201 7 年,机器之心发布了第一版人工智能术语库「Artificial-Intelligence-Terminology-Database」(以下简称「AITD」),一个旨在构建 AI 领域专业术语库的开源项目。 术语库的前两版主要是将机器之心在编译技术文章和论文过程中所遇到的专业术语记录下来,希望为大家写论文、中文博客、阅读文章提供帮助。 此外,读者可以积极指出我们编译 的不当之处,以提高我们的专业性。 同时,这也是一份开放的表单,希望越来越多的人能够提供增添、修改建议,为人工智能的传播助力,共同推进知识高效、广泛地传播。
2021 年 8 月,机器之心发布「AITD」Version 3.0,在 AI 术语库中加入「专项领域」系列,发布了首个「专项领域」机器学习篇,旨在为社区统一专业术语的中文使用提供一个参考。
近年,人工智能被证明能做科学规律发现,不仅在应用科学领域,也能在基础科学领域发挥作用,如 DeepMind 使用人工智能来帮助证明或提出新的数学定理,辅助数学家形成对复杂数据的直觉。阿里达摩院发布的 2022 达摩院十大科技趋势之一也是「AI for Science:人工智能成为科学家的新生产工具,催生科研新范式。」
为此,2022 年 2 月,机器之心联合深势科技更新「AITD」Version 3.1,发布第二个「专项领域」AI for Science 篇。「AITD」项目组从《Machine Learning in Chemistry: The Impact of Artificial Intelligence》以及一些经典论文中提取常见术语,并联合深势科技的专家们进行了翻译。
本项目中所有英文专业术语对照的中文都来自机器之心编译的文章和系列机器学习教科书(如周志华教授的《机器学习》、李航博士的《统计学习方法》、邱锡鹏教授的《神经网络与深度学习》、李沐博士的《动手学深度学习》、李宏毅教授的《机器学习方法》和 Ian Goodfellow 的《深度学习》中译版等),我们力求在提供准确翻译的同时保留最常用的形式。同时,为了保证术语翻译的准确性,我们将此项目向读者开源,并希望能与读者共同迭代术语的准确度。
除了日常编译工作积累之外,我们将逐专项领域基于权威教科书及文献,联合领域专家进一步扩展并完善本仓库,为社区提供具有统一性的 AI 及相关领域的中英术语翻译对照参考。在接下来的一段时间里,机器之心将从三个方面持续完善术语的收录和扩展阅读的构建:
① 继续完善基础术语的构建,即通过权威教科书或其它有公信力的资料抽取常见术语;
② 续性地把编译论文或其他资料中所出现的非常见术语更新到术语库中;
③ 联合更多专项领域专家,构建专项领域术语库。
自「AITD」Version 3.0 起,机器之心「AITD」项目团队将基于以下标准开展「专项领域」术语库工作:
1)基于权威教科书、论文等具有公信力的资料源提取词汇。
2)邀请对应领域专家进行专业指导
目前 「AITD」Version 3.1 已包含机器学习(Machine Learning)、AI for Science 篇,本项目还将逐步更新更多专项领域篇,在此「AITD」项目组邀请各位专项领域专家学者共同参与指导专项领域篇的形成工作,对「AITD」项目感兴趣并希望贡献一部分您的时间支持这个项目的领域专家学者可通过 lab@jiqizhixin.com 联系我们。
衷心感谢深势科技以下专家参与了包含但不限于术语提供、校对、翻译研讨等工作,为该项目扩展了专项领域术语收录的覆盖度、提升了术语中文翻译用法的准确性、专业性及公信力,感谢老师们的辛勤贡献。
AI for Science 篇
张铎,DP Technology,DeepModeling 开源社区成员 @iprozd
蔡淳 ,DP Technology,DeepModeling 开源社区成员 @caic99
董昊森,DP Technology,DeepModeling 开源社区成员 @Asuna981002
深势科技成立于2018年,致力于以新一代分子模拟技术解决微尺度工业设计难题。深势科技自研算法Deep Potential在保持量子力学精度准确性的基础上,将分子动力学的计算速度提升了多个数量级;结合高性能计算,能够对数十亿原子规模的体系进行量子力学精度的计算模拟。围绕领先的分子模拟方法,深势科技正在推动 DeepModeling 开源社区建设,以开放与包容的环境,推动全球科学计算事业发展。发布两年多以来,DeepModeling社区中的开源软件已得到国内外近千个研究组使用,涉及物理、化学、材料、生物、地质等多个领域。
读者及用户的反馈意见和更新建议将贯穿整个阶段,我们也将在项目致谢页中展示对该项目起积极作用的读者及用户。如果您在使用术语库的过程中若发现了存在的错误、或是想要扩展术语库的内容、讨论特定术语的翻译等等非常欢迎大家提 Issue 与我们以及各位读者进行讨论(请附带来源,以便我们能更客观地更新词汇)。同时也非常欢迎读者们进行 Fork、提 Pull Request,共同加强术语的编译质量以及扩充术语库的规模。
「AITD」Version 3.1:「AI for Science」专项领域术语中英对照表
英文术语 | 中文翻译 |
---|---|
Accuracy | 准确率 |
Activation Function | 激活函数 |
Active Learning | 主动学习 |
Area Under ROC Curve | AUC(ROC曲线下方面积,度量分类模型好坏的标准) |
Artificial Intelligence | 人工智能 |
Artificial Neural Network | 人工神经网络 |
Attention | 注意力 |
Back Propagation | 反向传播 |
Bagging | 袋装 |
Baseline | 基准 |
