Glosario de inteligencia artificial

Este glosario de inteligencia artificial es una lista de definiciones de términos y conceptos relevantes para el estudio de la inteligencia artificial (IA), sus subdisciplinas y campos relacionados. Los glosarios relacionados incluyen Glosario de informática , Glosario de robótica y Glosario de visión artificial .

A

Búsqueda A*: Un algoritmo de recorrido de gráficos y búsqueda de rutas que se utiliza en muchos campos de la informática debido a su integridad, optimalidad y eficiencia óptima.
Programación lógica abductiva (ALP): Un marco de representación de conocimiento de alto nivel que se puede utilizar para resolver problemas de forma declarativa basándose en el razonamiento abductivo. Amplía la programación lógica normal al permitir que algunos predicados se definan de forma incompleta y se declaren como predicados abducibles.
razonamiento abductivo: Una forma de inferencia lógica que comienza con una observación o un conjunto de observaciones y luego busca encontrar la explicación más simple y probable. Este proceso, a diferencia del razonamiento deductivo , produce una conclusión plausible pero no la verifica positivamente . ^[1] inferencia abductiva ^[1] o retroducción ^[2]
ablación: La eliminación de un componente de un sistema de IA. Un estudio de ablación tiene como objetivo determinar la contribución de un componente a un sistema de IA mediante la eliminación del componente y el análisis posterior del rendimiento resultante del sistema. ^[3]
tipo de datos abstracto: Un modelo matemático para tipos de datos , donde un tipo de datos se define por su comportamiento ( semántica ) desde el punto de vista de un usuario de los datos, específicamente en términos de posibles valores, posibles operaciones sobre datos de este tipo y el comportamiento de estas operaciones.
abstracción: El proceso de eliminar detalles físicos, espaciales o temporales ^[4] o atributos en el estudio de objetos o sistemas para prestar más atención a otros detalles de interés ^[5].
Acelerando el cambio: Un aumento percibido en la tasa de cambio tecnológico a lo largo de la historia, que puede sugerir un cambio más rápido y más profundo en el futuro y puede o no estar acompañado por un cambio social y cultural igualmente profundo.
lenguaje de acción: Un lenguaje para especificar sistemas de transición de estados , y se utiliza comúnmente para crear modelos formales de los efectos de las acciones en el mundo. ^[6] Los lenguajes de acción se utilizan comúnmente en los dominios de la inteligencia artificial y la robótica , donde describen cómo las acciones afectan los estados de los sistemas a lo largo del tiempo, y pueden usarse para la planificación automatizada .
aprendizaje del modelo de acción: Área del aprendizaje automático que se ocupa de la creación y modificación del conocimiento del agente de software sobre los efectos y las condiciones previas de las acciones que se pueden ejecutar en su entorno. Este conocimiento suele representarse en un lenguaje de descripción de acciones basado en la lógica y se utiliza como entrada para los planificadores automatizados.
selección de acción: Una forma de caracterizar el problema más básico de los sistemas inteligentes: qué hacer a continuación. En inteligencia artificial y ciencia cognitiva computacional, el "problema de selección de acciones" suele asociarse con agentes inteligentes y animats (sistemas artificiales que exhiben un comportamiento complejo en un entorno de agentes).
Función de activación: En las redes neuronales artificiales, la función de activación de un nodo define la salida de ese nodo dada una entrada o un conjunto de entradas.
algoritmo adaptativo: Un algoritmo que cambia su comportamiento en el momento en que se ejecuta, basándose en un mecanismo o criterio de recompensa definido a priori.
Sistema de inferencia neurodifusa adaptativa (ANFIS): Un tipo de red neuronal artificial que se basa en el sistema de inferencia difusa de Takagi-Sugeno . La técnica se desarrolló a principios de la década de 1990. ^[7]^[8] Dado que integra tanto redes neuronales como principios de lógica difusa, tiene potencial para capturar los beneficios de ambos en un solo marco. Su sistema de inferencia corresponde a un conjunto de reglas IF-THEN difusas que tienen capacidad de aprendizaje para aproximar funciones no lineales. ^[9] Por lo tanto, ANFIS se considera un estimador universal. ^[10] Para utilizar ANFIS de una manera más eficiente y óptima, se pueden utilizar los mejores parámetros obtenidos mediante algoritmos genéticos. ^[11]^[12]
heurística admisible: En informática , específicamente en algoritmos relacionados con la búsqueda de rutas, se dice que una función heurística es admisible si nunca sobreestima el coste de alcanzar la meta, es decir, el coste que estima para alcanzar la meta no es mayor que el coste más bajo posible desde el punto actual en la ruta. ^[13]
computación afectiva: El estudio y desarrollo de sistemas y dispositivos que pueden reconocer, interpretar, procesar y simular los afectos humanos . La informática afectiva es un campo interdisciplinario que abarca la informática , la psicología y la ciencia cognitiva . ^[14]^[15]
arquitectura del agente: Un modelo para agentes de software y sistemas de control inteligentes que muestra la disposición de los componentes. Las arquitecturas implementadas por agentes inteligentes se denominan arquitecturas cognitivas . ^[16]
Acelerador de IA: Una clase de microprocesador ^[17] o sistema informático ^[18] diseñado como aceleración de hardware para aplicaciones de inteligencia artificial, especialmente redes neuronales artificiales, visión artificial y aprendizaje automático.
IA completa: En el campo de la inteligencia artificial, los problemas más difíciles se conocen informalmente como IA-completos o IA-difíciles, lo que implica que la dificultad de estos problemas computacionales es equivalente a la de resolver el problema central de la inteligencia artificial: hacer que las computadoras sean tan inteligentes como las personas, o IA fuerte. ^[19] Llamar a un problema IA-completo refleja una actitud de que no se resolvería con un algoritmo específico simple.
algoritmo: Una especificación inequívoca de cómo resolver una clase de problemas. Los algoritmos pueden realizar tareas de cálculo, procesamiento de datos y razonamiento automatizado.
eficiencia algorítmica: Propiedad de un algoritmo que se relaciona con la cantidad de recursos computacionales que utiliza. Un algoritmo debe analizarse para determinar el uso de sus recursos, y la eficiencia de un algoritmo puede medirse en función del uso de diferentes recursos. La eficiencia algorítmica puede considerarse análoga a la productividad de ingeniería para un proceso repetitivo o continuo.
probabilidad algorítmica: En la teoría de la información algorítmica , la probabilidad algorítmica, también conocida como probabilidad de Solomonoff, es un método matemático para asignar una probabilidad previa a una observación dada. Fue inventada por Ray Solomonoff en la década de 1960. ^[20]
AlfaGo: Un programa de computadora que juega al juego de mesa Go . ^[21] Fue desarrollado por Google DeepMind de Alphabet Inc. en Londres. AlphaGo tiene varias versiones, incluidas AlphaGo Zero , AlphaGo Master , AlphaGo Lee , etc. ^[22] En octubre de 2015, AlphaGo se convirtió en el primer programa de Go de computadora en vencer a un jugador profesional humano de Go sin desventajas en un tablero de tamaño completo de 19 × 19. ^[23]^[24]
Inteligencia ambiental (AmI): Entornos electrónicos sensibles y receptivos a la presencia de personas.
análisis de algoritmos: La determinación de la complejidad computacional de los algoritmos, es decir, la cantidad de tiempo, almacenamiento y/u otros recursos necesarios para ejecutarlos . Por lo general, esto implica determinar una función que relaciona la longitud de la entrada de un algoritmo con la cantidad de pasos que realiza (su complejidad temporal ) o la cantidad de ubicaciones de almacenamiento que utiliza (su complejidad espacial ).
analítica: El descubrimiento, la interpretación y la comunicación de patrones significativos en datos.
Programación de conjuntos de respuestas (ASP): Una forma de programación declarativa orientada a problemas de búsqueda difíciles (principalmente NP-hard ) . Se basa en la semántica de modelos estables (conjunto de respuestas) de la programación lógica . En ASP, los problemas de búsqueda se reducen al cálculo de modelos estables y se utilizan solucionadores de conjuntos de respuestas (programas para generar modelos estables) para realizar la búsqueda.
Optimización de colonias de hormigas (ACO): Una técnica probabilística para resolver problemas computacionales que pueden reducirse a encontrar buenos caminos a través de gráficos .
algoritmo en cualquier momento: Un algoritmo que puede devolver una solución válida a un problema incluso si se interrumpe antes de terminar.
Interfaz de programación de aplicaciones (API): Conjunto de definiciones de subrutinas, protocolos de comunicación y herramientas para crear software. En términos generales, es un conjunto de métodos de comunicación claramente definidos entre varios componentes. Una buena API facilita el desarrollo de un programa informático al proporcionar todos los bloques de construcción, que luego son ensamblados por el programador . Una API puede ser para un sistema basado en la web, un sistema operativo , un sistema de base de datos , un hardware informático o una biblioteca de software .
coincidencia aproximada de cadenas: La técnica de encontrar cadenas que coincidan con un patrón de manera aproximada (en lugar de exacta). El problema de la coincidencia aproximada de cadenas se divide normalmente en dos subproblemas: encontrar coincidencias aproximadas de subcadenas dentro de una cadena dada y encontrar cadenas de diccionario que coincidan con el patrón de manera aproximada.
error de aproximación: La discrepancia entre un valor exacto y alguna aproximación al mismo.
marco de argumentación: Una forma de tratar la información polémica y sacar conclusiones de ella. En un marco de argumentación abstracta, ^[25] la información de nivel de entrada es un conjunto de argumentos abstractos que, por ejemplo, representan datos o una proposición. Los conflictos entre argumentos se representan mediante una relación binaria en el conjunto de argumentos. En términos concretos, se representa un marco de argumentación con un gráfico dirigido de modo que los nodos sean los argumentos y las flechas representen la relación de ataque. Existen algunas extensiones del marco de Dung, como los marcos de argumentación basados en la lógica ^[26] o los marcos de argumentación basados en valores ^{[27] .}
Inteligencia artificial general (IAG): Un tipo de IA que iguala o supera las capacidades cognitivas humanas en una amplia gama de tareas cognitivas.
sistema inmunológico artificial (SIA): Una clase de sistemas de aprendizaje automático basados en reglas y con inteligencia computacional inspirados en los principios y procesos del sistema inmunológico de los vertebrados . Los algoritmos suelen estar modelados según las características de aprendizaje y memoria del sistema inmunológico para su uso en la resolución de problemas .
Inteligencia artificial (IA): Cualquier inteligencia demostrada por máquinas , en contraste con la inteligencia natural que muestran los humanos y otros animales. En informática , la investigación en IA se define como el estudio de "agentes inteligentes": cualquier dispositivo que percibe su entorno y realiza acciones que maximizan sus posibilidades de lograr con éxito sus objetivos. ^[28] Coloquialmente, el término "inteligencia artificial" se aplica cuando una máquina imita funciones "cognitivas" que los humanos asocian con otras mentes humanas , como "aprender" y "resolver problemas". ^[29]
Lenguaje de marcado de inteligencia artificial: Un dialecto XML para crear agentes de software de lenguaje natural .
red neuronal artificial (RNA): Las redes neuronales artificiales (RNA), también abreviadas como redes neuronales (NN) o redes neuronales , son una rama de los modelos de aprendizaje automático que se construyen utilizando principios de organización neuronal descubiertos por el conexionismo en las redes neuronales biológicas que constituyen los cerebros animales . ^[30]^[31]
Asociación para el Avance de la Inteligencia Artificial (AAAI): Sociedad científica internacional sin fines de lucro dedicada a promover la investigación y el uso responsable de la inteligencia artificial. La AAAI también tiene como objetivo aumentar la comprensión pública de la inteligencia artificial (IA), mejorar la enseñanza y la capacitación de los profesionales de la IA y brindar orientación a los planificadores y financiadores de la investigación sobre la importancia y el potencial de los desarrollos actuales de la IA y las direcciones futuras. ^[32]
complejidad computacional asintótica: En la teoría de la complejidad computacional, la complejidad computacional asintótica es el uso del análisis asintótico para la estimación de la complejidad computacional de algoritmos y problemas computacionales , comúnmente asociada con el uso de la notación O grande .
mecanismo de atención: La atención basada en el aprendizaje automático es un mecanismo que imita la atención cognitiva . Calcula pesos "suaves" para cada palabra, más precisamente para su inserción, en la ventana de contexto . Puede hacerlo en paralelo (como en los transformadores ) o secuencialmente (como en las redes neuronales recursivas ). Los pesos "suaves" pueden cambiar durante cada tiempo de ejecución, en contraste con los pesos "duros", que se entrenan (previamente) y se ajustan y permanecen congelados después. En los modelos de lenguaje grandes basados en transformadores se utilizan múltiples cabezas de atención .
cálculo atribucional: Un sistema de lógica y representación definido por Ryszard S. Michalski . Combina elementos de la lógica de predicados , el cálculo proposicional y la lógica multivaluada . El cálculo atribucional proporciona un lenguaje formal para la inducción natural , un proceso de aprendizaje inductivo cuyos resultados se presentan en formas naturales para las personas.
realidad aumentada (RA): Una experiencia interactiva de un entorno del mundo real donde los objetos que residen en el mundo real son "aumentados" por información perceptiva generada por computadora, a veces a través de múltiples modalidades sensoriales, incluidas la visual , auditiva , háptica , somatosensorial y olfativa . ^[33]
codificador automático: Un tipo de red neuronal artificial que se utiliza para aprender codificaciones eficientes de datos no etiquetados (aprendizaje no supervisado). Una implementación común es el autocodificador variacional (VAE).
teoría de autómatas: El estudio de las máquinas abstractas y los autómatas , así como de los problemas computacionales que pueden resolverse mediante su uso. Es una teoría de la informática teórica y de las matemáticas discretas (un tema de estudio tanto en matemáticas como en informática ).
aprendizaje automático automatizado (AutoML): Un campo del aprendizaje automático que tiene como objetivo configurar automáticamente un sistema de aprendizaje automático para maximizar su rendimiento (por ejemplo, la precisión de la clasificación).
planificación y programación automatizadas: Una rama de la inteligencia artificial que se ocupa de la realización de estrategias o secuencias de acciones, típicamente para su ejecución por agentes inteligentes, robots autónomos y vehículos no tripulados . A diferencia de los problemas clásicos de control y clasificación, las soluciones son complejas y deben descubrirse y optimizarse en un espacio multidimensional. La planificación también está relacionada con la teoría de la decisión . ^[34]
razonamiento automatizado: Área de la informática y la lógica matemática dedicada a comprender diferentes aspectos del razonamiento . El estudio del razonamiento automatizado ayuda a producir programas informáticos que permiten a las computadoras razonar de forma completamente, o casi completamente, automática. Aunque el razonamiento automatizado se considera un subcampo de la inteligencia artificial, también tiene conexiones con la informática teórica e incluso con la filosofía .
computación autónoma (CA): Las características de autogestión de los recursos informáticos distribuidos , que se adaptan a cambios impredecibles y ocultan la complejidad intrínseca a los operadores y usuarios. Esta iniciativa, iniciada por IBM en 2001, tenía como objetivo principal desarrollar sistemas informáticos capaces de autogestionarse, superar la creciente complejidad de la gestión de sistemas informáticos y reducir la barrera que la complejidad supone para un mayor crecimiento. ^[35]
coche autónomo: Un vehículo que es capaz de detectar su entorno y moverse con poca o ninguna intervención humana . ^[36]^[37]^[38]
robot autónomo: Un robot que realiza comportamientos o tareas con un alto grado de autonomía . La robótica autónoma suele considerarse un subcampo de la inteligencia artificial, la robótica y la ingeniería de la información . ^[39]

B

retropropagación: Método utilizado en redes neuronales artificiales para calcular un gradiente necesario para calcular los pesos que se utilizarán en la red. ^[40] La retropropagación es una forma abreviada de decir "propagación hacia atrás de errores", ya que un error se calcula en la salida y se distribuye hacia atrás a lo largo de las capas de la red. Se utiliza comúnmente para entrenar redes neuronales profundas, ^[41] un término que se refiere a redes neuronales con más de una capa oculta. ^[42]
Propagación hacia atrás a través del tiempo (BPTT): Una técnica basada en gradientes para entrenar ciertos tipos de redes neuronales recurrentes. Puede utilizarse para entrenar redes Elman . El algoritmo fue derivado de forma independiente por numerosos investigadores. ^[43]^[44]^[45]
encadenamiento hacia atrás: Un método de inferencia descrito coloquialmente como trabajar hacia atrás desde el objetivo. Se utiliza en demostradores de teoremas automatizados , motores de inferencia , asistentes de prueba y otras aplicaciones de inteligencia artificial. ^[46]
modelo de bolsa de palabras: Representación simplificada utilizada en el procesamiento del lenguaje natural y la recuperación de información (IR). En este modelo, un texto (como una oración o un documento) se representa como el conjunto de palabras que lo componen, sin tener en cuenta la gramática e incluso el orden de las palabras, pero manteniendo la multiplicidad . El modelo de bolsa de palabras también se ha utilizado para la visión artificial. ^[47] El modelo de bolsa de palabras se utiliza habitualmente en métodos de clasificación de documentos donde la (frecuencia de) aparición de cada palabra se utiliza como una característica para entrenar un clasificador. ^[48]
modelo de bolsa de palabras en visión artificial: En la visión artificial, el modelo de bolsa de palabras (modelo BoW) se puede aplicar a la clasificación de imágenes , tratando las características de la imagen como palabras. En la clasificación de documentos, una bolsa de palabras es un vector disperso de recuentos de ocurrencia de palabras; es decir, un histograma disperso sobre el vocabulario. En la visión artificial , una bolsa de palabras visuales es un vector de recuentos de ocurrencia de un vocabulario de características de imágenes locales.
normalización de lotes: Una técnica para mejorar el rendimiento y la estabilidad de las redes neuronales artificiales. Es una técnica para proporcionar a cualquier capa de una red neuronal entradas con una media/varianza unitaria cero. ^[49] La normalización por lotes se introdujo en un artículo de 2015. ^[50]^[51] Se utiliza para normalizar la capa de entrada ajustando y escalando las activaciones.
Programación bayesiana: Un formalismo y una metodología para tener una técnica para especificar modelos probabilísticos y resolver problemas cuando se dispone de menos información de la necesaria.
algoritmo de abejas: Un algoritmo de búsqueda basado en la población desarrollado por Pham, Ghanbarzadeh y et al. en 2005. ^[52] Imita el comportamiento de búsqueda de alimentos de las colonias de abejas melíferas. En su versión básica, el algoritmo realiza un tipo de búsqueda de vecindad combinada con una búsqueda global, y se puede utilizar tanto para la optimización combinatoria como para la optimización continua . La única condición para la aplicación del algoritmo de las abejas es que se defina alguna medida de distancia entre las soluciones. La eficacia y las capacidades específicas del algoritmo de las abejas se han demostrado en varios estudios. ^[53]^[54]^[55]^[56]
Informática del comportamiento (BI): La informática del comportamiento para obtener inteligencia y conocimiento del comportamiento. ^[57]
árbol de comportamiento (BT): Un modelo matemático de ejecución de planes utilizado en informática , robótica , sistemas de control y videojuegos . Describen cambios entre un conjunto finito de tareas de forma modular. Su fortaleza proviene de su capacidad para crear tareas muy complejas compuestas de tareas simples, sin preocuparse de cómo se implementan las tareas simples. Las BT presentan algunas similitudes con las máquinas de estado jerárquicas con la diferencia clave de que el componente principal de un comportamiento es una tarea en lugar de un estado. Su facilidad de comprensión humana hace que las BT sean menos propensas a errores y muy populares en la comunidad de desarrolladores de juegos. Se ha demostrado que las BT generalizan varias otras arquitecturas de control. ^[58]^[59]
modelo de software de creencia-deseo-intención (BDI): Modelo de software desarrollado para programar agentes inteligentes. Superficialmente caracterizado por la implementación de las creencias , deseos e intenciones de un agente , en realidad utiliza estos conceptos para resolver un problema particular en la programación de agentes. En esencia, proporciona un mecanismo para separar la actividad de seleccionar un plan (de una biblioteca de planes o una aplicación de planificación externa) de la ejecución de los planes actualmente activos. En consecuencia, los agentes BDI pueden equilibrar el tiempo dedicado a deliberar sobre los planes (elegir qué hacer) y ejecutar esos planes (hacerlo). Una tercera actividad, la creación de los planes en primer lugar (planificación), no está dentro del alcance del modelo y se deja al diseñador y programador del sistema.
compensación entre sesgo y varianza: En estadística y aprendizaje automático, el equilibrio entre sesgo y varianza es una propiedad de un conjunto de modelos predictivos según la cual los modelos con un menor sesgo en la estimación de parámetros tienen una mayor varianza de las estimaciones de parámetros entre muestras , y viceversa.
grandes datos: Término utilizado para referirse a conjuntos de datos que son demasiado grandes o complejos para que los programas de procesamiento de datos tradicionales puedan manejarlos adecuadamente. Los datos con muchos casos (filas) ofrecen mayor poder estadístico , mientras que los datos con mayor complejidad (más atributos o columnas) pueden generar una mayor tasa de descubrimientos falsos . ^[60]
Notación O grande: Notación matemática que describe el comportamiento límite de una función cuando el argumento tiende hacia un valor particular o hacia el infinito. Es miembro de una familia de notaciones inventadas por Paul Bachmann , ^[61] Edmund Landau , ^[62] y otros, llamadas colectivamente notación Bachmann-Landau o notación asintótica.
árbol binario: Una estructura de datos de árbol en la que cada nodo tiene como máximo dos hijos , a los que se hace referencia comoniño izquierdo y elhijo correcto . Unadefinición recursivaque utiliza sólode teoría de conjuntoses que un árbol binario (no vacío) es unatupla(L,S,R), dondeLyRson árboles binarios o elconjunto vacíoySes unconjunto singleton.^[63]Algunos autores permiten que el árbol binario sea también el conjunto vacío.^[64]
sistema de pizarra: Un enfoque de inteligencia artificial basado en el modelo arquitectónico de pizarra , ^[65]^[66]^[67]^[68] donde una base de conocimiento común, la "pizarra", se actualiza iterativamente por un grupo diverso de fuentes de conocimiento especializadas, comenzando con una especificación del problema y terminando con una solución. Cada fuente de conocimiento actualiza la pizarra con una solución parcial cuando sus restricciones internas coinciden con el estado de la pizarra. De esta manera, los especialistas trabajan juntos para resolver el problema.
Máquina de Boltzmann: Un tipo de red neuronal recurrente estocástica y campo aleatorio de Markov . ^[69] Las máquinas de Boltzmann pueden considerarse la contraparte estocástica y generativa de las redes de Hopfield .
Problema de satisfacibilidad booleana: El problema de determinar si existe una interpretación que satisfaga una fórmula booleana dada . En otras palabras, pregunta si las variables de una fórmula booleana dada pueden reemplazarse consistentemente por los valores VERDADERO o FALSO de tal manera que la fórmula evalúe VERDADERO. Si este es el caso, la fórmula se llama satisfacible . Por otro lado, si no existe tal asignación, la función expresada por la fórmula es FALSA para todas las asignaciones de variables posibles y la fórmula es insatisfacible . Por ejemplo, la fórmula " a AND NOT b " es satisfacible porque uno puede encontrar los valores a = VERDADERO y b = FALSO, lo que hace que ( a AND NOT b ) = VERDADERO. En contraste, " a AND NOT a " es insatisfacible.
Impulsando: Un metaalgoritmo de conjunto de aprendizaje automático para reducir el sesgo mediante el entrenamiento de modelos secuencialmente, cada uno corrigiendo los errores de su predecesor.
agregación bootstrap: Un metaalgoritmo de conjunto de aprendizaje automático para reducir la varianza mediante el entrenamiento de múltiples modelos de forma independiente y el promedio de sus predicciones.
tecnología cerebral: Una tecnología que emplea los últimos hallazgos en neurociencia . El término fue introducido por primera vez por el Laboratorio de Inteligencia Artificial en Zurich, Suiza , en el contexto del proyecto ROBOY . ^[70] La tecnología cerebral se puede emplear en robots, ^[71] sistemas de gestión de conocimientos ^[72] y cualquier otra aplicación con capacidades de autoaprendizaje. En particular, las aplicaciones de tecnología cerebral permiten la visualización de la arquitectura de aprendizaje subyacente, a menudo denominada "mapas de conocimientos".
factor de ramificación: En informática , estructuras de datos en forma de árbol y teoría de juegos , el número de hijos en cada nodo se denomina grado de salida . Si este valor no es uniforme, se puede calcular un factor de ramificación promedio .
búsqueda de fuerza bruta: Una técnica de resolución de problemas muy general y un paradigma algorítmico que consiste en enumerar sistemáticamente todos los posibles candidatos para la solución y comprobar si cada candidato satisface el enunciado del problema.

