GB T 5271.31-2006 信息技术.词汇.第31部分 人工智能.机器学习.pdf

上传人:李朗 文档编号:165468 上传时间:2019-07-15 格式:PDF 页数:17 大小:2.46MB
下载 相关 举报
GB T 5271.31-2006 信息技术.词汇.第31部分 人工智能.机器学习.pdf_第1页
第1页 / 共17页
GB T 5271.31-2006 信息技术.词汇.第31部分 人工智能.机器学习.pdf_第2页
第2页 / 共17页
GB T 5271.31-2006 信息技术.词汇.第31部分 人工智能.机器学习.pdf_第3页
第3页 / 共17页
GB T 5271.31-2006 信息技术.词汇.第31部分 人工智能.机器学习.pdf_第4页
第4页 / 共17页
GB T 5271.31-2006 信息技术.词汇.第31部分 人工智能.机器学习.pdf_第5页
第5页 / 共17页
亲,该文档总共17页,到这儿已超出免费预览范围,如果喜欢就下载吧!
资源描述

1、ICS 35.240.20 L 60 道圈中华人民共和国国家标准GB/T 5271.31-2006/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一Part 31: Artificial intelligence-Machine learning (lSO/IEC 2382-31: 1997 ,IDT) 2006-03-14发布2006-07-01实施中华人民共和国国家质量监督检验检茂总局也舍中国国家标准化管理委员会.oc.1 IJ 060907000174 GB/T 5271.31-200

2、6/ISO/IEC 2382-31: 1997 目次E1111224580 37口7索索文文中英i 规UUUU)和u录录则语术略附附准原义术技策性性.标的定般习习料料围用循和一学学资资述范引遵语utAEm豆、119-qud1言书1237JJJ录录前1LLL2贝贝M附附I GB/T 5271.31-2006/ISO/IEC 2382-31 : 1997 前GB/T 527H信息技术词汇共分30部分:一一第1部分z基本术语(GB/T527 1. 1) 第2部分:算术和逻辑运算(GB/T5271. 2) 一第3部分:设备技术CGB/T527 1. 3) 一一第4部分:数据的组织CGB/T527 1.

3、 4) 一第5部分z数据的表示法CGB/T5271. 5) 一一第6部分:数据的准备与处理CGB/T5271.的一一第7部分:计算机程序设计CGB/T527 1. 7) 一一第8部分:安全CGB/T5271. 8) 一第9部分:数据通信(GB/T5271.的一一第10部分:操作技术和设施(GB/T5271. 10) 一一第29部分:人工智能语音识别与合成CGB/T527 1. 29) 第31部分:人工智能机器学习CGB/T527 1. 31) 一一一第32部分:电子邮件(GB/T5271. 32) 一一第34部分:人工智能神经网络CGB/T527 1. 34) 本部分是GB/T5271术语系列

4、国家标准的第31部分。本部分等同采用了ISO/IEC2382-31: 1997(信息技术词汇第31部分:人工智能机器学习(英文版)。本部分的附录A和附录B是资料性附录。本部分由中华人民共和国信息产业部提出。本部分由中国电子技术标准化研究所归口。本部分起草单位:中国电子技术标准化研究所。本部分主要起草人:吴庆宝、王静。m皿GB/T 5271.31一2006/ISO/IEC2382-31 : 1997 信息技术词汇第31部分:人工智能机器学习1 概述1. 1 范围GB/T 5271的本部分给出了与信息处理领域相关的概念的术语和定义,并明确了这些条目之间的关系。为方便将此标准翻译成其他语言,给出的定

5、义尽可能避免语言上的特殊性。本部分定义了有关人工智能中机器学习的概念。1. 2 引用标准下列文件中的条款通过GB/T5271的本部分的引用而成为本部分的条款。凡是注日期的引用文件,其随后所有的修改单(不包括勘误的内容)或修订版均不适用于本部分,然而,鼓励根据本部分达成协议的各方研究是否可使用这些文件的最新版本。凡是不注日期的引用文件,其最新版本适用于本部分。GB/T 527 1. 1-2000信息技术词汇第1部分:基本术语Ceqv ISO/IEC 2382-1 :1 993) GB/T 527 1. 28-2002信息技术词汇第28部分:人工智能基本概念与专家系统CeqvISO/ IEC 23

