简介：许多朋友问有关如何翻译人工智能建模的问题。本文的首席CTO注释将为您提供详细的答案，以供您参考。我希望这对每个人都会有所帮助！让我们一起看看！
人工智能
翻译是蒙古人：????????
注意：根本没有问题，我希望为您提供帮助。请点击及时采用。
人工智能（计算机科学的分支）
人工智能（人工智能），英语缩写是AI。这是一门新的技术科学，研究并开发了用于模拟，扩展和扩展的智能理论，方法，技术和应用系统。ArtherticeIntellioncence是计算机科学的分支。它试图理解智力的本质，并生产一种可以响应人类情报的新智能机器。自然语言处理和专家系统。人工智能是一项新的技术科学，研究和开发智能理论，方法，技术和应用系统，以模拟模拟，扩展和扩展。随着人工智能的诞生，理论和技术的诞生越来越成熟，并且应用领域继续扩展，但没有统一的定义。
人工智能是对人类意识和思维的信息过程的模拟。官方情报不是人类的智力，而是像人类一样思考，可能超越人类的智能。但是，这种高级的人工智能可以自我思考也需要一个突破在科学理论和工程学中。
人工智能是一门具有挑战性的科学。那些从事这项工作的人必须了解计算机知识，心理学和哲学。人工智能包括一门非常广泛的科学科学。它由不同的领域组成，例如机器学习，计算机视觉等。总的来说，人工智能研究的主要目标之一是使机器能够竞争一些通常需要人类智能才能完成工作的人类智能。但是不同的时代。不同的人对这项“复杂工作”有不同的理解。
工作智能的定义可以分为两个部分，即“手动”和“智能”。“人造”更好地理解，争议不是很好。有时我们必须考虑什么是人类和制造，还是水平是什么。人类的智力是如此之高，以至于它可以创造人工智能，依此类推，但总的来说，“人造系统”是通常的人造系统。
“智力”是什么，有很多问题。这涉及其他问题，例如意识，自我，思维（包括无意识的_Mind）。人们理解的唯一智慧是人们自己的智慧，但这是一个普遍的认可。我们对我们自己的智力的理解非常有限，对人类智慧的需求的必要要素有限，所以这是难以定义“人造”制造的“智能”。因此，有关智能本身的搜索。对动物或其他人工系统的其他智能也通常被视为与人工智能有关的研究主题。
人工智能在计算机领域受到了越来越多的关注。
人工智能机器人
纳尔逊教授是美国著名的斯坦福大学人工智能研究中心，它定义了这种对人工智能的定义：“人工智能是一门关于知识的学科 - 如何代表知识以及如何获得知识和使用知识。”马萨诸塞州理工学院的另一位美国公司温斯顿也认为：“人工智能是研究可以使计算机过去做的智能工作。”这些主张反映了人工智能学科的基本思想和基本内容。也就是说，人工智能是研究人类智能活动，用一定的智能构建人造系统的定律，并研究如何使计算机完成人类智能在人类智能中的智能过去，也就是说，要研究如何应用计算机软件和硬件来模拟人类中的某些人类智能，以模拟人类基本理论，方法和行为技术的某些智能。
人工智能是计算机学科的分支。自1970年代以来，它被称为世界上三种主要的切割边缘技术之一（空间技术，能源技术，人工智能）。它也被认为是21世纪的三个顶级技术之一（基因工程，，基因工程，，纳米的科学和人工智能）。这是因为它在过去的三十年中取得了快速发展，并已在许多学科领域中广泛使用，并取得了成果。人工智能逐渐成为一个独立的分支。
人工智能是一门学科，可以使一些思维过程和智能行为（例如学习，推理，思维，计划等）模拟计算机。可以说，哲学和语言学几乎是自然科学和社会科学的所有学科。该范围远远超出了计算机科学的范围。人工智能与思维科学之间的关系是实践与理论之间的关系。人工智能处于思维科学的技术应用水平。它是一个应用程序分支。从思维的观点来看，人工智能不仅限于逻辑思维。有必要考虑图像思维和鼓舞人心的思维，以促进人工智能的突破发展。数学通常被认为是多个学科的基础科学。数学也进入语言和思维领域。智能学科还必须借用数学工具。数学不仅在标准逻辑，模糊数学等中发挥作用，而且数学进入人工智能学科。他们将相互推广并发展更快。
