标准规范下载简介：
内容预览由机器从pdf转换为word，准确率92%以上，供参考
GB／T 41867-2022 信息技术 人工智能 术语.pdf察到。 注1：马尔可夫过程是由一系列状态组成的随机过程，其中从一个状态转移到另一状态的概率，只依赖于这两个状 态而与此前的各状态无关。 注2：为识别某一讲话，由系统去计算在训练期间导出的各模型所生成的似然性。该讲话作为其模型给出最高似 然分值的词或其他实体识别出来。 来源：GB/T5271.29—2006,29.02.11
有监督机器学习supervisedmachinelearning 仅用标注数据进行训练的机器学习
有监督机器学习supervisedmachinelearning 又用标注数据进行训练的机器学习
HG/T 4329-2012 水处理剂 乙二胺四亚甲基膦酸五钠3.3关键领域技术相关术语
3.4安全/伦理相关术语
公平性fairness 尊重既定事实、社会规范和信仰，且不受偏祖或不公正歧视影响的对待、行为或结果。 注1：对公平性的考虑是与环境高度相关的，并且因文化、代际、地理和政治观点而异。 注2：公平不等于没有偏见（3.4.10）。偏见并不总是导致不公平，不公平可能是由偏见以外的因素引起的
公平性fairness 尊重既定事实、社会规范和信仰，且不受偏祖或不公正歧视影响的对待、行为或结果。 注1：对公平性的考虑是与环境高度相关的，并且因文化、代际、地理和政治观点而异。 注2：公平不等于没有偏见（3.4.10）。偏见并不总是导致不公平，不公平可能是由偏见以外的因素引起的
可信赖trustworthiness
《人工智能》满足利益相关方期望并可验证的能
注1：依赖于语境或行业，也依赖于具体的产品或服务、数据以及所用技术，应用不同的可信赖特征 证，以确保利益相关方的期望能得到满足。 注2：可信赖的特征包括可靠性、韧性、安全性（信息安全、功能安全）、隐私性、可问责、透明性、真实 性等。 注3：可信赖作为一种属性用于描述服务、产品、技术、数据和信息，在治理中也用于组织。 3.4.3 可解释性explainability 《人工智能》系统以人能理解的方式，表达影响其（执行）结果的重要因素的能力。 注：可解释性理解为对“原因”的表达，而不是尝试以“实现必要的优势特性”做出争辨。 3.4.4 可靠性 reliability 《人工智能》实施一致的期望行为并获得结果的性质。 3.4.5 可控性 controllability 人工智能>系统被人类或其他外部主体干预的性质。 3.4.6 可问责 accountability 《人工智能》系统及其利益相关方对其行动、决定和行为负责任的状态。 注1：可问责与分配的责任有关。责任可能基于法规或协议，也可能通过委托的一部分进行指派。 注2：可间责涉及负责人或实体通过特定方法和依据特定条件，对其他人或实体的某些事物负责。 3.4.7 可预测性predictability 《人工智能>满足利益相关方关于所提出输出做出可靠假设的性质。 3.4.8 伦理ethics 《人工智能>开展人工智能技术基础研究和应用实践时遵循的道德规范或准则。 3.4.9 鲁棒性robustness （人工智能》系统在任何情况下都保持其性能水平的特性。 3.4.10 偏见bias 《人工智能可信赖>对待特定对象、人员或群体时，相较于其他实体出现系统性差别的特 注：对待指任何一种行动，包括感知、观察、表征、预测或决定。 3.4.11 韧性resilience 《人工智能》系统在事故后在符合期望的时间段内，恢复可操作条件的特性。 3.4.12 透明性transparency 《人工智能》系统与利益相关方交流关于该系统适当信息的特性。 注1：系统透明性相关的信息一般包含特性，性能，缺陷，组件，程序，度量，设计目标，设计选择和假 注协议 注2：对系统某些方面不适当的暴露一般会违背安全、隐私或保密要求，
迁移学习 3.2.23 前馈神经网络 3.2.24 欠拟合 3.2.22 强化学习 3.2.25 情绪识别 3.3.8
问答 3.3.9 无监督机器学习 3.2.32 x 信息检索 ...3.3.10 循环神经网络 3.2.33 训练数据 3.2.34 Y 验证数据 . 3.2.35 异构资源池 3.1.9 隐马尔可夫模型 3.2.36 有监督机器学习 . 3.2.37 语义计算 ..3.3.11 语义理解 3.3.12 语义网 3.3.13 z 自动摘要 3.3.14 自然语言处理 3.3.16 自然语言理解 3.3.15 自然语言生成 3.3.17
artificialintelligenceserver artificial intelligencesystem artificialintelligence automaticsummarization
data labelling
JY 156-1982试行 化石标本技术条件 试行heterogeneousresourcepool hidden Markov model 3.2.36 3.2.36
GB/T418672022
3.3.16 3.3.15
NY/T 2402-2013 高蛋白花生生产技术规程test data 3.2.3 training data 3.2.34 transfer learning 3.2.23 transparency 3.4.12 trustworthiness 3.4.2
testdata training data 3.2.34 transfer learning 3.2.23 transparency 3.4.12 trustworthiness 3.4.2
underfitting 3.2.22 unsupervised machine learning ...3.2.32 V