скачать книгу бесплатно
Бустинг (Boosting) – это мета-алгоритм ансамбля машинного обучения, предназначенный в первую очередь для уменьшения предвзятости и дисперсии в обучении с учителем, а также семейство алгоритмов машинного обучения, которые превращают слабых учеников в сильных[132 - Boosting [Электронный ресурс] https://en.wikipedia.org URL: https://en.wikipedia.org/wiki/Boosting_(machine_learning) (дата обращения: 28.03.2023)].
Буфер воспроизведения (Replay buffer) – это память, используемая для хранения данных в промежутке между использованием или воспроизведением[133 - Replay buffer [Электронный ресурс] https://developers.google.com URL: https://developers.google.com/machine-learning/glossary#replay-buffer (дата обращения: 28.03.2023)].
Быстрое кодирование (One-hot encoding) – это процесс, с помощью которого категориальные переменные преобразуются в подходящую алгоритмам Машинного обучения (ML) форму. Большая часть предварительной обработки данных – это кодирование в понятный компьютеру язык чисел. Отсюда и название «encode», что буквально означает «преобразовать в компьютерный код». Существует множество различных способов кодирования, таких как Ярлычное (Label Encoding) или Быстрое кодирование[134 - Быстрое кодирование [Электронный ресурс] www.helenkapatsa.ru URL: https://www.helenkapatsa.ru/bystroie-kodirovaniie/ (дата обращения: 07.07.2022)].
Быстрые и экономичные деревья (Fast-and-frugal trees) – это тип дерева классификации. FFTS можно использовать в качестве инструментов принятия решений, которые действуют как лексикографические классификаторы и, при необходимости, связывают действие (решение) с каждым классом или категорией.
Бытовой искусственный интеллект (Consumer artificial intelligence) – это специализированные программы искусственного интеллекта, внедрённые в бытовые устройства и процессы[135 - Бытовой искусственный интеллект [Электронный ресурс] https://apr.moscow URL: https://apr.moscow/content/data/6/11 Технологии искусственного интеллекта. pdf (дата обращения: 28.03.2023)].
«В»
Валидационные данные (Holdout data) или «выделенные, удержанные» данные, являющиеся частью Датасета (Dataset) (https://www.helenkapatsa.ru/dataset/), предназначенного для тестирования, проверки работоспособности машинного обучения. Тестовые данные относятся к части предварительно размеченных данных, которые хранятся вне наборов данных, используемых для обучения и проверки контролируемых (https://ridero.ru/link/W4y4GuJ5LJPBSa_tPV2ra) моделей машинного обучения. Их также можно назвать эталонными данными. Первым шагом в обучении с учителем является тестирование различных моделей на тестовых данных и оценка моделей на предмет прогнозируемой производительности. После того, как модель проверена и настроена с помощью набора проверочных данных, она тестируется с набором данных, чтобы выполнить окончательную оценку ее точности, чувствительности, специфичности и согласованности при прогнозировании правильных результатов[136 - Holdout data [Электронный ресурс] https://developers.google.com URL: https://developers.google.com/machine-learning/glossary#holdout-data (дата обращения: 28.03.2023)],[137 - Holdout data [Электронный ресурс] https://www.primeclasses.in URL: https://www.primeclasses.in/glossary/data-science-course/machine-learning/holdout-data (дата обращения: 28.03.2023)].
Вариативность данных(Data variability) этот термин описывает, насколько далеко точки данных расположены друг от друга и от центра распределения. Наряду с мерами центральной тенденции меры изменчивости дают вам описательную статистику, которая обобщает ваши данные[138 - Data variability [Электронный ресурс] www.investopedia.com URL: https://www.investopedia.com/terms/v/variability.asp (дата обращения: 07.07.2022)].
Ввод данных(Data entry) – это процесс преобразования устных или письменных ответов в электронную форму[139 - Data entry [Электронный ресурс] www.umich.edu URL: https://www.icpsr.umich.edu/web/ICPSR/cms/2042#D (дата обращения: 07.07.2022)].
Вес(Weight) в обзорных исследованиях – это число, связанное со случаем или единицей анализа; вес используется как мера относительного вклада переменных этого случая при оценке всей совокупности. При использовании вероятностной выборки часто существует вероятность того, что некоторые элементы генеральной совокупности будут недостаточно или чрезмерно представлены в выборке. Чтобы обеспечить более точные оценки всей совокупности, каждому случаю присваиваются «веса», которые используются для корректировки общих результатов, чтобы они более точно соответствовали общей совокупности[140 - Weight [Электронный ресурс] www.umich.edu URL: https://www.icpsr.umich.edu/web/ICPSR/cms/2042#W (дата обращения: 07.07.2022)].
Векторный процессор или массивный процессор (Vector processor or array processor) – это центральный процессор (ЦП), который реализует набор инструкций, где его инструкции предназначены для эффективной и действенной работы с большими одномерными массивами данных, называемыми векторами. Это отличается от скалярных процессоров, чьи инструкции работают только с отдельными элементами данных, и от некоторых из тех же скалярных процессоров, имеющих дополнительные арифметические блоки с одной инструкцией, несколькими данными (SIMD) или SWAR. Векторные процессоры могут значительно повысить производительность при определенных рабочих нагрузках, особенно при численном моделировании и подобных задачах. Методы векторной обработки также работают в оборудовании игровых приставок и графических ускорителях[141 - Vector processor or array processor [Электронный ресурс] https://en.wikipedia.org URL: https://en.wikipedia.org/wiki/Vector_processor (дата обращения: 07.07.2022)].
Вероятностное программирование (Probabilistic programming) – это парадигма программирования, в которой задаются вероятностные модели, а вывод для этих моделей выполняется автоматически. Он представляет собой попытку объединить вероятностное моделирование и традиционное программирование общего назначения, чтобы упростить первое и сделать его более широко применимым. Его можно использовать для создания систем, помогающих принимать решения в условиях неопределенности. Языки программирования, используемые для вероятностного программирования, называются «вероятностными языками программирования» (PPL)[142 - Probabilistic programming (PP) [Электронный ресурс] https://en.wikipedia.org URL: https://en.wikipedia.org/wiki/Probabilistic_programming (дата обращения: 28.03.2023)],[143 - Вероятностное программирование (Probabilistic programming) [Электронный ресурс] https://wiki5.ru URL: https://wiki5.ru/wiki/Probabilistic_programming (дата обращения: 28.03.2023)].