2研究值编辑
人工智能机器人
例如，重型科学和工程计算最初需要携带人脑。现在，计算机不仅可以完成此计算，而且可以比人脑更快，更准确。因此，“需要人类智能完成的复杂任务”。可以看出，随着时代的发展和技术的发展，复杂工作的定义发生了变化。人工智能的具体目标随着时间的变化而自然发展。一方面，它继续获得新的进步，另一方面，它已转向一个更有意义和更加困难的目标。
通常，“机器学习”的数学基础是“统计学”，“信息理论”和“控制理论”。它还包括其他非数字学科。这种类型的“机器学习”非常依赖于“经验”。需要从解决一种类型问题的经验中持续获得知识和学习策略。当遇到类似问题时，他们会使用经验和知识来解决问题并积累新的经验，就像普通人一样。我们可以称呼这种学习方式“连续学习”。但是，除了从经验中学习，人类还将创造出来是，“跳跃学习”。在某些情况下，这种称为“灵感”或“启蒙”。长期以来，从计算机中最难学习的是“ Epiphany”。或严格来说，计算机很难学习“不依赖于定量变化的质量变化”在学习和“实践”方面。要对另一个“概念”。因为这样做，“实践”与人类不同。人类的实践过程包括经验和创造。[1]
这就是聪明的研究人员梦dream以求的。
2013年，吉恩皇帝数据数据中心数据研究员S.C Wang开发了一种新的数据分析方法，该方法导出了一种研究功能性质的新方法。作者发现，新的数据分析方法为计算机社会提供了一种方法。从本质上讲，这种方法为人类“创造力”的“创造力”提供了一种非常有效的方法。这种方法是由数学给出的，这是普通人不能但可以拥有的“能力”。不仅擅长计算，而且由于其熟练程度而熟练，因此应该剥夺“良好的创建”计算机过于全面的操作能力，否则计算机有一天会真正“战斗”人类。[1]
回顾发展过程和数学时，作者扩大了他对思维和数学的理解。音乐是简洁，清晰，可靠和温和的。在数学史上，数学大师的光彩无处不在。这些创造力是以各种数学定理或结论提出，数学定理的最大特征是：基于一些基本概念和公理，以中等语言表达的丰富信息的逻辑结构。反映（至少一种类型）创意模型的学科。[1]
3科学简介编辑
实际应用
机器视觉：机器视觉，指纹识别，面部识别，视网膜识别，虹膜识别，棕榈线识别，专家系统，自动规划，智能搜索，定理证明，游戏，自动程序设计，智能控制，机器人技术，语言和图像毫无意义编程等
纪律
人工智能是学科的边缘，属于自然科学和社会科学的十字架。
纪律
哲学与认知科学，数学，神经病学，心理学，计算机科学，信息理论，控制理论，不规则理论
类别
复杂系统，遗传算法
意识和人工智能
就其本质而言，人工智能是对人们思考的信息过程的模拟。
对于人类思维模拟，可以从两条道路上进行。一个是结构模拟，模仿人脑的结构机制以创建“人脑”机器；第二个是功能模拟，暂时将人脑的内部结构放在一边，从IT功能过程模拟中，现代电子计算机的出现是人类脑思维功能的模拟，以及对人脑信息过程的模拟思维。
弱人工智能现在一直在不断发展，尤其是在2008年的经济危机之后，美国，日本和欧洲希望使用机器人和其他工业化。工业机器人的发展速度比不断突破之前的速度更快，许多人必须在机器人中获得许多工作。
强大的人工智能暂时是瓶颈，这也需要科学家和人类的努力。
4开发阶段编辑
1956年夏天，由McCathetic，Minski，Rochester和Shennong领导的一群年轻科学家共同研究和探索了机器模拟智能的一系列相关问题。“人工智能”一词标志着正式的诞生。“人工智能”的新兴学科。IBM的“深蓝色”计算机击败了世界国际国际象棋冠军，这是人工智能技术的完美表现。