do

Red neuronal en cápsula (CapsNet): Un sistema de aprendizaje automático que es un tipo de red neuronal artificial (RNA) que se puede utilizar para modelar mejor las relaciones jerárquicas. El enfoque es un intento de imitar más de cerca la organización neuronal biológica. ^[73]
razonamiento basado en casos (CBR): En sentido amplio, el proceso de resolver nuevos problemas basándose en las soluciones de problemas pasados similares.
robot conversacional: Un programa de computadora o una inteligencia artificial que lleva a cabo una conversación a través de métodos auditivos o textuales. ^[74]
Robótica en la nube: Un campo de la robótica que intenta invocar tecnologías de la nube como la computación en la nube , el almacenamiento en la nube y otras tecnologías de Internet centradas en los beneficios de la infraestructura convergente y los servicios compartidos para la robótica. Cuando se conectan a la nube, los robots pueden beneficiarse de los potentes recursos de computación, almacenamiento y comunicación del centro de datos moderno en la nube, que puede procesar y compartir información de varios robots o agentes (otras máquinas, objetos inteligentes, humanos, etc.). Los humanos también pueden delegar tareas a los robots de forma remota a través de redes . Las tecnologías de computación en la nube permiten dotar a los sistemas robóticos de una capacidad potente al tiempo que reducen los costes a través de las tecnologías de la nube. Por tanto, es posible construir robots ligeros, de bajo coste y más inteligentes que tengan un "cerebro" inteligente en la nube. El "cerebro" consta de un centro de datos , una base de conocimientos , planificadores de tareas, aprendizaje profundo , procesamiento de la información, modelos ambientales, soporte de comunicación, etc. ^[75]^[76]^[77]^[78]
análisis de conglomerados: La tarea de agrupar un conjunto de objetos de tal manera que los objetos del mismo grupo (llamado clúster) sean más similares (en algún sentido) entre sí que con los de otros grupos (clústeres). Es una tarea principal de la minería de datos exploratoria , y una técnica común para el análisis estadístico de datos , utilizada en muchos campos, incluidos el aprendizaje automático, el reconocimiento de patrones , el análisis de imágenes , la recuperación de información , la bioinformática , la compresión de datos y los gráficos por computadora .
Telaraña: Un sistema incremental para la agrupación conceptual jerárquica . COBWEB fue inventado por el profesor Douglas H. Fisher , actualmente en la Universidad de Vanderbilt. ^[79]^[80] COBWEB organiza de forma incremental las observaciones en un árbol de clasificación . Cada nodo de un árbol de clasificación representa una clase (concepto) y está etiquetado por un concepto probabilístico que resume las distribuciones de valores de atributos de los objetos clasificados bajo el nodo. Este árbol de clasificación se puede utilizar para predecir los atributos faltantes o la clase de un nuevo objeto. ^[81]
arquitectura cognitiva: El Instituto de Tecnologías Creativas define la arquitectura cognitiva como: “hipótesis sobre las estructuras fijas que proporcionan una mente, ya sea en sistemas naturales o artificiales, y cómo trabajan juntas –en conjunción con el conocimiento y las habilidades incorporadas en la arquitectura– para producir un comportamiento inteligente en una diversidad de entornos complejos”. ^[82]
computación cognitiva: En general, el término computación cognitiva se ha utilizado para referirse a nuevo hardware y/o software que imita el funcionamiento del cerebro humano ^[83]^[84]^[85]^[86]^[87]^[88] y ayuda a mejorar la toma de decisiones humana. ^[89] En este sentido, CC es un nuevo tipo de computación con el objetivo de modelos más precisos de cómo el cerebro/ mente humana siente, razona y responde a los estímulos.
ciencia cognitiva: El estudio científico interdisciplinario de la mente y sus procesos. ^[90]
optimización combinatoria: En la investigación de operaciones , las matemáticas aplicadas y la informática teórica , la optimización combinatoria es un tema que consiste en encontrar un objeto óptimo a partir de un conjunto finito de objetos. ^[91]
máquina de comité: Un tipo de red neuronal artificial que utiliza una estrategia de divide y vencerás en la que las respuestas de múltiples redes neuronales (expertos) se combinan en una única respuesta. ^[92] Se supone que la respuesta combinada de la máquina del comité es superior a las de sus expertos constituyentes. Comparar conjuntos de clasificadores .
conocimiento de sentido común: En la investigación sobre inteligencia artificial, el conocimiento de sentido común consiste en hechos sobre el mundo cotidiano, como "Los limones son amargos", que se espera que todos los seres humanos conozcan. El primer programa de IA que abordó el conocimiento de sentido común fue Advice Taker, de John McCarthy, en 1959. ^[93]
razonamiento de sentido común: Una rama de la inteligencia artificial que se ocupa de simular la capacidad humana de hacer suposiciones sobre el tipo y la esencia de las situaciones ordinarias que encontramos todos los días. ^[94]
química computacional: Una rama de la química que utiliza simulación por computadora para ayudar a resolver problemas químicos.
teoría de la complejidad computacional: Se centra en clasificar los problemas computacionales según su dificultad inherente y relacionar estas clases entre sí. Un problema computacional es una tarea resuelta por una computadora. Un problema computacional se puede resolver mediante la aplicación mecánica de pasos matemáticos, como un algoritmo.
creatividad computacional: Un esfuerzo multidisciplinario que incluye los campos de la inteligencia artificial, la psicología cognitiva , la filosofía y las artes .
cibernética computacional: La integración de técnicas de cibernética e inteligencia computacional.
humor computacional: Una rama de la lingüística computacional y la inteligencia artificial que utiliza computadoras en la investigación del humor . ^[95]
inteligencia computacional (IC): Generalmente se refiere a la capacidad de una computadora para aprender una tarea específica a partir de datos u observación experimental.
teoría del aprendizaje computacional: En informática , la teoría del aprendizaje computacional (o simplemente teoría del aprendizaje) es un subcampo de la inteligencia artificial dedicado a estudiar el diseño y análisis de algoritmos de aprendizaje automático. ^[96]
lingüística computacional: Un campo interdisciplinario que se ocupa del modelado estadístico o basado en reglas del lenguaje natural desde una perspectiva computacional, así como del estudio de enfoques computacionales apropiados para cuestiones lingüísticas.
Matemáticas computacionales: La investigación matemática en áreas de la ciencia donde la computación juega un papel esencial.
neurociencia computacional: Una rama de la neurociencia que emplea modelos matemáticos, análisis teóricos y abstracciones del cerebro para comprender los principios que gobiernan el desarrollo , la estructura , la fisiología y las capacidades cognitivas del sistema nervioso . ^[97]^[98]^[99]^[100]
teoría de números computacionales: El estudio de algoritmos para realizar cálculos teóricos de números .
Problema computacional: En informática teórica , un problema computacional es un objeto matemático que representa una colección de preguntas que las computadoras podrían ser capaces de resolver.
estadística computacional: La interfaz entre la estadística y la informática.
Diseño automatizado por computadora (CAutoD): La automatización del diseño generalmente se refiere a la automatización del diseño electrónico o a la automatización del diseño , que es un configurador de productos . La extensión del diseño asistido por computadora (CAD), el diseño automatizado y el diseño automatizado por computadora ^[101]^[102]^[103] se relacionan con una gama más amplia de aplicaciones, como la ingeniería automotriz , la ingeniería civil , ^[104]^[105]^[106]^{[107] el diseño} de materiales compuestos , la ingeniería de control , ^[108] la identificación y optimización de sistemas dinámicos , ^{[109] los sistemas} financieros , los equipos industriales, los sistemas mecatrónicos, la construcción de acero , ^[110]la optimización estructural , ^[111] y la invención de sistemas novedosos. Más recientemente, se observa que la simulación CAD tradicional se transforma en CAutoD mediante el aprendizaje automático de inspiración biológica, ^{[112] incluidas}las técnicas de búsqueda heurística como la computación evolutiva , ^[113]^[114] y los algoritmos de inteligencia de enjambre. ^[115]
audición por computadora (CA): Ver máquina escuchando .
Ciencias de la Computación: La teoría, la experimentación y la ingeniería que forman la base para el diseño y el uso de las computadoras . Implica el estudio de algoritmos que procesan, almacenan y comunican información digital . Un científico informático se especializa en la teoría de la computación y el diseño de sistemas computacionales. ^[116]
visión por computadora: Campo científico interdisciplinario que estudia cómo se puede lograr que las computadoras adquieran un conocimiento de alto nivel a partir de imágenes o videos digitales . Desde la perspectiva de la ingeniería , busca automatizar tareas que el sistema visual humano puede realizar. ^[117]^[118]^[119]
deriva conceptual: En el análisis predictivo y el aprendizaje automático, el concepto de deriva significa que las propiedades estadísticas de la variable objetivo, que el modelo intenta predecir, cambian con el tiempo de maneras imprevistas. Esto causa problemas porque las predicciones se vuelven menos precisas a medida que pasa el tiempo.
conexionismo: Un enfoque en el campo de la ciencia cognitiva , que espera explicar los fenómenos mentales utilizando redes neuronales artificiales. ^[120]
heurística consistente: En el estudio de problemas de búsqueda de rutas en inteligencia artificial, se dice que una función heurística es consistente o monótona si su estimación es siempre menor o igual a la distancia estimada desde cualquier vértice vecino hasta el objetivo, más el costo de llegar a ese vecino.
modelo condicional restringido (CCM): Un marco de inferencia y aprendizaje automático que aumenta el aprendizaje de modelos condicionales (probabilísticos o discriminativos) con restricciones declarativas.
programación lógica de restricciones: Una forma de programación de restricciones , en la que la programación lógica se extiende para incluir conceptos de satisfacción de restricciones . Un programa lógico de restricciones es un programa lógico que contiene restricciones en el cuerpo de cláusulas. Un ejemplo de una cláusula que incluye una restricción es . En esta cláusula, es una restricción; , , y son literales como en la programación lógica regular. Esta cláusula establece una condición bajo la cual se cumple la declaración: es mayor que cero y tanto y son verdaderos.A(X,Y) :- X+Y>0, B(X), C(Y)X+Y>0A(X,Y)B(X)C(Y)A(X,Y)X+YB(X)C(Y)
programación de restricciones: Paradigma de programación en el que las relaciones entre variables se establecen en forma de restricciones . Las restricciones difieren de los primitivos comunes de los lenguajes de programación imperativa en que no especifican un paso o una secuencia de pasos a ejecutar, sino las propiedades de una solución que se debe encontrar.
lenguaje construido: Lengua cuya fonología , gramática y vocabulario se idean conscientemente, en lugar de haberse desarrollado de forma natural . Las lenguas construidas también pueden denominarse lenguas artificiales, planificadas o inventadas. ^[121]
teoría del control: La ingeniería de sistemas de control es un subcampo de las matemáticas que se ocupa del control de sistemas dinámicos de funcionamiento continuo en procesos y máquinas de ingeniería. El objetivo es desarrollar un modelo de control para controlar dichos sistemas mediante una acción de control de manera óptima sin demoras ni sobreimpulsos y garantizando la estabilidad del control .
red neuronal convolucional: En el aprendizaje profundo , una red neuronal convolucional (CNN o ConvNet) es una clase de redes neuronales profundas , que se aplican con mayor frecuencia al análisis de imágenes visuales. Las CNN utilizan una variación de perceptrones multicapa diseñados para requerir un preprocesamiento mínimo . ^[122] También se conocen como redes neuronales artificiales invariantes al desplazamiento o invariantes al espacio (SIANN), en función de su arquitectura de pesos compartidos y sus características de invariancia de traducción . ^[123]^[124]
cruce: En algoritmos genéticos y computación evolutiva, operador genético utilizado para combinar la información genética de dos progenitores para generar nuevos descendientes. Es una forma de generar nuevas soluciones de manera aleatoria a partir de una población existente, y es análoga al cruce que ocurre durante la reproducción sexual en organismos biológicos. Las soluciones también se pueden generar clonando una solución existente, lo que es análogo a la reproducción asexual . Las soluciones recién generadas suelen mutarse antes de agregarse a la población.

D

Bosque oscuro: Un programa informático de Go desarrollado por Facebook , basado en técnicas de aprendizaje profundo utilizando una red neuronal convolucional . Su versión actualizada Darkfores2 combina las técnicas de su predecesor con la búsqueda de árboles de Monte Carlo . ^[125]^[126] El MCTS toma de manera efectiva los métodos de búsqueda de árboles que se ven comúnmente en los programas de ajedrez de computadora y los aleatoriza. ^[127] Con la actualización, el sistema se conoce como Darkfmcts3. ^[128]
Taller de Dartmouth: El Proyecto de Investigación de Verano de Dartmouth sobre Inteligencia Artificial fue el nombre de un taller de verano de 1956 que ahora muchos ^[129]^[130] (aunque no todos ^[131] ) consideran el evento seminal para la inteligencia artificial como campo.
aumento de datos: El aumento de datos en el análisis de datos son técnicas que se utilizan para aumentar la cantidad de datos. Ayuda a reducir el sobreajuste al entrenar un algoritmo de aprendizaje.
Fusión de datos: El proceso de integrar múltiples fuentes de datos para producir información más consistente, precisa y útil que la proporcionada por cualquier fuente de datos individual. ^[132]
Integración de datos: El proceso de combinar datos que residen en diferentes fuentes y proporcionar a los usuarios una vista unificada de ellos. ^[133] Este proceso se vuelve significativo en una variedad de situaciones, que incluyen dominios tanto comerciales (como cuando dos empresas similares necesitan fusionar sus bases de datos ) como científicos (combinando resultados de investigación de diferentes repositorios de bioinformática , por ejemplo). La integración de datos aparece con una frecuencia cada vez mayor a medida que el volumen (es decir, big data ) y la necesidad de compartir datos existentes explotan . ^[134] Se ha convertido en el foco de un extenso trabajo teórico y numerosos problemas abiertos siguen sin resolverse.
Minería de datos: El proceso de descubrir patrones en grandes conjuntos de datos que involucra métodos en la intersección del aprendizaje automático, las estadísticas y los sistemas de bases de datos.
ciencia de datos: Un campo interdisciplinario que utiliza métodos científicos, procesos, algoritmos y sistemas para extraer conocimiento y perspectivas de datos en diversas formas, tanto estructurados como no estructurados, ^[135]^[136] similar a la minería de datos . La ciencia de datos es un "concepto para unificar estadísticas, análisis de datos, aprendizaje automático y sus métodos relacionados" con el fin de "comprender y analizar fenómenos reales" con datos. ^[137] Emplea técnicas y teorías extraídas de muchos campos dentro del contexto de las matemáticas , las estadísticas , la ciencia de la información y la informática .
conjunto de datos: Conjunto de datos . Por lo general, un conjunto de datos corresponde al contenido de una única tabla de base de datos o una única matriz de datos estadísticos , donde cada columna de la tabla representa una variable particular y cada fila corresponde a un miembro determinado del conjunto de datos en cuestión. El conjunto de datos enumera valores para cada una de las variables, como la altura y el peso de un objeto, para cada miembro del conjunto de datos. Cada valor se conoce como dato. El conjunto de datos puede incluir datos para uno o más miembros, correspondientes al número de filas.
almacén de datos (DW o DWH): Un sistema utilizado para la elaboración de informes y el análisis de datos . ^[138] Los DW son repositorios centrales de datos integrados de una o más fuentes dispares. Almacenan datos actuales e históricos en un único lugar ^[139]
Registro de datos: Un lenguaje de programación de lógica declarativa que sintácticamente es un subconjunto de Prolog. A menudo se utiliza como lenguaje de consulta para bases de datos deductivas . En los últimos años, Datalog ha encontrado nuevas aplicaciones en la integración de datos , la extracción de información , las redes , el análisis de programas , la seguridad y la computación en la nube . ^[140]
límite de decisión: En el caso de las redes neuronales artificiales basadas en retropropagación o perceptrones , el tipo de límite de decisión que la red puede aprender está determinado por la cantidad de capas ocultas que tiene la red. Si no tiene capas ocultas, entonces solo puede aprender problemas lineales. Si tiene una capa oculta, entonces puede aprender cualquier función continua en subconjuntos compactos de R n como lo muestra el teorema de aproximación universal , por lo tanto, puede tener un límite de decisión arbitrario.
Sistema de apoyo a la toma de decisiones (DSS): Un sistema de información que respalda las actividades de toma de decisiones de una organización o de un negocio . Los DSS sirven a los niveles de gestión, operaciones y planificación de una organización (normalmente, a la gerencia media y superior) y ayudan a las personas a tomar decisiones sobre problemas que pueden cambiar rápidamente y no especificarse fácilmente de antemano, es decir, problemas de decisión no estructurados y semiestructurados. Los sistemas de soporte de decisiones pueden ser totalmente informáticos o accionados por personas, o una combinación de ambos.
teoría de la decisión: El estudio del razonamiento subyacente a las elecciones de un agente . ^[141] La teoría de la decisión se puede dividir en dos ramas: la teoría de la decisión normativa , que da consejos sobre cómo tomar las mejores decisiones dado un conjunto de creencias inciertas y un conjunto de valores , y la teoría de la decisión descriptiva, que analiza cómo los agentes existentes, posiblemente irracionales, realmente toman decisiones.
aprendizaje del árbol de decisiones: Utiliza un árbol de decisiones (como modelo predictivo ) para pasar de las observaciones sobre un elemento (representadas en las ramas) a las conclusiones sobre el valor objetivo del elemento (representado en las hojas). Es uno de los enfoques de modelado predictivo utilizados en estadística , minería de datos y aprendizaje automático.
programación declarativa: Un paradigma de programación —un estilo de construir la estructura y los elementos de los programas informáticos— que expresa la lógica de un cálculo sin describir su flujo de control . ^[142]
clasificador deductivo: Un tipo de motor de inferencia de inteligencia artificial . Toma como entrada un conjunto de declaraciones en un lenguaje de marco sobre un dominio como la investigación médica o la biología molecular. Por ejemplo, los nombres de clases, subclases , propiedades y restricciones sobre los valores permitidos.
Azul profundo: Fue un ordenador de ajedrez desarrollado por IBM . Es conocido por ser el primer sistema informático de ajedrez que ganó tanto una partida de ajedrez como una partida de ajedrez contra un campeón mundial reinante bajo controles de tiempo regulares.
aprendizaje profundo: Parte de una familia más amplia de métodos de aprendizaje automático basados en el aprendizaje de representaciones de datos , a diferencia de algoritmos específicos de tareas. El aprendizaje puede ser supervisado , semisupervisado o no supervisado . ^[143]^[144]^[145]
Tecnologías DeepMind: Una empresa británica de inteligencia artificial fundada en septiembre de 2010, actualmente propiedad de Alphabet Inc. La empresa tiene su sede en Londres , con centros de investigación en Canadá , ^[146] Francia , ^[147] y Estados Unidos . Adquirida por Google en 2014, la empresa ha creado una red neuronal que aprende a jugar videojuegos de forma similar a la de los humanos, ^[148] así como una máquina de Turing neuronal , ^[149] o una red neuronal que puede acceder a una memoria externa como una máquina de Turing convencional , lo que da como resultado una computadora que imita la memoria a corto plazo del cerebro humano. ^[150]^[151] La empresa fue noticia en 2016 después de que su programa AlphaGo venciera al jugador profesional humano de Go Lee Sedol , el campeón mundial, en un partido de cinco juegos , que fue el tema de un documental. ^[152] Un programa más general, AlphaZero , venció a los programas más potentes que jugaban Go , ajedrez y shogi (ajedrez japonés) después de unos días de juego contra sí mismo utilizando aprendizaje de refuerzo. ^[153]
lógica predeterminada: Una lógica no monótona propuesta por Raymond Reiter para formalizar el razonamiento con supuestos predeterminados.
Agrupamiento espacial basado en densidad de aplicaciones con ruido (DBSCAN): Un algoritmo de agrupamiento propuesto por Martin Ester , Hans-Peter Kriegel , Jörg Sander y Xiaowei Xu en 1996. ^[154]
lógica descriptiva (DL): Una familia de lenguajes de representación formal del conocimiento. Muchos lenguajes de representación formal del conocimiento son más expresivos que la lógica proposicional pero menos expresivos que la lógica de primer orden . A diferencia de esta última, los problemas de razonamiento centrales de los lenguajes de representación formal del conocimiento son (normalmente) decidibles, y se han diseñado e implementado procedimientos de decisión eficientes para estos problemas. Existen lógicas de descripción generales, espaciales, temporales, espaciotemporales y difusas, y cada lógica de descripción presenta un equilibrio diferente entre la expresividad del lenguaje de representación formal y la complejidad del razonamiento al admitir diferentes conjuntos de constructores matemáticos. ^[155]
Robótica de desarrollo (DevRob): Un campo científico que tiene como objetivo estudiar los mecanismos de desarrollo, las arquitecturas y las limitaciones que permiten el aprendizaje permanente y abierto de nuevas habilidades y nuevos conocimientos en máquinas encarnadas .
diagnóstico: Se ocupa del desarrollo de algoritmos y técnicas capaces de determinar si el comportamiento de un sistema es correcto. Si el sistema no funciona correctamente, el algoritmo debe ser capaz de determinar, con la mayor precisión posible, qué parte del sistema está fallando y a qué tipo de fallo se enfrenta. El cálculo se basa en observaciones , que proporcionan información sobre el comportamiento actual.
sistema de diálogo: Un sistema informático diseñado para conversar con un ser humano con una estructura coherente. Los sistemas de diálogo han empleado texto, voz, gráficos, hápticos, gestos y otros modos de comunicación tanto en el canal de entrada como en el de salida.
modelo de difusión: En el aprendizaje automático , los modelos de difusión , también conocidos como modelos probabilísticos de difusión o modelos generativos basados en puntajes , son una clase de modelos de variables latentes . Son cadenas de Markov entrenadas usando inferencia variacional . ^[156] El objetivo de los modelos de difusión es aprender la estructura latente de un conjunto de datos modelando la forma en que los puntos de datos se difunden a través del espacio latente . En la visión por computadora , esto significa que una red neuronal se entrena para eliminar el ruido de las imágenes borrosas con ruido gaussiano al aprender a revertir el proceso de difusión. ^[157]^[158] Consiste principalmente en tres componentes principales: el proceso directo, el proceso inverso y el procedimiento de muestreo. ^[159] Tres ejemplos de marcos de modelado de difusión genéricos utilizados en la visión por computadora son los modelos probabilísticos de difusión de eliminación de ruido, las redes de puntuación condicionadas por ruido y las ecuaciones diferenciales estocásticas. ^[160]
Algoritmo de Dijkstra: Un algoritmo para encontrar las rutas más cortas entre nodos en un gráfico ponderado , que puede representar, por ejemplo, redes de carreteras .
reducción de dimensionalidad: Proceso de reducción del número de variables aleatorias en consideración ^[161] mediante la obtención de un conjunto de variables principales. Puede dividirse en selección de características y extracción de características . ^[162]
sistema discreto: Cualquier sistema con un número contable de estados. Los sistemas discretos pueden contrastarse con los sistemas continuos, que también pueden llamarse sistemas analógicos. Un sistema discreto final a menudo se modela con un gráfico dirigido y se analiza para determinar su corrección y complejidad de acuerdo con la teoría computacional . Debido a que los sistemas discretos tienen un número contable de estados, pueden describirse en modelos matemáticos precisos . Una computadora es una máquina de estados finitos que puede verse como un sistema discreto. Debido a que las computadoras a menudo se utilizan para modelar no solo otros sistemas discretos sino también sistemas continuos, se han desarrollado métodos para representar sistemas continuos del mundo real como sistemas discretos. Uno de estos métodos implica muestrear una señal continua en intervalos de tiempo discretos .
Inteligencia artificial distribuida (DAI): Un subcampo de investigación de inteligencia artificial dedicado al desarrollo de soluciones distribuidas para problemas. DAI está estrechamente relacionado con el campo de los sistemas multiagente y es un predecesor del mismo . ^[163]
Abandonar: Una técnica de regularización para reducir el sobreajuste en redes neuronales artificiales al evitar coadaptaciones complejas en los datos de entrenamiento.
lógica epistémica dinámica (DEL): Un marco lógico que aborda el cambio de conocimientos e información. Normalmente, DEL se centra en situaciones que involucran a múltiples agentes y estudia cómo cambia su conocimiento cuando ocurren eventos .

mi

aprendizaje entusiasta: Un método de aprendizaje en el que el sistema intenta construir una función objetivo general e independiente de la entrada durante el entrenamiento del sistema, a diferencia del aprendizaje perezoso , donde la generalización más allá de los datos de entrenamiento se retrasa hasta que se realiza una consulta al sistema. ^[164]
parada temprana: Una técnica de regularización que se utiliza a menudo cuando se entrena un modelo de aprendizaje automático con un método iterativo como el descenso de gradiente .
Prueba de Ebert: Una prueba que mide si una voz sintetizada basada en computadora ^[165]^[166] puede contar un chiste con suficiente habilidad para hacer reír a la gente . ^[167] Fue propuesta por el crítico de cine Roger Ebert en la conferencia TED de 2011 como un desafío a los desarrolladores de software para que una voz computarizada domine las inflexiones, la entrega, el tiempo y las entonaciones de un humano que habla. ^[165] La prueba es similar a la prueba de Turing propuesta por Alan Turing en 1950 como una forma de medir la capacidad de una computadora para exhibir un comportamiento inteligente al generar un rendimiento indistinguible del de un ser humano . ^[168]
red de estado de eco (ESN): Red neuronal recurrente con una capa oculta escasamente conectada (con una conectividad típica del 1%). La conectividad y los pesos de las neuronas ocultas son fijos y se asignan aleatoriamente. Los pesos de las neuronas de salida se pueden aprender para que la red pueda (re)producir patrones temporales específicos. El principal interés de esta red es que, aunque su comportamiento no es lineal, los únicos pesos que se modifican durante el entrenamiento son los de las sinapsis que conectan las neuronas ocultas con las neuronas de salida. Por lo tanto, la función de error es cuadrática con respecto al vector de parámetros y se puede diferenciar fácilmente de un sistema lineal. ^[169]^[170]
agente encarnado: Un agente inteligente que interactúa con el entorno a través de un cuerpo físico dentro de ese entorno. Los agentes que se representan gráficamente con un cuerpo, por ejemplo un humano o un animal de dibujos animados, también se denominan agentes corpóreos, aunque solo tienen una encarnación virtual, no física. ^[171]
ciencia cognitiva encarnada: Campo de investigación interdisciplinario cuyo objetivo es explicar los mecanismos que subyacen al comportamiento inteligente. Comprende tres metodologías principales: 1) el modelado de sistemas psicológicos y biológicos de manera holística que considere la mente y el cuerpo como una sola entidad, 2) la formación de un conjunto común de principios generales del comportamiento inteligente, y 3) el uso experimental de agentes robóticos en entornos controlados.
aprendizaje basado en errores: Subárea del aprendizaje automático que estudia cómo debe actuar un agente en un entorno para minimizar algunos errores. Es un tipo de aprendizaje de refuerzo.
aprendizaje en conjunto: El uso de múltiples algoritmos de aprendizaje automático para obtener un mejor rendimiento predictivo que el que se podría obtener con cualquiera de los algoritmos de aprendizaje constituyentes por sí solo. ^[172]^[173]^[174]
época: En el aprendizaje automático, en particular en la creación de redes neuronales artificiales, una época consiste en entrenar el modelo durante un ciclo a través del conjunto de datos de entrenamiento completo. Los modelos pequeños suelen entrenarse durante tantas épocas como sean necesarias para alcanzar el mejor rendimiento en el conjunto de datos de validación. Los modelos más grandes pueden entrenarse durante una sola época.
ética de la inteligencia artificial: La parte de la ética de la tecnología específica de la inteligencia artificial.
algoritmo evolutivo (EA): Un subconjunto de la computación evolutiva, ^{[175] un algoritmo}de optimización metaheurística genérico basado en la población . Un EA utiliza mecanismos inspirados en la evolución biológica , como la reproducción , la mutación , la recombinación y la selección . Las soluciones candidatas al problema de optimización desempeñan el papel de los individuos en una población, y la función de aptitud determina la calidad de las soluciones (véase también función de pérdida ). La evolución de la población tiene lugar luego de la aplicación repetida de los operadores anteriores.
computación evolutiva: Familia de algoritmos de optimización global inspirados en la evolución biológica y el subcampo de la inteligencia artificial y la computación blanda que estudia estos algoritmos. En términos técnicos, son una familia de solucionadores de problemas de ensayo y error basados en la población con un carácter de optimización metaheurística o estocástica .
Función de clasificación evolutiva (ECF): Las funciones de clasificación evolutivas se utilizan para clasificar y agrupar en el campo del aprendizaje automático y la inteligencia artificial, y normalmente se emplean para tareas de minería de flujo de datos en entornos dinámicos y cambiantes.
riesgo existencial: La hipótesis de que un progreso sustancial en la inteligencia artificial general (AGI) podría algún día resultar en la extinción humana o alguna otra catástrofe global irrecuperable . ^[176]^[177]^[178]
sistema experto: Un sistema informático que emula la capacidad de toma de decisiones de un experto humano. ^[179] Los sistemas expertos están diseñados para resolver problemas complejos mediante el razonamiento a través de cuerpos de conocimiento, representados principalmente como reglas del tipo "si-entonces" , en lugar de a través de un código de procedimiento convencional . ^[180]

