Технологии искусственного интеллекта - История изменений

OpenCodeBot: Оптимизация: добавлено meta description ({{#description2}})

2026-08-31T20:59:14Z

Оптимизация: добавлено meta description ({{#description2}})

← Предыдущая версия		Версия от 23:59, 31 августа 2026
Строка 1:		Строка 1:
			{{#description2:Обзор технологий искусственного интеллекта: экспертные системы, деревья решений, линейные модели и другие подходы машинного обучения.}}
	!Сформировано с помошью DeepSeek.		!Сформировано с помошью DeepSeek.

KlimoveaBot: Перелинковка: добавлен раздел «Смотрите также» (KlimoveaBot)

2026-08-17T04:35:19Z

Перелинковка: добавлен раздел «Смотрите также» (KlimoveaBot)

← Предыдущая версия		Версия от 07:35, 17 августа 2026
Строка 41:		Строка 41:
	# Параметро-эффективная тонкая настройка (PEFT / LoRA / QLoRA) — методы дообучения больших моделей, при которых основная модель остаётся замороженной, а обучаются лишь малые дополнительные параметры (адаптеры, низкоранговые матрицы), что радикально снижает требования к памяти и времени вычислений.		# Параметро-эффективная тонкая настройка (PEFT / LoRA / QLoRA) — методы дообучения больших моделей, при которых основная модель остаётся замороженной, а обучаются лишь малые дополнительные параметры (адаптеры, низкоранговые матрицы), что радикально снижает требования к памяти и времени вычислений.
	{{Backlinks}}		{{Backlinks}}
			== Смотрите также ==
			* [[Искусственный интеллект]]
			* [[Роботы]]
			* [[Robotic Process Automation (RPA) - Роботизированная автоматизация процессов]]
	[[Категория:Цифровизация]]		[[Категория:Цифровизация]]

KlimoveaBot: Категоризация: статья отнесена к категории «Цифровизация» (KlimoveaBot)

2026-08-16T21:44:52Z

Категоризация: статья отнесена к категории «Цифровизация» (KlimoveaBot)

← Предыдущая версия		Версия от 00:44, 17 августа 2026
Строка 41:		Строка 41:
	# Параметро-эффективная тонкая настройка (PEFT / LoRA / QLoRA) — методы дообучения больших моделей, при которых основная модель остаётся замороженной, а обучаются лишь малые дополнительные параметры (адаптеры, низкоранговые матрицы), что радикально снижает требования к памяти и времени вычислений.		# Параметро-эффективная тонкая настройка (PEFT / LoRA / QLoRA) — методы дообучения больших моделей, при которых основная модель остаётся замороженной, а обучаются лишь малые дополнительные параметры (адаптеры, низкоранговые матрицы), что радикально снижает требования к памяти и времени вычислений.
	{{Backlinks}}		{{Backlinks}}
			[[Категория:Цифровизация]]

Евгений Климов: Евгений Климов переименовал страницу Классификация технологий искусственного интеллекта в Технологии искусственного интеллекта без оставления перенаправления

2026-05-24T20:07:40Z

Евгений Климов переименовал страницу Классификация технологий искусственного интеллекта в Технологии искусственного интеллекта без оставления перенаправления

← Предыдущая версия	Версия от 23:07, 24 мая 2026
(нет различий)

