AI人工智能专业词汇集.pdf

AI⼈⼯智能专业词汇集 作为最早关注⼈⼯智能技术的媒体，机器之⼼在编译国外技术博客、论⽂、专家观点等内容上已经积累了超过两年多的经验。期间，从⽆到 有，机器之⼼的编译团队⼀直在积累专业词汇。虽然有很多的⽂章因为专业性我们没能尽善尽美的编译为中⽂呈现给⼤家，但我们⼀直在进 步、⼀直在积累、⼀直在提⾼⾃⼰的专业性。 两年来，机器之⼼编译团队整理过翻译词汇对照表「红宝书」，编辑个⼈也整理过类似的词典。⽽我们也从机器之⼼读者留⾔中发现，有些 ⼈⼯智能专业词汇没有统⼀的翻译标准，这可能是因地区、跨专业等等原因造成的。举个例⼦，DeepMind 的⼀篇论⽂中有个词汇为 differentiable boundary tree，当时机器之⼼的翻译为可微分界树，但后来有读者表⽰这样的译法如果不保留英⽂很难明⽩表达的意思且 建议翻译为可微分边界树。 因此，我们想把机器之⼼内部积累的⼈⼯智能专业词汇中英对照表开放给⼤家，希望为⼤家写论⽂、中⽂博客、阅读⽂章提供帮助。同时， 这也是⼀份开放的表单，希望越来越多的⼈能够提供增添、修改建议，为⼈⼯智能的传播助⼒。 项⽬地址： 组织形式 读者在此项⽬中，可通过以上表盘查看⾃⼰想要了解的专业词汇。在单个⾸字母中，表格的组织形式为：英⽂／缩写、汉语、来源扩展。 来源扩展是对该词汇的注解，内容为机器之⼼往期的相关⽂章。例如下图所⽰的「算法」，我们关联到的三篇⽂章是《回归、分类与聚 类：三⼤⽅向剖解机器学习算法的优缺点》和《机器学习算法附速查表》和《深度学习算法全景图：从理论证明其正确性》。因此，我们希 望不仅能提供相对应的术语，同时还希望能为读者提供每⼀个术语的来源和概念上的扩展。但由于这⼀部分⼯作量较⼤，我们还将与读者共 同推进这⼀部分扩展的进程。 准确性 本项⽬中所有英⽂专业词汇对照的中⽂都来⾃机器之⼼编译的⽂章和系列机器学习教科书（如周志华的《机器学习》和李航的《统计学习⽅ 法》等），我们⼒求在提供准确翻译的同时保留最常⽤的形式。同时，为了保证词汇翻译的准确性，我们将此项⽬向读者开源，并希望能与 读者共同迭代术语的准确度。除此之外，我们还将为每⼀个词汇提供来源与扩展进⼀步提升词汇的置信度。 机器之⼼术语编译标准 因为该项⽬很多术语都是机器之⼼平常编译⽂章所积累的，所以我们⾸先需要向读者说明机器之⼼术语编译的标准。 常见术语的编译标准 机器之⼼常见术语的编译⾸先会确保术语的正确性，其次再考虑术语的传播⼴度。例如常见术语。logistic regression，⾸先机器之⼼会保 证该术语的准确度。我们常见 logistic regression 会翻译为逻辑回归，但中⽂「逻辑」与 logistic 的含义还是有些差别，因此我们并不太 倾向于采⽤这种译法。在准确度的基础上，我们会考虑术语的传播⼴度。例如有学者建议可以将 logistic regression 译为对数⼏率回归， 但鉴于该译法的传播度不⼴，看到中⽂并不会马上检索到对应英⽂和概念，所以我们最终在常见术语编译标准下将 logistic regression 译 为 logistical 回归。机器之⼼在对常见术语编译时并不会保留英⽂，也不会做进⼀步说明。 ⾮常见术语的编译标准 机器之⼼在编译技术⽂章或论⽂时，常常会遇到⾮常见的术语。因为像论⽂那样的⽂章是在特定领域下为解决特定问题⽽规范化书写的，所 以就会存在较多的⾮常见的术语。⽽机器之⼼在编译⾮常见术语时，唯⼀的标准就是准确性，通常我们也会保留英⽂。因为⾮常见术语通常 是数学、神经科学和物理学等领域上的专业术语，机器之⼼会尽可能地借鉴其他领域内的译法和意义⽽确定如何编译。例如 fixed-point theorem，在参考数学的情况下，我们会更倾向于译为不动点定理，fixed-point 译为不动点⽽不是定点。 歧义术语的编译标准 还有很多术语其实是有歧义的，⽽对于这⼀类词，机器之⼼的编译标准会根据语义进⾏确定，因此也会有⼀些误差。例如 bias 在描述神经 ⽹络层级单元时可以译为偏置项。⽽在描述训练误差和与叉验证误差间的关系或学习曲线时，bias 可以译为偏差。这样的例⼦还有很多， ⽐如 Stationary 在马尔可夫模型中可译为稳态分布（Stationary distribution），在最优化问题中可译为驻点（Stationary point），⽽ 在涉及博弈论或对抗性训练时，其⼜可能表达为静态。 以上是机器之⼼⼤概编译术语的标准，虽然我们在常⽤术语的编译上错误率相对较少，但在⾮常见术语和歧义术语上仍然会出现⼀些错误。 尤其是在⾮常见术语的编译