F

Árboles rápidos y frugales: Un tipo de árbol de clasificación . Los árboles rápidos y frugales pueden utilizarse como herramientas de toma de decisiones que funcionan como clasificadores lexicográficos y, si es necesario, asocian una acción (decisión) a cada clase o categoría. ^[181]
característica: Una propiedad o característica individual medible de un fenómeno. ^[182] En la visión por computadora y el procesamiento de imágenes , una característica es una pieza de información sobre el contenido de una imagen; típicamente sobre si una cierta región de la imagen tiene ciertas propiedades. Las características pueden ser estructuras específicas en una imagen (como puntos, bordes u objetos), o el resultado de una operación de vecindad general o detección de características aplicada a la imagen.
Extracción de características: En el aprendizaje automático, el reconocimiento de patrones y el procesamiento de imágenes , la extracción de características comienza a partir de un conjunto inicial de datos medidos y genera valores derivados (características) destinados a ser informativos y no redundantes, facilitando los pasos posteriores de aprendizaje y generalización y, en algunos casos, conduciendo a mejores interpretaciones humanas.
aprendizaje de características: En el aprendizaje automático, el aprendizaje de características o aprendizaje de representaciones ^[143] es un conjunto de técnicas que permiten a un sistema descubrir automáticamente las representaciones necesarias para la detección o clasificación de características a partir de datos sin procesar. Esto reemplaza la ingeniería de características manual y permite que una máquina aprenda las características y las use para realizar una tarea específica.
Selección de características: En aprendizaje automático y estadística , la selección de características, también conocida como selección de variables, selección de atributos o selección de subconjuntos de variables, es el proceso de seleccionar un subconjunto de características relevantes (variables, predictores) para su uso en la construcción de modelos.
aprendizaje federado: Un tipo de aprendizaje automático que permite el entrenamiento en múltiples dispositivos con datos descentralizados, ayudando así a preservar la privacidad de los usuarios individuales y sus datos.
lógica de primer orden: Una colección de sistemas formales utilizados en matemáticas , filosofía , lingüística y ciencias de la computación . La lógica de primer orden utiliza variables cuantificadas sobre objetos no lógicos y permite el uso de oraciones que contienen variables, de modo que en lugar de proposiciones como Sócrates es un hombre se pueden tener expresiones en la forma "existe X tal que X es Sócrates y X es un hombre" y existe es un cuantificador mientras que X es una variable. ^[183] Esto la distingue de la lógica proposicional , que no utiliza cuantificadores ni relaciones. ^[184]
fluido: Una condición que puede cambiar con el tiempo. En los enfoques lógicos para razonar sobre acciones, los fluidos pueden representarse en lógica de primer orden mediante predicados que tienen un argumento que depende del tiempo.
lenguaje formal: Un conjunto de palabras cuyas letras están tomadas de un alfabeto y están bien formadas de acuerdo con un conjunto específico de reglas.
encadenamiento hacia adelante: Uno de los dos métodos principales de razonamiento cuando se utiliza un motor de inferencia y puede describirse lógicamente como la aplicación repetida del modus ponens . El encadenamiento hacia adelante es una estrategia de implementación popular para sistemas expertos , empresas y sistemas de reglas de producción . Lo opuesto al encadenamiento hacia adelante es el encadenamiento hacia atrás. El encadenamiento hacia adelante comienza con los datos disponibles y utiliza reglas de inferencia para extraer más datos (de un usuario final, por ejemplo) hasta que se alcanza un objetivo . Un motor de inferencia que utiliza encadenamiento hacia adelante busca las reglas de inferencia hasta que encuentra una en la que se sabe que el antecedente (cláusula If) es verdadero. Cuando se encuentra dicha regla, el motor puede concluir, o inferir, el consecuente (cláusula Then), lo que resulta en la adición de nueva información a sus datos. ^[185]
marco: Estructura de datos de inteligencia artificial que se utiliza para dividir el conocimiento en subestructuras mediante la representación de " situaciones estereotipadas ". Los marcos son la estructura de datos principal que se utiliza en el lenguaje de marcos de inteligencia artificial.
lenguaje de marco: Una tecnología utilizada para la representación del conocimiento en inteligencia artificial. Los marcos se almacenan como ontologías de conjuntos y subconjuntos de los conceptos del marco . Son similares a las jerarquías de clases en lenguajes orientados a objetos, aunque sus objetivos de diseño fundamentales son diferentes. Los marcos se centran en la representación explícita e intuitiva del conocimiento, mientras que los objetos se centran en la encapsulación y el ocultamiento de la información . Los marcos se originaron en la investigación de IA y los objetos principalmente en la ingeniería de software . Sin embargo, en la práctica, las técnicas y capacidades de los marcos y los lenguajes orientados a objetos se superponen significativamente.
Problema de marco: El problema de encontrar colecciones adecuadas de axiomas para una descripción viable de un entorno de robot. ^[186]
inteligencia artificial amigable: Una inteligencia artificial general (IAG) hipotética que tendría un efecto positivo en la humanidad. Forma parte de la ética de la inteligencia artificial y está estrechamente relacionada con la ética de las máquinas . Mientras que la ética de las máquinas se ocupa de cómo debería comportarse un agente artificialmente inteligente, la investigación sobre inteligencia artificial amistosa se centra en cómo lograr en la práctica este comportamiento y garantizar que esté adecuadamente limitado.
estudios de futuros: El estudio de la postulación de futuros posibles, probables y preferibles y las visiones del mundo y mitos que los sustentan. ^[187]
sistema de control difuso: Un sistema de control basado en lógica difusa, un sistema matemático que analiza los valores de entrada analógicos en términos de variables lógicas que toman valores continuos entre 0 y 1, en contraste con la lógica clásica o digital , que opera con valores discretos de 1 o 0 (verdadero o falso, respectivamente). ^[188]^[189]
lógica difusa: Una forma simple para la lógica polivalente , en la que los valores de verdad de las variables pueden tener cualquier grado de " veracidad " que se puede representar por cualquier número real en el rango entre 0 (como en Completamente Falso) y 1 (como en Completamente Verdadero) inclusive. En consecuencia, se emplea para manejar el concepto de verdad parcial, donde el valor de verdad puede variar entre completamente verdadero y completamente falso. En contraste con la lógica booleana , donde los valores de verdad de las variables pueden tener los valores enteros 0 o 1 solamente.
regla difusa: Una regla utilizada dentro de los sistemas de lógica difusa para inferir una salida basada en variables de entrada.
conjunto difuso: En la teoría clásica de conjuntos , la pertenencia de los elementos a un conjunto se evalúa en términos binarios de acuerdo con una condición bivalente : un elemento pertenece o no al conjunto. Por el contrario, la teoría de conjuntos difusos permite la evaluación gradual de la pertenencia de los elementos a un conjunto; esto se describe con la ayuda de una función de pertenencia valorada en el intervalo unitario real [0, 1]. Los conjuntos difusos generalizan los conjuntos clásicos, ya que las funciones indicadoras (también conocidas como funciones características ) de los conjuntos clásicos son casos especiales de las funciones de pertenencia de los conjuntos difusos, si estos últimos solo toman valores 0 o 1. ^[190] En la teoría de conjuntos difusos, los conjuntos bivalentes clásicos suelen denominarse conjuntos crisp . La teoría de conjuntos difusos se puede utilizar en una amplia gama de dominios en los que la información es incompleta o imprecisa, como la bioinformática . ^[191]

GRAMO

teoría de juegos: El estudio de modelos matemáticos de interacción estratégica entre tomadores de decisiones racionales. ^[192]
Juego general (GGP): El juego general es el diseño de programas de inteligencia artificial para poder ejecutar y jugar más de un juego con éxito. ^[193]^[194]^[195]
red generativa antagónica (GAN): Una clase de sistemas de aprendizaje automático. Dos redes neuronales compiten entre sí en un marco de juego de suma cero .
inteligencia artificial generativa: La inteligencia artificial generativa es una inteligencia artificial capaz de generar texto, imágenes u otros medios en respuesta a indicaciones . ^[196]^[197] Los modelos de IA generativa aprenden los patrones y la estructura de sus datos de entrenamiento de entrada y luego generan nuevos datos que tienen características similares, generalmente utilizando redes neuronales profundas basadas en Transformer . ^[198]^[199]
algoritmo genético (AG): Una metaheurística inspirada en el proceso de selección natural que pertenece a la clase más amplia de algoritmos evolutivos (EA). Los algoritmos genéticos se utilizan comúnmente para generar soluciones de alta calidad a problemas de optimización y búsqueda al confiar en operadores de inspiración biológica como mutación , cruce y selección . ^[200]
operador genético: Operador utilizado en algoritmos genéticos para guiar el algoritmo hacia una solución a un problema determinado. Existen tres tipos principales de operadores ( mutación , cruce y selección ), que deben trabajar en conjunto para que el algoritmo tenga éxito.
Transformador generativo preentrenado (GPT): Un modelo de lenguaje grande basado en la arquitectura del transformador que genera texto. Primero se entrena previamente para predecir el siguiente elemento en los textos (un elemento es típicamente una palabra, subpalabra o puntuación). Después de su preentrenamiento, los modelos GPT pueden generar texto similar al humano al predecir repetidamente el elemento que esperarían que siga. Los modelos GPT también suelen ajustarse, por ejemplo, con aprendizaje de refuerzo a partir de la retroalimentación humana para reducir las alucinaciones o el comportamiento dañino, o para formatear la salida en un formato conversacional. ^[201]
Optimización del enjambre de luciérnagas: Un algoritmo de optimización de inteligencia de enjambre basado en el comportamiento de las luciérnagas (también conocidas como luciérnagas o luciérnagas).
aumento de gradiente: Una técnica de aprendizaje automático basada en el boosting en un espacio funcional, donde el objetivo son pseudo-residuales en lugar de residuales como en el boosting tradicional.
gráfico (tipo de datos abstractos): En informática , un gráfico es un tipo de datos abstracto que pretende implementar los conceptos de gráfico no dirigido y gráfico dirigido de las matemáticas ; específicamente, el campo de la teoría de grafos.
gráfico (matemáticas discretas): En matemáticas, y más específicamente en teoría de grafos, un grafo es una estructura que consiste en un conjunto de objetos en el que algunos pares de objetos están en algún sentido "relacionados". Los objetos corresponden a abstracciones matemáticas llamadas vértices (también llamados nodos o puntos ) y cada uno de los pares de vértices relacionados se denomina arista ( también llamado arco o línea ). ^[202]
base de datos gráfica (GDB): Una base de datos que utiliza estructuras gráficas para consultas semánticas con nodos , aristas y propiedades para representar y almacenar datos. Un concepto clave del sistema es el gráfico (o arista o relación ), que relaciona directamente los elementos de datos en el almacén (una colección de nodos de datos y aristas que representan las relaciones entre los nodos). Las relaciones permiten que los datos en el almacén se vinculen directamente y, en muchos casos, se recuperen con una sola operación. Las bases de datos gráficas mantienen las relaciones entre los datos como una prioridad. Consultar relaciones dentro de una base de datos gráfica es rápido porque se almacenan perpetuamente dentro de la propia base de datos. Las relaciones se pueden visualizar intuitivamente utilizando bases de datos gráficas, lo que las hace útiles para datos muy interconectados. ^[203]^[204]
teoría de grafos: El estudio de gráficos , que son estructuras matemáticas utilizadas para modelar relaciones por pares entre objetos.
recorrido de grafo: El proceso de visitar (verificar y/o actualizar) cada vértice de un grafo . Estos recorridos se clasifican según el orden en el que se visitan los vértices. El recorrido de árboles es un caso especial de recorrido de grafos.

yo

alucinación: Una respuesta generada por IA que contiene información falsa o engañosa presentada como un hecho .
heurístico: Una técnica diseñada para resolver un problema más rápidamente cuando los métodos clásicos son demasiado lentos, o para encontrar una solución aproximada cuando los métodos clásicos no logran encontrar ninguna solución exacta. Esto se logra intercambiando optimalidad, completitud, exactitud o precisión por velocidad. En cierto modo, puede considerarse un atajo. Una función heurística, también llamada simplemente heurística, es una función que clasifica las alternativas en los algoritmos de búsqueda en cada paso de ramificación según la información disponible para decidir qué rama seguir. Por ejemplo, puede aproximarse a la solución exacta. ^[205]
capa oculta: Una capa de neuronas en una red neuronal artificial que no es ni una capa de entrada ni una capa de salida.
hiperheurística: Un método de búsqueda heurística que busca automatizar el proceso de selección, combinación, generación o adaptación de varias heurísticas más simples (o componentes de dichas heurísticas) para resolver de manera eficiente problemas de búsqueda computacional, a menudo mediante la incorporación de técnicas de aprendizaje automático. Una de las motivaciones para estudiar hiperheurísticas es construir sistemas que puedan manejar clases de problemas en lugar de resolver solo un problema. ^[206]^[207]^[208]
hiperparámetro: Un parámetro que se puede configurar para definir cualquier parte configurable del proceso de aprendizaje de un modelo de aprendizaje automático.
optimización de hiperparámetros: El proceso de elegir un conjunto de hiperparámetros óptimos para un algoritmo de aprendizaje.

I

Sociedad de Inteligencia Computacional del IEEE: Una sociedad profesional del Instituto de Ingenieros Eléctricos y Electrónicos (IEEE) centrada en "la teoría, el diseño, la aplicación y el desarrollo de paradigmas computacionales motivados biológicamente y lingüísticamente, haciendo hincapié en las redes neuronales , los sistemas conexionistas, los algoritmos genéticos , la programación evolutiva , los sistemas difusos y los sistemas inteligentes híbridos en los que están contenidos estos paradigmas". ^[209]
aprendizaje incremental: Un método de aprendizaje automático en el que los datos de entrada se utilizan continuamente para ampliar el conocimiento del modelo existente, es decir, para entrenarlo más. Representa una técnica dinámica de aprendizaje supervisado y no supervisado que se puede aplicar cuando los datos de entrenamiento se vuelven disponibles gradualmente con el tiempo o su tamaño supera los límites de memoria del sistema. Los algoritmos que pueden facilitar el aprendizaje incremental se conocen como algoritmos de aprendizaje automático incremental.
motor de inferencia: Un componente del sistema que aplica reglas lógicas a la base de conocimientos para deducir nueva información.
Integración de información (II): La fusión de información de fuentes heterogéneas con diferentes representaciones conceptuales, contextuales y tipográficas. Se utiliza en la minería de datos y la consolidación de datos de recursos no estructurados o semiestructurados. Normalmente, la integración de información se refiere a representaciones textuales de conocimiento, pero a veces se aplica a contenido multimedia . La fusión de información, que es un término relacionado, implica la combinación de información en un nuevo conjunto de información con el fin de reducir la redundancia y la incertidumbre. ^[132]
Lenguaje de procesamiento de información (IPL): Lenguaje de programación que incluye funciones destinadas a ayudar con programas que realizan acciones simples de resolución de problemas, como listas, asignación dinámica de memoria , tipos de datos , recursión , funciones como argumentos, generadores y multitarea cooperativa . IPL inventó el concepto de procesamiento de listas, aunque en un estilo de lenguaje ensamblador .
amplificación de la inteligencia (IA): El uso eficaz de la tecnología de la información para aumentar la inteligencia humana .
explosión de inteligencia: Un posible resultado de la creación de una inteligencia artificial general (IAG) por parte de la humanidad sería que esta sería capaz de mejorarse recursivamente y conduciría a la rápida aparición de la IAS ( superinteligencia artificial ), cuyos límites se desconocen en el momento de la singularidad tecnológica.
agente inteligente (IA): Entidad autónoma que actúa dirigiendo su actividad hacia la consecución de objetivos (es decir, es un agente ), sobre un entorno mediante la observación a través de sensores y consecuentes actuadores (es decir, es inteligente). Los agentes inteligentes también pueden aprender o utilizar el conocimiento para alcanzar sus objetivos. Pueden ser muy simples o muy complejos .
control inteligente: Una clase de técnicas de control que utilizan diversos enfoques informáticos de inteligencia artificial como redes neuronales , probabilidad bayesiana , lógica difusa, aprendizaje automático, aprendizaje de refuerzo, computación evolutiva y algoritmos genéticos . ^[210]
asistente personal inteligente: Un agente de software que puede realizar tareas o servicios para un individuo basándose en comandos verbales. A veces, el término " chatbot " se utiliza para referirse a los asistentes virtuales a los que se accede de forma general o específica mediante un chat en línea (o en algunos casos, programas de chat en línea que son exclusivamente para fines de entretenimiento). Algunos asistentes virtuales pueden interpretar el habla humana y responder mediante voces sintetizadas. Los usuarios pueden hacer preguntas a sus asistentes, controlar dispositivos de automatización del hogar y reproducción de medios mediante la voz y administrar otras tareas básicas como el correo electrónico, listas de tareas pendientes y calendarios con comandos verbales. ^[211]
interpretación: Asignación de significado a los símbolos de un lenguaje formal. Muchos lenguajes formales utilizados en matemáticas , lógica e informática teórica se definen únicamente en términos sintácticos y, como tales, no tienen ningún significado hasta que se les da alguna interpretación. El estudio general de las interpretaciones de los lenguajes formales se denomina semántica formal .
motivación intrínseca: Un agente inteligente está intrínsecamente motivado a actuar si el contenido de información, de la experiencia resultante de la acción, es el factor motivador. El contenido de información en este contexto se mide en el sentido de la teoría de la información como cuantificación de la incertidumbre. Una motivación intrínseca típica es la búsqueda de situaciones inusuales (sorprendentes), en contraste con una motivación extrínseca típica como la búsqueda de comida. Los agentes artificiales intrínsecamente motivados muestran comportamientos similares a la exploración y la curiosidad . ^[212]
árbol de problemas: Un desglose gráfico de una pregunta que la disecciona en sus diferentes componentes verticalmente y que avanza hacia los detalles a medida que se lee hacia la derecha. ^[213]^{: 47} Los árboles de problemas son útiles en la resolución de problemas para identificar las causas fundamentales de un problema, así como para identificar sus posibles soluciones. También proporcionan un punto de referencia para ver cómo cada pieza encaja en el panorama general de un problema. ^[214]

Yo

algoritmo de árbol de uniones: Un método utilizado en el aprendizaje automático para extraer marginalización en gráficos generales . En esencia, implica realizar una propagación de creencias en un gráfico modificado llamado árbol de unión . El gráfico se llama árbol porque se ramifica en diferentes secciones de datos; los nodos de las variables son las ramas. ^[215]

K

método del núcleo: En el aprendizaje automático, los métodos kernel son una clase de algoritmos para el análisis de patrones , cuyo miembro más conocido es la máquina de vectores de soporte (SVM). La tarea general del análisis de patrones es encontrar y estudiar tipos generales de relaciones (por ejemplo, análisis de conglomerados, clasificaciones , componentes principales , correlaciones , clasificaciones) en conjuntos de datos.
KL-UNO: Un sistema de representación de conocimiento bien conocido en la tradición de las redes semánticas y los marcos ; es decir, es un lenguaje de marcos . El sistema es un intento de superar la indistinción semántica en las representaciones de redes semánticas y de representar explícitamente la información conceptual como una red de herencia estructurada. ^[216]^[217]^[218]
k -vecinos más cercanos: Un método de aprendizaje supervisado no paramétrico desarrollado por primera vez por Evelyn Fix y Joseph Hodges en 1951, ^[219] y luego ampliado por Thomas Cover . ^[215] Se utiliza para clasificación y regresión.
Adquisición de conocimientos: El proceso utilizado para definir las reglas y ontologías necesarias para un sistema basado en el conocimiento . La frase se utilizó por primera vez junto con los sistemas expertos para describir las tareas iniciales asociadas con el desarrollo de un sistema experto, es decir, encontrar y entrevistar a expertos en el dominio y capturar su conocimiento a través de reglas , objetos y ontologías basadas en marcos .
Sistema basado en el conocimiento (SBC): Un programa informático que razona y utiliza una base de conocimientos para resolver problemas complejos . El término es amplio y se refiere a muchos tipos diferentes de sistemas. El tema común que une a todos los sistemas basados en el conocimiento es un intento de representar el conocimiento de manera explícita y un sistema de razonamiento que le permite derivar nuevos conocimientos. Por lo tanto, un sistema basado en el conocimiento tiene dos características distintivas: una base de conocimientos y un motor de inferencia .
destilación del conocimiento: El proceso de transferir conocimiento de un modelo de aprendizaje automático grande a uno más pequeño.
Ingeniería del conocimiento (KE): Todos los aspectos técnicos, científicos y sociales involucrados en la construcción, mantenimiento y uso de sistemas basados en el conocimiento.
Extracción de conocimiento: La creación de conocimiento a partir de fuentes estructuradas ( bases de datos relacionales , XML ) y no estructuradas ( texto , documentos, imágenes ). El conocimiento resultante debe estar en un formato legible e interpretable por máquinas y debe representar el conocimiento de una manera que facilite la inferencia. Aunque es metódicamente similar a la extracción de información y ETL , el criterio principal es que el resultado de la extracción va más allá de la creación de información estructurada o la transformación en un esquema relacional . Requiere la reutilización de conocimiento formal existente (reutilización de identificadores u ontologías ) o la generación de un esquema basado en los datos de origen.
Formato de intercambio de conocimientos (KIF): Un lenguaje de programación diseñado para permitir que los sistemas compartan y reutilicen información de sistemas basados en conocimiento . KIF es similar a los lenguajes de marco como KL-ONE y LOOM, pero a diferencia de estos lenguajes, su función principal no está pensada como un marco para la expresión o el uso del conocimiento, sino más bien para el intercambio de conocimiento entre sistemas. Los diseñadores de KIF lo compararon con PostScript . PostScript no fue diseñado principalmente como un lenguaje para almacenar y manipular documentos, sino más bien como un formato de intercambio para que los sistemas y dispositivos compartan documentos. De la misma manera, KIF está destinado a facilitar el intercambio de conocimiento entre diferentes sistemas que utilizan diferentes lenguajes, formalismos, plataformas, etc.
Representación y razonamiento del conocimiento (KR² o KR&R): El campo de la inteligencia artificial dedicado a representar información sobre el mundo en una forma que un sistema informático pueda utilizar para resolver tareas complejas como diagnosticar una condición médica o tener un diálogo en un lenguaje natural . La representación del conocimiento incorpora hallazgos de la psicología ^[220] sobre cómo los humanos resuelven problemas y representan el conocimiento para diseñar formalismos que harán que los sistemas complejos sean más fáciles de diseñar y construir. La representación y el razonamiento del conocimiento también incorporan hallazgos de la lógica para automatizar varios tipos de razonamiento , como la aplicación de reglas o las relaciones de conjuntos y subconjuntos . ^[221] Los ejemplos de formalismos de representación del conocimiento incluyen redes semánticas , arquitectura de sistemas , marcos , reglas y ontologías . Los ejemplos de motores de razonamiento automatizado incluyen motores de inferencia , demostradores de teoremas y clasificadores.
Agrupamiento de k-medias: Un método de cuantificación vectorial , originalmente del procesamiento de señales , que tiene como objetivo particionar n observaciones en k grupos en los que cada observación pertenece al grupo con la media más cercana (centros de grupo o centroide de grupo ), sirviendo como prototipo del grupo.

yo

modelo de lenguaje: Un modelo probabilístico que manipula el lenguaje natural .
modelo de lenguaje extenso (LLM): Un modelo de lenguaje con una gran cantidad de parámetros (normalmente al menos mil millones) que se ajustan durante el entrenamiento. Debido a su tamaño, requiere una gran cantidad de datos y capacidad de cómputo para entrenarse. Los modelos de lenguaje grandes suelen basarse en la arquitectura del transformador. ^[222]
aprendizaje perezoso: En el aprendizaje automático, el aprendizaje perezoso es un método de aprendizaje en el que la generalización de los datos de entrenamiento se retrasa, en teoría, hasta que se realiza una consulta al sistema, a diferencia del aprendizaje ansioso , donde el sistema intenta generalizar los datos de entrenamiento antes de recibir consultas.
Lisp (lenguaje de programación) (LISP): Una familia de lenguajes de programación con una larga historia y una notación de prefijo distintiva, completamente entre paréntesis . ^[223]
programación lógica: Un tipo de paradigma de programación que se basa principalmente en la lógica formal . Cualquier programa escrito en un lenguaje de programación lógica es un conjunto de oraciones en forma lógica que expresan hechos y reglas sobre algún dominio de problema. Las principales familias de lenguajes de programación lógica incluyen Prolog, programación de conjuntos de respuestas (ASP) y Datalog.
memoria a corto plazo (MLCP): Una arquitectura de red neuronal recurrente artificial ^[224] utilizada en el campo del aprendizaje profundo. A diferencia de las redes neuronales de propagación hacia adelante estándar , LSTM tiene conexiones de retroalimentación que la convierten en una "computadora de propósito general" (es decir, puede calcular cualquier cosa que una máquina de Turing pueda). ^[225] No solo puede procesar puntos de datos individuales (como imágenes), sino también secuencias completas de datos (como voz o video).