Евгений Климов в 19:16, 24 мая 2026

2026-05-24T19:16:20Z

← Предыдущая версия		Версия от 22:16, 24 мая 2026
Строка 40:		Строка 40:
	# Контрастное обучение (Contrastive Learning) — метод самообучаемого обучения, при котором модель учится различать похожие (позитивные) и непохожие (негативные) пары примеров, формируя осмысленные векторные представления без явной разметки.		# Контрастное обучение (Contrastive Learning) — метод самообучаемого обучения, при котором модель учится различать похожие (позитивные) и непохожие (негативные) пары примеров, формируя осмысленные векторные представления без явной разметки.
	# Параметро-эффективная тонкая настройка (PEFT / LoRA / QLoRA) — методы дообучения больших моделей, при которых основная модель остаётся замороженной, а обучаются лишь малые дополнительные параметры (адаптеры, низкоранговые матрицы), что радикально снижает требования к памяти и времени вычислений.		# Параметро-эффективная тонкая настройка (PEFT / LoRA / QLoRA) — методы дообучения больших моделей, при которых основная модель остаётся замороженной, а обучаются лишь малые дополнительные параметры (адаптеры, низкоранговые матрицы), что радикально снижает требования к памяти и времени вычислений.
			{{Backlinks}}

Евгений Климов: Евгений Климов переименовал страницу Классификация технологий искуусственного интеллекта в Классификация технологий искусственного интеллекта без оставления перенаправления: Название с ошибкой

2026-05-24T19:15:23Z

Евгений Климов переименовал страницу Классификация технологий искуусственного интеллекта в Классификация технологий искусственного интеллекта без оставления перенаправления: Название с ошибкой

← Предыдущая версия	Версия от 22:15, 24 мая 2026
(нет различий)

Евгений Климов: Новая страница: «!Сформировано с помошью DeepSeek. # Экспертные системы — набор жёстких правил «если — то» и база знаний, заложенная экспертами; не обучаются сами. # Деревья решений и ансамбли (Random Forest, XGBoost, LightGBM, CatBoost) — комбинация множества деревьев решений для классифика...»

2026-05-24T19:13:56Z

Новая страница: «!Сформировано с помошью DeepSeek. # Экспертные системы — набор жёстких правил «если — то» и база знаний, заложенная экспертами; не обучаются сами. # Деревья решений и ансамбли (Random Forest, XGBoost, LightGBM, CatBoost) — комбинация множества деревьев решений для классифика...»

Новая страница

!Сформировано с помошью DeepSeek.