6、82-28:1995) GB/T 15237.1-2000术语工作词汇第1部分:理论与应用(eqvISO 1087-1:2000) 1. 3 遵循的原则和规则1. 3. 1 词条的定义第2章包括许多词条。每个词条由几项必需的要素组成,包括索引号、一个术语或几个同义术语和定义一个概念的短语。另外,一个词条可包括举例、注解或便于理解概念的解释。有时同一个术语可由不同的词条来定义,或一个词条可包括两个或两个以上的概念,说明分别见1. 3. 5和1.3. 8。本部分使用其他的术语,例如词汇、概念、术语和定义,其意义在GB/T15237.1中有定义。1.3.2 词条的组成每个词条包括1.3. 1中规定的

7、必需的要素,如果需要,可增加一些要素。词条按以下的顺序包括如下要素:a) 索引号(对发布的本标准所有语言是公共的); b) 术语或某语言中首选的术语,对某语言中的概念若没有首选术语表示,用五个点的符号表示(. . . . . ) ;在一个术语中,一行点用来表示每个特定实例中被选的一个词;c) 某个国家的首选术语(根据GB/T4880规则标明); d) 术语的缩写;e) 许可的同义术语;f) 定义的正文(见1.3.4);g) 以例开头的一个或几个例子;h) 以注开头的概念应用领域标明特殊实例的一个或几个注解pi) 词条共用的图片、图示或表格。1. 3. 3 词条的分类本标准的每部分被分配两个数字

8、组成的序列号,并以表示基本术语的01开始。GB/ T 5271 . 31-2006/ ISO/ IEC 2382-31 : 1997 词条按组分类,每组被分配一个四个数字组成的序列号;前两个数字表示该组在本标准中所处的部分。每个词条被分配一个六个数字组成的索引号;前四个数字表示该词条所在的标准部分和组。为使本标准不同语言的版本都是相关联的,分配给标准部分、组和词条的序号都应是相同的。1. 3. 4 术语的选择和定义的用语选择术语和定义用语尽可能按照己规定的用法。当出现矛盾时,采用大多数同意的方法。1. 3. 5 多义术语在一种工作语言中,如果一个给定的术语有几个意义,每个意义则给定一个单独的词

9、条以便于翻译成其他的语言。1. 3. 6 缩略语如1.3. 2中所指,当前使字中。1. 3. 7 圆括弧的用法在一些术语中,按当在技术文章中或注解的正文中,这是,只有当这些呻黑体也用于、部每在十=口语制种编一的每表的引用索使于1? 咱l守叫吨JU2 术语和定义31 人工智能一一机器学习31. 01 一般术语31. 01. 01 学习learning 一个生物学系统或自动系统获得知识或技能的过程,使它可用于改进其性能。2 GB/T 5271. 31-2006/ISO/IEC 2382-31 : 1997 31. 01. 02 (28. 0 1. 21) 机器学习machine learning

10、自动学习automatic learning 功能单元通过获取新知识或技能,或通过整理已有的知识或技能来改进其性能的过程。31. 01. 03 自学习sel f-Iearning 从内部知识库或从新输入数据的学习,无需引入显式的外部知识。31. 01. 04(28. 0 1. 09) , 知识在取knowledge acquisition 31. 01. 06 31. 01. 10 机器发现machine discovery 由分类(方案)形成和由机器的学习能力观测到的数据中描述规律性的经验律的发现。注:也见概念聚类和分析学习。3 1. 0 1. 11 认知科学cognitive scienc

11、e 认知机制cognitivism 各学科间的知识领域,它的陈述目标是发现智力的表示能力和计算能力以及在头脑中它们的结构表示和功能表示。注:认知科学处理认知的符号处理性质,并包括如心理学、计算机科学、语言学、人类学、哲学、教育、数学、工程、生理学和神经科学等不相同的学科。注.知识获取正常地意味着31. 01. 05 七E遥V加单类简聚于念助1概借31.01.09 分类(方案)形成借助于聚类概念的3 GB/T 527 1. 31-2006/ISO/IEC 2382-31: 1997 31.02 学习技术31. 02.01 撤消学习unlearning 为撤除学习而对存储在系统中的知识进行的调整。