Взрыв интеллекта (Intelligence explosion) – это термин, придуманный для описания конечных результатов работы над общим искусственным интеллектом, который предполагает, что эта работа приведет к сингулярности в искусственном интеллекте, где «искусственный сверхинтеллект» превзойдет возможности человеческого познания. В интеллектуальном взрыве подразумевается, что самовоспроизводящиеся аспекты искусственного интеллекта каким-то образом возьмут на себя принятие решений людьми. В 1965 году И. Дж. Гуд впервые описал понятие «взрыв интеллекта» применительно к искусственному интеллекту (ИИ): пусть сверхразумная машина будет определена как машина, которая может намного превзойти все интеллектуальные действия любого человека, каким бы умным он ни был. Поскольку проектирование машин является одним из таких видов интеллектуальной деятельности, сверхразумная машина могла бы создавать еще более совершенные машины; тогда, несомненно, произошел бы «взрыв интеллекта», и разум человека остался бы далеко позади. Таким образом, первая сверхразумная машина – это последнее изобретение, которое когда-либо понадобится человеку, при условии, что машина достаточно послушна, чтобы подсказать нам, как держать ее под контролем. Спустя десятилетия в сообществе ИИ утвердилась концепция «взрыва интеллекта», что приведет к внезапному росту «сверхразума» и случайному концу человечества. Известные бизнес-лидеры считают это серьезным риском, большим, чем ядерная война или изменение климата[144 - Intelligence explosion [Электронный ресурс] www.techopedia.com URL: https://www.techopedia.com/definition/32777/intelligence-explosion (дата обращения: 07.07.2022)],[145 - Intelligence explosion [Электронный ресурс] https://hplusmagazine.com URL: https://hplusmagazine.com/2011/03/07/why-an-intelligence-explosion-is-probable/ (дата обращения: 07.07.2022)].
Видеоаналитика (Video analytics) – это технология, использующая методы компьютерного зрения для автоматизированного использования различных данных, на основании анализа отслеживающих изображений, поступающих с видеокамер в режиме реального времени или из архивных записей[146 - Video analytics [Электронный ресурс] https://tadviser.com URL: https://tadviser.com/index.php/Article:Video_analytics_(terms,_scopes_of_application,_technologies) (дата обращения: 28.03.2023)],[147 - Видеоаналитика [Электронный ресурс] https://ru.wikipedia.org URL: https://ru.wikipedia.org/wiki/Видеоаналитика (дата обращения: 28.03.2023)].
Виртуализация (Virtualization) – это предоставление набора вычислительных ресурсов или их логическое объединение, абстрагированное от аппаратной реализации, и обеспечивающее при этом логическую изоляцию друг от друга вычислительных процессов, выполняемых на одном физическом ресурсе[148 - Виртуализация [Электронный ресурс] https://ru.wikipedia.org URL: https://ru.wikipedia.org/wiki/Виртуализация (дата обращения: 28.03.2023)].
Виртуальный помощник (Virtual assistant) – это программный агент, который может выполнять задачи для пользователя на основе информации, введенной пользователем[149 - Виртуальный помощник [Электронный ресурс] https://ru.wikipedia.org URL: https://ru.wikipedia.org/wiki/Виртуальный_ассистент (дата обращения: 28.03.2023)].
Виртуальная реальность (VR)(Virtual reality, VR) – это смоделированный опыт, который может быть похож на реальный мир или полностью отличаться от него. Приложения виртуальной реальности включают развлечения (например, видеоигры), образование (например, медицинскую или военную подготовку) и бизнес (например, виртуальные встречи). Другие различные типы технологий в стиле VR включают дополненную реальность и смешанную реальность, иногда называемую расширенной реальностью или XR. Также, под Виртуальной реальностью понимают искусственную среду, созданную с помощью программного обеспечения и представленную пользователю таким образом, что пользователь принимает ее как реальную среду. На компьютере виртуальная реальность в основном воспринимается двумя из пяти органов чувств: зрением и слухом. Простейшая форма виртуальной реальности – это трехмерное изображение, которое можно просматривать в интерактивном режиме на персональном компьютере, обычно манипулируя клавишами или мышью, чтобы содержимое изображения перемещалось в каком-либо направлении или увеличивалось или уменьшалось. Более изощренные усилия включают такие подходы, как круглые экраны, настоящие комнаты, дополненные носимыми компьютерами, и тактильные устройства, которые позволяют вам чувствовать отображаемые изображения. Виртуальную реальность можно разделить на: Моделирование реальной среды для обучения и воспитания. Разработка воображаемой среды для игры или интерактивной истории. Язык моделирования виртуальной реальности (VRML) позволяет создателю задавать изображения и правила их отображения и взаимодействия с помощью текстовых операторов языка[150 - Virtual Reality (VR) [Электронный ресурс] www.igi-global.com URL: https://www.igi-global.com/dictionary/augmented-reality-framework-socialization-between/31774 (дата обращения: 07.07.2022)],[151 - Virtual Reality (VR) [Электронный ресурс] www.techtarget.com URL: https://www.techtarget.com/whatis/definition/virtual-reality (дата обращения: 07.07.2022)].
Внутренняя мотивация (Intrinsic motivation) – в изучении искусственного интеллекта – это мотивация к действию, при том, что информационное содержание, опыт, полученный в результате действия, является мотивирующим фактором. Информационное содержание в этом контексте измеряется в смысле теории информации как количественная оценка неопределенности. Типичной внутренней мотивацией является поиск необычных (удивительных) ситуаций, в отличие от типичной внешней мотивации, такой как поиск пищи. Искусственные агенты с внутренней мотивацией демонстрируют поведение, похожее на исследование и любопытство. Психологи считают, что внутренняя мотивация у людей – это стремление выполнять деятельность для внутреннего удовлетворения – просто для развлечения или вызова[152 - Intrinsic motivation [Электронный ресурс] https://en.wikipedia.org URL: https://en.wikipedia.org/wiki/Intrinsic_motivation_(artificial_intelligence) (дата обращения: 07.07.2022)].
Внутригрупповая предвзятость (In-group bias) – это предвзятость, при которой люди склонны отдавать предпочтение людям, которые существуют в тех же группах, что и они. Эти группы могут быть сформированы по признаку пола, расы, этнической принадлежности или любимой спортивной команды. Если кто-то входит в нашу «внутреннюю группу», мы с большей вероятностью будем ему доверять. Проблема предвзятости ИИ – одна из самых острых в современном мире, и решения ей пока нет. Системы распознавания лиц плохо работают на лицах афроамериканцев, а ИИ для приема на работу предпочитает нанимать мужчин, нежели женщин[153 - Внутригрупповая предвзятость [Электронный ресурс] https://naukatehnika.com URL: https://naukatehnika.com/predvzyatost-iskusstvennogo-intellekta.html (дата обращения: 07.07.2022)].
Возврат (Return) – это сумма всех вознаграждений, которые агент ожидает получить при следовании политике от начала до конца эпизода. Агент учитывает отсроченный характер ожидаемых вознаграждений, дисконтируя вознаграждения в соответствии с переходами состояний, необходимыми для получения вознаграждения[154 - Return [Электронный ресурс] https://developers.google.com URL: https://developers.google.com/machine-learning/glossary#return (дата обращения: 28.03.2023)].
