正文

AI自動生成文章摘要（ai自動生成文章摘要怎么弄）

發(fā)布時間：2023-03-12 00:10:08 稿源：創(chuàng)意嶺閱讀： 132 問大家

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于AI自動生成文章摘要的問題，以下是小編對此問題的歸納整理，讓我們一起來看看吧。

2023新版文章智能生成器，能給你生成想要的原創(chuàng)文章、方案、文案、工作計劃、工作報告、論文、代碼、作文、做題和對話答疑等等

你只需要給出你的關(guān)鍵詞，它就能返回你想要的內(nèi)容，越精準(zhǔn)，寫出的就越詳細(xì)，有微信小程序端、在線網(wǎng)頁版、PC客戶端，官網(wǎng)：https://ai.de1919.com

本文目錄:

1、人工智能一些術(shù)語總結(jié)
2、數(shù)據(jù)標(biāo)注這個工作有發(fā)展前途嗎？
3、人工智能發(fā)展的結(jié)課論文
4、科大訊飛中報業(yè)績大增 AI新基建風(fēng)口帶來新動能

AI自動生成文章摘要（ai自動生成文章摘要怎么弄）

一、人工智能一些術(shù)語總結(jié)

隨著智能時代慢慢的到來，有一些基本概念都不知道真的是要落伍了，作為正在積極學(xué)習(xí)向上的青年，我想總結(jié)一份筆記，此份筆記會記錄眾多AI領(lǐng)域的術(shù)語和概念，當(dāng)然，學(xué)一部分記錄一部分，并且可能會夾雜著自己的一些理解，由于能力有限，有問題希望大家多多賜教。當(dāng)然，由于內(nèi)容太多，僅僅只是記錄了中英名對照，有的加上了簡單的解釋，沒加的后續(xù)大家有需求，我會慢慢完善~~。目錄暫定以首字母的字典序排序。可以當(dāng)作目錄方便以后查閱~~建議收藏加點(diǎn)贊哈哈哈

------------------------------------------------這里是分割線--------------------------------------------------

準(zhǔn)確率（accuracy）

分類模型預(yù)測準(zhǔn)確的比例。

二分類問題中，準(zhǔn)確率定義為：accuracy = (true positives +true negatives)/all samples

多分類問題中，準(zhǔn)確率定義為：accuracy = correctpredictions/all samples

激活函數(shù)（activation function）

一種函數(shù)，將前一層所有神經(jīng)元激活值的加權(quán)和輸入到一個非線性函數(shù)中，然后作為下一層神經(jīng)元的輸入，例如 ReLU 或 Sigmoid

AdaGrad

一種復(fù)雜的梯度下降算法，重新調(diào)節(jié)每個參數(shù)的梯度，高效地給每個參數(shù)一個單獨(dú)的學(xué)習(xí)率。

AUC（曲線下面積）

一種考慮到所有可能的分類閾值的評估標(biāo)準(zhǔn)。ROC 曲線下面積代表分類器隨機(jī)預(yù)測真正類（Ture Positives）要比假正類（False Positives）概率大的確信度。

Adversarial example（對抗樣本）

Adversarial Networks（對抗網(wǎng)絡(luò)）

Artificial General Intelligence/AGI（通用人工智能）

Attention mechanism（注意力機(jī)制）

Autoencoder（自編碼器）

Automatic summarization（自動摘要）

Average gradient（平均梯度）

Average-Pooling（平均池化）

反向傳播（Backpropagation/BP）

神經(jīng)網(wǎng)絡(luò)中完成梯度下降的重要算法。首先，在前向傳播的過程中計算每個節(jié)點(diǎn)的輸出值。然后，在反向傳播的過程中計算與每個參數(shù)對應(yīng)的誤差的偏導(dǎo)數(shù)。

基線（Baseline）

被用為對比模型表現(xiàn)參考的簡單模型。

批量（Batch）

模型訓(xùn)練中一個迭代（指一次梯度更新）使用的樣本集。

批量大?。˙atch size）

一個批量中樣本的數(shù)量。例如，SGD 的批量大小為 1，而 mini-batch 的批量大小通常在 10-1000 之間。

偏置（Bias）

與原點(diǎn)的截距或偏移量。

二元分類器（Binary classification）

一類分類任務(wù)，輸出兩個互斥類別中的一個。比如垃圾郵件檢測。

詞袋（Bag of words/Bow）

基學(xué)習(xí)器（Base learner）

基學(xué)習(xí)算法（Base learning algorithm）

貝葉斯網(wǎng)絡(luò)（Bayesian network）

基準(zhǔn)（Bechmark）

信念網(wǎng)絡(luò)（Belief network）

二項分布（Binomial distribution）

玻爾茲曼機(jī)（Boltzmann machine）

自助采樣法／可重復(fù)采樣／有放回采樣（Bootstrap sampling）

廣播（Broadcasting）

類別（Class）

所有同類屬性的目標(biāo)值作為一個標(biāo)簽。

分類模型（classification）

機(jī)器學(xué)習(xí)模型的一種，將數(shù)據(jù)分離為兩個或多個離散類別。

收斂（convergence）

訓(xùn)練過程達(dá)到的某種狀態(tài)，其中訓(xùn)練損失和驗證損失在經(jīng)過了確定的迭代次數(shù)后，在每一次迭代中，改變很小或完全不變。

凸函數(shù)（concex function）

一種形狀大致呈字母 U 形或碗形的函數(shù)。然而，在退化情形中，凸函數(shù)的形狀就像一條線。

成本（cost）

loss 的同義詞。深度學(xué)習(xí)模型一般都會定義自己的loss函數(shù)。

交叉熵（cross-entropy）

多類別分類問題中對 Log 損失函數(shù)的推廣。交叉熵量化兩個概率分布之間的區(qū)別。

條件熵（Conditional entropy）

條件隨機(jī)場（Conditional random field/CRF）

置信度（Confidence）

共軛方向(Conjugate directions)

共軛分布(Conjugate distribution)

共軛梯度(Conjugate gradient)