12、31. 02. 02 概念描述concept description 描述某概念的全部已知实例类别的数据结构。31. 02. 03 (数据)分块chunking 为存储和检索,在较高的概念级别处把数据分组到单个实体中。31.02.04 特征描述characteristic description -种概念描述,它叙述对某给定概念的全部实例共同的特性。31 02.05 盟别描述discriminant description 一种概念描述,它叙述了给定概念与考虑中其他概念不同的特性。31.02.06 结构描述structural description 一种害体和概念的表示,这基于它们各部分的描

13、述,并基于它们间的关系。31. 02. 07 概念形成concept formation 用于表示害体、事件或事实的给定集合的特征的概念的生成。31.02.08 部分学到的概念partially learned concept 种概念,其精确描述不能在可用数据、知识或假设的基础上推断出来。31. 02. 09 变型空间version space 与可用数据、知识或假设一致的全部概念描述的集合。31.02.10 实例空间example space; instance space 要学习的某概念的全部可能的实例和相反实例的集合。31. 02. 11 描述空间description space 来自

14、对学习者可用的描述语言中的实例空间能描述的全部实例的集合。31. 02.12 概念泛化concept generalization 概念描述范围的延伸以包含更多实例。31. 02. 13 一致泛化consistent generalization 一种概念泛化,它包括概念类别的某个或全部正例,排除该类别的全部反例。31. 02. 14 基于约束的泛化constraint-based generalization 一种概念泛化,它满足用于解释给定事实或事件在概念上的约束。4 GB/T 5271. 31-2006/ISO/IEC 2382-31 : 1997 31.02.15 基于相似性的泛化si

15、milarity-based generalization 一种概念泛化,它由在这些实例间探测相似性和差异性描述给定概念的全部实例。31. 02.16 完全泛化complete generalization 一种概念泛化,它描述某给定概念类别的全部正例,而不管它是否包括某些负例。31. 02.17 概念特化concept specialization 由减少所描述的实例的集合而使概念描述的范围变窄。31.02. 18 含混矩阵confusion matrix 一种矩阵,它按一组规则记录试探性实例的正确分类和不正确分类的个数。31.02.19 概念确认concept validation 测试学

16、到的概念的归纳法,由应用它们的描述试探性实例并由计算含混矩阵来实现。31.03 学习策略31. 03.01 因果分析causal analysis 在学习策略中,由追踪观察到的事件(诸如为达到某目的产生的故障)可能起因的分析。31.03.02 机械(式)学习rote learning 一种学习策略,其在于直接地积累新知识而无需对提供的信息实现任何推理。注:机械(式)学习包括由给出概念描述的直接记住的学习和安排规划的学习。31.03.03 自适应学习adaptive learning 一种学习策略,其在于按照来自外部知识源的建议来调整内部知识,或按照巳有的知识来转换新获得的信息。31.03.04

17、 试探(式)学习heuristic learning 一种从试验结果、评价结果或试凑法的结果研发的学习策略。31.03.05 讲授(式)学习learning by being told 示教(式)学习learning from instruction 从外部知识源获取知识而无需从提供的信息选择或变换相关要素的机械(式)学习。31.03.06 采纳建议法advice taking 按照来自外部知识源声明的建议对过程行为加以修改的讲授(式)学习。31.03.07 增量(式)学习incremental learning 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的多阶段的自适应学习。31.0

18、3.08 监督(式)学习supervised learning 获得的知识的正确性通过来自外部知识源的反馈加以测试的学习策略。5 GB/ T 527 1. 31-2006/ ISO/ IEC 2382-31 : 1997 31 . 03.09 无监督学习unsupervised learning 无师(式)学习learning without a teacher 一种学习策略,它在于观察并分析不同的实体以及确定某些子集能分组到一定的类别里,而无需在获得的知识上通过来自外部知识源的反馈,以实现任何正确性测试。注:一旦形成概念,就对它给出名称,该名称就可以用于其他概念的后续学习了。31. 03 .