自1956年人工智能学科的形式以来，它已有50多年的历史了，它取得了巨大的发展，并已成为一项广泛的十字架和剪裁科学。总的来说，人工智能的目的是使计算机能够像人类一样思考。我们身体器官的功能，但是它们可以模仿人脑的功能吗？我们对这件事一无所知，模仿这可能是世界上最困难的事情。
当计算机出现时，人类开始拥有一种模拟人类思维的工具。将来，无数的科学家为这个目标努力。如今，人工智能不再是几位科学家的专利。世界上几乎所有大学的计算机系中的某些人都在研究这一学科。学习计算机的大学生也必须学习这样的课程。现在，现在，现在，现在，现在，现在，现在，现在，现在，现在，每个人都在努力。计算机似乎已经变得非常聪明。由IBM开发的IBM击败了国际象棋大师Kasparov。每个人可能不会注意到计算机帮助他人做其他在某些地方只属于人类的工作，而计算机在高速和准确性中对人类发挥作用。Artsartionstrence始终是切割- 计算机科学的边缘学科。由于人工智能的进展，已经存在计算机编程语言和其他计算机软件。
5技术研究编辑
用于研究人工智能和可以意识到人工智能技术平台的机器的主要材料基础是计算机。人工智能的发展历史与计算机科学和技术的发展历史有关。除了计算机科学外，人工智能还涉及许多学科，例如信息理论，控制理论，自动化，生物学，生物学，生物学，心理学，数学逻辑，语言学，语言学，医学和哲学。人工智能学科研究的主要内容包括：知识表示，自动推理和搜索方法，机器学习和知识获取，知识处理系统，自然语言理解，计算机视觉，智能机器人，自动程序设计和自动计划设计和其他方面。
性和意识形态已融合。它旨在为人工智能和机器人领域的不同方向和机器人领域的不同方向和发展方面的问题和发展提供通信平台，以便为世界上的科学家，学者和研究人员提供。
研究领域
人工智能技术研究
智能机器人
模式识别和智能系统
虚拟现实技术和应用
系统仿真技术和应用
工业过程建模和智能控制
智能计算和机器游戏
人工智能理论
语音识别和综合
机器翻译
图像处理和计算机视觉
计算机感知
计算机神经网络
知识发现和机器学习
建筑情报技术和应用
人工智能和其他学科
研究方法
当今的人工智能研究没有统一的原则或范式指导。研究人员在许多问题上都提出了争论。这些问题长期以来尚未得出的问题是：是否应该通过心理学或神经学模拟人工智能？或者，像航空工程的鸟类生物学一样，人类生物学与人工智能研究无关？可以用简单的原理（例如逻辑或优化）描述智能行为吗？还是我们必须解决许多完全无关的问题？
智力可以用高级符号（例如单词和想法）表达吗？或者需要用“提交”来对待它？约翰·霍兰德（John Haugland）提出了Gofai的概念（出色的老式人工智能），并建议人工智能应分类为合成智能。[29]此概念后来被一些非Gofai研究人员采用。
脑模拟
主层：控制理论和计算神经科学
从1940年代到1950年代，许多研究人员探索了神经学，信息理论和控制理论之间的联系。还有一些初步的智能，它使用了电子网络结构，例如海龟和W. Gray Walter的Johns Hopkins。这些研究人员经常保持。普林斯顿大学和英国比率俱乐部的技术协会会议。直到1960年，大多数人都放弃了这种方法，尽管这些原则在1980年代再次提出。
象征
主角：Gofai
当数字计算机在1950年代成功开发时，研究人员开始探索人类智能是否可以简化为象征性处理。研究主要集中在卡内基·梅隆大学，斯坦福大学和马萨诸塞州技术学院，并拥有自己的独立研究风格。Haugland声称这些方法是Gofai（出色的老式人工智能）。[33]在1960年代，符号方法模拟了对小型证明程序的高级思考。基于控制或神经网络的方法将其放置在次要中。[34]1960年代和1970年代的研究人员坚信，符号方法最终可以成功创建强大的人工智能机器。同时，这也是他们的目标。