METRO

Visión artificial (MV): La tecnología y los métodos utilizados para proporcionar inspección y análisis automáticos basados en imágenes para aplicaciones como la inspección automática, el control de procesos y la guía de robots, generalmente en la industria. La visión artificial es un término que abarca una gran cantidad de tecnologías, productos de software y hardware, sistemas integrados, acciones, métodos y experiencia. La visión artificial como disciplina de ingeniería de sistemas puede considerarse distinta de la visión por computadora , una forma de ciencia informática . Intenta integrar tecnologías existentes de nuevas formas y aplicarlas para resolver problemas del mundo real. El término es el predominante para estas funciones en entornos de automatización industrial, pero también se usa para estas funciones en otros entornos, como la seguridad y la guía de vehículos.
Cadena de Markov: Un modelo estocástico que describe una secuencia de eventos posibles en el que la probabilidad de cada evento depende únicamente del estado alcanzado en el evento anterior. ^[226]^[227]
Proceso de decisión de Markov (MDP): Un proceso de control estocástico en tiempo discreto . Proporciona un marco matemático para modelar la toma de decisiones en situaciones en las que los resultados son en parte aleatorios y en parte bajo el control de un tomador de decisiones. Los MDP son útiles para estudiar problemas de optimización resueltos mediante programación dinámica y aprendizaje de refuerzo.
optimización matemática: En matemáticas , informática e investigación de operaciones , la selección del mejor elemento (con respecto a algún criterio) de un conjunto de alternativas disponibles. ^[228]
aprendizaje automático (ML): El estudio científico de algoritmos y modelos estadísticos que utilizan los sistemas informáticos para realizar una tarea específica de manera efectiva sin utilizar instrucciones explícitas, basándose en patrones e inferencias.
máquina escuchando: Un campo general de estudio de algoritmos y sistemas para la comprensión de audio por máquinas. ^[229]^[230]
percepción de la máquina: La capacidad de un sistema informático para interpretar datos de una manera similar a la forma en que los humanos usan sus sentidos para relacionarse con el mundo que los rodea. ^[231]^[232]^[233]
diseño de mecanismo: Campo de la economía y la teoría de juegos que adopta un enfoque de ingeniería para diseñar mecanismos económicos o incentivos , con el fin de alcanzar objetivos deseados, en entornos estratégicos , donde los jugadores actúan racionalmente . Debido a que comienza al final del juego y luego va hacia atrás, también se denomina teoría de juegos inversa. Tiene amplias aplicaciones, desde la economía y la política (mercados, subastas, procedimientos de votación) hasta los sistemas en red (enrutamiento entre dominios de Internet, subastas de búsqueda patrocinada).
mecatrónica: Una rama multidisciplinaria de la ingeniería que se centra en la ingeniería de sistemas eléctricos y mecánicos , y también incluye una combinación de robótica , electrónica , informática , telecomunicaciones , sistemas , control e ingeniería de productos . ^[234]^[235]
Reconstrucción y simulación de redes metabólicas: Permiten un conocimiento profundo de los mecanismos moleculares de un organismo en particular. En particular, estos modelos correlacionan el genoma con la fisiología molecular. ^[236]
metaheurística: En informática y optimización matemática , una metaheurística es un procedimiento o heurística de nivel superior diseñado para encontrar, generar o seleccionar una heurística (algoritmo de búsqueda parcial) que pueda proporcionar una solución suficientemente buena a un problema de optimización , especialmente con información incompleta o imperfecta o capacidad de cálculo limitada. ^[237]^[238] Las metaheurísticas muestrean un conjunto de soluciones que es demasiado grande para ser muestreado por completo.
comprobación de modelo: En informática , la comprobación de modelos o de propiedades consiste en comprobar exhaustiva y automáticamente, para un modelo dado de un sistema, si este modelo cumple con una especificación dada . Normalmente, se tienen en mente sistemas de hardware o software, mientras que la especificación contiene requisitos de seguridad como la ausencia de bloqueos y estados críticos similares que pueden provocar el bloqueo del sistema . La comprobación de modelos es una técnica para verificar automáticamente las propiedades de corrección de los sistemas de estados finitos .
Modus ponens: En lógica proposicional , el modus ponens es una regla de inferencia . ^[239] Se puede resumir como " P implica Q y se afirma que P es verdadero, por lo tanto, Q debe ser verdadero".
modo de juego: En lógica proposicional , el modus tollens es una forma de argumento válida y una regla de inferencia . Es una aplicación de la verdad general de que si un enunciado es verdadero, entonces también lo es su contrapositivo . La regla de inferencia modus tollens afirma que la inferencia de P implica Q a la negación de Q implica la negación de P es válida.
Búsqueda de árboles en Montecarlo: En informática , la búsqueda de árbol de Monte Carlo (MCTS) es un algoritmo de búsqueda heurística para algunos tipos de procesos de decisión .
sistema multiagente (MAS): Un sistema computarizado compuesto por múltiples agentes inteligentes que interactúan entre sí. Los sistemas multiagente pueden resolver problemas que son difíciles o imposibles de resolver para un agente individual o un sistema monolítico . La inteligencia puede incluir enfoques metódicos , funcionales , procedimentales , búsqueda algorítmica o aprendizaje de refuerzo.
optimización de múltiples enjambres: Una variante de la optimización de enjambre de partículas (PSO) basada en el uso de múltiples subenjambres en lugar de un enjambre (estándar). El enfoque general en la optimización de múltiples enjambres es que cada subenjambre se centra en una región específica mientras que un método de diversificación específico decide dónde y cuándo lanzar los subenjambres. El marco de trabajo de múltiples enjambres es especialmente adecuado para la optimización en problemas multimodales, donde existen múltiples óptimos (locales).
mutación: Operador genético utilizado para mantener la diversidad genética de una generación de una población de cromosomas de algoritmos genéticos a la siguiente. Es análogo a la mutación biológica . La mutación altera uno o más valores genéticos en un cromosoma desde su estado inicial. En la mutación, la solución puede cambiar completamente de la solución anterior. Por lo tanto, GA puede llegar a una mejor solución utilizando la mutación. La mutación ocurre durante la evolución de acuerdo con una probabilidad de mutación definible por el usuario. Esta probabilidad debe establecerse baja. Si se establece demasiado alta, la búsqueda se convertirá en una búsqueda aleatoria primitiva.
Micina: Un sistema experto de encadenamiento hacia atrás que utilizaba inteligencia artificial para identificar bacterias que causaban infecciones graves, como bacteriemia y meningitis , y recomendar antibióticos , con dosis ajustadas al peso corporal del paciente (el nombre deriva de los propios antibióticos, ya que muchos de ellos tienen el sufijo "-micina"). El sistema MYCIN también se utilizó para el diagnóstico de enfermedades de la coagulación sanguínea.

norte

clasificador bayesiano ingenuo: En el aprendizaje automático, los clasificadores Bayes ingenuos son una familia de clasificadores probabilísticos simples basados en la aplicación del teorema de Bayes con fuertes suposiciones de independencia (ingenua) entre las características.
semántica ingenua: Un enfoque utilizado en informática para representar conocimientos básicos sobre un dominio específico, y se ha utilizado en aplicaciones como la representación del significado de oraciones en lenguaje natural en aplicaciones de inteligencia artificial. En un contexto general, el término se ha utilizado para referirse al uso de un conjunto limitado de conocimientos generalmente comprendidos sobre un dominio específico del mundo, y se ha aplicado a campos como el diseño basado en el conocimiento de esquemas de datos. ^[240]
vinculación de nombre: En los lenguajes de programación, la vinculación de nombres es la asociación de entidades (datos y/o código) con identificadores . ^[241] Se dice que un identificador vinculado a un objeto hace referencia a ese objeto. Los lenguajes de máquina no tienen una noción incorporada de identificadores, pero los lenguajes de programación implementan vinculaciones de nombre-objeto como un servicio y una notación para el programador. La vinculación está íntimamente relacionada con el alcance , ya que el alcance determina qué nombres se vinculan a qué objetos, en qué ubicaciones en el código del programa ( léxicamente ) y en cuál de las posibles rutas de ejecución ( temporalmente ). El uso de un identificador iden un contexto que establece una vinculación para idse denomina ocurrencia de vinculación (o de definición). En todas las demás ocurrencias (por ejemplo, en expresiones, asignaciones y llamadas a subprogramas), un identificador representa aquello a lo que está vinculado; dichas ocurrencias se denominan ocurrencias aplicadas.
Reconocimiento de entidades nombradas (NER): Una subtarea de extracción de información que busca localizar y clasificar menciones de entidades nombradas en texto no estructurado en categorías predefinidas, como nombres de personas, organizaciones, ubicaciones, códigos médicos , expresiones de tiempo, cantidades, valores monetarios, porcentajes, etc.
gráfico nombrado: Un concepto clave de la arquitectura de la Web Semántica en el que un conjunto de declaraciones del Marco de Descripción de Recursos (un gráfico ) se identifican utilizando un URI , ^[242] lo que permite realizar descripciones de ese conjunto de declaraciones, como contexto, información de procedencia u otros metadatos similares . Los gráficos con nombre son una extensión simple del modelo de datos RDF ^[243] a través del cual se pueden crear gráficos, pero el modelo carece de un medio eficaz para distinguirlos una vez publicados en la Web en general.
generación de lenguaje natural (NLG): Un proceso de software que transforma datos estructurados en contenido en lenguaje sencillo. Se puede utilizar para producir contenido extenso para que las organizaciones automaticen informes personalizados, así como para producir contenido personalizado para una aplicación web o móvil. También se puede utilizar para generar breves fragmentos de texto en conversaciones interactivas (un chatbot ) que incluso podrían leerse en voz alta mediante un sistema de texto a voz .
Procesamiento del lenguaje natural (PLN): Un subcampo de la informática, la ingeniería de la información y la inteligencia artificial que se ocupa de las interacciones entre las computadoras y los lenguajes humanos (naturales), en particular de cómo programar las computadoras para procesar y analizar grandes cantidades de datos en lenguaje natural .
programación en lenguaje natural: Una forma de programación asistida por ontología en términos de oraciones de lenguaje natural , por ejemplo, inglés . ^[244]
motivo de red: Todas las redes, incluidas las redes biológicas, las redes sociales, las redes tecnológicas (por ejemplo, las redes informáticas y los circuitos eléctricos) y otras, pueden representarse como grafos , que incluyen una amplia variedad de subgrafos. Una propiedad local importante de las redes son los denominados motivos de red, que se definen como subgrafos o patrones recurrentes y estadísticamente significativos .
Traducción automática neuronal (NMT): Un enfoque de traducción automática que utiliza una gran red neuronal artificial para predecir la probabilidad de una secuencia de palabras, generalmente modelando oraciones enteras en un único modelo integrado.
red neuronal: Una red neuronal puede referirse a un circuito neuronal de neuronas biológicas (a veces también llamada red neuronal biológica ), o una red de neuronas artificiales o nodos en el caso de una red neuronal artificial . ^[245] Las redes neuronales artificiales se utilizan para resolver problemas de inteligencia artificial (IA); modelan conexiones de neuronas biológicas como pesos entre nodos. Un peso positivo refleja una conexión excitatoria, mientras que los valores negativos significan conexiones inhibitorias. Todas las entradas se modifican con un peso y se suman. Esta actividad se conoce como combinación lineal . Finalmente, una función de activación controla la amplitud de la salida. Por ejemplo, un rango aceptable de salida suele estar entre 0 y 1, o podría ser −1 y 1.
máquina de Turing neuronal (MTN): Un modelo de red neuronal recurrente . Los NTM combinan las capacidades de coincidencia de patrones difusos de las redes neuronales con el poder algorítmico de las computadoras programables . Un NTM tiene un controlador de red neuronal acoplado a recursos de memoria externos , con los que interactúa a través de mecanismos de atención. Las interacciones de memoria son diferenciables de extremo a extremo, lo que hace posible optimizarlas utilizando el descenso de gradiente . ^[246] Un NTM con un controlador de red de memoria a corto plazo larga (LSTM) puede inferir algoritmos simples como copiar, ordenar y recordar asociativamente solo a partir de ejemplos. ^[247]
neuro-confuso: Combinaciones de redes neuronales artificiales y lógica difusa.
neurocibernética: Vía de comunicación directa entre un cerebro mejorado o cableado y un dispositivo externo. La BCI se diferencia de la neuromodulación en que permite un flujo de información bidireccional. Las BCI suelen estar dirigidas a investigar, mapear, ayudar, aumentar o reparar las funciones cognitivas o sensoriomotoras humanas. ^[248]
ingeniería neuromórfica: Un concepto que describe el uso de sistemas de integración a muy gran escala (VLSI) que contienen circuitos electrónicos analógicos para imitar arquitecturas neurobiológicas presentes en el sistema nervioso. ^[249] En los últimos tiempos, el término neuromórfico se ha utilizado para describir sistemas analógicos, digitales, VLSI analógicos/digitales de modo mixto y sistemas de software que implementan modelos de sistemas neuronales (para percepción , control motor o integración multisensorial ). La implementación de la computación neuromórfica a nivel de hardware se puede realizar mediante memristores basados en óxido , ^[250] memorias espintrónicas, ^[251] interruptores de umbral y transistores . ^[252]^[253]^[254]^[255]
nodo: Unidad básica de una estructura de datos , como una lista enlazada o una estructura de datos en forma de árbol . Los nodos contienen datos y también pueden vincularse con otros nodos. Los vínculos entre nodos suelen implementarse mediante punteros .
algoritmo no determinista: Un algoritmo que, incluso para la misma entrada, puede exhibir diferentes comportamientos en diferentes ejecuciones, a diferencia de un algoritmo determinista .
Nueva IA: La nueva IA se diferencia de la IA clásica en que pretende producir robots con niveles de inteligencia similares a los de los insectos. Los investigadores creen que la inteligencia puede surgir orgánicamente de comportamientos simples a medida que estas inteligencias interactúan con el "mundo real", en lugar de utilizar los mundos construidos que las IA simbólicas normalmente necesitaban tener programados en ellas. ^[256]
notario público: En la teoría de la complejidad computacional, NP (tiempo polinomial no determinista) es una clase de complejidad utilizada para clasificar los problemas de decisión . NP es el conjunto de problemas de decisión para los cuales las instancias del problema , donde la respuesta es "sí", tienen pruebas verificables en tiempo polinomial . ^[257]^{[Nota 1]}
NP-completitud: En la teoría de la complejidad computacional, un problema es NP-completo cuando se puede resolver mediante una clase restringida de algoritmos de búsqueda de fuerza bruta y se puede utilizar para simular cualquier otro problema con un algoritmo similar. Más precisamente, cada entrada del problema debe estar asociada con un conjunto de soluciones de longitud polinómica, cuya validez se puede probar rápidamente (en tiempo polinómico ^[258] ), de modo que la salida para cualquier entrada sea "sí" si el conjunto de soluciones no está vacío y "no" si está vacío.
Dureza NP: En teoría de la complejidad computacional, propiedad definitoria de una clase de problemas que son, informalmente, "al menos tan difíciles como los problemas más difíciles en NP". Un ejemplo simple de un problema NP-difícil es el problema de suma de subconjuntos .

Oh

La navaja de Occam: Principio de resolución de problemas que establece que, cuando se presentan hipótesis en competencia que hacen las mismas predicciones, se debe seleccionar la solución con la menor cantidad de suposiciones; ^[259] el principio no pretende filtrar las hipótesis que hacen predicciones diferentes. La idea se atribuye al fraile franciscano inglés Guillermo de Ockham ( c. 1287–1347), un filósofo y teólogo escolástico .
aprendizaje fuera de línea: Un enfoque de entrenamiento de aprendizaje automático en el que se entrena un modelo en un conjunto de datos fijo que no se actualiza durante el proceso de aprendizaje.
aprendizaje automático en línea: Un método de aprendizaje automático en el que los datos se ponen a disposición en un orden secuencial y se utilizan para actualizar el mejor predictor de datos futuros en cada paso, a diferencia de las técnicas de aprendizaje por lotes que generan el mejor predictor mediante el aprendizaje de todo el conjunto de datos de entrenamiento a la vez. El aprendizaje en línea es una técnica común que se utiliza en áreas de aprendizaje automático en las que no es computacionalmente factible entrenar sobre todo el conjunto de datos, lo que requiere la necesidad de algoritmos externos . También se utiliza en situaciones en las que es necesario que el algoritmo se adapte dinámicamente a nuevos patrones en los datos, o cuando los datos en sí se generan en función del tiempo.
aprendizaje de ontología: La creación automática o semiautomática de ontologías , incluida la extracción de los términos del dominio correspondiente y las relaciones entre los conceptos que estos términos representan de un corpus de texto en lenguaje natural, y su codificación con un lenguaje de ontología para su fácil recuperación.
IA abierta: La corporación con fines de lucro OpenAI LP, cuya organización matriz es la organización sin fines de lucro OpenAI Inc ^[260] que realiza investigaciones en el campo de la inteligencia artificial (IA) con el objetivo declarado de promover y desarrollar una IA amigable de tal manera que beneficie a la humanidad en su conjunto.
Cog abierto: Proyecto que tiene como objetivo crear un marco de inteligencia artificial de código abierto. OpenCog Prime es una arquitectura para la cognición robótica y virtual encarnada que define un conjunto de componentes interactivos diseñados para dar lugar a una inteligencia artificial general (IAG) equivalente a la humana como un fenómeno emergente de todo el sistema. ^[261]
Mente abierta, sentido común: Un proyecto de inteligencia artificial con sede en el Media Lab del Instituto Tecnológico de Massachusetts (MIT) cuyo objetivo es construir y utilizar una gran base de conocimiento de sentido común a partir de las contribuciones de miles de personas en la Web.
software de código abierto (OSS): Un tipo de software informático en el que el código fuente se publica bajo una licencia en la que el titular de los derechos de autor otorga a los usuarios los derechos para estudiar, modificar y distribuir el software a cualquier persona y para cualquier propósito. ^[262]El software de código abierto puede desarrollarse de manera pública y colaborativa . El software de código abierto es un ejemplo destacado de colaboración abierta . ^[263]
sobreajuste: "La producción de un análisis que corresponde demasiado de cerca o con demasiada exactitud a un conjunto particular de datos y, por lo tanto, puede no ajustarse a datos adicionales o predecir observaciones futuras de manera confiable". ^[264] En otras palabras, un modelo sobreajustado memoriza detalles de los datos de entrenamiento pero no puede generalizarlos a nuevos datos. Por el contrario, un modelo subajustado es demasiado simple para capturar la complejidad de los datos de entrenamiento.

PAG

reducción de orden parcial: Una técnica para reducir el tamaño del espacio de estados que se buscará mediante un algoritmo de planificación y programación automatizado o de verificación de modelos . Aprovecha la conmutatividad de las transiciones ejecutadas simultáneamente , que dan como resultado el mismo estado cuando se ejecutan en órdenes diferentes.
Proceso de decisión de Markov parcialmente observable (POMDP): Una generalización de un proceso de decisión de Markov (PDM). Un PDM modela un proceso de decisión de un agente en el que se supone que la dinámica del sistema está determinada por un PDM, pero el agente no puede observar directamente el estado subyacente. En cambio, debe mantener una distribución de probabilidad sobre el conjunto de estados posibles, en función de un conjunto de observaciones y probabilidades de observación, y el PDM subyacente.
Optimización de enjambre de partículas (PSO): Un método computacional que optimiza un problema al intentar mejorar iterativamente una solución candidata con respecto a una medida dada de calidad. Resuelve un problema al tener una población de soluciones candidatas, aquí denominadas partículas , y al mover estas partículas en el espacio de búsqueda de acuerdo con fórmulas matemáticas simples sobre la posición y velocidad de la partícula. El movimiento de cada partícula está influenciado por su mejor posición local conocida, pero también se guía hacia las posiciones más conocidas en el espacio de búsqueda, que se actualizan a medida que otras partículas encuentran mejores posiciones. Se espera que esto mueva el enjambre hacia las mejores soluciones.
búsqueda de caminos: Trazado, mediante una aplicación informática, de la ruta más corta entre dos puntos. Es una variante más práctica de la resolución de laberintos . Este campo de investigación se basa en gran medida en el algoritmo de Dijkstra para encontrar la ruta más corta en un grafo ponderado .
reconocimiento de patrones: Se ocupa del descubrimiento automático de regularidades en los datos mediante el uso de algoritmos informáticos y del uso de estas regularidades para tomar acciones como la clasificación de los datos en diferentes categorías. ^[265]
perceptrón: Un algoritmo para el aprendizaje supervisado de clasificadores binarios.
lógica de predicados: Una colección de sistemas formales utilizados en matemáticas , filosofía , lingüística y ciencias de la computación . La lógica de primer orden utiliza variables cuantificadas sobre objetos no lógicos y permite el uso de oraciones que contienen variables, de modo que en lugar de proposiciones como Sócrates es un hombre se pueden tener expresiones en la forma "existe x tal que x es Sócrates y x es un hombre" y existe es un cuantificador mientras que x es una variable. ^[183] Esto la distingue de la lógica proposicional , que no utiliza cuantificadores ni relaciones ; ^[266] en este sentido, la lógica proposicional es la base de la lógica de primer orden.
análisis predictivo: Una variedad de técnicas estadísticas de minería de datos , modelado predictivo y aprendizaje automático, que analizan hechos actuales e históricos para hacer predicciones sobre eventos futuros o desconocidos. ^[267]^[268]
Análisis de componentes principales (PCA): Procedimiento estadístico que utiliza una transformación ortogonal para convertir un conjunto de observaciones de variables posiblemente correlacionadas (entidades cada una de las cuales toma varios valores numéricos) en un conjunto de valores de variables linealmente no correlacionadas llamadas componentes principales. Esta transformación se define de tal manera que el primer componente principal tiene la mayor varianza posible (es decir, representa la mayor parte posible de la variabilidad en los datos) y cada componente siguiente, a su vez, tiene la mayor varianza posible bajo la restricción de que es ortogonal a los componentes anteriores. Los vectores resultantes (cada uno de ellos es una combinación lineal de las variables y contiene n observaciones) son un conjunto base ortogonal no correlacionado . El PCA es sensible a la escala relativa de las variables originales.
principio de racionalidad: Un principio acuñado por Karl R. Popper en su conferencia de Harvard de 1963, y publicado en su libro Myth of Framework . ^[269] Está relacionado con lo que él llamó la 'lógica de la situación' en un artículo de Economica de 1944/1945, publicado más tarde en su libro The Poverty of Historicism . ^[270] Según el principio de racionalidad de Popper, los agentes actúan de la manera más adecuada según la situación objetiva. Es una concepción idealizada del comportamiento humano que utilizó para impulsar su modelo de lógica situacional .
programación probabilística (PP): Un paradigma de programación en el que se especifican modelos probabilísticos y la inferencia para estos modelos se realiza automáticamente. ^[271] Representa un intento de unificar el modelado probabilístico y la programación de propósito general tradicional para hacer que el primero sea más fácil y más ampliamente aplicable. ^[272]^[273] Puede usarse para crear sistemas que ayuden a tomar decisiones ante la incertidumbre. Los lenguajes de programación utilizados para la programación probabilística se conocen como "lenguajes de programación probabilística" (PPL).
sistema de producción: Un programa de computadora generalmente utilizado para proporcionar algún tipo de IA, que consiste principalmente en un conjunto de reglas sobre el comportamiento, pero también incluye el mecanismo necesario para seguir esas reglas a medida que el sistema responde a los estados del mundo.
lenguaje de programación: Un lenguaje formal que comprende un conjunto de instrucciones que producen varios tipos de resultados . Los lenguajes de programación se utilizan en la programación informática para implementar algoritmos.
Prólogo: Un lenguaje de programación lógica asociado con la inteligencia artificial y la lingüística computacional . ^[274]^[275]^[276] Prolog tiene sus raíces en la lógica de primer orden , una lógica formal , y a diferencia de muchos otros lenguajes de programación , Prolog está pensado principalmente como un lenguaje de programación declarativo : la lógica del programa se expresa en términos de relaciones, representadas como hechos y reglas . Un cálculo se inicia ejecutando una consulta sobre estas relaciones. ^[277]
cálculo proposicional: Rama de la lógica que estudia las proposiciones (que pueden ser verdaderas o falsas) y el flujo de argumentos. Las proposiciones compuestas se forman conectando proposiciones mediante conectivos lógicos . Las proposiciones sin conectivos lógicos se denominan proposiciones atómicas. A diferencia de la lógica de primer orden , la lógica proposicional no estudia objetos no lógicos, predicados sobre ellos o cuantificadores. Sin embargo, toda la maquinaria de la lógica proposicional está incluida en la lógica de primer orden y en las lógicas de orden superior. En este sentido, la lógica proposicional es la base de la lógica de primer orden y de la lógica de orden superior.
Optimización de políticas proximales (PPO): Un algoritmo de aprendizaje de refuerzo para entrenar la función de decisión de un agente inteligente para realizar tareas difíciles.
Pitón: Un lenguaje de programación interpretado , de alto nivel y de propósito general creado por Guido van Rossum y lanzado por primera vez en 1991. La filosofía de diseño de Python enfatiza la legibilidad del código con su notable uso de espacios en blanco significativos . Sus construcciones de lenguaje y su enfoque orientado a objetos tienen como objetivo ayudar a los programadores a escribir código claro y lógico para proyectos de pequeña y gran escala. ^[278]
PyTorch: Una biblioteca de aprendizaje automático basada en la biblioteca Torch , ^[279]^[280]^[281] utilizada para aplicaciones como visión artificial y procesamiento del lenguaje natural, ^[282] desarrollada originalmente por Meta AI y ahora parte del paraguas de Linux Foundation . ^[283]^[284]^[285]^[286]

Q

Aprendizaje Q: Un algoritmo de aprendizaje de refuerzo sin modelo para aprender el valor de una acción en un estado particular.
Problema de calificación: En filosofía e inteligencia artificial (especialmente en sistemas basados en el conocimiento), el problema de la calificación se relaciona con la imposibilidad de enumerar todas las condiciones previas requeridas para que una acción del mundo real tenga el efecto deseado. ^[287]^[288] Podría plantearse como la manera de lidiar con las cosas que me impiden lograr el resultado deseado . Está fuertemente conectado con el problema del marco y es opuesto a su lado de ramificación . ^[287]
cuantificador: En lógica , la cuantificación especifica la cantidad de especímenes en el dominio del discurso que satisfacen una fórmula abierta . Los dos cuantificadores más comunes significan " para todos " y " existe ". Por ejemplo, en aritmética, los cuantificadores permiten decir que los números naturales continúan para siempre, escribiendo que para todo n (donde n es un número natural), hay otro número (por ejemplo, el sucesor de n) que es uno más grande que n.
computación cuántica: El uso de fenómenos mecánico-cuánticos como la superposición y el entrelazamiento para realizar cálculos . Para realizar dichos cálculos se utiliza una computadora cuántica, que puede implementarse de manera teórica o física. ^[289]^{: I-5}
lenguaje de consulta: Los lenguajes de consulta o lenguajes de consulta de datos (DQL) son lenguajes informáticos que se utilizan para realizar consultas en bases de datos y sistemas de información . En términos generales, los lenguajes de consulta se pueden clasificar según sean lenguajes de consulta de bases de datos o lenguajes de consulta de recuperación de información . La diferencia es que un lenguaje de consulta de bases de datos intenta dar respuestas fácticas a preguntas fácticas, mientras que un lenguaje de consulta de recuperación de información intenta encontrar documentos que contengan información relevante para un área de investigación.