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural network/CNN）

余弦相似度（Cosine similarity）

成本函數(shù)（Cost Function）

曲線擬合（Curve-fitting）

數(shù)據(jù)集（data set）

樣本的集合

深度模型（deep model）

一種包含多個隱藏層的神經(jīng)網(wǎng)絡(luò)。深度模型依賴于其可訓(xùn)練的非線性性質(zhì)。和寬度模型對照（widemodel）。

dropout 正則化（dropoutregularization）

訓(xùn)練神經(jīng)網(wǎng)絡(luò)時一種有用的正則化方法。dropout 正則化的過程是在單次梯度計算中刪去一層網(wǎng)絡(luò)中隨機(jī)選取的固定數(shù)量的單元。刪去的單元越多，正則化越強(qiáng)。

數(shù)據(jù)挖掘（Data mining）

決策樹/判定樹（Decisiontree）

深度神經(jīng)網(wǎng)絡(luò)（Deep neural network/DNN）

狄利克雷分布（Dirichlet distribution）

判別模型（Discriminative model）

下采樣（Down sampling）

動態(tài)規(guī)劃（Dynamic programming）

早期停止法（early stopping）

一種正則化方法，在訓(xùn)練損失完成下降之前停止模型訓(xùn)練過程。當(dāng)驗證數(shù)據(jù)集（validationdata set）的損失開始上升的時候，即泛化表現(xiàn)變差的時候，就該使用早期停止法了。

嵌入（embeddings）

一類表示為連續(xù)值特征的明確的特征。嵌入通常指將高維向量轉(zhuǎn)換到低維空間中。

經(jīng)驗風(fēng)險最小化（empirical risk minimization，ERM）

選擇能使得訓(xùn)練數(shù)據(jù)的損失函數(shù)最小化的模型的過程。和結(jié)構(gòu)風(fēng)險最小化（structualrisk minimization）對照。

集成（ensemble）

多個模型預(yù)測的綜合考慮?？梢酝ㄟ^以下一種或幾種方法創(chuàng)建一個集成方法：

設(shè)置不同的初始化；

設(shè)置不同的超參量；

設(shè)置不同的總體結(jié)構(gòu)。

深度和廣度模型是一種集成。

樣本（example）

一個數(shù)據(jù)集的一行內(nèi)容。一個樣本包含了一個或多個特征，也可能是一個標(biāo)簽。參見標(biāo)注樣本（labeledexample）和無標(biāo)注樣本（unlabeled example）。

假負(fù)類（false negative，F(xiàn)N）

被模型錯誤的預(yù)測為負(fù)類的樣本。例如，模型推斷一封郵件為非垃圾郵件（負(fù)類），但實際上這封郵件是垃圾郵件。

假正類（false positive，F(xiàn)P）

被模型錯誤的預(yù)測為正類的樣本。例如，模型推斷一封郵件為垃圾郵件（正類），但實際上這封郵件是非垃圾郵件。

假正類率（false positive rate，F(xiàn)P rate）

ROC 曲線（ROC curve）中的 x 軸。FP 率的定義是：假正率=假正類數(shù)/(假正類數(shù)+真負(fù)類數(shù))

特征工程（feature engineering）

在訓(xùn)練模型的時候，挖掘?qū)δＰ托Ч欣奶卣鳌?/p>

前饋神經(jīng)網(wǎng)絡(luò)（Feedforward Neural Networks/FNN ）

泛化（generalization）

指模型利用新的沒見過的數(shù)據(jù)而不是用于訓(xùn)練的數(shù)據(jù)作出正確的預(yù)測的能力。

廣義線性模型（generalized linear model）

最小二乘回歸模型的推廣/泛化，基于高斯噪聲，相對于其它類型的模型（基于其它類型的噪聲，比如泊松噪聲，或類別噪聲）。廣義線性模型的例子包括：

logistic 回歸

多分類回歸

最小二乘回歸

梯度（gradient）

所有變量的偏導(dǎo)數(shù)的向量。在機(jī)器學(xué)習(xí)中，梯度是模型函數(shù)的偏導(dǎo)數(shù)向量。梯度指向最陡峭的上升路線。

梯度截斷（gradient clipping）

在應(yīng)用梯度之前先修飾數(shù)值，梯度截斷有助于確保數(shù)值穩(wěn)定性，防止梯度爆炸出現(xiàn)。

梯度下降（gradient descent）

通過計算模型的相關(guān)參量和損失函數(shù)的梯度最小化損失函數(shù)，值取決于訓(xùn)練數(shù)據(jù)。梯度下降迭代地調(diào)整參量，逐漸靠近權(quán)重和偏置的最佳組合，從而最小化損失函數(shù)。

圖（graph）

在 TensorFlow 中的一種計算過程展示。圖中的節(jié)點(diǎn)表示操作。節(jié)點(diǎn)的連線是有指向性的，表示傳遞一個操作（一個張量）的結(jié)果（作為一個操作數(shù)）給另一個操作。使用 TensorBoard 能可視化計算圖。

高斯核函數(shù)（Gaussian kernel function）

高斯混合模型（Gaussian Mixture Model）

高斯過程（Gaussian Process）

泛化誤差（Generalization error）

生成模型（Generative Model）

遺傳算法（Genetic Algorithm/GA）

吉布斯采樣（Gibbs sampling）

基尼指數(shù)（Gini index）

梯度下降（Gradient Descent）

啟發(fā)式（heuristic）

一個問題的實際的和非最優(yōu)的解，但能從學(xué)習(xí)經(jīng)驗中獲得足夠多的進(jìn)步。

隱藏層（hidden layer）

神經(jīng)網(wǎng)絡(luò)中位于輸入層（即特征）和輸出層（即預(yù)測）之間的合成層。一個神經(jīng)網(wǎng)絡(luò)包含一個或多個隱藏層。

超參數(shù)（hyperparameter）

連續(xù)訓(xùn)練模型的過程中可以擰動的「旋鈕」。例如，相對于模型自動更新的參數(shù)，學(xué)習(xí)率（learningrate）是一個超參數(shù)。和參量對照。

硬間隔（Hard margin）

隱馬爾可夫模型（Hidden Markov Model/HMM）

層次聚類（Hierarchical clustering）

假設(shè)檢驗（Hypothesis test）

獨(dú)立同分布（independently and identicallydistributed，i.i.d）

從不會改變的分布中獲取的數(shù)據(jù)，且獲取的每個值不依賴于之前獲取的值。i.i.d. 是機(jī)器學(xué)習(xí)的理想情況——一種有用但在現(xiàn)實世界中幾乎找不到的數(shù)學(xué)構(gòu)建。

