در حال آمادهسازی...
مفاهیم و اصطلاحات هوش مصنوعی را عمیق‌تر بشناس.
هوش مصنوعی عمومی؛ نوع فرضی از هوش مصنوعی که می‌تواند تقریبا هر کار فکری را مثل انسان انجام دهد. تفاوت اصلی آن با AIهای امروزی این است که قرار است محدود به یک وظیفه خاص نباشد و بتواند دانش و مهارت خود را بین مسائل مختلف به کار بگیرد.
مشاهدهٔ جزئیاتهوش مصنوعی؛ شبیه‌سازی هوش انسانی در کامپیوترها برای انجام کارهایی مانند تشخیص تصویر، درک زبان و تصمیم‌گیری. در عمل، AI به سیستم‌هایی گفته می‌شود که می‌توانند کارهایی مانند تحلیل اطلاعات، تشخیص الگو، پاسخ‌گویی و تولید محتوا را با دخالت کمتر انسان انجام دهند.
مشاهدهٔ جزئیاتهوش مصنوعی فوق‌هوشمند؛ هوش مصنوعی فرضی که از هوش انسان در همه زمینه‌ها فراتر می‌رود. این مفهوم بیشتر یک سناریوی نظری درباره آینده هوش مصنوعی است و نمونه اثبات‌شده‌ای از آن در اختیار نداریم.
مشاهدهٔ جزئیاتالگوریتم؛ مجموعه‌ای از دستورالعمل‌های گام‌به‌گام برای حل یک مسئله یا انجام یک کار. الگوریتم لزوما مربوط به AI نیست و در بسیاری از نرم‌افزارها و مسائل روزمره برای تبدیل ورودی به نتیجه استفاده می‌شود.
مشاهدهٔ جزئیاتزنجیرهسازی معکوس؛ روش استدلالی که از نتیجه شروع می‌کند و به عقب برای پیدا کردن دلایل حرکت می‌کند. این روش زمانی مفید است که یک نتیجه یا هدف مشخص داریم و می‌خواهیم ببینیم چه شرایطی می‌تواند رسیدن به آن را توجیه کند.
مشاهدهٔ جزئیاتکلانداده؛ مجموعه‌داده‌های بسیار بزرگ و پیچیده که با ابزارهای معمولی قابل پردازش نیستند. ویژگی کلان‌داده فقط حجم زیاد نیست و سرعت تولید، تنوع و پیچیدگی داده نیز اهمیت دارد.
مشاهدهٔ جزئیاتمحاسبات شناختی؛ سیستم‌هایی که تلاش می‌کنند رفتار و فکر انسان را شبیه‌سازی کنند. این اصطلاح بیشتر برای سیستم‌هایی به کار می‌رود که قصد دارند درک، استدلال یا تعامل شبیه انسان را در یک کاربرد مشخص فراهم کنند.
مشاهدهٔ جزئیاتعلم داده؛ حوزه‌ای که با تحلیل داده، آمار و مدل‌سازی برای استخراج بینش سروکار دارد. علم داده ترکیبی از آمار، برنامه‌نویسی، تحلیل و دانش حوزه کسب‌وکار برای حل مسئله با داده است.
مشاهدهٔ جزئیاتمنبع داده؛ جایی که داده از آن می‌آید، مثل پایگاه داده، API، فایل یا حسگر؛ منبع، مجوز و کیفیت آن باید پیش از استفاده مشخص باشد.
مشاهدهٔ جزئیاتمجموعهداده؛ مجموعه‌ای از نمونه‌ها که برای آموزش، اعتبارسنجی یا تست مدل استفاده می‌شود. کیفیت، اندازه و تنوع دیتاست مستقیما روی توانایی مدل برای یادگیری و تعمیم اثر می‌گذارد.
مشاهدهٔ جزئیاتدانش دامنه؛ دانش تخصصی در یک حوزه خاص که برای طراحی بهتر مدل‌ها استفاده می‌شود. اضافه کردن دانش حوزه‌ای درست می‌تواند پاسخ‌ها و تصمیم‌های سیستم را برای یک صنعت یا سازمان مرتبط‌تر کند.
مشاهدهٔ جزئیاتزنجیرهسازی رو به جلو؛ استدلال از داده‌های موجود به سمت نتیجه؛ سیستم قواعد را روی واقعیت‌های معلوم اعمال می‌کند تا نتیجه‌های تازه به دست آید.
مشاهدهٔ جزئیاتروش سرانگشتی؛ قاعده‌های ساده و تقریبی برای حل سریع مسائل. روش‌های سرانگشتی معمولا پاسخ تقریبی و سریع می‌دهند و لزوما بهترین جواب ریاضی ممکن را پیدا نمی‌کنند.
مشاهدهٔ جزئیاتمدل؛ نتیجه آموزش که می‌تواند پیش‌بینی، طبقه‌بندی یا تولید محتوا انجام دهد. مدل را می‌توان موتور تصمیم‌گیری یا تولید در یک سیستم AI دانست که پس از آموزش روی داده‌های جدید اجرا می‌شود.
مشاهدهٔ جزئیاتوظیفه؛ کاری با هدف و ورودی/خروجی مشخص که یک مدل یا عامل انجام می‌دهد؛ موفقیت در وظیفه باید با معیار روشن سنجیده شود.
مشاهدهٔ جزئیات