R

Lenguaje de programación R: Un lenguaje de programación y un entorno de software libre para computación estadística y gráficos respaldado por la Fundación R para Computación Estadística. ^[290] El lenguaje R es ampliamente utilizado entre estadísticos y mineros de datos para desarrollar software estadístico ^[291] y análisis de datos . ^[292]
red de funciones de base radial: En el campo del modelado matemático , una red de función de base radial es una red neuronal artificial que utiliza funciones de base radial como funciones de activación . La salida de la red es una combinación lineal de funciones de base radial de las entradas y los parámetros de las neuronas. Las redes de función de base radial tienen muchos usos, incluida la aproximación de funciones , la predicción de series temporales , la clasificación y el control del sistema . Fueron formuladas por primera vez en un artículo de 1988 por Broomhead y Lowe, ambos investigadores del Royal Signals and Radar Establishment . ^[293]^[294]^[295]
bosque aleatorio: Un método de aprendizaje conjunto para clasificación, regresión y otras tareas que funciona construyendo una multitud de árboles de decisión en el momento del entrenamiento y generando la clase que es el modo de las clases (clasificación) o la predicción media (regresión) de los árboles individuales. ^[296]^[297] Los bosques de decisión aleatorios corrigen el hábito de los árboles de decisión de sobreajustarse a su conjunto de entrenamiento . ^[298]
sistema de razonamiento: En tecnología de la información, un sistema de razonamiento es un sistema de software que genera conclusiones a partir del conocimiento disponible utilizando técnicas lógicas como la deducción y la inducción . Los sistemas de razonamiento desempeñan un papel importante en la implementación de la inteligencia artificial y los sistemas basados en el conocimiento .
red neuronal recurrente (RNN): Una clase de redes neuronales artificiales donde las conexiones entre nodos forman un gráfico dirigido a lo largo de una secuencia temporal. Esto le permite exhibir un comportamiento dinámico temporal. A diferencia de las redes neuronales de propagación hacia adelante , las RNN pueden usar su estado interno (memoria) para procesar secuencias de entradas. Esto las hace aplicables a tareas como el reconocimiento de escritura a mano no segmentada y conectada ^[299] o el reconocimiento de voz . ^[300]^[301]
análisis de regresión: Conjunto de procesos estadísticos para estimar las relaciones entre una variable dependiente (a menudo denominada variable de resultado o respuesta, o etiqueta en el aprendizaje automático) y una o más variables independientes libres de errores (a menudo denominadas regresores, predictores, covariables, variables explicativas o características). La forma más común de análisis de regresión es la regresión lineal, en la que se encuentra la línea (o una combinación lineal más compleja) que se ajusta mejor a los datos según un criterio matemático específico.
regularización: Un conjunto de técnicas como abandono, detención temprana y regularización L1 y L2 para reducir el sobreajuste y el subajuste durante el entrenamiento de un algoritmo de aprendizaje.
aprendizaje por refuerzo (RL): Un área del aprendizaje automático que se ocupa de cómo los agentes de software deben tomar acciones en un entorno para maximizar alguna noción de recompensa acumulativa. El aprendizaje de refuerzo es uno de los tres paradigmas básicos del aprendizaje automático, junto con el aprendizaje supervisado y el aprendizaje no supervisado . Se diferencia del aprendizaje supervisado en que no es necesario presentar pares de entrada/salida etiquetados y no es necesario corregir explícitamente las acciones subóptimas. En cambio, el enfoque es encontrar un equilibrio entre la exploración (de territorio inexplorado) y la explotación (del conocimiento actual). ^[302]
aprendizaje de refuerzo a partir de la retroalimentación humana (RLHF): Una técnica que implica entrenar un "modelo de recompensa" para predecir cómo los humanos califican la calidad del contenido generado y luego entrenar un modelo de IA generativa para satisfacer este modelo de recompensa mediante aprendizaje de refuerzo. Puede usarse, por ejemplo, para hacer que el modelo de IA generativa sea más veraz o menos dañino. ^[303]
computación de reservorio: Un marco para la computación que puede ser visto como una extensión de las redes neuronales. ^[304] Normalmente, una señal de entrada se introduce en un sistema dinámico fijo (aleatorio) llamado depósito y la dinámica del depósito asigna la entrada a una dimensión superior. Luego, se entrena un mecanismo de lectura simple para leer el estado del depósito y asignarlo a la salida deseada. El principal beneficio es que el entrenamiento se realiza solo en la etapa de lectura y el depósito es fijo. Las máquinas de estado líquido ^[305] y las redes de estado de eco ^[306] son dos tipos principales de computación de depósito. ^[307]
Marco de descripción de recursos (RDF): Familia de especificaciones del Consorcio World Wide Web (W3C) ^[308] diseñada originalmente como un modelo de datos de metadatos . Se ha utilizado como un método general para la descripción conceptual o el modelado de información que se implementa en recursos web , utilizando una variedad de notaciones de sintaxis y formatos de serialización de datos . También se utiliza en aplicaciones de gestión del conocimiento .
máquina de Boltzmann restringida (RBM): Una red neuronal artificial estocástica generativa que puede aprender una distribución de probabilidad sobre su conjunto de entradas.
Algoritmo de red: Un algoritmo de coincidencia de patrones para implementar sistemas basados en reglas . El algoritmo se desarrolló para aplicar de manera eficiente muchas reglas o patrones a muchos objetos o hechos en una base de conocimiento . Se utiliza para determinar cuáles de las reglas del sistema deben activarse en función de su almacén de datos, sus hechos.
Robótica: Rama interdisciplinaria de la ciencia y la ingeniería que incluye la ingeniería mecánica , la ingeniería electrónica , la ingeniería de la información , la informática y otras. La robótica se ocupa del diseño, la construcción, el funcionamiento y el uso de robots , así como de los sistemas informáticos para su control, la retroalimentación sensorial y el procesamiento de la información .
sistema basado en reglas: En informática , un sistema basado en reglas se utiliza para almacenar y manipular conocimientos con el fin de interpretar la información de forma útil. Suele emplearse en aplicaciones e investigaciones de inteligencia artificial. Normalmente, el término sistema basado en reglas se aplica a sistemas que implican conjuntos de reglas creados o seleccionados por humanos. Los sistemas basados en reglas construidos mediante inferencia automática de reglas, como el aprendizaje automático basado en reglas , normalmente se excluyen de este tipo de sistema.

S

satisfacibilidad: En lógica matemática , la satisfacibilidad y la validez son conceptos elementales de la semántica . Una fórmula es satisfacible si es posible encontrar una interpretación ( modelo ) que haga que la fórmula sea verdadera. ^[309] Una fórmula es válida si todas las interpretaciones hacen que la fórmula sea verdadera. Los opuestos de estos conceptos son la insatisfacibilidad y la invalidez, es decir, una fórmula es insatisfacible si ninguna de las interpretaciones hace que la fórmula sea verdadera, e inválida si alguna de esas interpretaciones hace que la fórmula sea falsa. Estos cuatro conceptos están relacionados entre sí de una manera exactamente análoga al cuadrado de oposición de Aristóteles .
algoritmo de búsqueda: Cualquier algoritmo que resuelva el problema de búsqueda , es decir, recuperar información almacenada dentro de alguna estructura de datos, o calculada en el espacio de búsqueda de un dominio de problema , ya sea con valores discretos o continuos .
selección: La etapa de un algoritmo genético en la que se eligen genomas individuales de una población para su posterior reproducción (utilizando el operador de cruce ).
autogestión: El proceso mediante el cual los sistemas informáticos gestionan su propio funcionamiento sin intervención humana.
red semántica: Una base de conocimiento que representa relaciones semánticas entre conceptos en una red. Esto se utiliza a menudo como una forma de representación del conocimiento . Es un gráfico dirigido o no dirigido que consta de vértices , que representan conceptos , y aristas , que representan relaciones semánticas entre conceptos, ^[310] que mapean o conectan campos semánticos .
razonador semántico: Un programa capaz de inferir consecuencias lógicas a partir de un conjunto de hechos o axiomas afirmados . La noción de un razonador semántico generaliza la de un motor de inferencia , al proporcionar un conjunto más rico de mecanismos con los que trabajar. Las reglas de inferencia se especifican comúnmente por medio de un lenguaje de ontología y, a menudo, un lenguaje de lógica descriptiva . Muchos razonadores utilizan la lógica de predicados de primer orden para realizar el razonamiento; la inferencia generalmente procede mediante encadenamiento hacia adelante y encadenamiento hacia atrás.
consulta semántica: Permite realizar consultas y análisis de naturaleza asociativa y contextual . Las consultas semánticas permiten recuperar información derivada tanto explícita como implícitamente a partir de información sintáctica, semántica y estructural contenida en los datos. Están diseñadas para ofrecer resultados precisos (posiblemente la selección distintiva de una única pieza de información) o para responder a preguntas más confusas y abiertas a través de la comparación de patrones y el razonamiento digital .
semántica: En la teoría de lenguajes de programación , la semántica es el campo que se ocupa del estudio matemático riguroso del significado de los lenguajes de programación. Lo hace evaluando el significado de cadenas sintácticamente válidas definidas por un lenguaje de programación específico, mostrando el cálculo involucrado. En tal caso, si la evaluación fuera de cadenas sintácticamente inválidas, el resultado sería no computacional. La semántica describe los procesos que sigue una computadora al ejecutar un programa en ese lenguaje específico. Esto se puede mostrar describiendo la relación entre la entrada y la salida de un programa, o una explicación de cómo se ejecutará el programa en una determinada plataforma , creando así un modelo de computación .
Fusión de sensores: La combinación de datos sensoriales o datos derivados de fuentes dispares de manera que la información resultante tenga menos incertidumbre que la que sería posible si estas fuentes se utilizaran individualmente.
lógica de separación: Una extensión de la lógica de Hoare , una forma de razonar sobre los programas. El lenguaje de aserción de la lógica de separación es un caso especial de la lógica de implicaciones agrupadas (BI). ^[311]
aprendizaje por similitud: Un área de aprendizaje automático supervisado en inteligencia artificial. Está estrechamente relacionada con la clasificación y la regresión, pero el objetivo es aprender de una función de similitud que mide qué tan similares o relacionados son dos objetos. Tiene aplicaciones en la clasificación , en los sistemas de recomendación , en el seguimiento de la identidad visual, en la verificación de rostros y en la verificación de hablantes.
recocido simulado (SA): Una técnica probabilística para aproximar el óptimo global de una función dada . En concreto, es una metaheurística para aproximar la optimización global en un espacio de búsqueda grande para un problema de optimización .
enfoque situado: En la investigación sobre inteligencia artificial, el enfoque situado crea agentes diseñados para comportarse de manera eficaz y exitosa en su entorno. Esto requiere diseñar la IA "de abajo hacia arriba", centrándose en las habilidades motoras y perceptivas básicas necesarias para sobrevivir. El enfoque situado da una prioridad mucho menor al razonamiento abstracto o a las habilidades de resolución de problemas.
cálculo de situación: Un formalismo lógico diseñado para representar y razonar sobre dominios dinámicos.
Resolución de cláusulas definidas lineales selectivas: Regla de inferencia básica utilizada en programación lógica . Es un refinamiento de la resolución , que es a la vez sólida y refutable para las cláusulas de Horn .
software: Conjunto de datos o instrucciones informáticas que le indican a la computadora cómo debe funcionar. Esto contrasta con el hardware físico , a partir del cual se construye el sistema y que realmente realiza el trabajo. En informática e ingeniería de software , el software de computadora es toda la información procesada por los sistemas informáticos , los programas y los datos . El software de computadora incluye programas de computadora , bibliotecas y datos no ejecutables relacionados , como documentación en línea o medios digitales .
ingeniería de software: La aplicación de la ingeniería al desarrollo de software en un método sistemático. ^[312]^[313]^[314]
razonamiento espacio-temporal: Un área de la inteligencia artificial que se nutre de los campos de la informática , la ciencia cognitiva y la psicología cognitiva . El objetivo teórico, desde el punto de vista cognitivo, implica representar y razonar el conocimiento espacio-temporal en la mente. El objetivo aplicado, desde el punto de vista informático, implica desarrollar sistemas de control de alto nivel de autómatas para navegar y comprender el tiempo y el espacio.
SPARQL: Un lenguaje de consulta RDF , es decir, un lenguaje de consulta semántico para bases de datos , capaz de recuperar y manipular datos almacenados en formato Resource Description Framework (RDF) . ^[315]^[316]
aprendizaje de diccionario escaso: Un método de aprendizaje de características cuyo objetivo es encontrar una representación dispersa de los datos de entrada en forma de una combinación lineal de elementos básicos, así como los propios elementos básicos.
reconocimiento de voz: Subcampo interdisciplinario de la lingüística computacional que desarrolla metodologías y tecnologías que permiten el reconocimiento y la traducción del lenguaje hablado a texto por parte de computadoras. También se conoce como reconocimiento automático de voz (ASR), reconocimiento de voz por computadora o conversión de voz a texto (STT). Incorpora conocimientos e investigaciones en los campos de la lingüística , la informática y la ingeniería eléctrica .
Red neuronal con picos (SNN): Una red neuronal artificial que imita más de cerca una red neuronal natural. ^[317] Además del estado neuronal y sináptico , las SNN incorporan el concepto de tiempo en su modelo operativo .
estado: En tecnología de la información y la ciencia informática , un programa se describe como con estado si está diseñado para recordar eventos anteriores o interacciones del usuario; ^[318] la información recordada se denomina estado del sistema.
clasificación estadística: En el aprendizaje automático y las estadísticas , la clasificación es el problema de identificar a cuál de un conjunto de categorías (subpoblaciones) pertenece una nueva observación, sobre la base de un conjunto de datos de entrenamiento que contiene observaciones (o instancias) cuya pertenencia a la categoría se conoce. Algunos ejemplos son la asignación de un correo electrónico determinado a la clase "spam" o "no spam" y la asignación de un diagnóstico a un paciente determinado en función de las características observadas del paciente (sexo, presión arterial, presencia o ausencia de ciertos síntomas, etc.). La clasificación es un ejemplo de reconocimiento de patrones .
Estado-acción-recompensa-estado-acción (SARSA): Un algoritmo de aprendizaje de refuerzo para aprender una política de proceso de decisión de Markov.
aprendizaje relacional estadístico (SRL): Una subdisciplina de la inteligencia artificial y el aprendizaje automático que se ocupa de los modelos de dominio que presentan tanto incertidumbre (que se puede tratar utilizando métodos estadísticos) como estructura relacional compleja. ^[319]^[320] Tenga en cuenta que el SRL a veces se denomina aprendizaje automático relacional (RML) en la literatura. Normalmente, los formalismos de representación del conocimiento desarrollados en SRL utilizan (un subconjunto de) lógica de primer orden para describir las propiedades relacionales de un dominio de manera general ( cuantificación universal ) y se basan en modelos gráficos probabilísticos (como redes bayesianas o redes de Markov ) para modelar la incertidumbre; algunos también se basan en los métodos de programación lógica inductiva .
optimización estocástica (SO): Cualquier método de optimización que genere y utilice variables aleatorias . Para los problemas estocásticos, las variables aleatorias aparecen en la formulación del propio problema de optimización, que implica funciones objetivo aleatorias o restricciones aleatorias. Los métodos de optimización estocástica también incluyen métodos con iteraciones aleatorias. Algunos métodos de optimización estocástica utilizan iteraciones aleatorias para resolver problemas estocásticos, combinando ambos significados de optimización estocástica. ^[321] Los métodos de optimización estocástica generalizan los métodos deterministas para problemas deterministas.
análisis semántico estocástico: Un enfoque utilizado en informática como componente semántico de la comprensión del lenguaje natural . Los modelos estocásticos generalmente utilizan la definición de segmentos de palabras como unidades semánticas básicas para los modelos semánticos y, en algunos casos, implican un enfoque de dos capas. ^[322]
Solucionador de problemas del Instituto de Investigación de Stanford (STRIPS): Un planificador automatizado desarrollado por Richard Fikes y Nils Nilsson en 1971 en SRI International .
Experto en la materia (SME): Una persona que ha acumulado un gran conocimiento en un campo o tema en particular, demostrado por su título, licencia y/o años de experiencia profesional en el tema.
superinteligencia: Un agente hipotético que posee una inteligencia que supera con creces la de las mentes humanas más brillantes y dotadas . La superinteligencia también puede referirse a una propiedad de los sistemas de resolución de problemas (por ejemplo, traductores de idiomas o asistentes de ingeniería superinteligentes), independientemente de que estas competencias intelectuales de alto nivel estén incorporadas o no en agentes que actúan dentro del mundo físico. Una superinteligencia puede o no ser creada por una explosión de inteligencia y estar asociada a una singularidad tecnológica.
aprendizaje supervisado: La tarea de aprendizaje automático de aprender una función que asigna una entrada a una salida basándose en pares de entrada-salida de ejemplo. ^[323] Infiere una función a partir dedatos de entrenamiento etiquetados que consisten en un conjunto deejemplos de entrenamiento.^[324] En el aprendizaje supervisado, cada ejemplo es unparque consiste en un objeto de entrada (normalmente un vector) y un valor de salida deseado (también llamadoseñal de supervisión). Un algoritmo de aprendizaje supervisado analiza los datos de entrenamiento y produce una función inferida, que se puede utilizar para mapear nuevos ejemplos. Un escenario óptimo permitirá que el algoritmo determine correctamente las etiquetas de clase para instancias no vistas. Esto requiere que el algoritmo de aprendizaje generalice a partir de los datos de entrenamiento a situaciones no vistas de una manera "razonable" (versesgo inductivo).
máquinas de vectores de soporte: En el aprendizaje automático, las máquinas de vectores de soporte (SVM, también redes de vectores de soporte ^[325] ) son modelos de aprendizaje supervisado con algoritmos de aprendizaje asociados que analizan los datos utilizados para la clasificación y la regresión.
inteligencia de enjambre (SI): El comportamiento colectivo de sistemas descentralizados y autoorganizados , ya sean naturales o artificiales. La expresión fue introducida en el contexto de los sistemas robóticos celulares. ^[326]
inteligencia artificial simbólica: El término para la colección de todos los métodos de investigación en inteligencia artificial que se basan en representaciones "simbólicas" (legibles por humanos) de alto nivel de problemas, lógica y búsqueda.
inteligencia sintética (IS): Un término alternativo para la inteligencia artificial que enfatiza que la inteligencia de las máquinas no necesita ser una imitación o de alguna manera artificial; puede ser una forma genuina de inteligencia. ^[327]^[328]
neurociencia de sistemas: Subdisciplina de la neurociencia y la biología de sistemas que estudia la estructura y la función de los circuitos y sistemas neuronales. Es un término general que abarca varias áreas de estudio relacionadas con el comportamiento de las células nerviosas cuando se conectan entre sí para formar vías neuronales , circuitos neuronales y redes cerebrales más grandes .

yo

singularidad tecnológica: Un punto hipotético en el futuro cuando el crecimiento tecnológico se vuelve incontrolable e irreversible, dando lugar a cambios inimaginables para la civilización humana. ^[329]^[330]^[331]
aprendizaje de diferencia temporal: Una clase de métodos de aprendizaje por refuerzo sin modelo que aprenden mediante el arranque a partir de la estimación actual de la función de valor. Estos métodos toman muestras del entorno, como los métodos de Monte Carlo , y realizan actualizaciones basadas en las estimaciones actuales, como los métodos de programación dinámica . ^[332]
teoría de redes tensoriales: Una teoría de la función cerebral (en particular la del cerebelo ) que proporciona un modelo matemático de la transformación de las coordenadas espacio-temporales sensoriales en coordenadas motoras y viceversa por las redes neuronales cerebelosas . La teoría se desarrolló como una geometrización de la función cerebral (en particular del sistema nervioso central ) utilizando tensores . ^[333]^[334]
Flujo tensorial: Biblioteca de software libre y de código abierto para flujo de datos y programación diferenciable en una variedad de tareas. Es una biblioteca de matemáticas simbólicas y también se utiliza para aplicaciones de aprendizaje automático, como redes neuronales. ^[335]
Ciencias de la computación teóricas (TCS): Un subconjunto de la informática general y las matemáticas que se centra en temas más matemáticos de la informática e incluye la teoría de la computación .
teoría de la computación: En la informática teórica y las matemáticas , la teoría de la computación es la rama que estudia la eficiencia con la que se pueden resolver los problemas en un modelo de computación , utilizando un algoritmo. El campo se divide en tres ramas principales: teoría de autómatas y lenguajes, teoría de la computabilidad y teoría de la complejidad computacional, que están vinculadas por la pregunta: "¿Cuáles son las capacidades y limitaciones fundamentales de las computadoras?". ^[336]
Muestreo de Thompson: Heurística para la elección de acciones que aborda el dilema de exploración-explotación en el problema de las máquinas tragamonedas . Consiste en elegir la acción que maximiza la recompensa esperada con respecto a una creencia extraída al azar. ^[337]^[338]
complejidad temporal: La complejidad computacional que describe la cantidad de tiempo que lleva ejecutar un algoritmo. La complejidad temporal se estima comúnmente contando el número de operaciones elementales realizadas por el algoritmo, suponiendo que cada operación elemental requiere una cantidad fija de tiempo para realizarse. Por lo tanto, se considera que la cantidad de tiempo empleado y el número de operaciones elementales realizadas por el algoritmo difieren como máximo en un factor constante .
transformador: Un tipo de arquitectura de aprendizaje profundo que explota un mecanismo de atención de múltiples cabezas. Los transformadores abordan algunas de las limitaciones de la memoria a corto plazo y se han vuelto ampliamente utilizados en el procesamiento del lenguaje natural, aunque también pueden procesar otros tipos de datos, como imágenes en el caso de los transformadores de visión . ^[339]
transhumanismo: Un movimiento filosófico internacional que aboga por la transformación de la condición humana mediante el desarrollo y la puesta a disposición de tecnologías sofisticadas para mejorar en gran medida el intelecto y la fisiología humanos. ^[340]^[341]
sistema de transición: En informática teórica , un sistema de transición es un concepto utilizado en el estudio de la computación . Se utiliza para describir el comportamiento potencial de sistemas discretos. Consiste en estados y transiciones entre estados, que pueden etiquetarse con etiquetas elegidas de un conjunto; la misma etiqueta puede aparecer en más de una transición. Si el conjunto de etiquetas es un singleton , el sistema esencialmente no está etiquetado y es posible una definición más simple que omite las etiquetas.
Travesía del árbol: Una forma de recorrido de grafos y se refiere al proceso de visitar (verificar y/o actualizar) cada nodo en una estructura de datos de árbol , exactamente una vez. Dichos recorridos se clasifican según el orden en el que se visitan los nodos.
Fórmula booleana cuantificada verdadera: En la teoría de la complejidad computacional, el lenguaje TQBF es un lenguaje formal que consiste en fórmulas booleanas cuantificadas verdaderas. Una fórmula booleana (totalmente) cuantificada es una fórmula en lógica proposicional cuantificada donde cada variable se cuantifica (o se limita ), utilizando cuantificadores existenciales o universales , al comienzo de la oración. Dicha fórmula es equivalente a verdadera o falsa (ya que no hay variables libres ). Si dicha fórmula se evalúa como verdadera, entonces esa fórmula está en el lenguaje TQBF. También se conoce como QSAT (SAT cuantificado).
Máquina de Turing: Un modelo matemático de computación que describe una máquina abstracta ^[342] que manipula símbolos en una tira de cinta de acuerdo con una tabla de reglas. ^[343] A pesar de la simplicidad del modelo, es capaz de implementar cualquier algoritmo. ^[344]
Prueba de Turing: Prueba de la capacidad de una máquina para exhibir un comportamiento inteligente equivalente o indistinguible del de un humano, desarrollada por Alan Turing en 1950. Turing propuso que un evaluador humano juzgaría conversaciones en lenguaje natural entre un humano y una máquina diseñada para generar respuestas similares a las humanas. El evaluador sería consciente de que uno de los dos participantes en la conversación es una máquina, y todos los participantes estarían separados entre sí. La conversación se limitaría a un canal de solo texto, como un teclado y una pantalla de computadora , de modo que el resultado no dependería de la capacidad de la máquina para traducir palabras como habla. ^[345] Si el evaluador no puede distinguir de manera confiable la máquina del humano, se dice que la máquina ha pasado la prueba. Los resultados de la prueba no dependen de la capacidad de la máquina para dar respuestas correctas a las preguntas, sino solo de cuán parecidas sean sus respuestas a las que daría un humano.
sistema de tipos: En lenguajes de programación, un conjunto de reglas que asigna una propiedad llamada tipo a las diversas construcciones de un programa de computadora , como variables , expresiones , funciones o módulos . ^[346] Estos tipos formalizan y hacen cumplir las categorías implícitas que el programador usa para tipos de datos algebraicos , estructuras de datos u otros componentes (por ejemplo, "cadena", "matriz de punto flotante", "función que devuelve booleano"). El propósito principal de un sistema de tipos es reducir las posibilidades de errores en los programas de computadora ^[347] definiendo interfaces entre diferentes partes de un programa de computadora y luego verificando que las partes se hayan conectado de manera consistente. Esta verificación puede ocurrir estáticamente (en tiempo de compilación ), dinámicamente (en tiempo de ejecución ) o como una combinación de verificación estática y dinámica. Los sistemas de tipos también tienen otros propósitos, como expresar reglas comerciales, habilitar ciertas optimizaciones del compilador, permitir el envío múltiple , proporcionar una forma de documentación, etc.

tú

aprendizaje no supervisado: Un tipo de aprendizaje hebbiano autoorganizado que ayuda a encontrar patrones previamente desconocidos en un conjunto de datos sin etiquetas preexistentes. También se conoce como autoorganización y permite modelar densidades de probabilidad de entradas dadas. ^[348] Es una de las tres categorías principales de aprendizaje automático, junto con el aprendizaje supervisado y el aprendizaje de refuerzo. También se ha descrito el aprendizaje semisupervisado y es una hibridación de técnicas supervisadas y no supervisadas.

