美利体育登录入口官网:ISO/IEC 2382-31:1997
信息技术.词汇.第31部分:人工智能.机器学习
Information technology - Vocabulary - Part 31: Artificial intelligence - Machine learning
- 标准号
- ISO/IEC 2382-31:1997
- 发布
- 1997年
- 国际标准分类(ICS)
- 01.040.35 信息技术、办公机械美利体育官网首页网址 (词汇) 35.020 信息技术(IT)综合
- 总页数
- 28页
- 中文版
- GB/T 5271.31-2006 (等同采用的中文版本)
- 发布单位
- 国际标准化组织
- 当前最新
- ISO/IEC 2382-31:1997
- 引用标准
- GB/T 15237.1-2000 GB/T 5271.1-2000 GB/T 5271.28-2002
- 本体
- 学习 机器学习 概念
- 适用范围
- ISO/IEC 2382 的这一部分旨在促进人工智能领域的国际交流。 它以两种语言呈现与信息技术领域相关的选定概念的术语和定义，并确定条目之间的关系。 为了便于翻译成其他语言，起草定义时应尽可能避免某种语言所具有的任何特殊性。 ISO/IEC 2382 的这一部分定义了与机器学习相关的概念
| 术语 | 描述 |
|---|---|
| 学习 learning | 生物或自动系统获取知识或技能，并可用于提高其性能的过程。 |
| 机器学习 machine learning | 功能单元通过获取新知识或技能，或通过重组现有知识或技能来提高其性能的过程。 |
| 自动学习 automatic learning | 功能单元通过获取新知识或技能，或通过重组现有知识或技能来提高其性能的过程。 |
| 自学习 self-learning | 从内部知识库或新输入数据中学习，而不引入显式外部知识。 |
| 知识获取 knowledge acquisition | 定位、收集和精炼知识并将其转换为可由基于知识的系统进一步处理的形式的过程。 |
| 学习策略 learning strategy | 在学习技术应用之前制定的使用计划。 |
| 概念 concept | 用于确定类别成员资格的抽象实体。 |
| 概念学习 concept learning | 通过应用现有知识到新信息来构建概念表示，以推导新知识并将其存储以供后续使用。 |
| 概念聚类 conceptual clustering | 将对象、事件或事实排列成由简单描述性概念表征的类别。 |
| 分类法形成 taxonomy formation | 通过聚类概念的析取类构建概念分类方案。 |
| 机器发现 machine discovery | 分类法形成以及由能够学习的机器发现描述观测数据中规律的实证定律。 |
| 认知科学 cognitive science | 一个跨学科知识领域，其既定目标是发现心智的表示和计算能力及其在大脑中的结构和功能表示。 |
| 认知主义 cognitivism | 一个跨学科知识领域，其既定目标是发现心智的表示和计算能力及其在大脑中的结构和功能表示。 |
| 去学习 unlearning | 调整系统中“存储”的知识以消除学习。 |
| 概念描述 concept description | 描述概念所有已知实例的数据结构。 |
| 组块 chunking | 将数据分组为更高层概念级别的单个实体，用于存储和检索。 |
| 特征描述 characteristic description | 陈述给定概念所有实例共同属性的概念描述。 |
| 判别描述 discriminant description | 陈述给定概念与其他考虑中的概念区分属性的概念描述。 |
| 结构描述 structural description | 基于对象和概念各部分描述及其相互关系的表示。 |
| 概念形成 concept formation | 生成用于表征给定对象、事件或事实集合的概念。 |
| 部分学习概念 partially learned concept | 其精确描述无法根据可用数据、知识或假设推断出的概念。 |
| 版本空间 version space | 与可用数据、知识或假设一致的所有概念描述的集合。 |
| 示例空间 example space | 要学习的概念的所有可能示例和反例的集合。 |
| 实例空间 instance space | 要学习的概念的所有可能示例和反例的集合。 |
| 描述空间 description space | 可从学习者可用的描述语言中描述的示例空间中所有示例的集合。 |
| 概念泛化 concept generalization | 扩展概念描述的范围以包含更多示例。 |
| 一致泛化 consistent generalization | 包含概念类的一些或所有正示例并排除该类所有负示例的概念泛化。 |
| 基于约束的泛化 constraint-based generalization | 满足用于解释给定事实或事件的概念约束的概念泛化。 |
| 基于相似性的泛化 similarity-based generalization | 通过探索这些示例之间的相似性和差异来描述给定概念所有示例的概念泛化。 |
| 完全泛化 complete generalization | 描述给定概念类所有正示例的概念泛化，无论其是否包含一些负示例。 |
| 概念特化 concept specialization | 通过减少其描述的示例集来缩小概念描述的范围。 |
| 混淆矩阵 confusion matrix | 用于记录一组规则对临时示例进行分类正确和错误数量的矩阵。 |
| 概念验证 concept validation | 通过将概念描述应用于临时示例并计算混淆矩阵来测试学习概念的归纳方法。 |
| 因果分析 causal analysis | 在学习策略中，通过追踪观察到的事件（如未能实现目标）的可能原因进行分析。 |