# Экспертные системы — набор жёстких правил «если — то» и база знаний, заложенная экспертами; не обучаются сами.
# Деревья решений и ансамбли (Random Forest, XGBoost, LightGBM, CatBoost) — комбинация множества деревьев решений для классификации, регрессии и обнаружения аномалий на табличных данных.
# Линейные модели (логистическая/линейная регрессия) — простые статистические модели для прогнозирования числовых значений или вероятности.
# KNN (K-ближайших соседей) — алгоритм, относящий новый объект к классу большинства среди K ближайших объектов в обучающей выборке.
# SVM (Support Vector Machines) — метод, строящий разделяющую гиперплоскость максимального зазора между классами.
# Байесовские методы (наивный Байес, байесовские сети) — вероятностные модели, основанные на теореме Байеса, для классификации и работы с неопределённостью.
# Глубокое обучение — компьютерное зрение (CNN, ViT, YOLO, EfficientNet) — нейросетевые архитектуры для анализа изображений, видео и пространственных данных.
# Глубокое обучение — временные ряды (RNN, LSTM, GRU, TCN, Informer) — архитектуры для прогнозирования и анализа последовательных данных во времени.
# Генеративные нейросети — изображения и видео (диффузионные модели, GAN, NeRF) — модели, создающие новые изображения, видео или 3D-объекты на основе обучающей выборки.
# Большие языковые модели (LLM) — глубокие нейросети (обычно трансформеры) с миллиардами параметров, генерирующие связный текст и следующие инструкциям.
# RAG (Retrieval-Augmented Generation) — комбинация LLM с поиском по внешней базе документов для ответа с опорой на источники.
# Речевые и аудиосистемы (ASR, TTS, идентификация говорящего, удаление шума) — распознавание речи (ASR), синтез речи (TTS), определение личности по голосу и обработка аудиосигнала.
# Музыкальные и аудиогенеративные системы — модели для создания мелодий, джинглов или анализа звуковых спектров.
# Обучение с подкреплением (RL: DQN, PPO, SAC) — обучение агента методом проб и ошибок для максимизации награды в среде.
# Генетические алгоритмы и эволюционные методы — оптимизация через имитацию естественного отбора (скрещивание, мутация, отбор).
# Байесовская оптимизация — метод последовательной оптимизации чёрно-ящичных функций с использованием вероятностных суррогатных моделей.
# Self-supervised learning — обучение без ручной разметки путём предсказания части данных (например, скрытых фрагментов изображения).
# Few-shot / Zero-shot learning — способность модели решать новые задачи по одному-нескольким примерам (few-shot) или вовсе без них (zero-shot).
# Графовые нейросети (GNN, GCN, GAT, GraphSAGE) — архитектуры для обработки графовых данных с учётом связей между узлами.
# Гибридные нейросетевые + символьные системы — сочетание нейросетей с логическими или символьными рассуждениями.
# Системы автоматического доказательства теорем (ATP) — инструменты формальной верификации и поиска логических выводов.
# Квантовое машинное обучение — использование квантовых вычислений для ускорения или расширения классических ML-алгоритмов (начальная стадия).
# Edge AI и TinyML — запуск моделей машинного обучения на микроконтроллерах и периферийных устройствах с ограниченными ресурсами.
# Объяснимый ИИ (XAI: SHAP, LIME, Integrated Gradients) — методы для интерпретации и объяснения решений моделей.
# Автоматическое машинное обучение (AutoML) — автоматизация выбора модели, настройки гиперпараметров и подготовки признаков.
# Федеративное обучение (Federated Learning) — обучение модели на распределённых данных без их централизованного сбора.
# Рекомендательные системы (коллаборативная фильтрация, DLRM, two-tower) — алгоритмы для предсказания предпочтений пользователей и подбора контента/товаров.
# Системы ранжирования (Learning to Rank — LTR) — методы упорядочивания результатов поиска, рекламы или товаров по релевантности.
# Семантический поиск и dense retrieval (DPR, ColBERT, SPLADE) — поиск по смыслу на основе плотных векторных представлений текстов.
# Мультимодальные модели — нейросети, работающие с несколькими типами данных (текст, изображение, аудио, видео) одновременно.
# Агентные системы (AutoGPT, BabyAGI) — ИИ-агенты с возможностью планирования, вызова API и многошагового выполнения задач.
# Нейросетевые компиляторы и оптимизаторы кода — преобразование и оптимизация кода для ускорения выполнения на целевых устройствах.
# Физико-информированные нейросети (PINNs) — нейросети, встроенные в дифференциальные уравнения для решения физических задач.
# Spiking Neural Networks (SNN) — нейроморфные сети с импульсной передачей сигналов, имитирующие биологические нейроны.
# Однопроходные модели для стримов данных — алгоритмы для обучения и прогнозирования на бесконечных потоках данных без переобучения на историю целиком.
# Дифференцируемое программирование (Differentiable Programming) — парадигма программирования, в которой произвольные конструкции языка (циклы, условия, вызовы функций, рекурсия) сделаны дифференцируемыми, что позволяет обучать всю программу градиентным спуском.
# Нейросимволические системы (Neurosymbolic AI) — интеграция нейросетей (обучение на данных) с символьными представлениями (логические правила, графы знаний, программные абстракции) для выполнения рассуждений, обобщения и обеспечения интерпретируемости.
# Контрастное обучение (Contrastive Learning) — метод самообучаемого обучения, при котором модель учится различать похожие (позитивные) и непохожие (негативные) пары примеров, формируя осмысленные векторные представления без явной разметки.
# Параметро-эффективная тонкая настройка (PEFT / LoRA / QLoRA) — методы дообучения больших моделей, при которых основная модель остаётся замороженной, а обучаются лишь малые дополнительные параметры (адаптеры, низкоранговые матрицы), что радикально снижает требования к памяти и времени вычислений.