V

unidad de procesamiento de visión (VPU): Un tipo de microprocesador diseñado para acelerar las tareas de visión artificial. ^[349]^[350]
Alineación de valores completa: De manera análoga a un problema de IA completa , un problema de alineación de valores completa es un problema en el que el problema de control de IA debe resolverse por completo para resolverlo. ^{[ cita requerida ]}

Yo

Watson: Un sistema informático de respuesta a preguntas capaz de responder a preguntas planteadas en lenguaje natural , ^[351] desarrollado en el proyecto DeepQA de IBM por un equipo de investigación dirigido por el investigador principal David Ferrucci . ^[352] Watson recibió su nombre en honor al primer director ejecutivo de IBM, el industrial Thomas J. Watson . ^[353]^[354]
IA débil: Inteligencia artificial que se centra en una tarea específica. ^[355]^[356]^[357]
incrustación de palabras: Representación de una palabra en el procesamiento del lenguaje natural. Normalmente, la representación es un vector de valor real que codifica el significado de la palabra de tal manera que se espera que las palabras que están más cerca en el espacio vectorial tengan un significado similar. ^[358]

incógnita

XGBoost: ^{XGBoost [359]} , abreviatura de eXtreme Gradient Boosting, es una biblioteca de software de código abierto que proporciona un marco de impulso de gradiente regularizador para múltiples lenguajes de programación.