Вознаграждение (Reward) в обучении с подкреплением – это числовой результат выполнения действия в состоянии, определяемом окружающей средой[155 - Reward [Электронный ресурс] https://developers.google.com URL: https://developers.google.com/machine-learning/glossary#reward (дата обращения: 28.03.2023)].
Воплощённая когнитивная наука (Embodied cognitive science) – это междисциплинарная область исследований, целью которых является объяснение механизмов, лежащих в основе разумного поведения. Она включает в себя три основных методики: моделирование психологических и биологических систем, которая рассматривает разум и тело как единое целое; формирование основного набора общих принципов разумного поведения; экспериментальное использование роботов в контролируемых условиях[156 - Embodied cognitive science [Электронный ресурс] https://psychology.fandom.com URL: https://psychology.fandom.com/wiki/Embodied_cognitive_science (дата обращения 14.03.2022)].
Восприятие речи (Speech perception) – это процесс, посредством которого звуки языка слышатся, интерпретируются и понимаются. Изучение восприятия речи тесно связано с областями фонологии и фонетики в лингвистике и когнитивной психологии и восприятием в психологии. Исследования в области восприятия речи направлены на то, чтобы понять, как люди-слушатели распознают звуки речи и используют эту информацию для понимания разговорной речи. Исследования восприятия речи находят применение в создании компьютерных систем, способных распознавать речь, в улучшении распознавания речи для слушателей с нарушениями слуха и языка, а также в обучении иностранному языку[157 - Speech perception [Электронный ресурс] https://en.wikipedia.org URL: https://en.wikipedia.org/wiki/Speech_perception#:~: text =Speech%20perception%20is%20the%20process, psychology%20and%20perception%20in%20psychology (дата обращения: 07.07.2022)].
Врата забвения (Forget gate) – это часть ячейки долговременно-кратковременной памяти, которая регулирует поток информации, проходящий через ячейку. Врата забвения поддерживают контекст, решая, какую информацию следует отбросить из ячейки[158 - Forget gate [Электронный ресурс] https://developers.google.com URL: https://developers.google.com/machine-learning/glossary#forget-gate (дата обращения: 28.03.2023)].
Вращательная инвариантность (Rotational invariance) в задаче классификации изображений – это способность алгоритма успешно классифицировать изображения даже при изменении ориентации изображения. Например, алгоритм все еще может идентифицировать теннисную ракетку, направлена ли она вверх, вбок или вниз[159 - Rotational invariance [Электронный ресурс] https://developers.google.com URL: https://developers.google.com/machine-learning/glossary#rotational-invariance (дата обращения: 28.03.2023)].
Временная сложность (Time complexity) – это вычислительная сложность, описывающая время, необходимое для выполнения алгоритма. Временная сложность обычно оценивается путем подсчета количества элементарных операций, выполняемых алгоритмом, при условии, что выполнение каждой элементарной операции занимает фиксированное количество времени. Таким образом, время и количество элементарных операций, выполняемых алгоритмом, различаются не более чем на постоянный множитель[160 - Time complexity [Электронный ресурс] https://en.wikipedia.org URL: https://en.wikipedia.org/wiki/Time_complexity (дата обращения: 07.07.2022)].
Временной ряд (Time Series) – это последовательность точек данных, записанных в определенное время и проиндексированных в соответствии с порядком их появления[161 - Time Series [Электронный ресурс] https://en.wikipedia.org URL: https://en.wikipedia.org/wiki/Time_series (дата обращения: 28.03.2023)].
Временные данные (Temporal data) – это зафиксированные данные, показывающие состояние во времени[162 - Temporal data [Электронный ресурс] https://developers.google.com URL: https://developers.google.com/machine-learning/glossary#temporal_data (дата обращения: 28.03.2023)].
Временные ряды(Time series) – это наблюдения за переменной, сделанные во времени. Многие экономические исследования, такие как Международная финансовая статистика МВФ, представляют собой файлы данных временных рядов. Своего рода временные ряды также могут быть построены на основе перекрестного исследования, если одни и те же вопросы задаются более одного раза в течение времени[163 - Time series [Электронный ресурс] www.umich.edu URL: https://www.icpsr.umich.edu/web/ICPSR/cms/2042#T (дата обращения: 07.07.2022)].
Вспомогательный интеллект (Assistive intelligence) – это системы на основе ИИ, которые помогают принимать решения или выполнять действия.
Встраивание (внедрение слов) (Embedding (Word Embedding)) – это один экземпляр некоторой математической структуры, содержащийся в другом экземпляре, например, группа, являющаяся подгруппой[164 - Embedding [Электронный ресурс] https://appen.com URL: https://appen.com/ai-glossary/ (дата обращения 28.02.2022)].
Встраивание пространства (Embedding space) – это D-мерное векторное пространство, в которое сопоставляются признаки из векторного пространства более высокой размерности. В идеале пространство вложения содержит структуру, дающую значимые математические результаты; например, в идеальном пространстве вложений сложение и вычитание вложений могут решать задачи аналогии слов. Скалярный продукт двух вложений является мерой их сходства[165 - Embedding space [Электронный ресурс] https://developers.google.com URL: https://developers.google.com/machine-learning/glossary#embedding-space (дата обращения: 28.03.2023)].
Встраивание слов (Word embedding (Vector representation of words)) – это термин (в обработке естественного языка – natural language processing), используемый для представления слов для анализа текста, обычно в форме вектора с действительным знаком, который кодирует значение слова таким образом, что слова, которые находятся ближе в векторном пространстве, становятся ближе по смыслу. Вложения слов можно получить с помощью набора методов языкового моделирования и изучения признаков, в которых слова или фразы из словаря сопоставляются с векторами действительных чисел[166 - Word embedding [Электронный ресурс] https://en.wikipedia.org URL: https://en.wikipedia.org/wiki/Word_embedding (дата обращения: 07.07.2022)].
Входной слой (Input layer) – это первый слой в нейронной сети, который принимает входящие сигналы и передает их на последующие уровни[167 - Входной слой [Электронный ресурс] https://mcs.mail.ru URL: https://naukatehnika.com/predvzyatost-iskusstvennogo-intellekta.html (дата обращения: 07.07.2022)].
Вторичный анализ(Secondary analysis) – это процесс пересмотра существующих данных для решения новых вопросов или использования ранее не использовавшихся методов[168 - Secondary analysis [Электронный ресурс] www.umich.edu URL: https://www.icpsr.umich.edu/web/ICPSR/cms/2042#S (дата обращения: 07.07.2022)].