推斷（inference）

在機(jī)器學(xué)習(xí)中，通常指將訓(xùn)練模型應(yīng)用到無標(biāo)注樣本來進(jìn)行預(yù)測的過程。在統(tǒng)計學(xué)中，推斷指在觀察到的數(shù)據(jù)的基礎(chǔ)上擬合分布參數(shù)的過程。

輸入層（input layer）

神經(jīng)網(wǎng)絡(luò)的第一層（接收輸入數(shù)據(jù)）。

評分者間一致性（inter-rater agreement）

用來衡量一項任務(wù)中人類評分者意見一致的指標(biāo)。如果意見不一致，則任務(wù)說明可能需要改進(jìn)。有時也叫標(biāo)注者間信度（inter-annotator agreement）或評分者間信度（inter-raterreliability）。

增量學(xué)習(xí)（Incremental learning）

獨(dú)立成分分析（Independent Component Analysis/ICA）

獨(dú)立子空間分析（Independent subspace analysis）

信息熵（Information entropy）

信息增益（Information gain）

JS 散度（Jensen-ShannonDivergence/JSD）

Kernel 支持向量機(jī)（KernelSupport Vector Machines/KSVM）

一種分類算法，旨在通過將輸入數(shù)據(jù)向量映射到更高維度的空間使正類和負(fù)類之間的邊際最大化。例如，考慮一個輸入數(shù)據(jù)集包含一百個特征的分類問題。為了使正類和負(fù)類之間的間隔最大化，KSVM 從內(nèi)部將特征映射到百萬維度的空間。KSVM 使用的損失函數(shù)叫作 hinge 損失。

核方法（Kernel method）

核技巧（Kernel trick）

k 折交叉驗證／k 倍交叉驗證（K-fold cross validation）

K - 均值聚類（K-MeansClustering）

K近鄰算法（K-Nearest NeighboursAlgorithm/KNN）

知識圖譜（Knowledge graph）

知識庫（Knowledge base）

知識表征（Knowledge Representation）

L1 損失函數(shù)（L1 loss）

損失函數(shù)基于模型對標(biāo)簽的預(yù)測值和真實值的差的絕對值而定義。L1 損失函數(shù)比起 L2 損失函數(shù)對異常值的敏感度更小。

L1 正則化（L1regularization）

一種正則化，按照權(quán)重絕對值總和的比例進(jìn)行懲罰。在依賴稀疏特征的模型中，L1 正則化幫助促使（幾乎）不相關(guān)的特征的權(quán)重趨近于 0，從而從模型中移除這些特征。

L2 損失（L2 loss）

參見平方損失。

L2 正則化（L2regularization）

一種正則化，按照權(quán)重平方的總和的比例進(jìn)行懲罰。L2 正則化幫助促使異常值權(quán)重更接近 0 而不趨近于 0。（可與 L1 正則化對照閱讀。）L2 正則化通常改善線性模型的泛化效果。

標(biāo)簽（label）

在監(jiān)督式學(xué)習(xí)中，樣本的「答案」或「結(jié)果」。標(biāo)注數(shù)據(jù)集中的每個樣本包含一或多個特征和一個標(biāo)簽。在垃圾郵件檢測數(shù)據(jù)集中，特征可能包括主題、發(fā)出者何郵件本身，而標(biāo)簽可能是「垃圾郵件」或「非垃圾郵件」。

標(biāo)注樣本（labeled example）

包含特征和標(biāo)簽的樣本。在監(jiān)督式訓(xùn)練中，模型從標(biāo)注樣本中進(jìn)行學(xué)習(xí)。

學(xué)習(xí)率（learning rate）

通過梯度下降訓(xùn)練模型時使用的一個標(biāo)量。每次迭代中，梯度下降算法使學(xué)習(xí)率乘以梯度，乘積叫作 gradient step。學(xué)習(xí)率是一個重要的超參數(shù)。

最小二乘回歸（least squares regression）

通過 L2 損失最小化進(jìn)行訓(xùn)練的線性回歸模型。

線性回歸（linear regression）

對輸入特征的線性連接輸出連續(xù)值的一種回歸模型。

logistic 回歸（logisticregression）

將 sigmoid 函數(shù)應(yīng)用于線性預(yù)測，在分類問題中為每個可能的離散標(biāo)簽值生成概率的模型。盡管 logistic 回歸常用于二元分類問題，但它也用于多類別分類問題（這種情況下，logistic回歸叫作「多類別 logistic 回歸」或「多項式回歸」。

對數(shù)損失函數(shù)（Log Loss）

二元 logistic 回歸模型中使用的損失函數(shù)。

損失（Loss）

度量模型預(yù)測與標(biāo)簽距離的指標(biāo)，它是度量一個模型有多糟糕的指標(biāo)。為了確定損失值，模型必須定義損失函數(shù)。例如，線性回歸模型通常使用均方差作為損失函數(shù)，而 logistic 回歸模型使用對數(shù)損失函數(shù)。

隱狄利克雷分布（Latent Dirichlet Allocation/LDA）

潛在語義分析（Latent semantic analysis）

線性判別（Linear Discriminant Analysis/LDA）

長短期記憶（Long-Short Term Memory/LSTM）

機(jī)器學(xué)習(xí)（machine learning）

利用輸入數(shù)據(jù)構(gòu)建（訓(xùn)練）預(yù)測模型的項目或系統(tǒng)。該系統(tǒng)使用學(xué)習(xí)的模型對與訓(xùn)練數(shù)據(jù)相同分布的新數(shù)據(jù)進(jìn)行有用的預(yù)測。機(jī)器學(xué)習(xí)還指與這些項目或系統(tǒng)相關(guān)的研究領(lǐng)域。

均方誤差（Mean Squared Error/MSE）

每個樣本的平均平方損失。MSE 可以通過平方損失除以樣本數(shù)量來計算。

小批量（mini-batch）

在訓(xùn)練或推斷的一個迭代中運(yùn)行的整批樣本的一個小的隨機(jī)選擇的子集。小批量的大小通常在10 到 1000 之間。在小批量數(shù)據(jù)上計算損失比在全部訓(xùn)練數(shù)據(jù)上計算損失要高效的多。

