Глоссариум по искусственному интеллекту и информационным технологиям

Сигналы обычно обрабатываются в цифровом представлении, поэтому обработку речи можно рассматривать как частный случай цифровой обработки сигналов, применяемый к речевым сигналам. Аспекты обработки речи включают получение, обработку, хранение, передачу и вывод речевых сигналов. Ввод называется распознаванием речи, а вывод называется синтезом речи[89 - .Speech processing [Электронный ресурс] //en.wikipedia.org URL: https://en.wikipedia.org/wiki/Speech_processing#:~:text=Speech%20processing%20is%20the%20study,processing%2C%20applied%20to%20speech%20signals (https://en.

wikipedia.org/wiki/Speech_processing#:~:text=Speech%20processing%20is%20the%20study,processing%2C%20applied%20to%20speech%20signals). (дата обращения: 07.07.2022)].

Обучение без учителя (Unsupervised learning) – это направление машинного обучения, работает с неразмеченными данными и работает без обратной связи.

Обучение модели (Model training) – это настройка параметров модели нейронной сети для правильной работы с заданными данными.

Обучение с временной разницей (Temporal difference learning) – это класс методов обучения с подкреплением без использования моделей, которые обучаются путем самонастройки на основе текущей оценки функции ценности. Эти методы производят выборку из среды, например методы Монте-Карло, и выполняют обновления на основе текущих оценок, например методы динамического программирования[90 - .Temporal difference learning [Электронный ресурс] //en.wikipedia.org URL: https://en.

wikipedia.org/wiki/Temporal_difference_learning (https://en.wikipedia.org/wiki/Temporal_difference_learning) (дата обращения: 07.07.2022)].

Обучение с подкреплением (Reinforcement learning) – это направление машинного обучения, фокусируется на процессах принятия решений и системах вознаграждения. Может выучить серию действий.

Обучение с самоконтролем (Self-Supervised Learning) – это одна из разновидностей машинного обучения, применение которой может быть полезным в переходе от контролируемого обучения с целью снижения издержек на обработку больших массивов информации и человеческие ресурсы.

Использование этой технологии должно помочь в работе с неструктурированными данными, а наибольшая польза от ее применения заключается в повышении качества распознавания голоса при работе с интеллектуальным голосовым помощником при регистрации обращений.

Конец ознакомительного фрагмента.

Текст предоставлен ООО «ЛитРес».