Bayesian Inference | 贝叶斯推断 |
Bayesian Network | 贝叶斯网/贝叶斯网络 |
Bernoulli Distribution | 伯努利分布 |
Bias | 偏差/偏置 |
Biased | 有偏 |
Boosting | Boosting(一种模型训练加速方式) |
Bottom-Up | 自下而上 |
Classification | 分类 |
Classification And Regression Tree | 分类与回归树 |
Cluster | 簇 |
Computer Vision | 计算机视觉 |
Confusion Matrix | 混淆矩阵 |
Conjugate Gradient | 共轭梯度 |
Correlation | 相关系数 |
Cost Function | 代价函数 |
Covariance | 协方差 |
Covariance Matrix | 协方差矩阵 |
Data Augmentation | 数据增强 |
Data Mining | 数据挖掘 |
Data Set | 数据集 |
Decision Tree | 决策树 |
Deep Learning | 深度学习 |
Deep Neural Network | 深度神经网络 |
Deep Reinforcement Learning | 深度强化学习 |
Dimension Reduction | 降维 |
Dimensionality Reduction Algorithm | 降维算法 |
Encoder-Decoder | 编码器-解码器(模型) |
Error Function | 误差函数 |
Estimator | 估计/估计量 |
Feature Engineering | 特征工程 |
Feature Extraction | 特征抽取 |
Feature Selection | 特征选择 |
Feedforward Neural Network | 前馈神经网络 |
Gaussian Distribution | 高斯分布 |
Gaussian Kernel Function | 高斯核函数 |
Gaussian Mixtures | 高斯混合(模型) |
Gaussian Process | 高斯过程 |
Gaussian Process Regression | 高斯过程回归 |
Generative Modeling | 生成式建模 |
Genetic Algorithm | 遗传算法 |
Gradient Descent | 梯度下降 |
Grid Search | 网格搜索 |
Ground Truth | 真实值 |
Hyperplane | 超平面 |
Inductive Bias | 归纳偏好 |
Information Gain | 信息增益 |
Information Gain Ratio | 信息增益比 |
Iteration | 迭代 |
K-Fold Cross Validation | k 折交叉验证 |
K-Means Clustering | k-均值聚类 |
K-Nearest Neighbor Method | k-近邻 |
Kernel Method | 核方法 |
Kernel Trick | 核技巧 |
Label | 标签/标记 |
Lazy Learning | 懒惰学习 |
Linear Combination | 线性组合 |
Linear Discriminant Analysis | 线性判别分析 |
Linear Model | 线性模型 |
Linear Regression | 线性回归 |
Logistic Function | 对数几率函数 |
Logistic Regression | 对数几率回归 |
Long Short Term Memory | 长短期记忆 |
Loss Function | 损失函数 |
Machine Learning | 机器学习 |
Margin | 间隔 |
Meta-Learning | 元学习 |
Metric | 指标 |
Model Predictive Control | 模型预测控制 |
Model Selection | 模型选择 |
Multi-Layer Perceptron | 多层感知机 |
Multiple Linear Regression | 多元线性回归 |
Natural Language Processing | 自然语言处理 |
Neural Model | 神经模型 |
Neural Network | 神经网络 |
Noise | 噪声 |
Non-Parametric | 非参数 |
Normalization | 规范化 |
Occam's Razor | 奥卡姆剃刀 |
One-Shot Learning | 单试学习 |
Orthogonal | 正交 |
Outlier | 异常点 |
Output Layer | 输出层 |
Overfitting | 过拟合 |
Parameter Tuning | 调参 |
Parse Tree | 解析树 |
Particle Swarm Optimization | 粒子群优化算法 |
Pattern Recognition | 模式识别 |
Perceptron | 感知机 |
Precision | 查准率/准确率 |
Principal Component Analysis | 主成分分析 |
Prior Knowledge | 先验知识 |
Probability Distribution | 概率分布 |
Quantum Mechanics | 量子力学 |
Radial Basis Function | 径向基函数 |
