Глоссариум по искусственному интеллекту: 2500 терминов. Александр Юрьевич Чесалов
Читать онлайн книгу.
пары кластеров. Иерархия кластеров представлена в виде дендрограммы или древовидной структуры. Разделительные иерархические алгоритмы. С другой стороны, в разделительных иерархических алгоритмах все точки данных обрабатываются как один большой кластер, а процесс кластеризации включает в себя разделение (нисходящий подход) одного большого кластера на различные маленькие кластеры314.
Избирательное линейное разрешение определенного предложения (также просто разрешение SLD) (Selective Linear Definite clause resolution) – это основное правило вывода, используемое в логическом программировании. Это уточнение решения, которое является и правильным, и полным опровержением оговорок Хорна315.
Извлечение знаний (Knowledge extraction) – это извлечение существующего содержимого из структурированных или неструктурированных баз данных. Создание знаний из структурированных (реляционные базы данных, XML) и неструктурированных (текст, документы, изображения) источников. Полученные знания должны быть в машиночитаемом и машино-интерпретируемом формате и должны представлять знания таким образом, чтобы облегчить вывод. Хотя он методически похож на извлечение информации (NLP) и ETL (хранилище данных), основным критерием является то, что результат извлечения выходит за рамки создания структурированной информации или преобразования в реляционную схему. Это требует либо повторного использования существующих формальных знаний (повторное использование идентификаторов или онтологий), либо генерации схемы на основе исходных данных316.
Извлечение сущностей (Entity extraction) – это общий термин, относящийся к процессу добавления структуры к данным для того, чтобы машина смогла их прочитать. Извлечение сущностей может выполняться человеком или с помощью модели машинного обучения317.
Изучение онтологий (Ontology learning) — – это подзадача извлечения информации. Ее целью является полуавтоматическое извлечение соответствующих понятий и отношений из заданного наборов данных для формирования онтологии. «Онтология» – философская наука о бытии, основных видах и свойствах бытия. Автоматическое создание онтологий – задача, затрагивающая многие дисциплины. Как правило, процесс начинается с извлечения терминов и понятий или именных словосочетаний из обычного текста с использованием метода извлечения терминологии. Обычно для этого используются лингвистические процессы (например, маркировка частей речи, фрагментация фраз)318.
Изучение признаков или обучение представлению (Feature learning) – это набор методов, которые позволяют системе автоматически обнаруживать представления, необходимые для обнаружения или классификации признаков из необработанных данных. Это заменяет ручную разработку функций и позволяет машине изучать функции и использовать их для выполнения конкретной задачи319.
ИИ бенчмарк (AI benchmark) – это эталонный тест ИИ, бенчмаркинг систем ИИ, для оценки возможностей, эффективности, производительности
Hierarchical clustering [Электронный ресурс] https://developers.google.com URL: https://developers.google.com/machine-learning/glossary#hierarchical-clustering (дата обращения: 09.04.2023)
SLD resolution [Электронный ресурс] https://en.wikipedia.org URL: https://en.wikipedia.org/wiki/SLD_resolution (дата обращения: 09.04.2023)
Knowledge extraction [Электронный ресурс] https://en.wikipedia.org URL: https://en.wikipedia.org/wiki/Knowledge_extraction (дата обращения: 09.04.2023)
Entity extraction [Электронный ресурс] https://www.telusinternational.com URL: https://www.telusinternational.com/insights/ai-data/article/50-beginner-ai-terms-you-should-know (дата обращения: 09.04.2023)
Ontology learning [Электронный ресурс] https://psychology.fandom.com URL: https://psychology.fandom.com/wiki/Ontology_learning (дата обращения: 07.07.2022)
Feature learning [Электронный ресурс] https://en.wikipedia.org URL: https://en.wikipedia.org/wiki/Feature_learning (дата обращения: 27.04.2023)