19、 10 发现(式)学习learning by discovery 观察(式)学习learning from obse也萝io一种无监督学习,它在分类尹或由在观察的数据中描淑娃的域中导出新规则或法律。31. 03. 11 31.03. 14 反例nega 反实例neg 要学习的概念h31. 03 . 15 31. 03 . 16 基于案例的学习一种学习策略,它把手边的问边问题的解答。注:在成功验证之后,通过基于案例的学习研发的解答及其相应问题就加到案例库中去。31.03. 17 演绎学习deductive learning ;寅绎(式)学习learning by deduction 在学习策略中

20、,借助于断言的保留真值变换从已有的知识演绎新的知识。注1:演绎学习一般导致己有的知识的专业化。注2:演绎学习包含知识重组、知识编译以及其他保留真值变换。31. 03 . 18 分析学习analytic learning 6 GB/ T 527 1. 31-2006/ ISO/ IEC 2382-31: 1997 基于解释的学习explanation-based learning 演绎学习的高级形式,其中从运算知识和领域知识得到抽象知识或结构化知识。31. 03. 19 操作化。perationalization从声明形式转换为过程性形式,即转换为操作形式的知识编译。例:由解释如何在给定情况下避

21、免弄湿,把劝告不要弄湿转换成特殊指令。注:也见分析学习。31. 03. 20 类比学习learning by analogy 联想学习associative learnin 一种学习策略,它结合了H31. 03.21 责任认定对达到某目可31. 03. 22 强化学习31. 03. 24 学徒(式)策一种责任认31. 03. 25 31. 03. 26 遗传学习genetic learning 决路径的每次移探索解决方案时,认定责任。基于迭代分类算法的机器学习,它按照强度选择分类算子对,并把遗传操作应用到创立子孙后代的对上,用其中最强的分类算子替换最弱的分类算子,为了当可用的规则证明不妥当时,

22、去产生新的、似乎合理的规则。注:术语遗传来自自然界遗传学领域,它链接着继承、种群变异和适者生存。7 GB/T 5271.31-2006/ISO/IEC 2382-31: 1997 附录A(资料性附录)中文索引B 边做边学.31. 03. 25 变型空间31.02.09部分学到的概念.31. 02. 08 C 采纳建议法.31. 03. 06 操作化.31.03.19撤消学习31.02.01F 发现(式)学习.31. 03. 10 反例31.03.14 反实例31.03.14分类(方案)形成31.0 1. 09 分析学习31.03. 18 G 628297770-nU唱lnunU唱l唱lnunU

23、嘈-4l唱ln丘-19呵,呵,肉,噜l句33nunununununununununu 句3句3叫句3句3句3写回句3句3句3习习学学化类述认化成可)i式式泛聚描确特形学(念念念念念念念念察纳概概概概概概概概观归H 含混矩阵31.02.18J 机器发现31.01.10 机器学习31.01.02(28.01.21)机械(式)学习31.03. 02 基于案例的学习31.03.168 基于解释的学习.31.03.18基于实例的学习.31. 03. 12 基于相似性的泛化31.02.15 基于约束的泛化.31. 02.14 监督(式)学习.31.03.08讲授(式)学习.31. 03. 05 结构描述.

24、 31. 02. 06 L 类比学习31.03. 20 联想学习31.03.20岛f描述空间31.02. 11 Q 强化学习31.03.22求解路径学习31.03.23R 认知机制31.01.11认知科学31.01.11S 实例(式)学习.31. 03.12 实例空间31.02.10示教(式)学习31.03. 05 试探(式)学习.31. 03. 04 似真反例.31.03.15 (数据)分块31.02.03T 特征描述31.02.04W 完全泛化.31. 02. 16 无监督学习31.03.09无师(式)学习.31.03.09X 学徒(式)策略.31. 03. 24 学习31.01.01学习