Выбор действия (Action selection) – это процесс, включающий алгоритм, как разработанная интеллектуальная система будет реагировать на данную проблему. Обычно это область, изучаемая в психологии, робототехнике и искусственном интеллекте. Выбор действий является синонимом принятия решений и поведенческого выбора. Собранные данные исследуются и разбиваются для того, чтобы можно было адаптировать их к искусственным системам, таким как робототехника, видеоигры и программирование искусственного интеллекта[169 - Action selection [Электронный ресурс] https://www.netinbag.com/ URL: https://www.netinbag.com/ru/internet/what-is-action-selection.html (дата обращения: 18.02.2022)].
Выбор переменных (Feature selection) – это выбор признаков, также известный как выбор переменных, выбор атрибутов или выбор подмножества переменных, представляет собой процесс выбора подмножества соответствующих признаков (переменных, предикторов) для использования в построении модели[170 - Feature selection [Электронный ресурс] https://medium.com URL: https://medium.com/@lee.riyal/feature-selection-techniques-snippets-fcc36a7ef55b (дата обращения 28.02.2022)].
Выборка (Sampling) – это использование при анализе информации не всего объема данных, а только их части, которая отбирается по определенным правилам (выборка может быть случайной, стратифицированной, кластерной и квотной).
Выборка кандидатов (Candidate sampling) — это оптимизация времени обучения, при которой вероятность рассчитывается для всех положительных меток, но только для случайной выборки отрицательных меток. Например, если нам нужно определить, является ли входное изображение биглем или ищейкой, нам не нужно указывать вероятности для каждого примера, не связанного с собакой[171 - Candidate sampling [Электронный ресурс] https://developers.google.com URL: https://developers.google.com/machine-learning/glossary#candidate-sampling (дата обращения: 28.03.2023)].
Выбросы (Outliers) – это точки данных, которые значительно отличаются от других, присутствующих в данном наборе данных. Наиболее распространенные причины выбросов в наборе данных: Ошибки ввода данных. Ошибка измерения. Ошибки эксперимента. Преднамеренные ошибки. Ошибки обработки данных. Ошибки выборки. Естественный выброс[172 - Outliers [Электронный ресурс] https://medium.com URL: https://medium.com/analytics-vidhya/its-all-about-outliers-cbe172aa1309 (дата обращения: 28.03.2023)].
Вывод (Inference) в искусственном интеллекте и машинном обучении – это составление прогнозов путем применения обученной модели к немаркированным примерам[173 - Inference [Электронный ресурс] https://www.primeclasses.in URL: https://www.primeclasses.in/glossary/data-science-course/machine-learning/inference (дата обращения: 28.03.2023)].
Выделение признаков (Feature extraction) – это разновидность абстрагирования, процесс снижения размерности, в котором исходный набор исходных переменных сокращается до более управляемых групп признаков для дальнейшей обработки, оставаясь при этом достаточным набором для точного и полного описания исходного набора данных. Выделение признаков используется в машинном обучении, распознавании образов и при обработке изображений. Выделение признаков начинает с исходного набора данных, выводит вторичные значения (признаки), для которых предполагается, что они должны быть информативными и не должны быть избыточными, что способствует последующему процессу обучения машины и обобщению шагов, а в некоторых случаях ведёт и к лучшей человеческой интерпретацией данных[174 - Feature extraction [Электронный ресурс] https://deepai.org URL: https://deepai.org/machine-learning-glossary-and-terms/feature-extraction (дата обращения: 14.02.2022)].
Выполнение графа (Graph execution) – это среда программирования TensorFlow, в которой программа сначала строит граф, а затем выполняет весь или часть этого графа. Выполнение графа – это режим выполнения по умолчанию в TensorFlow 1.x[175 - Graph execution [Электронный ресурс] https://www.primeclasses.in URL: https://www.primeclasses.in/glossary/data-science-course/machine-learning/graph-execution (дата обращения: 28.03.2023)].
Выполнимость (Satisfiability). В математической логике выполнимость и достоверность – это элементарные понятия семантики. Формула выполнима, если можно найти интерпретацию (модель), которая делает формулу истинной. Формула действительна, если все интерпретации делают ее истинной. Противоположностями этих понятий являются невыполнимость и недействительность, то есть формула невыполнима, если ни одна из интерпретаций не делает формулу истинной, и недействительна, если какая-либо такая интерпретация делает формулу ложной[176 - Satisfiability [Электронный ресурс] https://www.openmv.org URL: https://www.openmv.org/glossary/satisfiability/ (дата обращения: 28.03.2023)].
Выпрямленный линейный блок (Rectified Linear Unit) – это блок, использующий функцию выпрямителя в качестве функции активации[177 - Rectified Linear Unit [Электронный ресурс] https://www.primeclasses.in URL: https://www.primeclasses.in/glossary/data-science-course/machine-learning/rectified-linear-unit-relu (дата обращения: 28.03.2023)].
Выпуклая оптимизация (Convex optimization) – это процесс использования математических методов, таких как градиентный спуск, для нахождения минимума выпуклой функции. Многие исследования в области машинного обучения были сосредоточены на формулировании различных задач выпуклой оптимизации и более эффективном решении этих проблем[178 - Convex optimization [Электронный ресурс] https://en.mimi.hu URL: https://en.mimi.hu/artificial_intelligence/convex_optimization.html (дата обращения 22.02.2022)].
Выпуклая функция (Convex function) – это функция, в которой область над графиком функции представляет собой выпуклое множество. Прототип выпуклой функции имеет форму буквы U. Строго выпуклая функция имеет ровно одну точку локального минимума. Классические U-образные функции являются строго выпуклыми функциями. Однако некоторые выпуклые функции (например, прямые) не имеют U-образной формы. Многие распространенные функции потерь, являются выпуклыми функциями: L2 loss; Log Loss; L1 regularization; L2 regularization. Многие варианты градиентного спуска гарантированно находят точку, близкую к минимуму строго выпуклой функции. Точно так же многие варианты стохастического градиентного спуска имеют высокую вероятность (хотя и не гарантию) нахождения точки, близкой к минимуму строго выпуклой функции. Сумма двух выпуклых функций (например, L2 loss + L1 regularization) является выпуклой функцией. Глубокие модели никогда не бывают выпуклыми функциями. Примечательно, что алгоритмы, разработанные для выпуклой оптимизации, в любом случае имеют тенденцию находить достаточно хорошие решения в глубоких сетях, даже если эти решения не гарантируют глобальный минимум[179 - Convex function [Электронный ресурс] https://developers.google.com URL: https://developers.google.com/machine-learning/glossary#convex-function (дата обращения: 28.03.2023)],[180 - Convex function [Электронный ресурс] https://developers.google.com URL: https://developers.google.com/machine-learning/glossary#expandable-7 (дата обращения: 28.03.2023)].
Выпуклое множество (Convex set) – это подмножество евклидова пространства, при этом, линия, проведенная между любыми двумя точками в подмножестве, остается полностью внутри подмножества[181 - Convex set [Электронный ресурс] https://developers.google.com URL: https://developers.google.com/machine-learning/glossary#convex-set (дата обращения: 28.03.2023)].