| 死记硬背学习 rote learning | 一种学习策略，直接积累新知识，不对提供的信息进行任何推理。 |
| 自适应学习 adaptive learning | 一种学习策略，根据外部知识源的建议调整内部知识，或根据现有知识转换新获取的信息。 |
| 启发式学习 heuristic learning | 从实验、评估或试错方法的结果中开发的学习策略。 |
| 通过告知学习 learning by being told | 一种死记硬背学习，从外部知识源获取知识，而不选择或转换提供的信息中的相关元素。 |
| 从指令学习 learning from instruction | 一种死记硬背学习，从外部知识源获取知识，而不选择或转换提供的信息中的相关元素。 |
| 接受建议 advice taking | 一种通过告知的学习，根据外部知识源的声明式建议修改程序行为。 |
| 增量学习 incremental learning | 多阶段自适应学习，其中一个阶段学习的知识被转换以适应后续阶段提供的新知识。 |
| 监督学习 supervised learning | 一种学习策略，通过外部知识源的反馈测试所获取知识的正确性。 |
| 无监督学习 unsupervised learning | 一种学习策略，通过观察和分析不同实体并确定其某些子集可归入某些类别，而不通过外部知识源的反馈对所获取知识进行正确性测试。 |
| 无教师学习 learning without a teacher | 一种学习策略，通过观察和分析不同实体并确定其某些子集可归入某些类别，而不通过外部知识源的反馈对所获取知识进行正确性测试。 |
| 通过发现学习 learning by discovery | 无监督学习，通过描述观测数据中的规律性进行分类法形成，或推导关于领域的新规则或定律。 |
| 通过观察学习 learning from observation | 无监督学习，通过描述观测数据中的规律性进行分类法形成，或推导关于领域的新规则或定律。 |
| 归纳学习 inductive learning | 一种学习策略，从提供的知识、示例或观察中得出归纳。 |
| 通过归纳学习 learning by induction | 一种学习策略，从提供的知识、示例或观察中得出归纳。 |
| 通过示例学习 learning from examples | 通过从示例（以及可选地，从该概念的否定示例）推断一般概念描述来学习概念。 |
| 基于示例的学习 example-based learning | 通过从示例（以及可选地，从该概念的否定示例）推断一般概念描述来学习概念。 |
| 基于实例的学习 instance-based learning | 通过从示例（以及可选地，从该概念的否定示例）推断一般概念描述来学习概念。 |
| 正示例 positive example | 符合要学习的概念的示例，并可能产生该概念的泛化。 |
| 正实例 positive instance | 符合要学习的概念的示例，并可能产生该概念的泛化。 |
| 负示例 negative example | 要学习的概念的反例，可能限制概念描述的范围。 |
| 负实例 negative instance | 要学习的概念的反例，可能限制概念描述的范围。 |
| 近失 near-miss | 要学习的概念的负示例，与正示例非常相似，可能有助于隔离后者的显著特征。 |
| 基于案例的学习 case-based learning | 一种学习策略，将手头问题与一组先前解决的问题进行比较，并利用其解决方案来开发手头问题的解决方案。 |
| 演绎学习 deductive learning | 一种学习策略，通过真值保持的断言转换从现有知识中演绎出新知识。 |
| 通过演绎学习 learning by deduction | 一种学习策略，通过真值保持的断言转换从现有知识中演绎出新知识。 |
| 分析学习 analytic learning | 演绎学习的先进形式，从中推导抽象或结构化知识，源自操作知识和领域知识。 |
| 基于解释的学习 explanation-based learning | 演绎学习的先进形式，从中推导抽象或结构化知识，源自操作知识和领域知识。 |
| 操作化 operationalization | 从声明形式转换为过程（即操作）形式的知识编译。 |
| 通过类比学习 learning by analogy | 一种结合归纳学习和演绎学习的策略，归纳确定被比较或关联概念的共同特征，演绎从这些特征推导出要学习的概念的预期特征。 |
| 联想学习 associative learning | 一种结合归纳学习和演绎学习的策略，归纳确定被比较或关联概念的共同特征，演绎从这些特征推导出要学习的概念的预期特征。 |
| 信用/责备分配 credit/blame assignment | 识别对实现目标的成功或失败负责的决定或操作符。 |
| 强化学习 reinforcement learning | 通过信用/责备分配得到改进的学习。 |
| 通过解决路径学习 learning from solution paths | 强化学习，依赖于等待找到问题的完整解决路径，将解决路径上的每一步标记为正示例，将直接偏离解决路径的每一步标记为负示例。 |
| 学徒策略 learning-apprentice strategy | 涉及观察专家并使用其行动区分可取动作和不可取动作以避免过度搜索并提供即时反馈的信用/责备分配。 |
| 边做边学 learning while doing | 强化学习，不等待找到解决路径后再分配责备，而是在搜索解决路径时分配信用和责备。 |
| 遗传学习 genetic learning | 基于迭代分类算法的机器学习，该算法根据强度选择分类器对，并对这些对应用遗传算子以产生后代，最强者替换最弱的分类器，以便在现有规则证明不足时生成新的合理规则。 |