機(jī)器翻譯（Machine translation/MT）

馬爾可夫鏈蒙特卡羅方法（Markov Chain Monte Carlo/MCMC）

馬爾可夫隨機(jī)場（Markov Random Field）

多文檔摘要（Multi-document summarization）

多層感知器（Multilayer Perceptron/MLP）

多層前饋神經(jīng)網(wǎng)絡(luò)（Multi-layer feedforward neuralnetworks）

NaN trap

訓(xùn)練過程中，如果模型中的一個數(shù)字變成了 NaN，則模型中的很多或所有其他數(shù)字最終都變成 NaN。NaN 是「Not aNumber」的縮寫。

神經(jīng)網(wǎng)絡(luò)（neural network）

該模型從大腦中獲取靈感，由多個層組成（其中至少有一個是隱藏層），每個層包含簡單的連接單元或神經(jīng)元，其后是非線性。

神經(jīng)元（neuron）

神經(jīng)網(wǎng)絡(luò)中的節(jié)點(diǎn)，通常輸入多個值，生成一個輸出值。神經(jīng)元通過將激活函數(shù)（非線性轉(zhuǎn)換）應(yīng)用到輸入值的加權(quán)和來計算輸出值。

歸一化（normalization）

將值的實際區(qū)間轉(zhuǎn)化為標(biāo)準(zhǔn)區(qū)間的過程，標(biāo)準(zhǔn)區(qū)間通常是-1 到+1 或 0 到 1。例如，假設(shè)某個特征的自然區(qū)間是 800 到 6000。通過減法和分割，你可以把那些值標(biāo)準(zhǔn)化到區(qū)間-1 到+1。參見縮放。

Numpy

Python 中提供高效數(shù)組運(yùn)算的開源數(shù)學(xué)庫。pandas 基于 numpy 構(gòu)建。

Naive bayes（樸素貝葉斯）

Naive Bayes Classifier（樸素貝葉斯分類器）

Named entity recognition（命名實體識別）

Natural language generation/NLG（自然語言生成）

Natural language processing（自然語言處理）

Norm（范數(shù)）

目標(biāo)（objective）

算法嘗試優(yōu)化的目標(biāo)函數(shù)。

one-hot 編碼（獨(dú)熱編碼）（one-hotencoding）

一個稀疏向量，其中：一個元素設(shè)置為 1，所有其他的元素設(shè)置為 0。。

一對多（one-vs.-all）

給出一個有 N 個可能解決方案的分類問題，一對多解決方案包括 N 個獨(dú)立的二元分類器——每個可能的結(jié)果都有一個二元分類器。例如，一個模型將樣本分為動物、蔬菜或礦物，則一對多的解決方案將提供以下三種獨(dú)立的二元分類器：

動物和非動物

蔬菜和非蔬菜

礦物和非礦物

過擬合（overfitting）

創(chuàng)建的模型與訓(xùn)練數(shù)據(jù)非常匹配，以至于模型無法對新數(shù)據(jù)進(jìn)行正確的預(yù)測

Oversampling（過采樣）

pandas

一種基于列的數(shù)據(jù)分析 API。很多機(jī)器學(xué)習(xí)框架，包括 TensorFlow，支持 pandas 數(shù)據(jù)結(jié)構(gòu)作為輸入。參見 pandas 文檔。

參數(shù)（parameter）

機(jī)器學(xué)習(xí)系統(tǒng)自行訓(xùn)練的模型的變量。例如，權(quán)重是參數(shù)，它的值是機(jī)器學(xué)習(xí)系統(tǒng)通過連續(xù)的訓(xùn)練迭代逐漸學(xué)習(xí)到的。注意與超參數(shù)的區(qū)別。

性能（performance）

在軟件工程中的傳統(tǒng)含義：軟件運(yùn)行速度有多快／高效？

在機(jī)器學(xué)習(xí)中的含義：模型的準(zhǔn)確率如何？即，模型的預(yù)測結(jié)果有多好？

困惑度（perplexity）

對模型完成任務(wù)的程度的一種度量指標(biāo)。例如，假設(shè)你的任務(wù)是閱讀用戶在智能手機(jī)上輸入的單詞的頭幾個字母，并提供可能的完整單詞列表。該任務(wù)的困惑度（perplexity，P）是為了列出包含用戶實際想輸入單詞的列表你需要進(jìn)行的猜測數(shù)量。

流程（pipeline）

機(jī)器學(xué)習(xí)算法的基礎(chǔ)架構(gòu)。管道包括收集數(shù)據(jù)、將數(shù)據(jù)放入訓(xùn)練數(shù)據(jù)文件中、訓(xùn)練一或多個模型，以及最終輸出模型。

Principal component analysis/PCA（主成分分析）

Precision（查準(zhǔn)率／準(zhǔn)確率）

Prior knowledge（先驗知識）

Quasi Newton method（擬牛頓法）

召回率（recall）

回歸模型（regression model）

一種輸出持續(xù)值（通常是浮點(diǎn)數(shù)）的模型。而分類模型輸出的是離散值。

正則化（regularization）

對模型復(fù)雜度的懲罰。正則化幫助防止過擬合。正則化包括不同種類：

L1 正則化

L2 正則化

dropout 正則化

early stopping（這不是正式的正則化方法，但可以高效限制過擬合）

正則化率（regularization rate）

一種標(biāo)量級，用 lambda 來表示，指正則函數(shù)的相對重要性。從下面這個簡化的損失公式可以看出正則化率的作用：

minimize(loss function + λ(regularization function))

提高正則化率能夠降低過擬合，但可能會使模型準(zhǔn)確率降低。

表征（represention）

將數(shù)據(jù)映射到有用特征的過程。

受試者工作特征曲線（receiver operatingcharacteristic/ROC Curve）

反映在不同的分類閾值上，真正類率和假正類率的比值的曲線。參見 AUC。

Recurrent Neural Network（循環(huán)神經(jīng)網(wǎng)絡(luò)）

Recursive neural network（遞歸神經(jīng)網(wǎng)絡(luò)）

Reinforcement learning/RL（強(qiáng)化學(xué)習(xí)）

Re-sampling（重采樣法）

Representation learning（表征學(xué)習(xí)）

Random Forest Algorithm（隨機(jī)森林算法）

縮放（scaling）

特征工程中常用的操作，用于控制特征值區(qū)間，使之與數(shù)據(jù)集中其他特征的區(qū)間匹配。例如，假設(shè)你想使數(shù)據(jù)集中所有的浮點(diǎn)特征的區(qū)間為 0 到 1。給定一個特征區(qū)間是 0 到 500，那么你可以通過將每個值除以 500，縮放特征值區(qū)間。還可參見正則化。

scikit-learn

一種流行的開源機(jī)器學(xué)習(xí)平臺。網(wǎng)址：www.scikit-learn.org。

序列模型（sequence model）

輸入具有序列依賴性的模型。例如，根據(jù)之前觀看過的視頻序列對下一個視頻進(jìn)行預(yù)測。

Sigmoid 函數(shù)（sigmoid function）

softmax

為多類別分類模型中每個可能的類提供概率的函數(shù)。概率加起來的總和是 1.0。例如，softmax 可能檢測到某個圖像是一只狗的概率為 0.9，是一只貓的概率為 0.08，是一匹馬的概率為 0.02。（也叫作 full softmax）。

