Ось глосарій основних термінів, пов’язаних із штучним інтелектом (ШІ):

Штучний інтелект (ШІ)
Галузь комп’ютерних наук, яка займається створенням систем, здатних виконувати завдання, що вимагають людського інтелекту, такі як навчання, розпізнавання образів, прийняття рішень та обробка природної мови.

Машинне навчання (Machine Learning, ML)
Підрозділ ШІ, який focuses на розробці алгоритмів, що дозволяють комп’ютерам навчатися на даних та покращувати свою продуктивність без явного програмування.

Глибоке навчання (Deep Learning)
Підрозділ машинного навчання, який використовує штучні нейронні мережі з багатьма шарами для обробки складних даних, таких як зображення, звук та текст.

Нейронна мережа (Neural Network)
Обчислювальна модель, натхненна структурою людського мозку, що складається з шарів взаємопов’язаних вузлів (нейронів), які обробляють та передають інформацію.

Алгоритм
Набір інструкцій або правил, які комп’ютер використовує для вирішення задачі або виконання обчислень.

Дані (Data)
Інформація, яка використовується для навчання та тестування моделей ШІ. Дані можуть бути структурованими (наприклад, таблиці) або неструктурованими (наприклад, текст, зображення).

Навчання з учителем (Supervised Learning)
Метод машинного навчання, при якому модель навчається на розмічених даних, де кожному вхідному прикладу відповідає правильна відповідь.

Навчання без учителя (Unsupervised Learning)
Метод машинного навчання, при якому модель навчається на даних без явних міток, виявляючи приховані структури або закономірності.

Навчання з підкріпленням (Reinforcement Learning)
Метод машинного навчання, при якому агент вчиться приймати рішення, взаємодіючи з середовищем та отримуючи зворотний зв’язок у вигляді винагород або штрафів.

Обробка природної мови (Natural Language Processing, NLP)
Підрозділ ШІ, який займається взаємодією комп’ютерів та людської мови, включаючи такі задачі, як переклад, аналіз тексту та генерація мови.

Комп’ютерний зір (Computer Vision)
Галузь ШІ, яка focuses на аналізі та інтерпретації візуальних даних, таких як зображення та відео.

Великі дані (Big Data)
Величезні обсяги даних, які важко обробляти традиційними методами. Використовуються для навчання складних моделей ШІ.

Перенавчання (Overfitting)
Ситуація, коли модель машинного навчання занадто добре навчається на тренувальних даних, але погано узагальнює на нові, невідомі дані.

Недонавчання (Underfitting)
Ситуація, коли модель машинного навчання занадто проста і не може виявити складні закономірності в даних.

Епоха (Epoch)
Один повний прохід через весь набір даних під час навчання моделі.

Гіперпараметри (Hyperparameters)
Параметри, які налаштовуються перед навчанням моделі та впливають на її продуктивність (наприклад, швидкість навчання, кількість шарів у нейронній мережі).

Класифікація (Classification)
Задача машинного навчання, при якій модель визначає категорію або клас вхідних даних.

Регресія (Regression)
Задача машинного навчання, при якій модель прогнозує безперервне значення (наприклад, ціну або ймовірність).

Кластеризація (Clustering)
Метод навчання без учителя, при якому дані групуються в кластери на основі їх схожості.

Тензор (Tensor)
Багатовимірний масив даних, який використовується в глибокому навчанні для представлення вхідних даних, ваг та інших параметрів.

Градієнтний спуск (Gradient Descent)
Оптимізаційний алгоритм, який використовується для мінімізації функції втрат шляхом ітеративного оновлення параметрів моделі.

Функція втрат (Loss Function)
Функція, яка вимірює, наскільки прогнози моделі відрізняються від реальних значень. Мета навчання — мінімізувати цю функцію.

Аугментація даних (Data Augmentation)
Метод збільшення обсягу тренувальних даних шляхом застосування перетворень (наприклад, поворотів, зсувів) до існуючих даних.

Трансферне навчання (Transfer Learning)
Метод, при якому попередньо навчена модель використовується для вирішення нової задачі, що дозволяє заощадити час та ресурси.

Генеративно-змагальна мережа (Generative Adversarial Network, GAN)
Архітектура нейронних мереж, що складається з двох моделей: генератора, який створює дані, та дискримінатора, який намагається відрізнити реальні дані від згенерованих.

Етика ШІ (AI Ethics)
Вивчення моральних та соціальних наслідків використання штучного інтелекту, включаючи питання справедливості, прозорості та приватності.

Пояснюваність ШІ (Explainable AI, XAI)
Напрямок, який focuses на створенні моделей ШІ, чиї рішення можуть бути зрозумілі та інтерпретовані людиною.

Автономні системи (Autonomous Systems)
Системи, здатні виконувати завдання без втручання людини, такі як автономні автомобілі або дрони.

Когнітивні обчислення (Cognitive Computing)
Системи, які імітують людське мислення та здатні вирішувати складні задачі, такі як аналіз тексту або прийняття рішень.

Сингулярність (Singularity)
Гіпотетичний момент, коли ШІ перевершить людський інтелект, що призведе до непередбачуваних змін у суспільстві та технологіях.
Цей глосарій охоплює основні поняття, але галузь ШІ постійно розвивається, і з’являються нові терміни та концепції.