Random Forest | 随机森林 |
Random Sampling | 随机采样 |
Recall | 查全率/召回率 |
Receiver Operating Characteristic | 受试者工作特征 |
Rectified Linear Unit | 修正线性单元/整流线性单元 |
Recurrent Neural Network | 循环神经网络 |
Regression | 回归 |
Reinforcement Learning | 强化学习 |
Representation Learning | 表示学习 |
Robustness | 稳健性 |
Sequence-To-Sequence | 序列到序列 |
Sigmoid | Sigmoid(一种激活函数) |
Simulated Annealing | 模拟退火 |
Singular | 奇异的 |
Softmax Function | Softmax函数/软最大化函数 |
Speech Recognition | 语音识别 |
Statistical Learning | 统计学习 |
Supervised Learning | 监督学习 |
Support Vector | 支持向量 |
Support Vector Machine | 支持向量机 |
Support Vector Regression | 支持向量回归 |
Test Set | 测试集 |
Threshold | 阈值 |
Top-Down | 自顶向下 |
Training Sample | 训练样本 |
Training Set | 训练集 |
Trajectory | 轨迹 |
Transfer Learning | 迁移学习 |
True Negative | 真负例 |
True Positive | 真正例 |
True Positive Rate | 真正例率 |
Underfitting | 欠拟合 |
Unsupervised Learning | 无监督学习 |
Validation Set | 验证集 |
Variance | 方差 |
Variational Autoencoder | 变分自编码器 |
Weight | 权重 |
Word Embedding | 词嵌入 |
2D Qsar Models | 二维定量构效关系模型 |
3D Cartesian | 三维笛卡尔(坐标) |
3D Conformation | 三维构象 |
3D Grids | 三维(坐标)网格 |
3D Qsar Models | 三维定量构效关系模型 |
Aberration-Corrected | 像差矫正 |
Active Machine Learning | 主动机器学习 |
Adaptive Fuzzy Neural Network | 自适应模糊神经网络 |
Adaptive Sampling | 自适应采样 |
Admet Evaluation | 毒性评估 |
Alexnet | AlexNet |
Alphago | 阿尔法狗 |
Adaptive Neuro Fuzzy Inference System | 自适应神经模糊推理系统 |
Approximate Probabilistic Models | 近似概率模型 |
Artificial Neurons | 人工神经元 |
Artificial Synapses | 人工突触 |
Attention-Based | 基于注意力(机制)的 |
Automating Synthetic Planning | 自动化综合规划 |
Automation | 自动化 |
Autonomous Decision-Making | 自主决策 |
B-Clustering Algorithms | B树聚类算法 |
Balanced Accuracy | 平衡精度 |
Bandgap Energy | 带隙能量 |
Baseline Test | 基准测试 |
Basin Hopping | 盆地跳跃(算法) |
Bayesian Approach | 贝叶斯方法 |
Bayesian Induction | 贝叶斯归纳 |
Bayesian Mcmc Methods | 贝叶斯马尔可夫链蒙特卡洛方法 |
Bayesian Methods | 贝叶斯方法 |
Bayesian Molecular | 贝叶斯分子(设计方法) |
Bayesian Prior | 贝叶斯先验 |
Bayesian Program Learning | 贝叶斯程序学习 |
Bayesian Regularized Neural Network | 贝叶斯正则化神经网络 |
Beam-Scanning | 波束扫描 |
Best Separates | 最优分离 |
Biased Dataset | 有偏数据集 |
Bit Collisions | 字节碰撞/冲突 |
Black Box | 黑盒子 |
Black-Box Attack | 黑盒攻击 |
Bonding Environments | 成键环境 |
Bonferroni Correction | 邦弗朗尼校正 |
Bootstrap Aggregation | 引导聚合 |
Broyden–Fletcher–Goldfarb–Shanno | BFGS(算法) |
Buchwald−Hartwig Cross-Coupling | Buchwald–Hartwig 偶联(反应) |
C4.5 Algorithm | C4.5 算法 |
Calculation Uncertainties | 计算不确定性 |
Canonical Ml Methods | 经典机器学习方法 |
Cartesian Distance Vector | 笛卡尔距离向量 |