认知模拟经济学家赫伯特·西蒙（Herbert Simon）和艾伦·纽瑟尔（Allen Newhel约翰·麦卡锡（John McCarthy）在1980年代达到顶峰。基于逻辑，机器不需要模拟人类的思想，但是他们应该试图找到抽象的推理和问题 - 解决问题的本质，人们是否使用相同的algorithm.m.ism.his，斯坦福大学的实验室致力于使用正式逻辑来解决多个问题，包括知识代表，智能计划和机器学习。爱丁堡大学也致力于逻辑方法。编程科学。斯坦福大学（例如Marvinist和Simer Piptet）的研究人员发现，很难解决计算机视觉和自然语言处理的困难，并且特殊解决方案需要特别 - 他们的倡导者认为，没有简单而简单，简单，一般，一般是一般的。原理（例如逻辑）可以实现所有智能行为。常识基础（例如Doug Lenat CYC）是“ Scruffy” AI的一个示例，因为他们必须一次写一个复杂的概念。基于1970年左右的有关大型容量记忆计算机的知识，研究人员开始引起知识结构以三种方法引起应用软件。这是“知识革命”有助于专家系统的开发和计划，这是第一个成功的人工智能软件表格。“知识革命”还使人们意识到许多简单的人工智能软件可能需要很多知识。
亚拟合
在1980年代，人工智能停滞不前。许多人认为，符号系统永远无法模仿所有人类认知过程，尤其是感知，机器人技术，机器学习和模型识别。许多研究人员已经开始关注子符号方法来解决特定的人工智能问题。
从自下而上，接口代理，嵌入式环境（机器人），行为主义，新机器人相关的研究人员，例如罗德尼·布鲁克斯（Rodney Brooks），否定了符号人工智能，并专注于基本的工程问题，例如机器人和生存。对于早期控制理论的观众，同时提出了在人工智能中使用控制理论的使用。这与认知科学领域的感知感一致：较高的智力需要个人代表性（例如移动，感知和感知和图像）。在1980年代，戴维·鲁梅尔哈特（David Rumelhart）等的情报再次提出了神经网络和联系主义。这个和其他子符号（例如模糊控制和进化）都是计算智能学科的所有研究类别。
统计法
在1990年代，人工智能研究开发了复杂的数学工具来解决特定的分支。这些工具是真正的科学方法，也就是说，这些方法的结果得到了测量和验证，也是人工智能成功的原因。- 使用数学语言还允许现有的纪律合作（例如数学，经济或操作）。StuartJ. Russell和Peter Norvig指出，这些进步不少于“革命”和“隔壁”的成功。技术也专注于特定问题，而无需考虑长期强大的人工智能目标。
集成方法
智能代理智能智能代理是一个可以感知环境和实现目标的系统。最简单的智能代理是那些可以解决特定问题的程序。更复杂的代理人包括人类和人类组织（例如公司）。这些范式允许研究人员研究分开的问题并找到有用和可验证的解决方案而不考虑一种方法。解决特定问题的代理可以使用任何可行的方法使用符号和逻辑方法，有些是子符号神经网络或其他新方法。该范式还为研究人员提供了一种通用语言，该语言与其他领域（例如决策理论和经济学（也使用抽象代理的概念））进行交流。在1990年代，智能代理范式被广泛接受。代理建筑结构和认知建筑研究人员已经设计了一些系统来处理Angent System中智能代理之间的相互作用。系统中包含符号和子符号零件称为混合智能系统，该系统的研究是人工智能系统集成。层次控制系统为子符号AI和最高级别的传统传统提供了桥梁符号AI，同时放松计划和世界建模的时间。RodneyBrooks的补充体系结构是一个早期的等级系统计划。