Выходной слой (Output layer) – это последний слой нейронов в искусственной нейронной сети, который производит заданные выходные данные для программы[182 - Output layer [Электронный ресурс] https://mcs.mail.ru URL: https://www.techopedia.com/definition/30351/outlier-detection (дата обращения: 07.07.2022)].
Вычисление (Computation) – это любой тип арифметического или неарифметического вычисления, которое следует четко определенной модели (например, алгоритму)[183 - Computation [Электронный ресурс] https://en.wikipedia.org URL: https://en.wikipedia.org/wiki/Computation (дата обращения: 07.07.2022)].
Вычисления GPU (GPU computing) – это использование графического процессора в качестве сопроцессора для ускорения центральных процессоров для научных и инженерных вычислений общего назначения. Графический процессор ускоряет приложения, работающие на ЦП, разгружая некоторые ресурсоемкие и трудоемкие части кода. Остальная часть приложения по-прежнему работает на процессоре. С точки зрения пользователя, приложение работает быстрее, потомучто оно использует вычислительную мощность графического процессора с массовым параллелизмом для повышения производительности. Это явление известно как «гетерогенные» или «гибридные» вычисления.
Вычислительная задача (Computational problem) – это одна из трех типов математических задач, решение которых необходимо получить численно. Вычислительная задача называется хорошо обусловленной, если малым погрешностям входных данных соответствуют малые погрешности решения и плохо обусловленной, если малым погрешностям входных данных могут соответствовать сильные изменения в решении[184 - Computational problem [Электронный ресурс] https://cs.stackexchange.com URL: https://cs.stackexchange.com/questions/47757/computational-problem-definition (дата обращения 12.03.2022)].
Вычислительная кибернетика (Computational cybernetics) – это интеграция кибернетики и методов вычислительного интеллекта[185 - Computational cybernetics [Электронный ресурс] https://en.wikipedia.org URL: https://en.wikipedia.org/wiki/Computational_cybernetics (дата обращения: 28.03.2023)].
Вычислительная математика (Computational mathematics) – это раздел математики, включающий круг вопросов, связанных с производством разнообразных вычислений. В более узком понимании вычислительная математика – теория численных методов решения типовых математических задач. Современная вычислительная математика включает в круг своих проблем изучение особенностей вычисления с применением компьютеров. Вычислительная математика обладает широким кругом прикладных применений для проведения научных и инженерных расчётов. На её основе в последнее десятилетие образовались такие новые области естественных наук, как вычислительная химия, вычислительная биология и так далее[186 - Вычислительная математика [Электронный ресурс] https://ru.wikipedia.org URL: https://ru.wikipedia.org/wiki/ (дата обращения: 28.03.2023)].
Вычислительная нейробиология (Computational neuroscience) – это междисциплинарная наука, целью которой является объяснение в терминах вычислительного процесса того, как биологические системы, составляющие нервную систему, продуцируют поведение. Она связывает нейробиологию, когнитивистику и психологию с электротехникой, информатикой, вычислительной техникой, математикой и физикой[187 - Computational neuroscience [Электронный ресурс] https://en.wikipedia.org URL: https://en.wikipedia.org/wiki/Computational_neuroscience (дата обращения: 28.03.2023)],[188 - Вычислительная нейробиология [Электронный ресурс] https://ru.wikipedia.org URL: https://ru.wikipedia.org/wiki/Вычислительная_нейробиология (дата обращения: 28.03.2023)].
Вычислительная система (Computing system) – это предназначенные для решения задач и обработки данных (в том числе вычислений) программно-аппаратный комплекс или несколько взаимосвязанных комплексов, образующих единую инфраструктуру[189 - Вычислительная система [Электронный ресурс] https://ru.wikipedia.org URL: https://cdto.wiki/Вычислительная_система (дата обращения: 28.03.2023)].
Вычислительная статистика (Computational statistics) – это применение принципов информатики и разработки программного обеспечения для решения научных задач. Она включает в себя использование вычислительного оборудования, сетей, алгоритмов, программирования, баз данных и других предметно-ориентированных знаний для разработки симуляций физических явлений для запуска на компьютерах. Вычислительная статистика пересекает дисциплины и может даже включать гуманитарные науки[190 - Computational statistics [Электронный ресурс] https://en.wikipedia.org URL: https://en.wikipedia.org/wiki/Computational_statistics (дата обращения: 28.03.2023)],[191 - Computational statistics (Computational science) [Электронный ресурс] https://www.techopedia.com URL: https://www.techopedia.com/definition/6579/computational-science (дата обращения: 28.03.2023)].
Вычислительная теория чисел, также известная как алгоритмическая теория чисел (Computational number theory) – это изучение вычислительных методов для исследования и решения проблем в теории чисел и арифметической геометрии, включая алгоритмы проверки простоты и численной факторизации, поиска решений диофантовых уравнений и явных методов в арифметической геометрии. Теория вычислительных чисел имеет приложения к криптографии, включая RSA, криптографию на эллиптических кривых и постквантовую криптографию, и используется для исследования гипотезы и открытой проблемы теории чисел, включая гипотезу Римана, гипотезу Берча и Суиннертона-Дайера, гипотезу ABC, гипотезу модульности, гипотезу Сато-Тейта и явные аспекты программы Ленглендса[192 - Computational number theory [Электронный ресурс] https://en-academic.com URL: https://en-academic.com/dic.nsf/enwiki/282959 (дата обращения: 28.03.2023)],[193 - Вычислительная теория чисел [Электронный ресурс] https://wiki5.ru URL: https://wiki5.ru/wiki/Computational_number_theory (дата обращения: 28.03.2023)].
Вычислительная химия (Computational chemistry) – это раздел химии, в котором математические методы используются для расчёта молекулярных свойств, моделирования поведения молекул, планирования синтеза, поиска в базах данных и обработки комбинаторных библиотек[194 - Computational chemistry [Электронный ресурс] https://goldbook.iupac.org URL: https://goldbook.iupac.org/terms/view/CT06952 (дата обращения: 28.03.2023)],[195 - Computational chemistry [Электронный ресурс] https://en.wikipedia.org URL: https://en.wikipedia.org/wiki/Computational_chemistry (дата обращения: 28.03.2023)],[196 - Вычислительная химия [Электронный ресурс] https://ru.wikipedia.org URL: https://ru.wikipedia.org/wiki/Вычислительная_химия (дата обращения: 28.03.2023)].
Вычислительная эффективность агента или обученной модели (Computational efficiency of an agent or a trained model) – это количество вычислительных ресурсов, необходимых агенту для решения задачи на стадии инференса[197 - Вычислительная эффективность агента или обученной модели [Электронный ресурс] https://vc.ru URL: https://vc.ru/ml/253499-kak-schitat-effektivnost-iskusstvennogo-intellekta-na-primere-umnogo-ekskavatora (дата обращения: 28.03.2023)].