CASP | 国际蛋白质结构预测竞赛 |
Categorical Data | 分类数据 |
Categorization Algorithms | 分类算法 |
ChemDataExtractor | 化学数据提取器 |
Chi-Squared | 卡方(分布) |
Classification Model | 分类模型 |
Cluster Resolution Feature Selection | 聚类分辨率特征选择 |
Cluster-Based Splitting | 基于聚类的分离方法 |
Clustering Methods | 聚类方法 |
Code Pipeline | 代码流水线 |
Coefficient of Determination | 决定系数 |
Combined Gradient | 组合梯度(算法) |
Complex Data | 复合数据 |
Computational Cost | 计算成本 |
Computational Optimisation | 计算优化 |
Computational Science | 计算科学 |
Computational Toxicology | 计算毒理学 |
Computer Science | 计算机科学 |
Computer Simulations | 计算机模拟 |
Computer-Aided | 计算机辅助 |
Constraint | 约束 |
Core-Loss Spectrum | (电子能量损失谱中的)高能区域 |
Coulomb Matrix | 库仑矩阵 |
Coupled-Cluster Predictions | 耦合簇预测 |
Cross-Validated Coefficient of Determination | 交叉验证的决定系数 |
Cross-Validation | 交叉验证 |
Crowd-Sourcing | 众包 |
Cut-Points | 切点 |
Cutoff Radial Function | 截断径向函数 |
Data Availability | 数据可用性 |
Data Cleaning | 数据清洗 |
Data Collection | 数据采集 |
Data Considerations | 数据注意事项 |
Data Curation | 数据监管 |
Data Disparity | 数据差异 |
Data Dredging | 数据挖掘 |
Data Imputation | 数据填补 |
Data Labels | 数据标签 |
Data Leakage | 数据泄露 |
Data Pre-Processing | 数据预处理 |
Data Processing | 数据处理 |
Data Quality | 数据质量 |
Data Reduction | 数据缩减 |
Data Representation | 数据表示 |
Data Selection | 数据选择 |
Data Sources | 数据源 |
Data Splitting | 数据拆分 |
Data Transformation | 数据转换 |
Data-Driven | 数据驱动 |
Data-Driven Decision-Making | 数据驱动的决策 |
Data-Driven Methods | 数据驱动的方法 |
Data-Driven Spectral Analysis | 数据驱动的光谱分析 |
Data-Mining | 数据挖掘 |
Database | 数据库 |
DE Algorithm | 差分进化算法 |
Deeplift | DeepLift模型 |
Dendrogram | 树状图 |
Density Functional Theory | 密度泛函理论 |
Density-Based Spatial Clustering Of Applications With Noise | DBSCAN密度聚类 |
Descriptor | 描述符 |
DFT Calculations | DFT计算 |
Dice Similarity | 戴斯相似度 |
Differential Evolution | 差分进化 |
Dimensionality Reduction | 降维 |
Direct Neural Network Modeling | 正向神经网络建模 |
Discrete Manner | 离散方式 |
Discrete Quanta | 离散量子 |
Discretization | 离散化 |
Distillation | 蒸馏 |
Dynamic Datasets | 动态数据集 |
Dynamic Filter Networks | 动态过滤网络 |
Dynamic Sampling | 动态采样 |
Dynamics Simulations | 动力学模拟 |
Eigenfunction | 特征函数 |
Electronegativity | 电负性 |
Elman | 埃尔曼 |
Empirical Models | 经验模型 |
Energy Derivatives | 能源衍生品 |
Energy Potentials | 能量潜力 |
Ensemble Methods | 集成方法 |
Entity Normalisation | 实体规范化 |
Ethical Considerations | 道德考虑 |
Euclidean Distances | 欧几里得距离 |
Evolutionary Algorithms | 进化算法 |
Evolutionary Method | 进化方法 |
Exchange–Correlation | 交换关联(的能量/泛函) |