結(jié)構(gòu)風(fēng)險最小化（structural risk minimization/SRM）

這種算法平衡兩個目標(biāo)：

構(gòu)建預(yù)測性最強(qiáng)的模型（如最低損失）。

使模型盡量保持簡單（如強(qiáng)正則化）。

比如，在訓(xùn)練集上的損失最小化 + 正則化的模型函數(shù)就是結(jié)構(gòu)風(fēng)險最小化算法。更多信息，參見 http://www.svms.org/srm/?？膳c經(jīng)驗風(fēng)險最小化對照閱讀。

監(jiān)督式機(jī)器學(xué)習(xí)（supervised machine learning）

利用輸入數(shù)據(jù)及其對應(yīng)標(biāo)簽來訓(xùn)練模型。監(jiān)督式機(jī)器學(xué)習(xí)類似學(xué)生通過研究問題和對應(yīng)答案進(jìn)行學(xué)習(xí)。在掌握問題和答案之間的映射之后，學(xué)生就可以提供同樣主題的新問題的答案了。可與非監(jiān)督機(jī)器學(xué)習(xí)對照閱讀。

Similarity measure（相似度度量）

Singular Value Decomposition（奇異值分解）

Soft margin（軟間隔）

Soft margin maximization（軟間隔最大化）

Support Vector Machine/SVM（支持向量機(jī)）

張量（tensor）

TensorFlow 項目的主要數(shù)據(jù)結(jié)構(gòu)。張量是 N 維數(shù)據(jù)結(jié)構(gòu)（N 的值很大），經(jīng)常是標(biāo)量、向量或矩陣。張量可以包括整數(shù)、浮點(diǎn)或字符串值。

Transfer learning（遷移學(xué)習(xí)）

無標(biāo)簽樣本（unlabeled example）

包含特征但沒有標(biāo)簽的樣本。無標(biāo)簽樣本是推斷的輸入。在半監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)的訓(xùn)練過程中，通常使用無標(biāo)簽樣本。

無監(jiān)督機(jī)器學(xué)習(xí)（unsupervised machine learning）

訓(xùn)練一個模型尋找數(shù)據(jù)集（通常是無標(biāo)簽數(shù)據(jù)集）中的模式。無監(jiān)督機(jī)器學(xué)習(xí)最常用于將數(shù)據(jù)分成幾組類似的樣本。無監(jiān)督機(jī)器學(xué)習(xí)的另一個例子是主成分分析（principal componentanalysis，PCA）

Word embedding（詞嵌入）

Word sense disambiguation（詞義消歧）

二、數(shù)據(jù)標(biāo)注這個工作有發(fā)展前途嗎？

數(shù)據(jù)標(biāo)注員有沒有發(fā)展前景?

我國在十三五規(guī)劃中提出發(fā)展大數(shù)據(jù)產(chǎn)業(yè)以來，數(shù)據(jù)標(biāo)注與審核產(chǎn)業(yè)在國內(nèi)發(fā)展迅速，預(yù)計在2023年前后市場規(guī)模突破30億元。同時隨著5G及物聯(lián)網(wǎng)的普及和落地，未來人類還將產(chǎn)生更多的數(shù)據(jù)，能極大地促進(jìn)數(shù)據(jù)標(biāo)注行業(yè)的發(fā)展。隨著產(chǎn)業(yè)的發(fā)展，不僅各大互聯(lián)網(wǎng)公司，連一些老牌的傳統(tǒng)制造商也都在積極布局各自的人工智能領(lǐng)域，比如海爾冰箱希望借助人工智能技術(shù)來分辨冰箱中哪些食材快要變質(zhì)、過期了，而實現(xiàn)這類功能的背后也離不開數(shù)據(jù)標(biāo)注。所謂先人工，后智能，只要人工智能產(chǎn)業(yè)持續(xù)向好、功能需求穩(wěn)定增長，數(shù)據(jù)標(biāo)注行業(yè)就會伴其長遠(yuǎn)的發(fā)展。

AI自動生成文章摘要（ai自動生成文章摘要怎么弄）

人工智能場景：指紋識別

與此同時，在日常生活中，人工智能所涉及到的領(lǐng)域非常多，如教育、安防、金融、交通、醫(yī)療、電商等。在加入人工智能行業(yè)做數(shù)據(jù)標(biāo)注員的同時，能更早地接觸到未來各行各業(yè)的發(fā)展方向以及未來生活的真實場景。可以使我們快人一步，打開眼界率先看到未來的發(fā)展和需求，這樣我們才能在時間差中尋找更多的生存機(jī)會。

數(shù)據(jù)標(biāo)注員是做什么的?