Вычислительная эффективность интеллектуальной системы (Computational efficiency of an intelligent system) – это количество вычислительных ресурсов, необходимых для обучения интеллектуальной системы с определенным уровнем производительности на том или ином объеме задач[198 - Вычислительная эффективность интеллектуальной системы [Электронный ресурс] https://vc.ru URL: https://vc.ru/ml/253499-kak-schitat-effektivnost-iskusstvennogo-intellekta-na-primere-umnogo-ekskavatora (дата обращения: 28.03.2023)].
Вычислительные блоки (Computing units) – это блоки, которые работают как фильтр, который преобразовывает пакеты по определенным правилам. Набор команд вычислителя может быть ограничен, что гарантирует простую внутреннюю структуру и достаточно большую скорость работы[199 - Вычислительные блоки [Электронный ресурс] https://www.osp.ru URL: https://www.osp.ru/os/1997/06/179341 (дата обращения: 28.03.2023)].
Вычислительные модули (Computing modules) – это подключаемые специализированные вычислители, предназначенные для решения узконаправленных задач, таких, как ускорение работы алгоритмов искусственных нейронных сетей, компьютерное зрение, распознавание по голосу, машинное обучение и другие методы искусственного интеллекта, построены на базе нейронного процессора – специализированного класса микропроцессоров и сопроцессоров (процессор, память, передача данных).
Вычислительный интеллект (Computational intelligence) – это ответвление искусственного интеллекта. Как альтернатива классическому искусственному интеллекту, основанному на строгом логическом выводе, он опирается на эвристические алгоритмы, используемые, например, в нечёткой логике, искусственных нейронных сетях и эволюционном моделировании.
Вычислительный юмор (Computational humor) – это раздел компьютерной лингвистики и искусственного интеллекта, использующий компьютеры для исследования юмора[200 - Computational humor [Электронный ресурс] https://en.wikipedia.org URL: https://en.wikipedia.org/wiki/Computational_humor (дата обращения: 28.03.2023)].
Выявление аномалий (также обнаружение выбросов) (Anomaly detection) – это опознавание во время интеллектуального анализа данных редких данных, событий или наблюдений, которые вызывают подозрения ввиду существенного отличия от большей части данных. Обычно аномальные данные характеризуют некоторый вид проблемы, такой как мошенничество в банке, структурный дефект, медицинские проблемы или ошибки в тексте. Аномалии также упоминаются как выбросы, необычности, шум, отклонения или исключения[201 - Anomaly detection [Электронный ресурс] https://developers.google.com URL: https://developers.google.com/machine-learning/glossary#anomaly-detection (дата обращения: 28.03.2023)],[202 - Выявление аномалий [Электронный ресурс] https://ru.wikipedia.org URL: https://ru.wikipedia.org/wiki/Выявление_аномалий (дата обращения: 28.03.2023)].
«Г»
Генеративно-состязательная сеть (Generative Adversarial Network) – это алгоритм машинного обучения без учителя, построенный на комбинации из двух нейронных сетей, одна из которых (сеть G) генерирует образцы, а другая (сеть D) старается отличить правильные («подлинные») образцы от неправильных. Так как сети G и D имеют противоположные цели – создать образцы и отбраковать образцы – между ними возникает антагонистическая игра. Генеративно-состязательную сеть описал Ян Гудфеллоу из компании Google в 2014 году. Использование этой техники позволяет, в частности, генерировать фотографии, которые человеческим глазом воспринимаются как натуральные изображения. Например, известна попытка синтезировать фотографии кошек, которые вводят в заблуждение эксперта, считающего их естественными фото. Кроме того, GAN может использоваться для улучшения качества нечётких или частично испорченных фотографий[203 - Generative Adversarial Network (GAN) [Электронный ресурс] https://machinelearningmastery.ru URL: https://www.machinelearningmastery.ru/generative-models-and-gans-fe7efc20020b/ (дата обращения: 11.02.2022)].
Генеративные модели (Generative model) – это семейство архитектур ИИ, целью которых является создание образцов данных с нуля. Они достигают этого, фиксируя распределение данных того типа вещей, которые мы хотим генерировать. На практике модель может создать (сгенерировать) новые примеры из обучающего набора данных. Например, генеративная модель может создавать стихи после обучения на наборе данных сборника Пушкина[204 - Generative model [Электронный ресурс] https://habr.com URL: https://habr.com/ru/company/wunderfund/blog/334568/ (дата обращения: 31.01.2022)].
Генеративный ИИ (Generative AI) – это метод ИИ, который изучает представление артефактов из данных и использует его для создания совершенно новых, полностью оригинальных артефактов, сохраняющих сходство с исходными данными[205 - Генеративный ИИ (Generative AI) [Электронный ресурс] https://expinet.ru URL: https://expinet.ru/novosti/chto-novogo-v-hype-cikle-gartnera-2022-g.html (дата обращения: 28.03.2023)].
Генератор (Generator) – это подсистема в генеративно-состязательной сети, которая создает новые примеры[206 - Generator [Электронный ресурс] https://developers.google.com URL: https://developers.google.com/machine-learning/glossary#generator (дата обращения: 28.03.2023)].
Генерация естественного языка (Natural language generation, NLG) – это подмножество обработки естественного языка. В то время как понимание естественного языка сосредоточено на понимании компьютерного чтения, генерация естественного языка позволяет компьютерам писать. NLG – это процесс создания текстового ответа на человеческом языке на основе некоторых входных данных. Этот текст также можно преобразовать в речевой формат с помощью служб преобразования текста в речь. NLG также включает в себя возможности суммирования текста, которые генерируют сводки из входящих документов, сохраняя при этом целостность информации[207 - Генерация естественного языка (NLG) [Электронный ресурс] https://mcs.mail.ru URL: https://www.ibm.com/blogs/watson/2020/11/nlp-vs-nlu-vs-nlg-the-differences-between-three-natural-language-processing-concepts/ (дата обращения: 07.07.2022)].
Генерация кандидатов (Candidate generation) – это первый этап рекомендации. По запросу система генерирует набор релевантных кандидатов[208 - Candidate generation [Электронный ресурс] https://developers.google.com URL: https://developers.google.com/machine-learning/recommendation/overview/candidate-generation (дата обращения: 10.01.2022)].
Генерация речи (Speech generation) – это задача создания речи из какой-либо другой модальности, такой как текст, движения губ и т. д. Также под синтезом речи понимается компьютерное моделирование человеческой речи. Оно используется для преобразования письменной информации в слуховую там, где это более удобно, особенно для мобильных приложений, таких как голосовая электронная почта и единая система обмена сообщениями. Синтез речи также используется для помощи слабовидящим, так что, например, содержимое экрана дисплея может быть автоматически прочитано вслух слепому пользователю. Синтез речи является аналогом речи или распознавания голоса.