Excited-State Potentials | 激发态能量 |
Expected Reduction In Distortion | 符合预期的失真减少 |
Experimental Validation Data | 实验验证数据 |
Expert Systems | 专家系统 |
Extended-Connectivity Circular Fingerprint | 扩展连接环形指纹 |
Extraction Techniques | 提取技术 |
Faber-Christensen-Huang-Lilienfeld | Faber-Christensen-Huang-Lilienfeld |
Facial Recognition | 面部识别 |
FAIR Data Principles | FAIR数据原则 |
False Negatives | 假阴性 |
False Positives | 假阳性 |
Fchl Representation | Fchl 表示 |
Feature Binarization | 特征二值化 |
Feature Transform | 特征变换 |
Feature Vectors | 特征向量 |
Features | 特征 |
Feed Back | 反馈 |
Feed-Forward Neural Networks | 前馈神经网络 |
Feedback Structure | 反馈结构 |
Final Evaluation | 最终评估 |
Findable, Accessible, Interoperable, Reusable | 可查找、可访问、可互操作、可重用 |
First-Principles | 第一性原理 |
Flow Rate | 流速 |
Forward Cross-Validation | 前向交叉验证 |
Forward Prediction | 前向预测 |
Forward Reaction Prediction | 前向反应预测 |
Fuzzy Logic | 模糊逻辑 |
Fuzzy Neural Networks | 模糊神经网络 |
Ga-Based Approaches | 基于遗传算法的方法 |
Garbage In, Garbage Out | 无用数据入、无用数据出 |
Gas-Phase Networks | 气相网络 |
Gaussian Kernels | 高斯核 |
Gaussian-Type Structure Descriptors | 高斯型结构描述符 |
General Intelligence | 通用智能 |
Generalized Gradient Approximation | 广义梯度近似 |
Generative Adversarial Networks | 生成对抗网络 |
Gradient Boosting Decision Tree | 梯度提升决策树 |
Gradient-Based | 基于梯度的 |
Grain-Surface Networks | 粒面网络 |
Graph Convolutional | 图卷积 |
Graph Models | 图模型 |
Graph Neural Networks | 图神经网络 |
Graph-Based | 基于图形 |
Graph-Based Models | 基于图的模型 |
Graph-Based Neural Networks | 基于图的神经网络 |
Graph-Based Representation | 基于图的表示 |
Graph-Convolutional Neural Network | 图卷积神经网络 |
Graphics Processing Units | 图形处理器 |
Gravimetric Polymerization Degree | 比重聚合度 |
Hamiltonian Matrix | 哈密顿矩阵 |
Hamiltonian Operator | 哈密顿算符 |
Heterogeneous Data | 异构数据 |
Hidden Layers | 隐藏层 |
High Data Throughput | 高数据吞吐量 |
High Throughput | 高通量 |
High Throughput Screening | 高通量筛选 |
High Variance Models | 高方差模型 |
High-Dimensional Data | 高维数据 |
High-Dimensional NN | 高维神经网络 |
High-Dimensional Objects | 高维对象 |
High-Throughput | 高通量 |
Higher-Dimensional Space | 高维空间 |
Higher-Dimensional Spectral Space | 高维光谱空间 |
Homogenization | 同质化 |
Homomorphic Encryption | 同态加密 |
Human Face Recognition | 人脸识别 |
Human-Encoded | 人工编码的 |
Hybrid Model | 混合模型 |
Hybrid Technique | 混合技术 |
Hybrid-Neural Model | 混合神经模型 |
Hyperparameter Opimization | 超参数优化 |
Hyperparameters | 超参数 |
Hyperplanes Separate | 超平面分离 |
Id3 Algorithm | Id3 算法 |
Image And Speech Recognition | 图像和语音识别 |
Image Classification | 图像分类 |
Image Classifier | 图像分类器 |