Referencias

^ ab Por ejemplo: Josephson, John R.; Josephson, Susan G., eds. (1994). Abductive Inference: Computation, Philosophy, Technology . Cambridge, Reino Unido; Nueva York: Cambridge University Press. doi :10.1017/CBO9780511530128. ISBN 978-0521434614.OCLC 28149683 .
^ "Retroducción". Commens – Digital Companion to CS Peirce . Mats Bergman, Sami Paavola y João Queiroz. Archivado desde el original el 5 de julio de 2022. Consultado el 24 de agosto de 2014 .
^ Sheikholeslami, Sina (2019). Programación de ablación para aprendizaje automático.
^ Colburn, Timothy; Shute, Gary (5 de junio de 2007). "Abstracción en la ciencia informática". Mentes y máquinas . 17 (2): 169–184. doi :10.1007/s11023-007-9061-7. ISSN 0924-6495. S2CID 5927969.
^ Kramer, Jeff (1 de abril de 2007). "¿Es la abstracción la clave de la informática?". Communications of the ACM . 50 (4): 36–42. CiteSeerX 10.1.1.120.6776 . doi :10.1145/1232743.1232745. ISSN 0001-0782. S2CID 12481509.
^ Michael Gelfond, Vladimir Lifschitz (1998) "Lenguajes de acción", Linköping Electronic Articles in Computer and Information Science , vol 3, nr 16 .
^ Jang, Jyh-Shing R (1991). Modelado difuso mediante redes neuronales generalizadas y algoritmo de filtro de Kalman (PDF) . Actas de la 9.ª Conferencia Nacional sobre Inteligencia Artificial, Anaheim, CA, EE. UU., 14 al 19 de julio. Vol. 2. págs. 762–767.
^ Jang, J.-SR (1993). "ANFIS: sistema de inferencia difusa basado en redes adaptativas". IEEE Transactions on Systems, Man, and Cybernetics . 23 (3): 665–685. doi :10.1109/21.256541. S2CID 14345934.
^ Abraham, A. (2005), "Adaptación de un sistema de inferencia difusa mediante aprendizaje neuronal", en Nedjah, Nadia; De Macedo Mourelle, Luiza (eds.), Ingeniería de sistemas difusos: teoría y práctica , Estudios sobre borrosidad y computación blanda, vol. 181, Alemania: Springer Verlag, págs. 53–83, CiteSeerX 10.1.1.161.6135 , doi :10.1007/11339366_3, ISBN 978-3-540-25322-8
^ Jang, Sun, Mizutani (1997) – Computación neurodifusa y blanda – Prentice Hall, págs. 335-368, ISBN 0-13-261066-3
^ Tahmasebi, P. (2012). "Un algoritmo híbrido de redes neuronales, lógica difusa y genética para la estimación de la ley". Computers & Geosciences . 42 : 18–27. Bibcode :2012CG.....42...18T. doi :10.1016/j.cageo.2012.02.004. PMC 4268588 . PMID 25540468.
^ Tahmasebi, P. (2010). "Comparación de la red neuronal optimizada con la lógica difusa para la estimación de la ley del mineral". Revista australiana de ciencias básicas y aplicadas . 4 : 764–772.
^ Russell, SJ; Norvig, P. (2002). Inteligencia artificial: un enfoque moderno . Prentice Hall. ISBN 978-0-13-790395-5.
^ Tao, Jianhua; Tieniu Tan (2005). "Computación afectiva: una revisión". Computación afectiva e interacción inteligente . Vol. LNCS 3784. Springer. págs. 981–995. doi :10.1007/11573548.
^ El Kaliouby, Rana (noviembre-diciembre de 2017). «Necesitamos computadoras con empatía». Technology Review . Vol. 120, núm. 6. pág. 8. Archivado desde el original el 7 de julio de 2018. Consultado el 6 de noviembre de 2018 .
^ Comparación de arquitecturas de agentes Archivado el 27 de agosto de 2008 en Wayback Machine .
^ "Intel presenta el acelerador de inteligencia artificial Movidius Compute Stick USB". 21 de julio de 2017. Archivado desde el original el 11 de agosto de 2017. Consultado el 28 de noviembre de 2018 .
^ "Inspurs presenta el acelerador de IA GX4". 21 de junio de 2017.
^ Shapiro, Stuart C. (1992). Inteligencia artificial. En Stuart C. Shapiro (Ed.), Enciclopedia de inteligencia artificial (segunda edición, págs. 54-57). Nueva York: John Wiley. (La sección 4 trata sobre "Tareas completas con IA").
^ Solomonoff, R., "Un informe preliminar sobre una teoría general de la inferencia inductiva", Informe V-131, Zator Co., Cambridge, Ma. (revisión de noviembre de 1960 del informe del 4 de febrero de 1960).
^ "Inteligencia artificial: AlphaGo de Google supera al maestro del Go Lee Se-dol". BBC News . 12 de marzo de 2016 . Consultado el 17 de marzo de 2016 .
^ "AlphaGo | DeepMind". DeepMind .
^ "Blog de investigación: AlphaGo: cómo dominar el antiguo juego de Go con aprendizaje automático". Blog de investigación de Google . 27 de enero de 2016.
^ "Google logra un gran avance en inteligencia artificial al vencer al campeón Go". BBC News . 27 de enero de 2016.
^ Véase Dung (1995)
^ Véase Besnard y Hunter (2001)
^ Véase Bench-Capon (2002)
^
Definición de IA como el estudio de agentes inteligentes :
- Poole, Mackworth y Goebel 1998, p. 1, que ofrece la versión que se utiliza en este artículo. Nótese que utilizan el término "inteligencia computacional" como sinónimo de inteligencia artificial.
- Russell y Norvig (2003) (quienes prefieren el término "agente racional") y escriben: "La visión del agente completo es ahora ampliamente aceptada en el campo" (Russell y Norvig 2003, p. 55).
- Nilsson 1998
- Legg y Hutter 2007.
^ Russell y Norvig 2009, pág. 2.
^ Hardesty, Larry (14 de abril de 2017). "Explicación: redes neuronales". Oficina de noticias del MIT . Consultado el 2 de junio de 2022 .
^ Yang, ZR; Yang, Z. (2014). Física biomédica integral. Instituto Karolinska, Estocolmo, Suecia: Elsevier. p. 1. ISBN 978-0-444-53633-4Archivado del original el 28 de julio de 2022 . Consultado el 28 de julio de 2022 .
^ "Estatutos corporativos de AAAI".
^ Cipresso, Pietro; Giglioli, Irene Alice Chicchi; Raya, iz; Riva, Giuseppe (7 de diciembre de 2011). "El pasado, el presente y el futuro de la investigación en realidad virtual y aumentada: un análisis de redes y clústeres de la literatura". Frontiers in Psychology . 9 : 2086. doi : 10.3389/fpsyg.2018.02086 . PMC 6232426 . PMID 30459681.
^ Ghallab, Malik; Nau, Dana S.; Traverso, Paolo (2004), Planificación automatizada: teoría y práctica, Morgan Kaufmann , ISBN 978-1-55860-856-6
^ Kephart, JO; Chess, DM (2003), "La visión de la computación autónoma", Computer , 36 : 41–52, CiteSeerX 10.1.1.70.613 , doi :10.1109/MC.2003.1160055
^ Gehrig, Stefan K.; Stein, Fridtjof J. (1999). Estimación y cartografía mediante visión estereoscópica para un automóvil automatizado . IEEE/RSJ International Conference on Intelligent Robots and Systems. Vol. 3. Kyongju. págs. 1507–1512. doi :10.1109/IROS.1999.811692. ISBN . 0-7803-5184-3.
^ "Un vehículo autónomo de Uber mata a una mujer que cruzaba la calle en Arizona". Reuters . 20 de marzo de 2018.
^ Thrun, Sebastian (2010). "Hacia los coches robóticos". Comunicaciones de la ACM . 53 (4): 99–106. doi :10.1145/1721654.1721679. S2CID 207177792.
^ "Information Engineering Main/Home Page". Universidad de Oxford. Archivado desde el original el 3 de julio de 2022. Consultado el 3 de octubre de 2018 .
^ Goodfellow, Ian; Bengio, Yoshua; Courville, Aaron (2016) Aprendizaje profundo . MIT Press. pág. 196. ISBN 9780262035613
^ Nielsen, Michael A. (2015). «Capítulo 6». Redes neuronales y aprendizaje profundo . Archivado desde el original el 8 de agosto de 2022. Consultado el 5 de julio de 2022 .
^ "Redes profundas: descripción general - Ufldl". ufldl.stanford.edu . Archivado desde el original el 16 de marzo de 2022 . Consultado el 4 de agosto de 2017 .
^ Mozer, MC (1995). "Un algoritmo de retropropagación enfocado para el reconocimiento de patrones temporales". En Chauvin, Y.; Rumelhart, D. (eds.). Retropropagación: teoría, arquitecturas y aplicaciones . Hillsdale, NJ: Lawrence Erlbaum Associates. págs. 137–169 . Consultado el 21 de agosto de 2017 .
^ Robinson, AJ y Fallside, F. (1987). Red de propagación de errores dinámicos impulsada por servicios públicos (informe técnico). Universidad de Cambridge, Departamento de Ingeniería. CUED/F-INFENG/TR.1.
^ Werbos, Paul J. (1988). "Generalización de la retropropagación con aplicación a un modelo de mercado de gas recurrente". Redes neuronales . 1 (4): 339–356. doi :10.1016/0893-6080(88)90007-x.
^ Feigenbaum, Edward (1988). El auge de la empresa experta . Times Books. pág. 317. ISBN 978-0-8129-1731-4.
^ Sivic, Josef (abril de 2009). "Búsqueda visual eficiente de videos emitidos como recuperación de texto" (PDF) . IEEE Transactions on Pattern Analysis and Machine Intelligence . 31 (4): 591–605. CiteSeerX 10.1.1.174.6841 . doi :10.1109/TPAMI.2008.111. PMID 19229077. S2CID 9899337. Archivado desde el original (PDF) el 31 de marzo de 2022 . Consultado el 5 de julio de 2022 .
^ McTear et al 2016, pág. 167.
^ "Entendiendo el paso hacia atrás a través de la capa de normalización por lotes". kratzert.github.io . Consultado el 24 de abril de 2018 .
^ Ioffe, Sergey; Szegedy, Christian (2015). "Normalización por lotes: aceleración del entrenamiento de redes profundas mediante la reducción del desplazamiento interno de covariables". arXiv : 1502.03167 [cs.LG].
^ "Glosario de aprendizaje profundo: normalización por lotes". medium.com . 27 de junio de 2017 . Consultado el 24 de abril de 2018 .
^ Pham DT, Ghanbarzadeh A, Koc E, Otri S, Rahim S y Zaidi M. El algoritmo de las abejas. Nota técnica, Centro de ingeniería de fabricación, Universidad de Cardiff, Reino Unido, 2005.
^ Pham, DT, Castellani, M. (2009), El algoritmo de las abejas: modelado del comportamiento de búsqueda de alimentos para resolver problemas de optimización continua Archivado el 9 de noviembre de 2016 en Wayback Machine . Proc. ImechE, Parte C, 223(12), 2919-2938.
^ Pham, DT; Castellani, M. (2014). "Evaluación comparativa y comparación de algoritmos de optimización continua basados en la población inspirados en la naturaleza". Soft Computing . 18 (5): 871–903. doi :10.1007/s00500-013-1104-9. S2CID 35138140.
^ Pham, Duc Truong; Castellani, Marco (2015). "Un estudio comparativo del algoritmo Bees como herramienta para la optimización de funciones". Cogent Engineering . 2 . doi : 10.1080/23311916.2015.1091540 .
^ Nasrinpour, HR; Massah Bavani, A.; Teshnehlab, M. (2017). "Algoritmo de abejas agrupadas: una versión agrupada del algoritmo de abejas". Computadoras . 6 (1): 5. doi : 10.3390/computers6010005 .
^ Cao, Longbing (2010). "Comprensión y uso profundo del comportamiento: el enfoque de la informática del comportamiento". Ciencias de la información . 180 (17): 3067–3085. arXiv : 2007.15516 . doi :10.1016/j.ins.2010.03.025. S2CID 7400761.
^ Colledanchise Michele y Ögren Petter 2016. Cómo los árboles de comportamiento modularizan los sistemas de control híbridos y generalizan las composiciones de comportamiento secuencial, la arquitectura de subsunción y los árboles de decisión. En IEEE Transactions on Robotics vol.PP, n.º 99, pp.1-18 (2016)
^ Colledanchise, Michele; Ögren, Petter (2018). Árboles de comportamiento en robótica e inteligencia artificial . arXiv : 1709.00084 . doi :10.1201/9780429489105. ISBN 9780429950902. Número de identificación del sujeto 27470659.
^ Breur, Tom (julio de 2016). «Análisis de poder estadístico y la «crisis» contemporánea en las ciencias sociales». Journal of Marketing Analytics . 4 (2–3): 61–65. doi : 10.1057/s41270-016-0001-3 . ISSN 2050-3318.
^ Bachmann, Paul (1894). Analytische Zahlentheorie [ Teoría analítica de números ] (en alemán). vol. 2. Leipzig: Teubner.
^ Landau, Edmund (1909). Handbuch der Lehre von der Verteilung der Primzahlen [ Manual sobre la teoría de la distribución de los números primos ] (en alemán). Leipzig: BG Teubner. pag. 883.
^ John, Taylor (2009). Garnier, Rowan (ed.). Matemática discreta: pruebas, estructuras y aplicaciones, tercera edición. CRC Press. pág. 620. ISBN 978-1-4398-1280-8.
^ Skiena, Steven S (2009). Manual de diseño de algoritmos. Springer Science & Business Media. pág. 77. ISBN 978-1-84800-070-4.
^ Erman, LD; Hayes-Roth, F.; Lesser, VR; Reddy, DR (1980). "El sistema de comprensión del habla Hearsay-II: integración del conocimiento para resolver la incertidumbre". Encuestas de computación ACM . 12 (2): 213. doi :10.1145/356810.356816. S2CID 118556.
^ Corkill, Daniel D. (septiembre de 1991). «Blackboard Systems» (PDF) . AI Expert . 6 (9): 40–47. Archivado desde el original (PDF) el 16 de abril de 2012. Consultado el 5 de julio de 2022 .
^ * Nii, H. Yenny (1986). Blackboard Systems (PDF) (Technical report). Department of Computer Science, Stanford University. STAN-CS-86-1123. Retrieved 12 April 2013.
^ Hayes-Roth, B. (1985). "A blackboard architecture for control". Artificial Intelligence. 26 (3): 251–321. doi:10.1016/0004-3702(85)90063-3.
^ Hinton, Geoffrey E. (24 May 2007). "Boltzmann machine". Scholarpedia. 2 (5): 1668. Bibcode:2007SchpJ...2.1668H. doi:10.4249/scholarpedia.1668. ISSN 1941-6016.
^ NZZ- Die Zangengeburt eines möglichen Stammvaters. Website Neue Zürcher Zeitung. Seen 16. August 2013.
^ Official Homepage Roboy Archived 2013-08-03 at the Wayback Machine. Website Roboy. Seen 16. August 2013.
^ Official Homepage Starmind. Website Starmind. Seen 16. August 2013.
^ Sabour, Sara; Frosst, Nicholas; Hinton, Geoffrey E. (26 October 2017). "Dynamic Routing Between Capsules". arXiv:1710.09829 [cs.CV].
^ "What is a chatbot?". techtarget.com. Retrieved 30 January 2017.
^ Civera, Javier; Ciocarlie, Matei; Aydemir, Alper; Bekris, Kostas; Sarma, Sanjay (2015). "Guest Editorial Special Issue on Cloud Robotics and Automation". IEEE Transactions on Automation Science and Engineering. 12 (2): 396–397. doi:10.1109/TASE.2015.2409511. S2CID 16080778.
^ "Robo Earth - Tech News". Robo Earth.
^ Goldberg, Ken. "Cloud Robotics and Automation".
^ Li, R. "Cloud Robotics-Enable cloud computing for robots". Retrieved 7 December 2014.
^ Fisher, Douglas (1987). "Knowledge acquisition via incremental conceptual clustering". Machine Learning. 2 (2): 139–172. doi:10.1007/BF00114265.
^ Fisher, Douglas H. (July 1987). "Improving inference through conceptual clustering". Proceedings of the 1987 AAAI Conferences. AAAI Conference. Seattle Washington. pp. 461–465.
^ Iba, William; Langley, Pat (27 January 2011). "Cobweb models of categorization and probabilistic concept formation". In Pothos, Emmanuel M.; Wills, Andy J. (eds.). Formal approaches in categorization. Cambridge: Cambridge University Press. pp. 253–273. ISBN 9780521190480.
^ Refer to the ICT website: https://cogarch.ict.usc.edu/
^ "Hewlett Packard Labs". Archived from the original on 30 October 2016. Retrieved 5 July 2022.
^ Terdiman, Daniel (2014) .IBM's TrueNorth processor mimics the human brain.https://cnet.com/news/ibms-truenorth-processor-mimics-the-human-brain/
^ Knight, Shawn (2011). IBM unveils cognitive computing chips that mimic human brain TechSpot: August 18, 2011, 12:00 PM
^ Hamill, Jasper (2013). Cognitive computing: IBM unveils software for its brain-like SyNAPSE chips The Register: August 8, 2013
^ Denning., P.J. (2014). "Surfing Toward the Future". Communications of the ACM. 57 (3): 26–29. doi:10.1145/2566967. S2CID 20681733.
^ Ludwig, Lars (2013). Extended Artificial Memory: Toward an integral cognitive theory of memory and technology (pdf) (Thesis). Technical University of Kaiserslautern. Retrieved 7 February 2017.
^ "Research at HP Labs". Archived from the original on 7 March 2022. Retrieved 5 July 2022.
^ Cognitive science is an interdisciplinary field of researchers from Linguistics, psychology, neuroscience, philosophy, computer science, and anthropology that seek to understand the mind. How We Learn: Ask the Cognitive Scientist
^ Schrijver, Alexander (February 1, 2006). A Course in Combinatorial Optimization (PDF), page 1.
^ HAYKIN, S. Neural Networks - A Comprehensive Foundation. Second edition. Pearson Prentice Hall: 1999.
^ "PROGRAMS WITH COMMON SENSE". www-formal.stanford.edu. Retrieved 11 April 2018.
^ Davis, Ernest; Marcus, Gary (2015). "Commonsense reasoning". Communications of the ACM. Vol. 58, no. 9. pp. 92–103. doi:10.1145/2701413.
^ Hulstijn, J, and Nijholt, A. (eds.). Proceedings of the International Workshop on Computational Humor. Number 12 in Twente Workshops on Language Technology, Enschede, Netherlands. University of Twente, 1996.
^ "ACL - Association for Computational Learning".
^ Trappenberg, Thomas P. (2002). Fundamentals of Computational Neuroscience. United States: Oxford University Press Inc. p. 1. ISBN 978-0-19-851582-1.
^ What is computational neuroscience? Patricia S. Churchland, Christof Koch, Terrence J. Sejnowski. in Computational Neuroscience pp.46-55. Edited by Eric L. Schwartz. 1993. MIT Press "Computational Neuroscience Edited by Eric L. Schwartz". Archived from the original on 4 June 2011. Retrieved 11 June 2009.
^ "Theoretical Neuroscience". The MIT Press. Archived from the original on 31 May 2018. Retrieved 24 May 2018.
^ Gerstner, W.; Kistler, W.; Naud, R.; Paninski, L. (2014). Neuronal Dynamics. Cambridge, UK: Cambridge University Press. ISBN 9781107447615.
^ Kamentsky, L.A.; Liu, C.-N. (1963). "Computer-Automated Design of Multifont Print Recognition Logic". IBM Journal of Research and Development. 7 (1): 2. doi:10.1147/rd.71.0002. Archived from the original on 3 March 2016. Retrieved 5 July 2022.
^ Brncick, M (2000). "Computer automated design and computer automated manufacture". Phys Med Rehabil Clin N Am. 11 (3): 701–13. doi:10.1016/s1047-9651(18)30806-4. PMID 10989487.
^ Li, Y.; et al. (2004). "CAutoCSD - Evolutionary search and optimisation enabled computer automated control system design". International Journal of Automation and Computing. 1 (1): 76–88. doi:10.1007/s11633-004-0076-8. S2CID 55417415.
^ Kramer, GJE; Grierson, DE (1989). "Computer automated design of structures under dynamic loads". Computers & Structures. 32 (2): 313–325. doi:10.1016/0045-7949(89)90043-6.
^ Moharrami, H; Grierson, DE (1993). "Computer-Automated Design of Reinforced Concrete Frameworks". Journal of Structural Engineering. 119 (7): 2036–2058. doi:10.1061/(asce)0733-9445(1993)119:7(2036).
^ Xu, L; Grierson, DE (1993). "Computer-Automated Design of Semirigid Steel Frameworks". Journal of Structural Engineering. 119 (6): 1740–1760. doi:10.1061/(asce)0733-9445(1993)119:6(1740).
^ Barsan, GM; Dinsoreanu, M, (1997). Computer-automated design based on structural performance criteria, Mouchel Centenary Conference on Innovation in Civil and Structural Engineering, Aug 19-21, Cambridge England, Innovation in Civil and Structural Engineering, 167-172
^ Li, Yun (1996). "Genetic algorithm automated approach to the design of sliding mode control systems". International Journal of Control. 63 (4): 721–739. doi:10.1080/00207179608921865.
^ Li, Yun; Chwee Kim, Ng; Chen Kay, Tan (1995). "Automation of Linear and Nonlinear Control Systems Design by Evolutionary Computation" (PDF). IFAC Proceedings Volumes. 28 (16): 85–90. doi:10.1016/S1474-6670(17)45158-5.
^ Barsan, GM, (1995) Computer-automated design of semirigid steel frameworks according to EUROCODE-3, Nordic Steel Construction Conference 95, JUN 19-21, 787-794
^ Gray, Gary J.; Murray-Smith, David J.; Li, Yun; et al. (1998). "Nonlinear model structure identification using genetic programming" (PDF). Control Engineering Practice. 6 (11): 1341–1352. doi:10.1016/s0967-0661(98)00087-2.
^ Zhang, Jun; Zhan, Zhi-hui; Lin, Ying; Chen, Ni; Gong, Yue-Jiao; Zhong, Jing-hui; Chung, Henry S.H.; Li, Yun; Shi, Yu-hui (2011). "Evolutionary Computation Meets Machine Learning: A Survey". IEEE Computational Intelligence Magazine. 6 (4): 68–75. doi:10.1109/MCI.2011.942584. S2CID 6760276.
^ Gregory S. Hornby (2003). Generative Representations for Computer-Automated Design Systems, NASA Ames Research Center, Mail Stop 269-3, Moffett Field, CA 94035-1000
^ J. Clune and H. Lipson (2011). Evolving three-dimensional objects with a generative encoding inspired by developmental biology. Proceedings of the European Conference on Artificial Life. 2011.
^ Zhan, Z.H.; et al. (2009). "Adaptive Particle Swarm Optimization" (PDF). IEEE Transactions on Systems, Man, and Cybernetics - Part B: Cybernetics. 39 (6): 1362–1381. doi:10.1109/tsmcb.2009.2015956. PMID 19362911. S2CID 11191625.
^ "WordNet Search—3.1". Wordnetweb.princeton.edu. Archived from the original on 14 January 2013. Retrieved 14 May 2012.
^ Dana H. Ballard; Christopher M. Brown (1982). Computer Vision. Prentice Hall. ISBN 0-13-165316-4.
^ Huang, T. (1996-11-19). Vandoni, Carlo, E, ed. Computer Vision : Evolution And Promise (PDF). 19th CERN School of Computing. Geneva: CERN. pp. 21–25. doi:10.5170/CERN-1996-008.21. ISBN 978-9290830955.
^ Milan Sonka; Vaclav Hlavac; Roger Boyle (2008). Image Processing, Analysis, and Machine Vision. Thomson. ISBN 0-495-08252-X.
^ Garson, James (27 November 2018). Zalta, Edward N. (ed.). The Stanford Encyclopedia of Philosophy. Metaphysics Research Lab, Stanford University – via Stanford Encyclopedia of Philosophy.
^ "Ishtar for Belgium to Belgrade". European Broadcasting Union. Retrieved 19 May 2013.
^ LeCun, Yann. "LeNet-5, convolutional neural networks". Retrieved 16 November 2013.
^ Zhang, Wei (1988). "Shift-invariant pattern recognition neural network and its optical architecture". Proceedings of annual conference of the Japan Society of Applied Physics.
^ Zhang, Wei (1990). "Parallel distributed processing model with local space-invariant interconnections and its optical architecture". Applied Optics. 29 (32): 4790–7. Bibcode:1990ApOpt..29.4790Z. doi:10.1364/AO.29.004790. PMID 20577468.
^ Tian, Yuandong; Zhu, Yan (2015). "Better Computer Go Player with Neural Network and Long-term Prediction". arXiv:1511.06410v1 [cs.LG].
^ "How Facebook's AI Researchers Built a Game-Changing Go Engine". MIT Technology Review. 4 December 2015. Retrieved 3 February 2016.
^ "Facebook AI Go Player Gets Smarter With Neural Network And Long-Term Prediction To Master World's Hardest Game". Tech Times. 28 January 2016. Retrieved 24 April 2016.
^ "Facebook's artificially intelligent Go player is getting smarter". VentureBeat. 27 January 2016. Retrieved 24 April 2016.
^ Solomonoff, R.J.The Time Scale of Artificial Intelligence; Reflections on Social Effects, Human Systems Management, Vol 5 1985, Pp 149-153
^ Moor, J., The Dartmouth College Artificial Intelligence Conference: The Next Fifty years, AI Magazine, Vol 27, No., 4, Pp. 87-9, 2006
^ Kline, Ronald R., Cybernetics, Automata Studies and the Dartmouth Conference on Artificial Intelligence, IEEE Annals of the History of Computing, October–December, 2011, IEEE Computer Society
^ a b Haghighat, Mohammad; Abdel-Mottaleb, Mohamed; Alhalabi, Wadee (2016). "Discriminant Correlation Analysis: Real-Time Feature Level Fusion for Multimodal Biometric Recognition". IEEE Transactions on Information Forensics and Security. 11 (9): 1984–1996. doi:10.1109/TIFS.2016.2569061. S2CID 15624506.
^ Lenzerini, Maurizio (2002). "Data Integration: A Theoretical Perspective" (PDF). PODS 2002. pp. 233–246. Archived from the original (PDF) on 27 October 2021. Retrieved 5 July 2022.
^ Lane, Frederick (2006). "IDC: World Created 161 Billion Gigs of Data in 2006".
^ Dhar, V. (2013). "Data science and prediction". Communications of the ACM. 56 (12): 64–73. doi:10.1145/2500499. S2CID 6107147.
^ Leek, Jeff (12 December 2013). "The key word in 'Data Science' is not Data, it is Science". Simply Statistics. Archived from the original on 2 January 2014. Retrieved 11 November 2018.
^ Hayashi, Chikio (1 January 1998). "What is Data Science ? Fundamental Concepts and a Heuristic Example". In Hayashi, Chikio; Yajima, Keiji; Bock, Hans-Hermann; Ohsumi, Noboru; Tanaka, Yutaka; Baba, Yasumasa (eds.). Data Science, Classification, and Related Methods. Studies in Classification, Data Analysis, and Knowledge Organization. Springer Japan. pp. 40–51. doi:10.1007/978-4-431-65950-1_3. ISBN 9784431702085.
^ Dedić, Nedim; Stanier, Clare (2016). Hammoudi, Slimane; Maciaszek, Leszek; Missikoff, Michele M. Missikoff; Camp, Olivier; Cordeiro, José (eds.). An Evaluation of the Challenges of Multilingualism in Data Warehouse Development. International Conference on Enterprise Information Systems, 25–28 April 2016, Rome, Italy (PDF). Proceedings of the 18th International Conference on Enterprise Information Systems (ICEIS 2016). Vol. 1. SciTePress. pp. 196–206. doi:10.5220/0005858401960206. ISBN 978-989-758-187-8.
^ "9 Reasons Data Warehouse Projects Fail". blog.rjmetrics.com. 4 December 2014. Retrieved 30 April 2017.
^ Huang; Green; Loo, "Datalog and Emerging applications", SIGMOD 2011 (PDF), UC Davis, archived from the original (PDF) on 1 July 2022, retrieved 5 July 2022.
^ Steele, Katie and Stefánsson, H. Orri, "Decision Theory", The Stanford Encyclopedia of Philosophy (Winter 2015 Edition), Edward N. Zalta (ed.), URL = [1]
^ Lloyd, J.W., Practical Advantages of Declarative Programming
^ a b Bengio, Y.; Courville, A.; Vincent, P. (2013). "Representation Learning: A Review and New Perspectives". IEEE Transactions on Pattern Analysis and Machine Intelligence. 35 (8): 1798–1828. arXiv:1206.5538. doi:10.1109/tpami.2013.50. PMID 23787338. S2CID 393948.
^ Schmidhuber, J (2015). "Deep Learning in Neural Networks: An Overview". Neural Networks. 61: 85–117. arXiv:1404.7828. doi:10.1016/j.neunet.2014.09.003. PMID 25462637. S2CID 11715509.
^ Bengio, Yoshua; LeCun, Yann; Hinton, Geoffrey (2015). "Deep Learning" (PDF). Nature. 521 (7553): 436–444. Bibcode:2015Natur.521..436L. doi:10.1038/nature14539. PMID 26017442. S2CID 3074096.
^ "About Us | DeepMind". DeepMind.
^ "A return to Paris | DeepMind". DeepMind. 29 March 2018.
^ "The Last AI Breakthrough DeepMind Made Before Google Bought It". The Physics arXiv Blog. 29 January 2014. Retrieved 12 October 2014.
^ Graves, Alex; Wayne, Greg; Danihelka, Ivo (2014). "Neural Turing Machines". arXiv:1410.5401 [cs.NE].
^ Best of 2014: Google's Secretive DeepMind Startup Unveils a "Neural Turing Machine" Archived 4 December 2015 at the Wayback Machine, MIT Technology Review
^ Graves, Alex; Wayne, Greg; Reynolds, Malcolm; Harley, Tim; Danihelka, Ivo; Grabska-Barwińska, Agnieszka; Colmenarejo, Sergio Gómez; Grefenstette, Edward; Ramalho, Tiago (12 October 2016). "Hybrid computing using a neural network with dynamic external memory". Nature. 538 (7626): 471–476. Bibcode:2016Natur.538..471G. doi:10.1038/nature20101. ISSN 1476-4687. PMID 27732574. S2CID 205251479.
^ Kohs, Greg (29 September 2017), AlphaGo, Ioannis Antonoglou, Lucas Baker, Nick Bostrom, retrieved 9 January 2018
^ Silver, David; Hubert, Thomas; Schrittwieser, Julian; Antonoglou, Ioannis; Lai, Matthew; Guez, Arthur; Lanctot, Marc; Sifre, Laurent; Kumaran, Dharshan; Graepel, Thore; Lillicrap, Timothy; Simonyan, Karen; Hassabis, Demis (5 December 2017). "Mastering Chess and Shogi by Self-Play with a General Reinforcement Learning Algorithm". arXiv:1712.01815 [cs.AI].
^ Ester, Martin; Kriegel, Hans-Peter; Sander, Jörg; Xu, Xiaowei (1996). Simoudis, Evangelos; Han, Jiawei; Fayyad, Usama M. (eds.). A density-based algorithm for discovering clusters in large spatial databases with noise (PDF). Proceedings of the Second International Conference on Knowledge Discovery and Data Mining (KDD-96). AAAI Press. pp. 226–231. CiteSeerX 10.1.1.121.9220. ISBN 1-57735-004-9.
^ Sikos, Leslie F. (2017). Description Logics in Multimedia Reasoning. Cham: Springer International Publishing. doi:10.1007/978-3-319-54066-5. ISBN 978-3-319-54066-5. S2CID 3180114.
^ Ho, Jonathan; Jain, Ajay; Abbeel, Pieter (19 June 2020). Denoising Diffusion Probabilistic Models. arXiv:2006.11239.
^ Song, Yang; Sohl-Dickstein, Jascha; Kingma, Diederik P.; Kumar, Abhishek; Ermon, Stefano; Poole, Ben (10 February 2021). "Score-Based Generative Modeling through Stochastic Differential Equations". arXiv:2011.13456 [cs.LG].
^ Gu, Shuyang; Chen, Dong; Bao, Jianmin; Wen, Fang; Zhang, Bo; Chen, Dongdong; Yuan, Lu; Guo, Baining (2021). "Vector Quantized Diffusion Model for Text-to-Image Synthesis". arXiv:2111.14822 [cs.CV].
^ Chang, Ziyi; Koulieris, George Alex; Shum, Hubert P. H. (2023). "On the Design Fundamentals of Diffusion Models: A Survey". arXiv:2306.04542 [cs.LG].
^ Croitoru, Florinel-Alin; Hondru, Vlad; Ionescu, Radu Tudor; Shah, Mubarak (2023). "Diffusion Models in Vision: A Survey". IEEE Transactions on Pattern Analysis and Machine Intelligence. 45 (9): 10850–10869. arXiv:2209.04747. doi:10.1109/TPAMI.2023.3261988. PMID 37030794. S2CID 252199918.
^ Roweis, S. T.; Saul, L. K. (2000). "Nonlinear Dimensionality Reduction by Locally Linear Embedding". Science. 290 (5500): 2323–2326. Bibcode:2000Sci...290.2323R. CiteSeerX 10.1.1.111.3313. doi:10.1126/science.290.5500.2323. PMID 11125150. S2CID 5987139.
^ Pudil, P.; Novovičová, J. (1998). "Novel Methods for Feature Subset Selection with Respect to Problem Knowledge". In Liu, Huan; Motoda, Hiroshi (eds.). Feature Extraction, Construction and Selection. pp. 101. doi:10.1007/978-1-4615-5725-8_7. ISBN 978-1-4613-7622-4.
^ Demazeau, Yves, and J-P. Müller, eds. Decentralized Ai. Vol. 2. Elsevier, 1990.
^ Hendrickx, Iris; Van den Bosch, Antal (October 2005). "Hybrid algorithms with Instance-Based Classification". Machine Learning: ECML2005. Springer. pp. 158–169. ISBN 9783540292432.
^ a b Ostrow, Adam (5 March 2011). "Roger Ebert's Inspiring Digital Transformation". Mashable Entertainment. Retrieved 12 September 2011. With the help of his wife, two colleagues and the Alex-equipped MacBook that he uses to generate his computerized voice, famed film critic Roger Ebert delivered the final talk at the TED conference on Friday in Long Beach, California....
^ Lee, Jennifer (7 March 2011). "Roger Ebert Tests His Vocal Cords, and Comedic Delivery". The New York Times. Retrieved 12 September 2011. Now perhaps, there is the Ebert Test, a way to see if a synthesized voice can deliver humor with the timing to make an audience laugh.... He proposed the Ebert Test as a way to gauge the humanness of a synthesized voice.
^ "Roger Ebert's Inspiring Digital Transformation". Tech News. 5 March 2011. Archived from the original on 25 March 2011. Retrieved 12 September 2011. Meanwhile, the technology that enables Ebert to "speak" continues to see improvements – for example, adding more realistic inflection for question marks and exclamation points. In a test of that, which Ebert called the "Ebert test" for computerized voices,
^ Pasternack, Alex (18 April 2011). "A MacBook May Have Given Roger Ebert His Voice, But An iPod Saved His Life (Video)". Motherboard. Archived from the original on 6 September 2011. Retrieved 12 September 2011. He calls it the "Ebert Test," after Turing's AI standard...
^ Jaeger, Herbert; Haas, Harald (2004). "Harnessing Nonlinearity: Predicting Chaotic Systems and Saving Energy in Wireless Communication" (PDF). Science. 304 (5667): 78–80. Bibcode:2004Sci...304...78J. doi:10.1126/science.1091277. PMID 15064413. S2CID 2184251. Archived from the original (PDF) on 1 September 2022. Retrieved 5 July 2022.
^ Herbert Jaeger (2007) Echo State Network. Archived 28 June 2022 at the Wayback Machine Scholarpedia.
^ Serenko, Alexander; Bontis, Nick; Detlor, Brian (2007). "End-user adoption of animated interface agents in everyday work applications" (PDF). Behaviour and Information Technology. 26 (2): 119–132. doi:10.1080/01449290500260538. S2CID 2175427.
^ Opitz, D.; Maclin, R. (1999). "Popular ensemble methods: An empirical study". Journal of Artificial Intelligence Research. 11: 169–198. arXiv:1106.0257. doi:10.1613/jair.614.
^ Polikar, R. (2006). "Ensemble based systems in decision making". IEEE Circuits and Systems Magazine. 6 (3): 21–45. doi:10.1109/MCAS.2006.1688199. S2CID 18032543.
^ Rokach, L. (2010). "Ensemble-based classifiers". Artificial Intelligence Review. 33 (1–2): 1–39. doi:10.1007/s10462-009-9124-7. hdl:11323/1748. S2CID 11149239.
^ Vikhar, PA (2016). "Algoritmos evolutivos: una revisión crítica y sus perspectivas futuras". Conferencia internacional de 2016 sobre tendencias globales en procesamiento de señales, informática y comunicación (ICGTSPICC) . Jalgaon, 2016, págs. 261-265. págs. 261–265. doi :10.1109/ICGTSPICC.2016.7955308. ISBN . 978-1-5090-0467-6. Número de identificación del sujeto 22100336.
^ Russell, Stuart ; Norvig, Peter (2009). "26.3: La ética y los riesgos del desarrollo de la inteligencia artificial". Inteligencia artificial: un enfoque moderno . Prentice Hall. ISBN 978-0-13-604259-4.
^ Bostrom, Nick (2002). "Riesgos existenciales". Revista de evolución y tecnología . 9 (1): 1–31.
^ "Su hoja de trucos sobre inteligencia artificial". Slate . 1 de abril de 2016 . Consultado el 16 de mayo de 2016 .
^ Jackson, Peter (1998), Introducción a los sistemas expertos (3.ª ed.), Addison Wesley, pág. 2, ISBN 978-0-201-87686-4
^ "Programación convencional". Revista PC . Archivado desde el original el 14 de octubre de 2012. Consultado el 15 de septiembre de 2013 .
^ Martignon, Laura; Vitouch, Oliver; Takezawa, Masanori; Forster, Malcolm. "Ingenuos y, sin embargo, iluminados: de frecuencias naturales a árboles de decisión rápidos y frugales", publicado en Pensamiento: perspectivas psicológicas sobre razonamiento, juicio y toma de decisiones (David Hardman y Laura Macchi; editores), Chichester: John Wiley & Sons, 2003.
^ Bishop, Christopher (2006). Reconocimiento de patrones y aprendizaje automático . Berlín: Springer. ISBN 0-387-31073-8.
^ ab Hodgson, Dr. JPE, "First Order Logic" Archivado el 21 de septiembre de 2019 en Wayback Machine , Saint Joseph's University , Filadelfia , 1995.
^ Hughes, GE y Cresswell, MJ , Una nueva introducción a la lógica modal ( Londres : Routledge , 1996), pág. 161.
^ Feigenbaum, Edward (1988). El auge de la empresa Expert . Times Books. pág. 318. ISBN 978-0-8129-1731-4.
^ Hayes, Patrick (1981). "El problema del marco y problemas relacionados en inteligencia artificial" (PDF) . Lecturas sobre inteligencia artificial . Universidad de Edimburgo: 223–230. doi :10.1016/B978-0-934613-03-3.50020-9. ISBN 9780934613033. S2CID 141711662. Archivado desde el original (PDF) el 3 de diciembre de 2013 . Consultado el 9 de marzo de 2019 .
^ Sardar, Z (2010). "El homónimo: Futuros; estudios de futuros; futurología; futurista; previsión: ¿qué hay en un nombre?". Futuros . 42 (3): 177–184. doi :10.1016/j.futures.2009.11.001.
^ Pedrycz, Witold (1993). Control difuso y sistemas difusos (2.ª ed.). Research Studies Press Ltd.
^ Hájek, Petr (1998). Metamatemáticas de la lógica difusa (4.ª ed.). Springer Science & Business Media.
^ D. Dubois y H. Prade (1988) Conjuntos y sistemas difusos. Academic Press, Nueva York.
^ Liang, Lily R.; Lu, Shiyong; Wang, Xuena; Lu, Yi; Mandal, Vinay; Patacsil, Dorrelyn; Kumar, Deepak (2006). "FM-test: Un enfoque basado en la teoría de conjuntos difusos para el análisis de datos de expresión génica diferencial". BMC Bioinformatics . 7 (Supl 4): S7. doi : 10.1186/1471-2105-7-S4-S7 . PMC 1780132 . PMID 17217525.
^ Myerson, Roger B. (1991). Game Theory: Analysis of Conflict, Harvard University Press, pág. 1. Vínculos de vista previa del capítulo, págs. vii–xi.
^ Pell, Barney (1992). H. van den Herik; L. Allis (eds.). "Metagame: a new challenge for games and learning" [Programación heurística en inteligencia artificial 3–la tercera olimpiada informática] (PDF) . Ellis-Horwood. Archivado desde el original (PDF) el 17 de febrero de 2020 . Consultado el 13 de junio de 2020 .
^ Pell, Barney (1996). "Un jugador de metajuego estratégico para juegos generales similares al ajedrez". Inteligencia Computacional . 12 (1): 177–198. doi :10.1111/j.1467-8640.1996.tb00258.x. ISSN 1467-8640. S2CID 996006.
^ Genesereth, Michael; Love, Nathaniel; Pell, Barney (15 de junio de 2005). "Juego general: descripción general de la competencia AAAI". Revista AI . 26 (2): 62. doi :10.1609/aimag.v26i2.1813. ISSN 2371-9621.
^ Griffith, Erin; Metz, Cade (27 de enero de 2023). "Se dice que Anthropic está cerca de obtener $300 millones en nuevos fondos para inteligencia artificial". The New York Times . Consultado el 14 de marzo de 2023 .
^ Lanxon, Nate; Bass, Dina; Davalos, Jackie (10 de marzo de 2023). "Una hoja de trucos para las palabras de moda de la IA y sus significados". Bloomberg News . Consultado el 14 de marzo de 2023 .
^ Pasick, Adam (27 de marzo de 2023). «Glosario de inteligencia artificial: redes neuronales y otros términos explicados». The New York Times . ISSN 0362-4331 . Consultado el 22 de abril de 2023 .
^ Andrej Karpatía; Pieter Abbeel; Greg Brockman; Peter Chen; Vicki Cheung; Yan Duan; Ian Goodfellow; Durk Kingma; Jonathan Ho; Rein Houthooft; Tim Salimans; Juan Schulman; Ilya Sutskever; Wojciech Zaremba (16 de junio de 2016). "Modelos generativos". AbiertoAI .
^ Mitchell 1996, pág. 2.
^ Smith, Craig S. (15 de marzo de 2023). "El creador de ChatGPT-4, Ilya Sutskever, habla de las alucinaciones de la IA y la democracia de la IA". Forbes . Consultado el 25 de diciembre de 2023 .
^ Trudeau, Richard J. (1993). Introducción a la teoría de grafos (edición corregida y ampliada). Nueva York: Dover Pub. p. 19. ISBN 978-0-486-67870-2. Recuperado el 8 de agosto de 2012. Un gráfico es un objeto que consta de dos conjuntos llamados su conjunto de vértices y su conjunto de aristas .
^ Yoon, Byoung-Ha; Kim, Seon-Kyu; Kim, Seon-Young (marzo de 2017). "Uso de una base de datos de grafos para la integración de datos biológicos heterogéneos". Genómica e informática . 15 (1): 19–27. doi :10.5808/GI.2017.15.1.19. ISSN 1598-866X. PMC 5389944 . PMID 28416946.
^ Bourbakis, Nikolaos G. (1998). Inteligencia artificial y automatización. World Scientific. pág. 381. ISBN 9789810226374. Recuperado el 20 de abril de 2018 .
^ Pearl, Judea (1984). Heurística: estrategias de búsqueda inteligente para la resolución de problemas informáticos . Estados Unidos: Addison-Wesley Pub. Co., Inc., Reading, MA. p. 3. Bibcode :1985hiss.book.....P. OSTI 5127296.
^ EK Burke, E. Hart, G. Kendall , J. Newall, P. Ross y S. Schulenburg, Hiperheurística: una dirección emergente en la tecnología de búsqueda moderna, Manual de metaheurística (F. Glover y G. Kochenberger, eds.), Kluwer, 2003, págs. 457–474.
^ P. Ross, Hiperheurísticas, metodologías de búsqueda: tutoriales introductorios en técnicas de optimización y soporte de decisiones (EK Burke y G. Kendall , eds.), Springer, 2005, págs. 529-556.
^ Ozcan, E.; Bilgin, B.; Korkmaz, EE (2008). "Un análisis exhaustivo de hiperheurísticas". Análisis de datos inteligentes . 12 (1): 3–23. doi :10.3233/ida-2008-12102.
^ "Alcance del IEEE CIS". Archivado desde el original el 4 de junio de 2016 . Consultado el 18 de marzo de 2019 .
^ "Control de procesos de mecanizado - Laboratorios de fabricación de Purdue ME". engineering.purdue.edu .
^ Hoy, Matthew B. (2018). "Alexa, Siri, Cortana y más: una introducción a los asistentes de voz". Medical Reference Services Quarterly . 37 (1): 81–88. doi :10.1080/02763869.2018.1404391. PMID 29327988. S2CID 30809087.
^ Oudeyer, Pierre-Yves; Kaplan, Frederic (2008). "¿Cómo podemos definir la motivación intrínseca?". Actas de la 8.ª Conferencia sobre robótica epigenética . Vol. 5. págs. 29-31.
^ Chevallier, Arnaud (2016). "Pensamiento estratégico en la resolución de problemas complejos". Oxford Scholarship Online . Oxford; Nueva York: Oxford University Press . doi :10.1093/acprof:oso/9780190463908.001.0001. ISBN 9780190463908. OCLC 940455195. S2CID 157255130.
^ "Guía de supervivencia estratégica: árboles de problemas". Londres: Gobierno del Reino Unido. Julio de 2004. Archivado desde el original el 17 de febrero de 2012. Consultado el 6 de octubre de 2018 .También disponible en formato PDF.
^ ab Paskin, Mark. "Un curso breve sobre modelos gráficos" (PDF) . Stanford .
^ Woods, WA ; Schmolze, JG (1992). "La familia KL-ONE". Computadoras y matemáticas con aplicaciones . 23 (2–5): 133. doi :10.1016/0898-1221(92)90139-9.
^ Brachman, RJ ; Schmolze, JG (1985). "Una visión general del sistema de representación del conocimiento KL-ONE" (PDF) . Cognitive Science . 9 (2): 171. doi :10.1207/s15516709cog0902_1.^{[ enlace muerto permanente ]}
^ Duce, DA; Ringland, GA (1988). Enfoques de la representación del conocimiento, una introducción . Research Studies Press, Ltd. ISBN 978-0-86380-064-1.
^ Fix, Evelyn; Hodges, Joseph L. (1951). Análisis discriminatorio. Discriminación no paramétrica: propiedades de consistencia (PDF) (Informe). Facultad de Medicina de Aviación de la USAF, Randolph Field, Texas. Archivado (PDF) del original el 26 de septiembre de 2020.
^ Schank, Roger; Robert Abelson (1977). Guiones, planes, objetivos y comprensión: una investigación sobre las estructuras del conocimiento humano . Lawrence Erlbaum Associates, Inc.
^ "Representación del conocimiento en redes neuronales - deepMinds". deepMinds . 16 de agosto de 2018. Archivado desde el original el 17 de agosto de 2018 . Consultado el 16 de agosto de 2018 .
^ Kerner, Sean Michael. "¿Qué son los modelos de lenguaje de gran tamaño?". TechTarget . Consultado el 28 de enero de 2024 .
^ Reilly, Edwin D. (2003). Hitos en informática y tecnología de la información . Greenwood Publishing Group. págs. 156-157. ISBN 978-1-57356-521-9.
^ Hochreiter, Sepp; Schmidhuber, Jürgen (1997). "Memoria larga a corto plazo". Computación neuronal . 9 (8): 1735–1780. doi :10.1162/neco.1997.9.8.1735. PMID 9377276. S2CID 1915014.
^ Siegelmann, Hava T.; Sontag, Eduardo D. (1992). "Sobre el poder computacional de las redes neuronales". Actas del quinto taller anual sobre teoría del aprendizaje computacional . Vol. COLT '92. págs. 440–449. doi :10.1145/130385.130432. ISBN 978-0897914970.S2CID207165680 . {{cite book}}: |work=ignorado ( ayuda )
^ "Cadena de Markov | Definición de cadena de Markov en inglés de EE. UU. según Oxford Dictionaries". Oxford Dictionaries | Inglés . Archivado desde el original el 15 de diciembre de 2017 . Consultado el 14 de diciembre de 2017 .
^ Definición en Brilliant.org "Brilliant Math and Science Wiki". Consultado el 12 de mayo de 2019
^ "La naturaleza de la programación matemática Archivado el 5 de marzo de 2014 en Wayback Machine ." , Glosario de programación matemática , INFORMS Computing Society.
^ Wang, Wenwu (1 de julio de 2010). Audición de máquinas: principios, algoritmos y sistemas. IGI Global. ISBN 9781615209194– a través de igi-global.com.
^ "Audición por máquina: principios, algoritmos y sistemas" (PDF) .
^ Malcolm Tatum (3 de octubre de 2012). "¿Qué es la percepción de las máquinas?".
^ Alexander Serov (29 de enero de 2013). "Realidad subjetiva e inteligencia artificial fuerte" (PDF).
^ "Machine Perception & Cognitive Robotics Laboratory" (Laboratorio de percepción de máquinas y robótica cognitiva). ccs.fau.edu . Consultado el 18 de junio de 2016 .
^ "¿Qué es la ingeniería mecatrónica?". Información para futuros estudiantes . Universidad de Waterloo. Archivado desde el original el 6 de octubre de 2011. Consultado el 30 de mayo de 2011 .
^ "Mecatrónica (Licenciatura, Ingeniería, Doctorado)". Archivado desde el original el 15 de agosto de 2016 . Consultado el 15 de abril de 2011 .
^ Franke; Siezen, Teusink (2005). "Reconstrucción de la red metabólica de una bacteria a partir de su genoma". Tendencias en microbiología . 13 (11): 550–558. doi :10.1016/j.tim.2005.09.001. PMID 16169729.
^ Balamurugan, R.; Natarajan, AM; Premalatha, K. (2015). "Optimización de agujeros negros de masa estelar para datos de expresión génica de microarrays en bicluster". Inteligencia artificial aplicada . 29 (4): 353–381. doi : 10.1080/08839514.2015.1016391 . S2CID 44624424.
^ Bianchi, Leonora; Dorigo, Marco; Maria Gambardella, Luca; Gutjahr, Walter J. (2009). "Una encuesta sobre metaheurísticas para la optimización combinatoria estocástica" (PDF) . Natural Computing . 8 (2): 239–287. doi :10.1007/s11047-008-9098-4. S2CID 9141490.
^ Herbert B. Enderton, 2001, Una introducción matemática a la lógica Segunda edición Enderton:110, Harcourt Academic Press, Burlington MA, ISBN 978-0-12-238452-3 .
' ^ "Semántica ingenua para respaldar el diseño automatizado de bases de datos", IEEE Transactions on Knowledge and Data Engineering, volumen 14, número 1 (enero de 2002) por VC Storey, RC Goldstein y H. Ullrich
^ Uso de enlace temprano y enlace tardío en automatización, Microsoft, 11 de mayo de 2007 , consultado el 11 de mayo de 2009
^ estrictamente hablando, una URIRef
^ https://w3.org/TR/PR-rdf-syntax/ "Modelo y especificación de sintaxis del marco de descripción de recursos (RDF)"
^ Miller, Lance A. "Programación en lenguaje natural: estilos, estrategias y contrastes". IBM Systems Journal 20.2 (1981): 184–215.
^ Hopfield, J. J. (1982). "Neural networks and physical systems with emergent collective computational abilities". Proc. Natl. Acad. Sci. U.S.A. 79 (8): 2554–2558. Bibcode:1982PNAS...79.2554H. doi:10.1073/pnas.79.8.2554. PMC 346238. PMID 6953413.
^ "Deep Minds: An Interview with Google's Alex Graves & Koray Kavukcuoglu". Retrieved 17 May 2016.
^ Graves, Alex; Wayne, Greg; Danihelka, Ivo (2014). "Neural Turing Machines". arXiv:1410.5401 [cs.NE].
^ Krucoff, Max O.; Rahimpour, Shervin; Slutzky, Marc W.; Edgerton, V. Reggie; Turner, Dennis A. (1 January 2016). "Enhancing Nervous System Recovery through Neurobiologics, Neural Interface Training, and Neurorehabilitation". Frontiers in Neuroscience. 10: 584. doi:10.3389/fnins.2016.00584. PMC 5186786. PMID 28082858.
^ Mead, Carver (1990). "Neuromorphic electronic systems" (PDF). Proceedings of the IEEE. 78 (10): 1629–1636. CiteSeerX 10.1.1.161.9762. doi:10.1109/5.58356. S2CID 1169506.
^ Maan, A. K.; Jayadevi, D. A.; James, A. P. (1 January 2016). "A Survey of Memristive Threshold Logic Circuits". IEEE Transactions on Neural Networks and Learning Systems. PP (99): 1734–1746. arXiv:1604.07121. doi:10.1109/TNNLS.2016.2547842. ISSN 2162-237X. PMID 27164608. S2CID 1798273.
^ "A Survey of Spintronic Architectures for Processing-in-Memory and Neural Networks", JSA, 2018
^ Zhou, You; Ramanathan, S. (1 August 2015). "Mott Memory and Neuromorphic Devices". Proceedings of the IEEE. 103 (8): 1289–1310. doi:10.1109/JPROC.2015.2431914. ISSN 0018-9219. S2CID 11347598.
^ Monroe, D. (2014). "Neuromorphic computing gets ready for the (really) big time". Communications of the ACM. 57 (6): 13–15. doi:10.1145/2601069. S2CID 20051102.
^ Zhao, W. S.; Agnus, G.; Derycke, V.; Filoramo, A.; Bourgoin, J. -P.; Gamrat, C. (2010). "Nanotube devices based crossbar architecture: Toward neuromorphic computing". Nanotechnology. 21 (17): 175202. Bibcode:2010Nanot..21q5202Z. doi:10.1088/0957-4484/21/17/175202. PMID 20368686. S2CID 16253700. Archived from the original on 10 April 2021. Retrieved 2 December 2019.
^ The Human Brain Project SP 9: Neuromorphic Computing Platform on YouTube
^ Copeland, Jack (May 2000). "What is Artificial Intelligence?". AlanTuring.net. Archived from the original on 9 November 2015. Retrieved 7 November 2015.
^ Kleinberg, Jon; Tardos, Éva (2006). Algorithm Design (2nd ed.). Addison-Wesley. p. 464. ISBN 0-321-37291-3.
^ Cobham, Alan (1965). "The intrinsic computational difficulty of functions". Proc. Logic, Methodology, and Philosophy of Science II. North Holland.
^ "What is Occam's Razor?". math.ucr.edu. Retrieved 1 June 2019.
^ "OpenAI shifts from nonprofit to 'capped-profit' to attract capital". TechCrunch. Retrieved 2019-05-10.
^ "OpenCog: Open-Source Artificial General Intelligence for Virtual Worlds". CyberTech News. 6 March 2009. Archived from the original on 6 March 2009. Retrieved 1 October 2016.
^ St. Laurent, Andrew M. (2008). Understanding Open Source and Free Software Licensing. O'Reilly Media. p. 4. ISBN 9780596553951.
^ Levine, Sheen S.; Prietula, Michael J. (30 December 2013). "Open Collaboration for Innovation: Principles and Performance". Organization Science. 25 (5): 1414–1433. arXiv:1406.7541. doi:10.1287/orsc.2013.0872. ISSN 1047-7039. S2CID 6583883.
^ Definition of "overfitting" at OxfordDictionaries.com: this definition is specifically for statistics.
^ Bishop, Christopher M. (2006). Pattern Recognition and Machine Learning (PDF). Springer. p. vii. Pattern recognition has its origins in engineering, whereas machine learning grew out of computer science. However, these activities can be viewed as two facets of the same field, and together they have undergone substantial development over the past ten years.
^ Hughes, G. E., & Cresswell, M. J., A New Introduction to Modal Logic (London: Routledge, 1996), p.161.
^ Nyce, Charles (2007), Predictive Analytics White Paper (PDF), American Institute for Chartered Property Casualty Underwriters/Insurance Institute of America, p. 1
^ Eckerson, Wayne (10 May 2007), Extending the Value of Your Data Warehousing Investment, The Data Warehouse Institute
^ Karl R. Popper, The Myth of Framework, London (Routledge) 1994, chap. 8.
^ Karl R. Popper, The Poverty of Historicism, London (Routledge) 1960, chap. iv, sect. 31.
^ "Probabilistic programming does in 50 lines of code what used to take thousands". phys.org. 13 April 2015. Retrieved 13 April 2015.
^ "Probabilistic Programming". probabilistic-programming.org. Archived from the original on 10 January 2016. Retrieved 31 July 2019.
^ Pfeffer, Avrom (2014), Practical Probabilistic Programming, Manning Publications. p.28. ISBN 978-1 6172-9233-0
^ Clocksin, William F.; Mellish, Christopher S. (2003). Programming in Prolog. Berlin; New York: Springer-Verlag. ISBN 978-3-540-00678-7.
^ Bratko, Ivan (2012). Prolog programming for artificial intelligence (4th ed.). Harlow, England; New York: Addison Wesley. ISBN 978-0-321-41746-6.
^ Covington, Michael A. (1994). Natural language processing for Prolog programmers. Englewood Cliffs, N.J.: Prentice Hall. ISBN 978-0-13-629213-5.
^ Lloyd, J. W. (1984). Foundations of logic programming. Berlin: Springer-Verlag. ISBN 978-3-540-13299-8.
^ Kuhlman, Dave. "A Python Book: Beginning Python, Advanced Python, and Python Exercises". Section 1.1. Archived from the original (PDF) on 23 June 2012.
^ Yegulalp, Serdar (19 January 2017). "Facebook brings GPU-powered machine learning to Python". InfoWorld. Retrieved 11 December 2017.
^ Lorica, Ben (3 August 2017). "Why AI and machine learning researchers are beginning to embrace PyTorch". O'Reilly Media. Retrieved 11 December 2017.
^ Ketkar, Nikhil (2017). "Introduction to PyTorch". Deep Learning with Python. Apress, Berkeley, CA. pp. 195–208. doi:10.1007/978-1-4842-2766-4_12. ISBN 9781484227657.
^ Moez Ali (June 2023). "NLP with PyTorch: A Comprehensive Guide". datacamp.com. Retrieved 1 April 2024.
^ Patel, Mo (7 December 2017). "When two trends fuse: PyTorch and recommender systems". O'Reilly Media. Retrieved 18 December 2017.
^ Mannes, John. "Facebook and Microsoft collaborate to simplify conversions from PyTorch to Caffe2". TechCrunch. Retrieved 18 December 2017. FAIR is accustomed to working with PyTorch – a deep learning framework optimized for achieving state of the art results in research, regardless of resource constraints. Unfortunately in the real world, most of us are limited by the computational capabilities of our smartphones and computers.
^ Arakelyan, Sophia (29 November 2017). "Tech giants are using open source frameworks to dominate the AI community". VentureBeat. Retrieved 18 December 2017.
^ "PyTorch strengthens its governance by joining the Linux Foundation". pytorch.org. Retrieved 13 September 2022.
^ a b Reiter, Raymond (2001). Knowledge in Action: Logical Foundations for Specifying and Implementing Dynamical Systems. Cambridge, Massachusetts: The MIT Press. pp. 20–22. ISBN 9780262527002.
^ Thielscher, Michael (September 2001). "The Qualification Problem: A solution to the problem of anomalous models". Artificial Intelligence. 131 (1–2): 1–37. doi:10.1016/S0004-3702(01)00131-X.
^ Grumbling, Emily; Horowitz, Mark, eds. (2019). Quantum Computing : Progress and Prospects (2018). Washington, DC: National Academies Press. p. I-5. doi:10.17226/25196. ISBN 978-0-309-47969-1. OCLC 1081001288. S2CID 125635007.
^ R language and environmentHornik, Kurt (4 October 2017). "R FAQ". The Comprehensive R Archive Network. 2.1 What is R?. Retrieved 6 August 2018.R FoundationHornik, Kurt (4 October 2017). "R FAQ". The Comprehensive R Archive Network. 2.13 What is the R Foundation?. Retrieved 6 August 2018.The R Core Team asks authors who use R in their data analysis to cite the software using: R Core Team (2016). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL https://R-project.org/.
^ widely usedFox, John & Andersen, Robert (January 2005). "Using the R Statistical Computing Environment to Teach Social Statistics Courses" (PDF). Department of Sociology, McMaster University. Retrieved 6 August 2018.Vance, Ashlee (6 January 2009). "Data Analysts Captivated by R's Power". The New York Times. Retrieved 6 August 2018. R is also the name of a popular programming language used by a growing number of data analysts inside corporations and academia. It is becoming their lingua franca...
^ Vance, Ashlee (6 January 2009). "Data Analysts Captivated by R's Power". The New York Times. Retrieved 6 August 2018. R is also the name of a popular programming language used by a growing number of data analysts inside corporations and academia. It is becoming their lingua franca...
^ Broomhead, D. S.; Lowe, David (1988). Radial basis functions, multi-variable functional interpolation and adaptive networks (PDF) (Technical report). RSRE. 4148. Archived from the original on 9 April 2013.
^ Broomhead, D. S.; Lowe, David (1988). "Multivariable functional interpolation and adaptive networks" (PDF). Complex Systems. 2: 321–355.
^ Schwenker, Friedhelm; Kestler, Hans A.; Palm, Günther (2001). "Three learning phases for radial-basis-function networks". Neural Networks. 14 (4–5): 439–458. doi:10.1016/s0893-6080(01)00027-2. PMID 11411631.
^ Ho, Tin Kam (1995). Random Decision Forests (PDF). Proceedings of the 3rd International Conference on Document Analysis and Recognition, Montreal, QC, 14–16 August 1995. pp. 278–282. Archived from the original (PDF) on 17 April 2016. Retrieved 5 June 2016.
^ Ho, TK (1998). "The Random Subspace Method for Constructing Decision Forests". IEEE Transactions on Pattern Analysis and Machine Intelligence. 20 (8): 832–844. doi:10.1109/34.709601. S2CID 206420153.
^ Hastie, Trevor; Tibshirani, Robert; Friedman, Jerome(2008). The Elements of Statistical Learning (2nd ed.). Springer. ISBN 0-387-95284-5.
^ Graves, A.; Liwicki, M.; Fernandez, S.; Bertolami, R.; Bunke, H.; Schmidhuber, J. (2009). "A Novel Connectionist System for Improved Unconstrained Handwriting Recognition" (PDF). IEEE Transactions on Pattern Analysis and Machine Intelligence. 31 (5): 855–868. CiteSeerX 10.1.1.139.4502. doi:10.1109/tpami.2008.137. PMID 19299860. S2CID 14635907.
^ Sak, Hasim; Senior, Andrew; Beaufays, Francoise (2014). "Long Short-Term Memory recurrent neural network architectures for large scale acoustic modeling" (PDF). Archived from the original (PDF) on 24 April 2018. Retrieved 6 August 2019.
^ Li, Xiangang; Wu, Xihong (15 October 2014). "Constructing Long Short-Term Memory based Deep Recurrent Neural Networks for Large Vocabulary Speech Recognition". arXiv:1410.4281 [cs.CL].
^ Kaelbling, Leslie P.; Littman, Michael L.; Moore, Andrew W. (1996). "Reinforcement Learning: A Survey". Journal of Artificial Intelligence Research. 4: 237–285. arXiv:cs/9605103. doi:10.1613/jair.301. S2CID 1708582. Archived from the original on 20 November 2001. Retrieved 5 July 2022.
^ Patrizio, Andy. "What is reinforcement learning from human feedback (RLHF)?". TechTarget. Retrieved 28 January 2024.
^ Schrauwen, Benjamin, David Verstraeten, and Jan Van Campenhout. "An overview of reservoir computing: theory, applications, and implementations." Proceedings of the European Symposium on Artificial Neural Networks ESANN 2007, pp. 471-482.
^ Mass, Wolfgang; Nachtschlaeger, T.; Markram, H. (2002). "Real-time computing without stable states: A new framework for neural computation based on perturbations". Neural Computation. 14 (11): 2531–2560. doi:10.1162/089976602760407955. PMID 12433288. S2CID 1045112.
^ Jaeger, Herbert, "The echo state approach to analyzing and training recurrent neural networks." Technical Report 154 (2001), German National Research Center for Information Technology.
^ Jaeger, Herbert (2007). "Echo state network". Scholarpedia. 2 (9): 2330. Bibcode:2007SchpJ...2.2330J. doi:10.4249/scholarpedia.2330.
^ "XML and Semantic Web W3C Standards Timeline" (PDF). 4 February 2012. Archived from the original (PDF) on 6 July 2022. Retrieved 5 July 2022.
^ See, for example, Boolos and Jeffrey, 1974, chapter 11.
^ Sowa, John F. (1987). "Semantic Networks". In Shapiro, Stuart C (ed.). Encyclopedia of Artificial Intelligence. Retrieved 29 April 2008.
^ O'Hearn, P. W.; Pym, D. J. (June 1999). "The Logic of Bunched Implications". Bulletin of Symbolic Logic. 5 (2): 215–244. CiteSeerX 10.1.1.27.4742. doi:10.2307/421090. JSTOR 421090. S2CID 2948552.
^ Abran et al. 2004, pp. 1–1
^ "Computing Degrees & Careers". ACM. 2007. Archived from the original on 17 June 2011. Retrieved 23 November 2010.
^ Laplante, Phillip (2007). What Every Engineer Should Know about Software Engineering. Boca Raton: CRC. ISBN 978-0-8493-7228-5. Retrieved 21 January 2011.
^ Rapoza, Jim (2 May 2006). "SPARQL Will Make the Web Shine". eWeek. Retrieved 17 January 2007.
^ Segaran, Toby; Evans, Colin; Taylor, Jamie (2009). Programming the Semantic Web. O'Reilly Media, Inc., 1005 Gravenstein Highway North, Sebastopol, CA 95472. p. 84. ISBN 978-0-596-15381-6.
^ Maass, Wolfgang (1997). "Networks of spiking neurons: The third generation of neural network models". Neural Networks. 10 (9): 1659–1671. doi:10.1016/S0893-6080(97)00011-7. ISSN 0893-6080.
^ "What is stateless? - Definition from WhatIs.com". techtarget.com.
^ Lise Getoor and Ben Taskar: Introduction to statistical relational learning, MIT Press, 2007
^ Ryan A. Rossi, Luke K. McDowell, David W. Aha, and Jennifer Neville, "Transforming Graph Data for Statistical Relational Learning. Archived 6 January 2018 at the Wayback Machine" Journal of Artificial Intelligence Research (JAIR), Volume 45 (2012), pp. 363-441.
^ Spall, J. C. (2003). Introduction to Stochastic Search and Optimization. Wiley. ISBN 978-0-471-33052-3.
^ Language Understanding Using Two-Level Stochastic Models by F. Pla, et al, 2001, Springer Lecture Notes in Computer Science ISBN 978-3-540-42557-1
^ Stuart J. Russell, Peter Norvig (2010) Artificial Intelligence: A Modern Approach, Third Edition, Prentice Hall ISBN 9780136042594.
^ Mehryar Mohri, Afshin Rostamizadeh, Ameet Talwalkar (2012) Foundations of Machine Learning, The MIT Press ISBN 9780262018258.
^ Cortes, Corinna; Vapnik, Vladimir N (1995). "Support vector networks". Machine Learning. 20 (3): 273–297. doi:10.1007/BF00994018.
^ Beni, G.; Wang, J. (1993). "Swarm Intelligence in Cellular Robotic Systems". Proceed. NATO Advanced Workshop on Robots and Biological Systems, Tuscany, Italy, June 26–30 (1989). pp. 703–712. doi:10.1007/978-3-642-58069-7_38. ISBN 978-3-642-63461-1.
^ Haugeland 1985, p. 255.
^ Poole, Mackworth & Goebel 1998, p. 1.
^ "Collection of sources defining "singularity"". singularitysymposium.com. Retrieved 17 April 2019.
^ Eden, Amnon H.; Moor, James H. (2012). Singularity hypotheses: A Scientific and Philosophical Assessment. Dordrecht: Springer. pp. 1–2. ISBN 9783642325601.
^ Cadwalladr, Carole (2014). "Are the robots about to rise? Google's new director of engineering thinks so..." The Guardian. Guardian News and Media Limited.
^ Sutton, Richard & Andrew Barto (1998). Reinforcement Learning. MIT Press. ISBN 978-0-585-02445-5. Archived from the original on 30 March 2017.
^ Pellionisz, A.; Llinás, R. (1980). "Tensorial Approach To The Geometry Of Brain Function: Cerebellar Coordination Via A Metric Tensor" (PDF). Neuroscience. 5 (7): 1125––1136. doi:10.1016/0306-4522(80)90191-8. PMID 6967569. S2CID 17303132.^{[dead link]}
^ Pellionisz, A.; Llinás, R. (1985). "Tensor Network Theory Of The Metaorganization Of Functional Geometries In The Central Nervous System". Neuroscience. 16 (2): 245–273. doi:10.1016/0306-4522(85)90001-6. PMID 4080158. S2CID 10747593.
^ "TensorFlow: Open source machine learning" "It is machine learning software being used for various kinds of perceptual and language understanding tasks" — Jeffrey Dean, minute 0:47 / 2:17 from YouTube clip
^ Sipser, Michael (2013). Introduction to the Theory of Computation 3rd. Cengage Learning. ISBN 978-1-133-18779-0. central areas of the theory of computation: automata, computability, and complexity. (Page 1)
^ Thompson, William R (1933). "On the likelihood that one unknown probability exceeds another in view of the evidence of two samples". Biometrika. 25 (3–4): 285–294. doi:10.1093/biomet/25.3-4.285.
^ Russo, Daniel J.; Van Roy, Benjamin; Kazerouni, Abbas; Osband, Ian; Wen, Zheng (2018). "A Tutorial on Thompson Sampling". Foundations and Trends in Machine Learning. 11 (1): 1–96. arXiv:1707.02038. doi:10.1561/2200000070. S2CID 3929917.
^ Dickson, Ben (2 May 2022). "Machine learning: What is the transformer architecture?". TechTarget. Retrieved 2 May 2022.
^ Mercer, Calvin. Religion and Transhumanism: The Unknown Future of Human Enhancement. Praeger.
^ Bostrom, Nick (2005). "A history of transhumanist thought" (PDF). Journal of Evolution and Technology. Retrieved 21 February 2006.
^ Minsky 1967:107 "In his 1936 paper, A. M. Turing defined the class of abstract machines that now bear his name. A Turing machine is a finite-state machine associated with a special kind of environment -- its tape -- in which it can store (and later recover) sequences of symbols," also Stone 1972:8 where the word "machine" is in quotation marks.
^ Stone 1972:8 states "This "machine" is an abstract mathematical model", also cf. Sipser 2006:137ff that describes the "Turing machine model". Rogers 1987 (1967):13 refers to "Turing's characterization", Boolos Burgess and Jeffrey 2002:25 refers to a "specific kind of idealized machine".
^ Sipser 2006:137 "A Turing machine can do everything that a real computer can do".
^ Turing originally suggested a teleprinter, one of the few text-only communication systems available in 1950. (Turing 1950, p. 433)
^ Pierce 2002, p. 1: "A type system is a tractable syntactic method for proving the absence of certain program behaviors by classifying phrases according to the kinds of values they compute."
^ Cardelli 2004, p. 1: "The fundamental purpose of a type system is to prevent the occurrence of execution errors during the running of a program."
^ Hinton, Jeffrey; Sejnowski, Terrence (1999). Unsupervised Learning: Foundations of Neural Computation. MIT Press. ISBN 978-0262581684.
^ Colaner, Seth; Humrick, Matthew (3 January 2016). "A third type of processor for AR/VR: Movidius' Myriad 2 VPU". Tom's Hardware.
^ Banerje, Prasid (28 March 2016). "The rise of VPUs: Giving Eyes to Machines". Digit.in. Archived from the original on 11 December 2018. Retrieved 5 July 2022.
^ "DeepQA Project: FAQ". IBM. Archived from the original on 5 November 2015. Retrieved 11 February 2011.
^ Ferrucci, David; Levas, Anthony; Bagchi, Sugato; Gondek, David; Mueller, Erik T. (1 June 2013). "Watson: Beyond Jeopardy!". Artificial Intelligence. 199: 93–105. doi:10.1016/j.artint.2012.06.009.
^ Hale, Mike (8 February 2011). "Actors and Their Roles for $300, HAL? HAL!". The New York Times. Retrieved 11 February 2011.
^ "The DeepQA Project". IBM Research. Archived from the original on 21 January 2013. Retrieved 18 February 2011.
^ io9.com mentions narrow AI. Published 1 April 2013. Retrieved 16 February 2014: https://io9.com/how-much-longer-before-our-first-ai-catastrophe-464043243
^ AI researcher Ben Goertzel explains why he became interested in AGI instead of narrow AI. Published 18 Oct 2013. Retrieved 16 February 2014. https://intelligence.org/2013/10/18/ben-goertzel/
^ TechCrunch discusses AI App building regarding Narrow AI. Published 16 Oct 2015. Retrieved 17 Oct 2015. https://techcrunch.com/2015/10/15/machine-learning-its-the-hard-problems-that-are-valuable/
^ Jurafsky, Daniel; H. James, Martin (2000). Speech and language processing: an introduction to natural language processing, computational linguistics, and speech recognition. Upper Saddle River, N.J.: Prentice Hall. ISBN 978-0-13-095069-7.
^ "GitHub project webpage". GitHub. June 2022. Archived from the original on 1 April 2021. Retrieved 5 April 2016.