Генетический алгоритм (Genetic Algorithm) – это эвристический алгоритм поиска, используемый для решения задач оптимизации и моделирования путём случайного подбора, комбинирования и вариации искомых параметров с использованием механизмов, аналогичных естественному отбору в природе. Генетический алгоритм требует генетического представления решения и функции пригодности для оценки решения[209 - Genetic Algorithm [Электронный ресурс] https://habr.com URL: https://habr.com/ru/post/128704/ (дата обращения: 31.01.2022)].
Генетический оператор (Genetic operator) – это оператор, используемый в генетических алгоритмах для направления алгоритма к решению данной проблемы. Существует три основных типа операторов (мутация, скрещивание и отбор), которые должны работать в сочетании друг с другом, чтобы алгоритм был успешным[210 - Genetic operator [Электронный ресурс] https://devforum.roblox.com URL: https://devforum.roblox.com/t/an-introduction-to-genetic-algorithms/1439469 (дата обращения 03.04.2020)].
Геномные данные (Genomic data) – этот термин относится к данным генома и ДНК организма. Они используются в биоинформатике для сбора, хранения и обработки геномов живых существ. Геномные данные обычно требуют большого объема памяти и специального программного обеспечения для анализа[211 - Genomic data [Электронный ресурс] www.techopedia.com URL: https://www.techopedia.com/definition/31247/genomic-data (дата обращения 03.04.2020)].
Гетероассоциативная память (Hetero Associative memory) – это память, похожа на сеть автоассоциативной памяти, это также однослойная нейронная сеть. Однако в этой сети входной обучающий вектор и выходные целевые векторы не совпадают. Веса определяются таким образом, чтобы сеть хранила набор шаблонов. Гетероассоциативная сеть носит статический характер, следовательно, в ней не будет нелинейных операций и операций с запаздыванием. Архитектура, как показано на следующем рисунке, архитектура сети гетероассоциативной памяти имеет «n» количество входных обучающих векторов и «m» количество выходных целевых векторов[212 - Hetero Associative memory [Электронный ресурс] https://www.tutorialspoint.com URL: https://www.tutorialspoint.com/artificial_neural_network/artificial_neural_network_associate_memory.htm# (дата обращения: 28.03.2023)].
Гибридизация человека и машины (Human-machine hybridization) – это технология, позволяющая соединить человеческое тело и технологическую систему. Текущий подход к разработке интеллектуальных систем (например, на основе технологий искусственного интеллекта) в основном ориентирован на данные. Он имеет ряд ограничений: принципиально невозможно собрать данные для моделирования сложных объектов и процессов; обучение нейронных сетей требует огромных вычислительных и энергетических ресурсов; и решения не объяснимы. Современные системы ИИ (основанные на узком ИИ) вряд ли можно считать интеллектом. Это скорее следующий уровень автоматизации человеческого труда. Перспективной концепцией, лишенной вышеуказанных ограничений, является концепция гибридного интеллекта, объединяющая сильные стороны узкого ИИ и возможности человека. Гибридные интеллектуальные системы обладают следующими ключевыми особенностями: Когнитивная интероперабельность – позволяет искусственным и естественным интеллектуальным агентам легко общаться для совместного решения проблемы; Взаимная эволюция (коэволюция) – позволяет гибридной системе развиваться, накапливать знания и формировать общую онтологию предметной области. Ядром гибридизации человеко-машинного интеллекта является функциональная совместимость биологических и технических систем на разных уровнях от физических сигналов до когнитивных моделей[213 - Human-machine hybridization [Электронный ресурс] www.mdpi.com URL: https://www.mdpi.com/journal/sensors/special_issues/Human_Machine_sensors (дата обращения: 07.07.2022)].
Гибридные модели (Hybrid models) – это комбинации моделей на основе данных с «классическими» моделями, а также комплексирование различных методов искусственного интеллекта[214 - Гибридные модели [Электронный ресурс] URL: https://digital.gov.ru/uploaded/files/07102019ii.pdf стр. 42 (дата обращения: 28.03.2023)].
Гибридный суперкомпьютер (Hybrid supercomputer) – это вычислительная система, объединяющая ЦП традиционной архитектуры (например, x86) и ускорители, например, на вычислительных графических процессорах[215 - Гибридный суперкомпьютер [Электронный ресурс] https://www.ascod.ru URL: https://www.ascod.ru/products/servers/hybrid/ (дата обращения: 28.03.2023)].
Гиперпараметр(настройка гиперпараметра) (Hyperparameter) – в машинном обучении – это параметры алгоритмов, значения которых устанавливаются перед запуском процесса обучения. Гиперпараметры используются для управления процессом обучения[216 - Гиперпараметр [Электронный ресурс] https://hmong.ru URL: https://hmong.ru/wiki/Hyper-heuristics (дата обращения: 07.07.2022)].
Гипер-эвристика (Hyper-heuristic) – это эвристический метод решения задачи, который стремится автоматизировать, часто путем включения методов машинного обучения, процесс выбора, объединения, генерации или адаптации нескольких более простых эвристик (или компонентов таких эвристик) для эффективного решения задач вычислительного поиска. Одной из мотиваций для изучения гипер-эвристики является создание систем, которые могут обрабатывать классы проблем, а не решать только одну проблему[217 - Hyper-heuristic [Электронный ресурс] https://en.wikipedia.org URL: https://en.wikipedia.org/wiki/Hyper-heuristic (дата обращения: 28.03.2023)].
Глубина (Depth) – это количество слоев (включая любые встраивающие слои) в нейронной сети, которые изучают веса. Например, нейронная сеть с 5 скрытыми слоями и 1 выходным слоем имеет глубину 6[218 - Depth [Электронный ресурс] https://www.primeclasses.in URL: https://www.primeclasses.in/glossary/data-science-course/machine-learning/depth (дата обращения: 28.03.2023)].
Глубокая модель (Deep model) – это тип нейронной сети, содержащий несколько скрытых слоев[219 - Deep model [Электронный ресурс] https://www.primeclasses.in URL: https://www.primeclasses.in/glossary/data-science-course/machine-learning/deep-model (дата обращения: 28.03.2023)].
Глубокая нейронная сеть (ГНС) (Deep neural network) многослойная сеть, содержащая между входным и выходным слоями несколько (много) скрытых слоёв нейронов, что позволяет моделировать сложные нелинейные отношения. ГНС сейчас всё чаще используются для решения таких задач искусственного интеллекта, как распознавание речи, обработка текстов на естественном языке, компьютерное зрение и т.п., в том числе в робототехнике[220 - Deep neural network [Электронный ресурс] https://machinelearningmastery.ru URL: https://www.machinelearningmastery.ru/how-to-stop-training-deep-neural-networks-at-the-right-time-using-early-stopping/ (дата обращения: 08.02.2022)].