Image Recognition | 图像识别 |
Informative Priors | 信息先验 |
Input-Output Pairs | 输入输出对 |
Instance-Based | 基于实例的 |
Intelligent Machine | 智能机器 |
Intermediate Neurons | 中间神经元 |
Internet Of Things | 物联网 |
Interpolation Coordinate | 插值坐标 |
Interpretability | 可解释性 |
Inverse Neural Modeling | 逆神经建模 |
Inverse Neural Network Modeling | 逆神经网络建模 |
Iterative Learning | 迭代学习 |
Joint Distribution | 联合分布 |
Jordan-Elman Neural Networks | Jordan-Elman 神经网络 |
K Clusters | K聚类 |
K Nearest Points | K 最近点 |
K-1 Folds | K-1 折 |
K-Edge (O-K Edge) | K-边缘(O-K 边缘) |
K-Means | K-均值 |
Kendall’S Tau | 肯德尔等级相关系数 |
Kernel Ridge Regression | 核岭回归 |
Kernels | 内核 |
Kinetic Curve | 动力学曲线 |
KNN Model | K 近邻模型 |
Knowledge Extraction | 知识提取 |
Knowledge Gradient | 知识梯度 |
L1 And L2 Regularization | L1与L2正则化 |
Laboratory Level | 实验室级别 |
Language Processing | 语言处理 |
Laplacian Prior | 拉普拉斯先验 |
Large-Scale Data Storage | 大规模数据存储 |
Lasers | 激光器 |
Lasso Regression | 拉索回归 |
LBP | 局部二值模式 |
Least Absolute Shrinkage And Selection Operator | Lasso回归 |
Least Square Support Vector Machine | 最小二乘支持向量机 |
Ligand-Field | 配位场 |
Linear | 线性的 |
Linear Dimension Reduction Methods | 线性降维方法 |
Linear Vibronic Coupling Model | 线性振子耦合模型 |
Local Recurrent | 本地卷积 |
Logic And Heuristics Applied To Synthetic Analysis | LHASA 程序 |
Long-Range Prediction | 长期预测 |
Long-Range Prediction Models | 长期预测模型 |
Long-Term Planning | 长期规划 |
Long-Term Reward | 长期回报 |
Machine-Readable Data | 机器可读的数据 |
Mae | 平均绝对误差 |
Mahalanobis Distances | 马氏距离 |
Matrices | 矩阵 |
Matthews Correlation Coefficient | 马修斯相关系数 |
Maximum Likelihood Methods | 最大似然法 |
Maximum Likelihood Procedures | 最大似然估计法 |
MCTS Method | 蒙特卡洛树搜索方法 |
Mean-Squared Error | 均方误差 |
Mechanical Sympathy | 机械同感,软硬件协同编程 |
Merging | 合并 |
Message Passing Neural Networks | 消息传递神经网络 |
Microarray Data | 微阵列数据 |
Mini Batch | 小批次 |
Mining | 挖掘 |
Mining Out | 挖掘 |
Missing Values | 缺失值 |
ML Algorithm | 机器学习算法 |
ML Modelling | 机器学习建模 |
ML Potentials | 机器学习势能 |
ML-Driven | 机器学习驱动的 |
ML-Driven Optimization | 机器学习驱动的最优化 |
MLP Neural Model | 多层感知机神经模型 |
Model Construction | 模型构建 |
Model Evaluation | 模型评估 |
Model Performance | 模型性能 |
Model Statistics | 模型统计 |
Model Training | 模型训练 |
Model Validation | 模型验证 |
Model-Based Iterative Reconstruction | 基于模型的迭代重建 |
Model-Construction | 模型构建 |
Modelling Scenario | 建模场景 |
Molecular Graph Theory | 分子图论 |
Molecular Modelling | 分子建模 |
Monte Carlo Tree Search | 蒙特卡洛树搜索 |
Moore’S Law | 摩尔定律 |
ms-QSBER-EL Model | 基于人工神经网络组合的结构生物学效应定量关系多尺度模型 |
Multi-Agent Control System | 多智能体控制系统 |
