Технологии искусственного интеллекта

!Сформировано с помошью DeepSeek.

1. Экспертные системы — набор жёстких правил «если — то» и база знаний, заложенная экспертами; не обучаются сами.
2. Деревья решений и ансамбли (Random Forest, XGBoost, LightGBM, CatBoost) — комбинация множества деревьев решений для классификации, регрессии и обнаружения аномалий на табличных данных.
3. Линейные модели (логистическая/линейная регрессия) — простые статистические модели для прогнозирования числовых значений или вероятности.
4. KNN (K-ближайших соседей) — алгоритм, относящий новый объект к классу большинства среди K ближайших объектов в обучающей выборке.
5. SVM (Support Vector Machines) — метод, строящий разделяющую гиперплоскость максимального зазора между классами.
6. Байесовские методы (наивный Байес, байесовские сети) — вероятностные модели, основанные на теореме Байеса, для классификации и работы с неопределённостью.
7. Глубокое обучение — компьютерное зрение (CNN, ViT, YOLO, EfficientNet) — нейросетевые архитектуры для анализа изображений, видео и пространственных данных.
8. Глубокое обучение — временные ряды (RNN, LSTM, GRU, TCN, Informer) — архитектуры для прогнозирования и анализа последовательных данных во времени.
9. Генеративные нейросети — изображения и видео (диффузионные модели, GAN, NeRF) — модели, создающие новые изображения, видео или 3D-объекты на основе обучающей выборки.
10. Большие языковые модели (LLM) — глубокие нейросети (обычно трансформеры) с миллиардами параметров, генерирующие связный текст и следующие инструкциям.
11. RAG (Retrieval-Augmented Generation) — комбинация LLM с поиском по внешней базе документов для ответа с опорой на источники.
12. Речевые и аудиосистемы (ASR, TTS, идентификация говорящего, удаление шума) — распознавание речи (ASR), синтез речи (TTS), определение личности по голосу и обработка аудиосигнала.
13. Музыкальные и аудиогенеративные системы — модели для создания мелодий, джинглов или анализа звуковых спектров.
14. Обучение с подкреплением (RL: DQN, PPO, SAC) — обучение агента методом проб и ошибок для максимизации награды в среде.
15. Генетические алгоритмы и эволюционные методы — оптимизация через имитацию естественного отбора (скрещивание, мутация, отбор).
16. Байесовская оптимизация — метод последовательной оптимизации чёрно-ящичных функций с использованием вероятностных суррогатных моделей.
17. Self-supervised learning — обучение без ручной разметки путём предсказания части данных (например, скрытых фрагментов изображения).
18. Few-shot / Zero-shot learning — способность модели решать новые задачи по одному-нескольким примерам (few-shot) или вовсе без них (zero-shot).
19. Графовые нейросети (GNN, GCN, GAT, GraphSAGE) — архитектуры для обработки графовых данных с учётом связей между узлами.
20. Гибридные нейросетевые + символьные системы — сочетание нейросетей с логическими или символьными рассуждениями.
21. Системы автоматического доказательства теорем (ATP) — инструменты формальной верификации и поиска логических выводов.
22. Квантовое машинное обучение — использование квантовых вычислений для ускорения или расширения классических ML-алгоритмов (начальная стадия).
23. Edge AI и TinyML — запуск моделей машинного обучения на микроконтроллерах и периферийных устройствах с ограниченными ресурсами.
24. Объяснимый ИИ (XAI: SHAP, LIME, Integrated Gradients) — методы для интерпретации и объяснения решений моделей.
25. Автоматическое машинное обучение (AutoML) — автоматизация выбора модели, настройки гиперпараметров и подготовки признаков.
26. Федеративное обучение (Federated Learning) — обучение модели на распределённых данных без их централизованного сбора.
27. Рекомендательные системы (коллаборативная фильтрация, DLRM, two-tower) — алгоритмы для предсказания предпочтений пользователей и подбора контента/товаров.
28. Системы ранжирования (Learning to Rank — LTR) — методы упорядочивания результатов поиска, рекламы или товаров по релевантности.
29. Семантический поиск и dense retrieval (DPR, ColBERT, SPLADE) — поиск по смыслу на основе плотных векторных представлений текстов.
30. Мультимодальные модели — нейросети, работающие с несколькими типами данных (текст, изображение, аудио, видео) одновременно.
31. Агентные системы (AutoGPT, BabyAGI) — ИИ-агенты с возможностью планирования, вызова API и многошагового выполнения задач.
32. Нейросетевые компиляторы и оптимизаторы кода — преобразование и оптимизация кода для ускорения выполнения на целевых устройствах.
33. Физико-информированные нейросети (PINNs) — нейросети, встроенные в дифференциальные уравнения для решения физических задач.
34. Spiking Neural Networks (SNN) — нейроморфные сети с импульсной передачей сигналов, имитирующие биологические нейроны.
35. Однопроходные модели для стримов данных — алгоритмы для обучения и прогнозирования на бесконечных потоках данных без переобучения на историю целиком.
36. 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.
37. 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.
38. 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.
39. 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.

Эта страница упоминается здесь:

• Искусственный интеллект ‎ (← ссылки)