Works cited

Abran, Alain; Moore, James W.; Bourque, Pierre; Dupuis, Robert; Tripp, Leonard L. (2004). Guide to the Software Engineering Body of Knowledge. IEEE. ISBN 978-0-7695-2330-9.
Cardelli, Luca (2004). "Type systems" (PDF). In Allen B. Tucker (ed.). CRC Handbook of Computer Science and Engineering (2nd ed.). CRC Press. ISBN 978-1584883609.
Haugeland, John (1985). Artificial Intelligence: The Very Idea. Cambridge, Mass.: MIT Press. ISBN 978-0-262-08153-5.
Legg, Shane; Hutter, Marcus (15 June 2007). "A Collection of Definitions of Intelligence". arXiv:0706.3639 [cs.AI].
Mitchell, Melanie (1996). An Introduction to Genetic Algorithms. Cambridge, MA: MIT Press. ISBN 9780585030944.
Nilsson, Nils (1998). Artificial Intelligence: A New Synthesis. Morgan Kaufmann. ISBN 978-1-55860-467-4. Archived from the original on 26 July 2020. Retrieved 18 November 2019.
Pierce, Benjamin C. (2002). Types and Programming Languages. MIT Press. ISBN 978-0-262-16209-8.
Poole, David; Mackworth, Alan; Goebel, Randy (1998). Computational Intelligence: A Logical Approach. New York: Oxford University Press. ISBN 978-0-19-510270-3. Archived from the original on 26 July 2020. Retrieved 22 August 2020.
Russell, Stuart J.; Norvig, Peter (2003), Artificial Intelligence: A Modern Approach (2nd ed.), Upper Saddle River, New Jersey: Prentice Hall, ISBN 0-13-790395-2
Turing, Alan (October 1950). "Computing Machinery and Intelligence". Mind. 59 (236): 433–460. doi:10.1093/mind/LIX.236.433. ISSN 1460-2113. JSTOR 2251299. S2CID 14636783.

Notes

^ polynomial time refers to how quickly the number of operations needed by an algorithm, relative to the size of the problem, grows. It is therefore a measure of efficiency of an algorithm.