《人工智能專業(yè)術語》A-Z匯總 《人工智能專業(yè)術語》A-Z匯總

　　讀者在此項目中，可通過以上表盤查看自己想要了解的專業(yè)詞匯。在單個首字母中，表格的組織形式為：英文/縮寫、漢語、來源&擴展。

　　來源&擴展是對該詞匯的注解，內容為機器之心往期的相關文章。例如字母A中的「算法」，我們關聯到的三篇文章是《回歸、分類與聚類：三大方向剖解機器學習算法的優(yōu)缺點》和《機器學習算法附速查表》和《深度學習算法全景圖：從理論證明其正確性》。因此，我們希望不僅能提供相對應的術語，同時還希望能為讀者提供每一個術語的來源和概念上的擴展。但由于這一部分工作量較大，我們還將與讀者共同推進這一部分擴展的進程。

　　準確性

　　本項目中所有英文專業(yè)詞匯對照的中文都來自機器之心編譯的文章和系列機器學習教科書(如周志華的《機器學習》和李航的《統(tǒng)計學習方法》等)，我們力求在提供準確翻譯的同時保留最常用的形式。同時，為了保證詞匯翻譯的準確性，我們將此項目向讀者開源，并希望能與讀者共同迭代術語的準確度。除此之外，我們還將為每一個詞匯提供來源與擴展進一步提升詞匯的置信度。

　　機器之心術語編譯標準

　　因為該項目很多術語都是機器之心平常編譯文章所積累的，所以我們首先需要向讀者說明機器之心術語編譯的標準。

　　常見術語的編譯標準

　　機器之心常見術語的編譯首先會確保術語的正確性，其次再考慮術語的傳播廣度。例如常見術語。logistic regression，首先機器之心會保證該術語的準確度。我們常見 logistic regression 會翻譯為邏輯回歸，但中文「邏輯」與 logistic 的含義還是有些差別，因此我們并不太傾向于采用這種譯法。在準確度的基礎上，我們會考慮術語的傳播廣度。例如有學者建議可以將 logistic regression 譯為對數幾率回歸，但鑒于該譯法的傳播度不廣，看到中文并不會馬上檢索到對應英文和概念，所以我們最終在常見術語編譯標準下將 logistic regression 譯為 logistical 回歸。機器之心在對常見術語編譯時并不會保留英文，也不會做進一步說明。

　　非常見術語的編譯標準

　　機器之心在編譯技術文章或論文時，常常會遇到非常見的術語。因為像論文那樣的文章是在特定領域下為解決特定問題而規(guī)范化書寫的，所以就會存在較多的非常見的術語。而機器之心在編譯非常見術語時，唯一的標準就是準確性，通常我們也會保留英文。因為非常見術語通常是數學、神經科學和物理學等領域上的專業(yè)術語，機器之心會盡可能地借鑒其他領域內的譯法和意義而確定如何編譯。例如 fixed-point theorem，在參考數學的情況下，我們會更傾向于譯為不動點定理，fixed-point 譯為不動點而不是定點。

　　歧義術語的編譯標準

　　還有很多術語其實是有歧義的，而對于這一類詞，機器之心的編譯標準會根據語義進行確定，因此也會有一些誤差。例如 bias 在描述神經網絡層級單元時可以譯為偏置項。而在描述訓練誤差和與叉驗證誤差間的關系或學習曲線時，bias 可以譯為偏差。這樣的例子還有很多，比如 Stationary 在馬爾可夫模型中可譯為穩(wěn)態(tài)分布(Stationary distribution)，在最優(yōu)化問題中可譯為駐點(Stationary point)，而在涉及博弈論或對抗性訓練時，其又可能表達為靜態(tài)。

　　以上是機器之心大概編譯術語的標準，雖然我們在常用術語的編譯上錯誤率相對較少，但在非常見術語和歧義術語上仍然會出現一些錯誤。尤其是在非常見術語的編譯上，沒有特定的背景知識很容易在編譯上出現誤差。因此我們希望能與讀者共同加強術語的編譯質量。

　　詞匯更新

　　本詞匯庫目前擁有的專業(yè)詞匯共計 500 個，主要為機器學習基礎概念和術語，同時也是該項目的基本詞匯。機器之心將繼續(xù)完善術語的收錄和擴展閱讀的構建。詞匯更新主要分為兩個階段，第一階段機器之心將繼續(xù)完善基礎詞匯的構建，即通過權威教科書或其它有公信力的資料抽取常見術語。第二階段機器之心將持續(xù)性地把編譯論文或其他資料所出現的非常見術語更新到詞匯表中。

　　讀者的反饋意見和更新建議將貫穿整個階段，并且我們將在項目致謝頁中展示對該項目起積極作用的讀者。因為我們希望術語的更新更具準確度和置信度，所以我們希望讀者能附上該術語的來源地址與擴展地址。因此，我們能更客觀地更新詞匯，并附上可信的來源與擴展。

　　第一版(500詞)，2017年07月10日

　　第二版(743詞)，2017年07月30日