25、策略.31. 01. 05 Y /向3内hu嘈l唱l嘈ln4nu句3句3呵正句3句3nununununu 句3句3呵3句3吨3习学U习化习析叮学泛学分绎绎致传果演演-遣因GB/T 5271. 31-2006/ISO/IEC 2382-31 : 1997 z 责任认定31.03.21 增量(式)学习31.03.07盟别描述.31. 02. 05 正例31.03.13正实例31.03. 13 知识获取31.01.04(28.01.09)自动学习.31.01. 02(28. 01. 21) 自适应学习.31.03.03 自学习31.01. 03 9 G/T 527 1. 31-2006/ ISO/

26、IEC 2382-31 : 1997 附录B(资料性附录)英文索引A adaptive learning 3 1. 03. 03 advice taking 3 1. 03. 06 automatic learning 3 1. 03.18 3 1. 01. 02 (28. 01. 21) 3 1. 03.16 31.03. 01 3 1. 02. 04 3 1. 02. 03 gnitivism . . .,i.).1. . . . , . . .t . 3 1. 0 1. 11 concept specializatio 31. 02. 16 31. 0 1. 06 3 1. 02. 02

27、 3 1. 02 . 07 3 1. 02 . 12 3 1. 0 1. 07 3 1. 02 . 17 31.02. 19 3 1. 0 1. 08 3 1. 02 . 18 3 1. 02 . 13 3 1. 02 . 14 3 1. 03 . 21 deductive learning 3 1. 03.17 description space . . . . . . . . 3 1. 02 . 11 discriminant description 3 1. 02 . 05 E example space 3 1. 02 . 10 example-based learning . 3 1

28、. 03 . 12 explanation-based learning 3 1. 03. 18 10 GB/T 5271. 31-2006/ ISO/ IEC 2382-31 : 1997 G genetic learning 31. 03. 26 H heuristic learning 31.03.04 I incrernental learning 31. 03. 07 31. 03 . 11 31. 02.10 instance-based learning ?114 HERi 、EER川】U 盯.中31.03.17learning by discov learning by ind

29、uc 1E .31. 03.10 learning while doing 31. 03 . 11 31. 03 . 12 31. 03 . 05 31. 03.10 31 . 03 . 23 31. 01 . 05 31.03. 25 31. 03 . 09 31 . 03 . 24 rnachine learning亨氏验出且.31. 01. 02 (28.0 1. 21 ) N near-rniss 31. 03.15 negative exarnple 31.03.14 negative instance 31. 03.14 。operationalization 31.03. 19

30、11 GB/T 5271.31一2006/ISO/IF;C2382-31 : 1997 P nO吨吨3nu1唱l内J句3句3nununu - 句3句3句3411 nru, t ptwH川nuu O川-P、dee E12 mmT阳V且taa泪创dMK呻dnjt-E EEee dvv ai-uHHH rss aoo nrnrnr R reinforcennent learning 31.03.22 rote learning 31.03.02 S self-Iearning 31.01.03 sinnilarity-based generalization 31.02. 15 structural

31、 description 31.02.06 supervised learning 31. 03. 08 T taxononny fornnation 31. 01. 09 U unlearning 31.02.01 unsupervised leaming 31.03.09 V version space 31. 02.09 12 h二的tN的NU国。自CON-的.FhNmH阁。华人民共和国家标准信息技术词汇第31部分:人工智能机器学习GB/T 527 1. 31-2006/ISO/IEC 2382-31 :1 997 国中关中国标准出版社出版发行北京复兴门外三里河北街16号邮政编码:100045网址电话:6852394668517548 中国标准出版社秦皇岛印刷厂印刷各地新华书店经销峰印张1.25 字数27千字2006年8月第一次印刷开本880X12301/16 2006年8月第版定价13.00元如有印装差错由本社发行中心调换版权专有侵权必究举报电话:(010)68533533* 书号:155066 1-27895 GB/T 5271.31-2006

展开阅读全文
相关资源
猜你喜欢
相关搜索

当前位置:首页 > 标准规范 > 国家标准

copyright@ 2008-2019 麦多课文库(www.mydoc123.com)网站版权所有
备案/许可证编号:苏ICP备17064731号-1