселей в CCD матрице во время считывания. Этот процесс выполняется до оцифровки в микросхеме ПЗС (Прибор с обратной Зарядной Связью – CCD матрица) с помощью специализированного управления последовательным и параллельным регистрами. Двумя основными преимуществами биннинга являются улучшенное отношение сигнал/ шум (SNR) и возможность увеличивать частоту кадров, хотя и за счет уменьшения пиксельного разрешения.
Биоконсерватизм (Bioconservatism) – это позиция нерешительности и скептицизма в отношении радикальных технологических достижений, особенно тех, которые направлены на изменение или улучшение условий жизни человека. Биоконсерватизм характеризуется верой в то, что технологические тенденции в современном обществе рискуют поставить под угрозу человеческое достоинство, а также противодействием движениям и технологиям, включая трансгуманизм, генетическую модификацию человека, «сильный» искусственный интеллект и технологическую сингулярность. Многие биоконсерваторы также выступают против использования таких технологий, как продление жизни и преимплантационный генетический скрининг[122 - Bioconservatism [Электронный ресурс] https://en.wikipedia.org URL: https://en.wikipedia.org/wiki/Bioconservatism (дата обращения: 07.07.2022)],[123 - .Bioconservatism [Электронный ресурс] www.wise-geek.com URL: https://www.wise-geek.com/what-is-bioconservatism.htm (дата обращения: 07.07.2022)].
Биометрия (Biometrics) – это система распознавания людей по одному или более физическим или поведенческим чертам[124 - Biometrics [Электронный ресурс] https://recfaces.com URL: https://recfaces.com/articles/types-of-biometrics (дата обращения: 28.03.2023)],[125 - Биометрия [Электронный ресурс] https://ru.wikipedia.org URL: https://ru.wikipedia.org/wiki/Биометрия (дата обращения: 28.03.2023)].
Блок IFU (Instruction Fetch Unit, IFU) – это блок предвыборки команд, который выстраивает в единую очередь команды, считываемые из внутренней или внешней памяти системы по шине EIB в соответствии с адресом, выставляемым по шине IAB[126 - IFU (Instruction Fetch Unit) [Электронный ресурс] https://www.module.ru URL: https://www.module.ru/uploads/media/1507808903-512-gflops-f52673fe3c.pdf (дата обращения: 28.03.2023)].
Блок обработки изображений (Vision Processing Unit, VPU) – это новый класс специализированных микропроцессоров, являющихся разновидностью ИИ -ускорителей, предназначенных для аппаратного ускорения работы алгоритмов машинного зрения[127 - Vision Processing Unit (VPU) [Электронный ресурс] https://en.wikipedia.org URL: https://en.wikipedia.org/wiki/Vision_processing_unit#cite_note-1 (дата обращения: 28.03.2023)].
Блокчейн(Blockchain) – это алгоритмы и протоколы децентрализованного хранения и обработки транзакций, структурированных в виде последовательности связанных блоков без возможности их последующего изменения[128 - Blockchain [Электронный ресурс] https://books.google.ru URL: https://books.google.ru/books?id=-w2DEAAAQBAJ&pg=PT301&lpg=PT301&dq= algorithms+and+protocols+for+decentralized +storage+and+processing+of+transactions+structured +as+a+sequence+of+linked+blocks+without+the +possibility+of+their+subsequent+change&source =bl&ots=ruX5Ow4F-g&sig=ACfU3U0fmUw6tcXO QoRbPdWNAfwf5AFY WQ&hl=ru&sa=X&ved=2ahUKEwjmpsrjx_79AhW DmIsKHQqDBvMQ6AF6BAgrEAM#v=onepage&q= algorithms%20and%20protocols%20for %20decentralized%20storage%20and%20processing %20of%20transactions%20structured%20as%20a %20sequence%20of%20linked%20blocks%20without %20the%20possibility%20of%20their%20subsequent %20change&f=false (дата обращения: 28.03.2023)].
Большая языковая модель (Large language model) – это неофициальный термин, который обычно означает языковую модель с большим количеством параметров. Некоторые большие языковые модели содержат более 100 миллиардов параметров[129 - Large language model [Электронный ресурс] https://medium.com URL: https://medium.com/unpackai/language-models-in-ai-70a318f43041 (дата обращения: 07.07.2022)].
Большие данные(Big data) – это термин для наборов цифровых данных. Большой размер данных и их сложность требует значительных вычислительных мощностей компьютеров и специальных программных инструментов для их анализа и представления. К большим данным относят массивы числовых данных, изображения, аудио и видео файлы[130 - Большие данные [Электронный ресурс] https://ulgov.ru URL: https://ulgov.ru/page/index/permlink/id/14949/ (дата обращения: 28.03.2023)].
Бритва Оккама (Occam’s razor) – это принцип принятия решения, сформулированный в XIV веке и франциским монахом Уильямом Оккаму, который. можно сформулировать так: «из двух конкурирующих теорий предпочтение следует отдавать более простому объяснению объекта». Этот принцип также выражается как «Сущности не должны умножаться сверх необходимости». Применительно к машинному обучению, в частности к теории обучения, интуитивную идею Бритвы Оккамы можно сформулировать так – Самое простое решение чаще всего является правильным![131 - Occam’s razor [Электронный ресурс] https://medium.com URL: https://medium.com/mlearning-ai/an-introduction-to-occams-razor-bound-in-machine-learning-80ba5456c8dc (дата обращения: 07.07.2022)].
Булевая нейронная сеть (невесомая нейронная сеть) (Boolean neural network) – это многослойная нейронная сеть, состоящая из модуля самоорганизующейся нейронной сети для извлечения признаков, за которым следует модуль нейронной сети и модуль классификации нейронной сети, который прошел самостоятельную подготовку.