數(shù)據(jù)標(biāo)注是對未處理的非機(jī)構(gòu)化初級數(shù)據(jù)，包括語音、圖片、文本、視頻等，通過大量的人力進(jìn)行加工處理，并轉(zhuǎn)換為機(jī)器可識別信息的過程。原始數(shù)據(jù)一般通過數(shù)據(jù)采集獲得，隨后的數(shù)據(jù)標(biāo)注相當(dāng)于對數(shù)據(jù)進(jìn)行加工，然后輸送到人工智能算法和模型里完成調(diào)用。

AI自動生成文章摘要（ai自動生成文章摘要怎么弄）

數(shù)據(jù)標(biāo)注語義分割

數(shù)據(jù)標(biāo)注員就是對圖像、聲音、文字等初級數(shù)據(jù)，進(jìn)行打標(biāo)簽、分類和整理等不同方式的標(biāo)注，常見的數(shù)據(jù)標(biāo)注任務(wù)包括分類標(biāo)注、標(biāo)框標(biāo)注、區(qū)域標(biāo)注、描點(diǎn)標(biāo)注和其他標(biāo)注等。

三、人工智能發(fā)展的結(jié)課論文

自從計算機(jī)誕生以來，計算機(jī)的發(fā)展十分迅猛快速，而且計算機(jī)的運(yùn)算速度已經(jīng)超過了人腦的運(yùn)算速度。目前對于計算機(jī)科學(xué)的研究已經(jīng)出現(xiàn)了很多的分支，其中的人工智能在整個計算機(jī)科學(xué)領(lǐng)域中也是一個十分熱門的課題。以下是我整理分享的人工智能發(fā)展的結(jié)課論文的相關(guān)資料，歡迎閱讀!

人工智能發(fā)展的結(jié)課論文篇一

淺談人工智能技術(shù)的發(fā)展

摘要：自從計算機(jī)誕生以來，計算機(jī)的發(fā)展十分迅猛快速，而且計算機(jī)的運(yùn)算速度已經(jīng)超過了人腦的運(yùn)算速度。目前對于計算機(jī)科學(xué)的研究已經(jīng)出現(xiàn)了很多的分支，其中的人工智能在整個計算機(jī)科學(xué)領(lǐng)域中也是一個十分熱門的課題。本文從人工智能的概念開始，對人工智能的發(fā)展進(jìn)行講述，并從哲學(xué)的角度對人工智能能否超過人的智能這個問題進(jìn)行了分析。

關(guān)鍵詞：人工智能發(fā)展智能

1、人工智能的概念

人工智能(Artificial Intelligence，簡稱AI)是計算機(jī)科學(xué)的一個分支，它探究智能的實質(zhì)，并以制造一種能以人類智能相類似的方式做出反應(yīng)的智能機(jī)器為目的。人工智能的產(chǎn)生和發(fā)展首先是一場思維科學(xué)的革命，它的產(chǎn)生和發(fā)展一定程度上依賴于思維科學(xué)的革命，同時它也對人類的思維方式和方法產(chǎn)生了深刻的變革。人工智能是與哲學(xué)關(guān)系最為緊密的科學(xué)話題，它集合了來自認(rèn)知心理學(xué)、語言學(xué)、神經(jīng)科學(xué)、邏輯學(xué)、數(shù)學(xué)、計算機(jī)科學(xué)、機(jī)器人學(xué)、經(jīng)濟(jì)學(xué)、社會學(xué)等等學(xué)科的研究成果。過去的半個多世紀(jì)以來人工智能在人類認(rèn)識自身及改造世界的道路上扮演了重要角色。一直以來，對人工智能研究存在兩種態(tài)度：強(qiáng)人工智能和弱人工智能，前者認(rèn)為AI可以達(dá)到具備思維理解的程度，可以具有真正的智能;后者認(rèn)為研究AI只是通過它來探索人類認(rèn)知，其智能只是模仿的不完全的智能。

2、人工智能的發(fā)展

對于人工智能的研究一共可以分為五個階段。

第一個階段是人工智能的興起與冷落，這個時間是在20世紀(jì)的50年代。這個階段是人工智能的起始階段，人工智能的概念首次被提出，并相繼涌現(xiàn)出一批科技成果，例如機(jī)器定理證明、跳棋程序、LISP語言等。由于人工智能處于起始階段，很多地方都存在著缺陷，在加上對自然語言的翻譯失敗等諸多原因，人工智能的發(fā)展一度陷入低谷。同時在這一個階段的人工智能研究有一個十分明顯的特點(diǎn)：對問題求解的方法過度重視，而忽視了知識重要性。

第二個階段從20世紀(jì)的60年代末到70年代。專家系統(tǒng)的出現(xiàn)將人工智能的研究再一次推向高潮。其中比較著名的專家系統(tǒng)有DENDAL化學(xué)質(zhì)譜分析系統(tǒng)、MTCIN疾病診斷和治療系統(tǒng)、Hearsay-11語言理解系統(tǒng)等。這些專家系統(tǒng)的出現(xiàn)標(biāo)志著人工智能已經(jīng)進(jìn)入了實際運(yùn)用的階段。

第三個階段是20世紀(jì)80年代。這個階段伴隨著第五代計算機(jī)的研制，人工智能的研究也取得了極大的進(jìn)展。日本為了能夠使推理的速度達(dá)到數(shù)值運(yùn)算的速度那么快，于1982年開始了“第五代計算機(jī)研制計劃”。這個計劃雖然最終結(jié)果是以失敗結(jié)束，但是它卻帶來了人工智能研究的又一輪熱潮。

第四個階段是20世紀(jì)的80年代末。1987年是神經(jīng)網(wǎng)絡(luò)這一新興科學(xué)誕生的年份。1987年，美國召開了第一次神經(jīng)網(wǎng)絡(luò)國際會議，并向世人宣告了這一新興科學(xué)的誕生。此后，世界各國在神經(jīng)網(wǎng)絡(luò)上的投資也開始逐漸的增加。

第五個階段是20世紀(jì)90年代后。網(wǎng)絡(luò)技術(shù) 的出現(xiàn)和發(fā)展，為人工智能的研究提供了新的方向。人工智能的研究已經(jīng)從曾經(jīng)的單個智能主體研究開始轉(zhuǎn)向基于網(wǎng)絡(luò)環(huán)境下的分布式人工智能研究。在這個階段人工智能不僅僅對基于同一目標(biāo)的分布式問題求解進(jìn)行研究，同時還對多個智能主體的多目標(biāo)問題求解進(jìn)行研究，讓人工智能有更多的實際用途。

3、人工智能可否超過人的智能

那么人工智能可否超過人的智能呢?關(guān)于這個問題可以從下面幾個方面來分析：

首先，從哲學(xué)量變會引起質(zhì)變的角度來說，人工智能的不斷發(fā)展必定會產(chǎn)生質(zhì)的飛躍。大家都知道，人工智能從最初的簡單模擬功能，到現(xiàn)在能進(jìn)行推理分析 (比如計算機(jī)戰(zhàn)勝了國際象棋世界冠軍)，這本身就是巨大的量變。在一部科幻電影中，父親把兒子生前的記憶輸人芯片，裝在機(jī)器人中，這個機(jī)器人就與他的兒子死去時具有相同的思維和記憶，雖然他不會長大。從技術(shù)的角度來說，科幻電影中的東西在不久的將來也可以成為現(xiàn)實。到那個時候，真的就很難辨別是人還是機(jī)器了。

第二，有的人會說，人工智能不會超過人的智能，因為人工智能是人制造出來的，所以不可能超過人的智能。對于這個觀點(diǎn)，我們這樣想一想，起重機(jī)也是人造出來的，它的力量不是超過人類很多嗎?汽車也是人制造出來的，它的速度不也遠(yuǎn)超過人類的速度嗎?從科學(xué)技術(shù)的角度來說，智能和力氣、速度一樣，也是人的某個方面的特性，為什么人工智能就不能超過人類的智能呢?