Multi-Core Desktop Computer | 多核台式计算机 |
Multi-Dimensional Big Data Analysis | 多维度大数据分析 |
Multi-Layer Feed-Forward | 多层前馈 |
Multi-Objective Genetic Algorithm | 多目标遗传算法 |
Multi-Objective Optimization | 多目标优化 |
Multi-Reaction Synthesis | 多反应合成 |
Multilayer Perceptron | 多层感知机 |
Multivariate Regression | 多变量回归 |
N-Dimensional Space | N维空间 |
Naive Bayesian | 朴素贝叶斯 |
Naive Bayesian Methods | 朴素贝叶斯方法 |
Named Entity Recognition,NER | 命名实体识别 |
Nearest Neighbors | 近邻 |
Nearest Neighbour Model | 近邻模型 |
Negative Predictive Value | 阴性预测值 |
Network Architecture | 网络结构 |
Network Geometry | 网络几何 |
Neural Turing Machines | 神经图灵机 |
Neural-Network-Based Function | 基于神经网络的函数 |
Neurons | 神经元 |
Nuclear Magnetic Resonance | 核磁共振 |
Noise Filters | 噪声过滤器 |
Noise-Free | 无噪的 |
Non-Linear | 非线性 |
Non-Linear Correlation | 非线性相关 |
Non-Linearity | 非线性 |
Non-Parametric Algorithm | 非参数化学习算法 |
Non-Safety-Critical Applications | 非安全关键型应用 |
Non-Steady-State | 非稳态 |
Non-Stochastic | 非随机的 |
Non-Template | 非模板 |
Non-Template Methods | 非模板方法 |
Non-Zero Weight | 非零权重 |
On-The-Fly Optimization | 运行中优化 |
One-Hot Vector | 独热向量 |
Open-Source | 开源 |
Open-Source Dataset | 开源数据集 |
Predicted Label | 预测值 |
Prediction | 预测 |
Prediction Accuracy | 预测准确率 |
Predictor | 预测器/决策函数 |
Protein Folding | 蛋白折叠 |
Quantum Chemistry | 量子化学 |
Quantum Theory | 量子理论 |
Random Selection | 随机选择 |
Raw Datasets | 原始数据集 |
Root Mean Square Errors | 均方根 |
Scaling | 缩放 |
Simulation | 仿真 |
The Global Minimum | 全局最小值 |
Turing Test | 图灵测试 |
Version Control | 版本控制 |
Workflow | 工作流 |
Sequence-Function | 序列-功能 |
参与「AITD」!
我们邀请更多感兴趣一起参与「AITD」项目的小伙伴通过加入「机器之心分析师网络」加入到「AITD」项目工作中来。除了旨在构建 AI 领域术语库的「Artificial-Intelligence-Terminology-Database」,机器之心目前还有「开放知识库」 GitHub 项目,例如 ——
「ML-Tutorial-Experiment」算法教程与实现项目目前共获得 2500+ Star。它目前有五篇详细的教程文章,即 CNN 的实现、经典 GAN 的推导实现、 CapsNet 的解读、LSTM 等语言建模和基于 Transformer 的神经机器翻译实现。我们希望能提供高质量和能实现的技术文章,在这些文章中,我们所使用的代码块或整体实现都是我们预先测试的,且提供的 Jupyter Notebook 都带有代码注释,非常适合初学者随文章阅读。
项目地址:https://github.com/jiqizhixin/ML-Tutorial-Experiment
「SyncedLeg2018」 机器之腿项目是源于机器之心 2018 年暑期实习生 Hackathon 的输出成果,可基于微信历史文章与相应的流量数据、分析统计出热点词汇。
项目地址:https://github.com/jiqizhixin/SyncedLeg2018
加入机器之心分析师网络,在参与机器之心发起的人工智能及相关技术领域的「开放知识库」项目之外,还将有机会受邀作为特约分析师:
现场参与国内外学术、学术及产业盛会,现场观察。
参与热点技术解读、指标分析、性能评测等专业性技术分析项目。
参与热点事件解读、产业前景分析等专业性产业分析项目。
在过去的五年里数百位兼职分析师们利用自己的工作、学习之余的闲暇时间,与机器之心的全职分析师们共同构建 AI 知识库、维护开源项目、撰写技术分析、开展专业调研、联合发布报告等等。参与机器之心全球开放项目的分析师大部分来自于内一流的研究机构及一流人工智能企业,其中包括卡耐基梅隆大学,滑铁卢大学,多伦多大学,加州大学洛杉矶分校,清华大学等等。点击「阅读原文」,申请加入「机器之心分析师网络」。