Глубоко разделяемая сверточная нейронная сеть (Depthwise separable convolutional neural network) – это архитектура сверточной нейронной сети, основанная на Inception (раздел с данными на GitHub), но в которой модули Inception заменены свертками, отделяемыми по глубине. Также известен как Xception[221 - Depthwise separable convolutional neural network (sepCNN) [Электронный ресурс] https://developers.google.com URL: https://developers.google.com/machine-learning/glossary#depthwise-separable-convolutional-neural-network-sepcnn (дата обращения: 28.03.2023)].
Глубокое обучение (Deep Learning) – это разновидность машинного обучения на основе искусственных нейронных сетей, а также глубокое (глубинное) структурированное или иерархическое машинное обучение, набор алгоритмов и методов машинного обучения (machine learning) на основе различных видов представления данных. Обучение может быть контролируемым, полу контролируемым (semi-supervised) или неконтролируемым. Использование в глубоком обучении рекуррентных нейронных сетей (recurrent neural networks), позволяет эффективно решать задачи в областях компьютерного зрения, распознавания речи, обработки текстов на естественном языке, машинного перевода, биоинформатики и др.[222 - Deep Learning (DL) [Электронный ресурс] https://www.algotive.ai URL: https://www.algotive.ai/blog/everything-you-need-to-know-about-deep-learning-the-technology-that-mimics-the-human-brain (дата обращения: 28.03.2023)].
Государство-как-Платформа (State-as-Platform) – это концепция трансформации государственного управления с использованием возможностей, которые нам дают новые технологии. Целевой функцией реализации идеи «Государство-как-Платформа» является благополучие граждан и содействие экономическому росту, основанному на внедрении технологий. В фокусе развертывания Платформы находится гражданин в условиях новой цифровой реальности. Государство должно создать условия, которые помогут человеку раскрыть свои способности, и сформировать комфортную и безопасную среду для его жизни и реализации потенциала, а также для создания и внедрения инновационных технологий[223 - Государство-как-Платформа [Электронный ресурс] https://www.csr.ru URL: https://www.csr.ru/upload/iblock/313/3132b2de9ccef0db1eecd56071b98f5f.pdf (дата обращения: 28.03.2023)],[224 - Государство-как-Платформа [Электронный ресурс] https://cdto.wiki URL: https://cdto.wiki/Ссылки:Государство_как_платформа (дата обращения: 28.03.2023)].
Градиент (Gradient) – это вектор, своим направлением указывающий направление наибольшего возрастания некоторой скалярной величины (значение которой меняется от одной точки пространства к другой, образуя скалярное поле), а по величине (модулю) равный скорости роста этой величины в этом направлении[225 - Gradient [Электронный ресурс] https://developers.google.com URL: https://developers.google.com/machine-learning/glossary#gradient (дата обращения: 28.03.2023)].
Градиентная обрезка (Gradient clipping) – это метод, позволяющий справиться с проблемой взрывающихся градиентов путем искусственного ограничения (отсечения) максимального значения градиентов при использовании градиентного спуска для обучения модели[226 - Gradient clipping [Электронный ресурс] https://developers.google.com URL: https://developers.google.com/machine-learning/glossary#gradient-clipping (дата обращения: 28.03.2023)].
Градиентный спуск (Gradient descent) – это метод минимизации потерь путем вычисления градиентов потерь по отношению к параметрам модели на основе обучающих данных. Градиентный спуск итеративно корректирует параметры, постепенно находя наилучшую комбинацию весов и смещения для минимизации потерь[227 - Gradient descent [Электронный ресурс] https://medium.com URL: https://medium.com/@rndayala/gradient-descent-algorithm-2553ccc79750 (дата обращения 14.03.2022)].
Граница решения (Decision boundary) – это разделитель между классами, изученными моделью в задачах классификации двоичного класса или нескольких классов[228 - Decision boundary [Электронный ресурс] https://developers.google.com URL: https://developers.google.com/machine-learning/glossary#decision-boundary (дата обращения: 28.03.2023)].
Граница решения или поверхность решения (в статистико-классификационной задаче с двумя классами) (Decision boundary) – это гиперповерхность, разделяющая нижележащее векторное пространство на два множества, по одному для каждого класса. Классификатор классифицирует все точки на одной стороне границы принятия решения как принадлежащие одному классу, а все точки на другой стороне как принадлежащие другому классу.
Граф (Graph) – это таблица, составленная из данных (тензоров) и математических операций. TensorFlow – это библиотека для численных расчетов, в которой данные проходят через граф. Данные в TensorFlow представлены n-мерными массивами – тензорами[229 - Graph [Электронный ресурс] https://developers.google.com
https://developers.google.com/machine-learning/glossary#graph (дата обращения: 28.03.2023)].
Граф (абстрактный тип данных) (Graph) – в информатике граф – это абстрактный тип данных, который предназначен для реализации концепций неориентированного графа и ориентированного графа из математики; в частности, область теории графов[230 - Graph (abstract data type) [Электронный ресурс] www.semanticscholar.org URL: https://www.semanticscholar.org/topic/Graph-(discrete-mathematics)/23410 (дата обращения 28.01.2022)].
Граф (с точки зрения компьютерных наук и дискретной математики) (Graph) – это абстрактный способ представления типов отношений, например дорог, соединяющих города, и других видов сетей. Графы состоят из рёбер и вершин. Вершина – это точка на графе, а ребро – это то, что соединяет две точки на графе[231 - Graph (discrete mathematics) [Электронный ресурс] https://en.wikipedia.org URL: https://en.wikipedia.org/wiki/Graph_(discrete_mathematics) (дата обращения: 28.03.2023)].
Графический кластер (Graphics Processing Cluster, GPC) – это доминирующий высокоуровневый блок, включающий все ключевые графические составляющие[232 - Графический кластер (GPC) [Электронный ресурс] https://habr.com URL: https://habr.com/ru/company/pixonic/blog/520136/ (дата обращения: 28.03.2023)].
Графический процессор (Graphical Processing Unit) – это отдельный процессор, расположенный на видеокарте, который выполняет обработку 2D или 3D графики. Имея процессор на видеокарте, компьютерный процессор освобождается от лишней работы и может выполнять все другие важные задачи быстрее. Особенностью графического процессора (GPU), является то, что он максимально нацелен на увеличение скорости расчета именно графической информации (текстур и объектов). Благодаря своей архитектуре такие процессоры намного эффективнее обрабатывают графическую информацию, нежели типичный центральный процессор компьютера[233 - Graphical Processing Unit (GPU) [Электронный ресурс] https://en.wikipedia.org URL: https://en.wikipedia.org/wiki/Graphics_processing_unit (дата обращения: 28.03.2023)].