第三，還有的人認(rèn)為，人工智能是人制造的，必有其致命的弱點(diǎn)，所以人的智能勝于人工智能。我認(rèn)為這一點(diǎn)也不成立，因為人與機(jī)器人比較，也可以說有致命弱點(diǎn)，比如說人如果沒有空氣的話，就不能生存，就好比是機(jī)器人沒有電一樣。再比如，人體在超過一定的溫度或壓力的環(huán)境下，不能生存，在這一點(diǎn)上，機(jī)器人卻可以遠(yuǎn)勝于人類。因此，在弱點(diǎn)比較方面，我認(rèn)為人工智能的機(jī)器人并不比人差，在某些方面還遠(yuǎn)勝于人類。

第四，隨著科學(xué)技術(shù)的發(fā)展，人工智能不單需要邏輯思維與模仿?？茖W(xué)家對人類大腦和精神系統(tǒng)研究得越多，他們越加肯定情感是智能的一部分，而不是與智能相分離的，因此人工智能領(lǐng)域的下一個突破可能不僅在于賦予它情感能力。

4、結(jié)束語

人工智能一直處于計算機(jī)技術(shù)的前沿，其研究的理論和發(fā)現(xiàn)在很大程度上將決定計算機(jī)技術(shù)、控制科學(xué)與技術(shù)的發(fā)展方向。今天，已經(jīng)有很多人工智能研究的成果進(jìn)入人們的日常生活。將來，人工智能技術(shù)的發(fā)展將會給人們的生活、工作和教育等帶來更大的影響。

下一頁分享更優(yōu)秀的<<<人工智能發(fā)展的結(jié)課論文

四、科大訊飛中報業(yè)績大增 AI新基建風(fēng)口帶來新動能

出品|每日財報

作者|呂明俠

作為人工智能領(lǐng)軍企業(yè)的科大訊飛正在向外界展示AI商業(yè)落地的盈利潛力。

在繼2019年營收創(chuàng)新高后，科大訊飛再次給出了亮眼的中期單。今年上半年公司營收 43.49 億，歸屬于上市公司股東的凈利潤同比增長36.28%。

值得一提的是，在一季度因疫情開工不利虧損超1億元的情況下，科大訊飛在二季度實現(xiàn)了“加速狂奔”，單季歸母凈利潤及扣非后凈利潤快速拉升至3.89億元和1.41億元，前者同比增長超300%。

從亮眼的半年報來看，科大訊飛已步入人工智能2.0時代，加速了AI在核心賽道兌現(xiàn)紅利的步伐。尤其是在今年新基建加快推進(jìn)的當(dāng)下，公司有望迎來更大的舞臺和發(fā)展機(jī)遇。

疫情剛需不受影響在線教育、醫(yī)療業(yè)務(wù)增速強(qiáng)勁

今年以來，受疫情影響，線下很多實體受到了沖擊，但在線教育、在線醫(yī)療、線上辦公等行業(yè)受到追捧，用戶線上使用習(xí)慣逐漸養(yǎng)成，相關(guān)公司業(yè)績爆發(fā)增長。

一直致力于智慧教育和智慧醫(yī)療落地的科大訊飛乘風(fēng)而上，上半年兩項業(yè)務(wù)分別實現(xiàn)了35%和665%的增長。

上半年，科大訊飛針對個性化學(xué)習(xí)場景進(jìn)一步實現(xiàn)了以人推題、分層推題等核心功能。區(qū)域因材施教解決方案的應(yīng)用成效在報告期內(nèi)得到驗證，并獲得行業(yè)客戶認(rèn)可，繼安徽蚌埠、青島西海岸之后，在昆明五華、廣西百色、重慶兩江區(qū)多地持續(xù)落地。目前，智學(xué)網(wǎng)已覆蓋全國16,000余所學(xué)校，年處理350億條過程化學(xué)習(xí)數(shù)據(jù)。

智慧醫(yī)療方向，科大訊飛的人工智能輔助診療“安徽模式”開始在全國推廣，提升基層診療能力。目前“智醫(yī)助理”輔助診療系統(tǒng)，已在全國11個省市近百個區(qū)縣、超2000個鄉(xiāng)鎮(zhèn)級醫(yī)療機(jī)構(gòu)、超20000個村級醫(yī)療機(jī)構(gòu)投入使用，日均提供超30萬條輔診建議，累計服務(wù)數(shù)億人次。

隨著3月初網(wǎng)上招標(biāo)開始逐步實施，科大訊飛人工智能核心技術(shù)驅(qū)動的各項業(yè)務(wù)加速落地。公開資料顯示，上半年整體新增中標(biāo)合同金額較去年同期增長119%，其中不包括蚌埠、青島項目，智慧教育項目中標(biāo)額同比增長175%。可見，疫情對科大訊飛相關(guān)業(yè)務(wù)的長期剛需沒有造成重大影響，反而帶來更多的增長機(jī)會。

To C業(yè)務(wù)占比近四成，“AI+辦公”場景產(chǎn)品受追捧

伴隨科技的發(fā)展，人工智能在賦能行業(yè)改變世界的同時，也在賦能個體，通過人工智能輔助機(jī)器，人們可以去做更有創(chuàng)新的工作。

譬如在辦公領(lǐng)域，圍繞“AI+辦公”場景的市場需求及用戶痛點(diǎn)，科大訊飛發(fā)布了針對不同場景和用戶的系列產(chǎn)品。目前，聽見智能會議系統(tǒng)累計服務(wù)558場次的高規(guī)格大會，為全國政協(xié)、多省人大會議、國內(nèi)及國際等諸多重要會議提供實時轉(zhuǎn)寫和翻譯字幕支持。