智能模拟
模拟机器视觉，听力，触摸，感觉和思维的模拟：指纹识别，面部识别，视网膜识别，虹膜识别，棕榈线识别，专家系统，智能搜索，定理证明，逻辑推理，游戏，信息感，信息感和综合症处理处理，
纪律
人工智能是自然科学，社会科学和技术科学的三路内部。
纪律
哲学与认知科学，数学，神经病学，心理学，计算机科学，信息理论，控制理论，不规则理论，仿生主义，社会结构和科学发展概念。
类别
神经网络，复杂系统和遗传算法的最关键问题是机器自我创造思维能力的形状和改进。
应用程序字段
机器翻译，智能控制，专家系统，机器人技术，语言和图像理解，基因编程机器人工厂，自动编程，航空航天应用，庞大的信息处理，存储和管理，复杂或复杂或大规模的执行和执行，未执行按照生命形式，大型或大型的任务等等。
值得一提的是，机器翻译是人工智能和第一个应用程序字段的重要分支。但是，就现有的机器翻译成就而言，翻译系统的质量仍然远非最终目标；机器翻译的质量是机器翻译系统成功或失败的关键。中国数学家和语言学家周长海报公司在论文“机器翻译五十年”中指出：提高机器翻译的质量，要解决的第一件事是语言本身的问题，而不是编程问题；机器翻译系统不得提高机器翻译的质量；此外，当人类尚未了解大脑如何模糊和合乎逻辑的判断时，机器翻译不可能达到“信仰，触及和优雅”的程度。
安全问题
人工智能仍在研究中，但是一些学者认为，制作计算机智商并可能抵抗人类是危险的。这在许多电影中也发生了隐藏的危险。主要的关键是，不允许使用自主意识的机器生产和延续。如果机器具有自主意识，则意味着机器具有与他人相同或相似的创造力，自我和自我。保护意识，情感和自发性。
执行
在计算机上实施人工智能时，有两种不同的方法。一种是采用传统的编程技术来使系统的智能效果，而无需考虑使用的方法与人类或动物使用的方法相同。这种方法称为工程学在某些领域（例如文本识别和计算机国际象棋）中实现了结果的方法。另一种是建模方法。它不仅取决于效果，而且需要与人类或生物身体相同或相似的方法实施方法。基因算法（GA）和人工神经网络（ANN）都在后一种类型中。遗传算法模拟了遗传学算法。- 人类或生物学的进化机制以及人工神经网络是模拟人或动物大脑中神经细胞的一种方式。为了获得相同的智能效果，通常两种方法都可以使用。采用先前的方法，需要该过程逻辑。有关详细信息。如果游戏很简单，它仍然很方便。如果游戏很复杂，角色的数量和活动空间的增加将增加，相应的逻辑将非常复杂（根据索引增长），人工编程非常繁琐并且易于犯错误。发生错误，有必要修改原始程序，编译和调试，并最终为用户提供新版本或新补丁，这非常麻烦。各种复杂的情况。此系统通常会犯错误，但可以学习课程。它可以在下一次运行中进行纠正。使用此方法实现人工智能，要求程序员使用生物学思维方法，并且条目更加困难。但是，一旦您进入门，就可以广泛使用。不需要在编程期间就角色规则做出详细规定， 它通常比以前的方法更加费力。
“人工智能”英语是：人工智能。
关键词汇解释
智力
ying [?notel??d?ns]
n。智力;理解
n。智力;情报工作；情报机构
示例：她与兄弟相同，就像智力是概念。
翻译：关于智力，她与哥哥无法媲美。
短语：使用智力
代名词
理解
ying [pk?mpr?'hen?n]美女[?k?mpr?'hen?n]
n。理解;理解;理解能力
示例：这是关于理解的。
翻译：这很难理解。
短语：点头理解以表达理解
结论：以上是首席CTO注释为每个人编写的人工智能建模的所有内容。感谢您阅读本网站的内容。我希望这对您有帮助。有关如何翻译人工智能如何翻译人工智能的更多信息。不要忘记在此网站上找到它。