2020年公司進(jìn)一步豐富產(chǎn)品矩陣，推出智能錄音筆A1、訊飛會議寶S8等，擴(kuò)大應(yīng)用場景和用戶群體覆蓋，將AI+辦公的產(chǎn)品族進(jìn)一步豐富。訊飛錄音筆SR系列產(chǎn)品也進(jìn)一步升級，新增支持錄音聲源定位，并增加角色分離、自動摘要功能對錄音內(nèi)容進(jìn)行全面的語義理解與分析，自動抽取關(guān)鍵信息等多種功能。

此外，公司還與咪咕集團(tuán)合作推出了智能閱讀器R1和業(yè)內(nèi)首款彩色電子墨水屏閱讀器，進(jìn)一步擴(kuò)大公司面向C端消費(fèi)領(lǐng)域的布局。

半年報顯示，公司To C業(yè)務(wù)實現(xiàn)營業(yè)收入 16.35 億，在整體營收中占比達(dá) 37.59%，高于去年全年的35.96%；實現(xiàn)毛利7.82 億，To C業(yè)務(wù)毛利占比達(dá) 39.24%。

以在2020年“6·18大促”的表現(xiàn)為例，科大訊飛C端產(chǎn)品斬獲京東、天貓、蘇寧易購三大平臺22項第一，核心品類連續(xù)多年保持銷售額第一。在疫情影響下實現(xiàn)逆勢增長，整體銷售額也實現(xiàn)逆市增長，同比增長超過40%。剔除訊飛翻譯機(jī)的影響，其他硬件銷售額同比增長超過140%。

站上新基建風(fēng)口

2020年最強(qiáng)勁的產(chǎn)業(yè)風(fēng)口當(dāng)屬新基建。

今年3月份，中央決策層強(qiáng)調(diào),要加快推進(jìn)國家規(guī)劃已明確的重大工程和基礎(chǔ)設(shè)施建設(shè),其中要加快5G網(wǎng)絡(luò)、大數(shù)據(jù)中心、人工智能、工業(yè)互聯(lián)網(wǎng)等新型基礎(chǔ)設(shè)施建設(shè)進(jìn)度。

5G、人工智能、工業(yè)互聯(lián)網(wǎng)、物聯(lián)網(wǎng)為代表的“新基建”，本質(zhì)上是信息數(shù)字化的基礎(chǔ)設(shè)施。招商證券測算顯示，新口徑下新基建未來五年的投資規(guī)模最高可達(dá)11萬億以上。而充分利用數(shù)字信息化技術(shù)，為傳統(tǒng)基建賦能，正是科大訊飛近年來一直在力推且已經(jīng)成功大規(guī)模商業(yè)化的業(yè)務(wù)范疇。

根據(jù)公開資料，科大訊飛已經(jīng)和廣東省政府，以及廣州、深圳、東莞、佛山、珠海、陽江、河源、惠州、汕尾等城市實現(xiàn)全面戰(zhàn)略合作 ?！稄V東省新一代人工智能發(fā)展規(guī)劃》更明確指出“支持科大訊飛加快建設(shè)智能語音國家新一代人工智能開放創(chuàng)新平臺”。截至目前，科大訊飛的技術(shù)創(chuàng)新已深入應(yīng)用到粵港澳大灣區(qū)教育、醫(yī)療、政法、城市、客服等多個領(lǐng)域。

8月11日，科大訊飛又與江西省政府簽署戰(zhàn)略合作框架協(xié)議，并在人工智能、虛擬現(xiàn)實產(chǎn)業(yè)創(chuàng)新培育與服務(wù)、重點(diǎn)行業(yè)和領(lǐng)域示范應(yīng)用、人才培養(yǎng)等方面依法依規(guī)開展深度合作。

日前，合肥市印發(fā)了《合肥市推進(jìn)新型基礎(chǔ)設(shè)施實施方案（2020-2022年）》，明確了合肥推進(jìn)新型基礎(chǔ)設(shè)施建設(shè)的發(fā)展目標(biāo)、具體任務(wù)和保障措施。其中提到了要加快人工智能基礎(chǔ)設(shè)施建設(shè)，積極推進(jìn)智能語音國家新一代人工智能開放創(chuàng)新平臺建設(shè)，以深度學(xué)習(xí)算法為核心，建立面向物聯(lián)網(wǎng)、智能家居、智能車載、教育、醫(yī)療等多行業(yè)應(yīng)用的開源平臺。對于合肥政府大力支持的龍頭企業(yè)來說，科大訊飛將迎來更多的發(fā)展機(jī)遇。

我們注意到，“平臺+賽道”是科大訊飛一直以來堅定的發(fā)展戰(zhàn)略。在平臺方面，科大訊飛2010年上線國內(nèi)首家人工智能開放平臺，持續(xù)為移動互聯(lián)網(wǎng)、智能硬件的創(chuàng)業(yè)開發(fā)者和海量用戶提供人工智能開發(fā)與服務(wù)能力，積極構(gòu)建了以自身為核心的產(chǎn)業(yè)生態(tài)。

同時，積極賦能行業(yè)領(lǐng)域，為運(yùn)營商、金融、保險、電力等行業(yè)客戶提供智能語音以及人工智能產(chǎn)品和解決方案，改善用戶體驗、降低服務(wù)成本；面向人車交互應(yīng)用場景，為汽車行業(yè)提供智能語音交互產(chǎn)品和解決方案等。

截至2020年6月30日，訊飛開放平臺開發(fā)者總量133W+，總應(yīng)用數(shù)83W+，累計終端用戶數(shù)28.9億+。

在應(yīng)用賽道方面，科大訊飛人工智能在教育、醫(yī)療、司法、辦公等應(yīng)用場景，已經(jīng)實現(xiàn)了源頭技術(shù)創(chuàng)新和產(chǎn)業(yè)應(yīng)用的良性互動。

以上就是關(guān)于AI自動生成文章摘要相關(guān)問題的回答。希望能幫到你，如有更多相關(guān)問題，您也可以聯(lián)系我們的客服進(jìn)行咨詢，客服也會為您講解更多精彩的知識和內(nèi)容。