Головно́й мозг — главный орган центральной нервной системы подавляющего большинства хордовых, её головной конец; у позвоночных находится внутри черепа.
Нейро́нная сеть — математическая модель, а также её программное или аппаратное воплощение, построенная по принципу организации биологических нейронных сетей — сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы. Первой такой попыткой были нейронные сети У. Маккалока и У. Питтса. После разработки алгоритмов обучения получаемые модели стали использовать в практических целях: в задачах прогнозирования, для распознавания образов, в задачах управления и др.
Теория распознава́ния о́бразов — раздел информатики и смежных дисциплин, развивающий основы и методы классификации и идентификации предметов, явлений, процессов, сигналов, ситуаций и т. п. объектов, которые характеризуются конечным набором некоторых свойств и признаков. Такие задачи решаются довольно часто, например, при переходе или проезде улицы по сигналам светофора. Распознавание цвета загоревшейся лампы светофора и знание правил дорожного движения позволяет принять правильное решение о том, можно или нельзя переходить улицу.
Когнитро́н — искусственная нейронная сеть на основе принципа самоорганизации. Своей архитектурой когнитрон похож на строение зрительной коры, имеет иерархическую многослойную организацию, в которой нейроны между слоями связаны только локально. Обучается конкурентным обучением. Каждый слой мозга реализует различные уровни обобщения; входной слой чувствителен к простым образам, таким, как линии, и их ориентации в определенных областях визуальной области, в то время как реакция других слоев является более сложной, абстрактной и независимой от позиции образа. Аналогичные функции реализованы в когнитроне путём моделирования организации зрительной коры.
Новая кора — новые области коры головного мозга, которые у низших млекопитающих только намечены, а у человека составляют основную часть коры. Новая кора располагается в верхнем слое полушарий мозга, имеет толщину 2—4 миллиметра и отвечает за высшие нервные функции — сенсорное восприятие, выполнение моторных команд, осознанное мышление, речь у людей.
Машинное обучение — класс методов искусственного интеллекта, характерной чертой которых является не прямое решение задачи, а обучение за счёт применения решений множества сходных задач. Для построения таких методов используются средства математической статистики, численных методов, математического анализа, методов оптимизации, теории вероятностей, теории графов, различные техники работы с данными в цифровой форме.
Обучение без учителя — один из способов машинного обучения, при котором испытуемая система спонтанно обучается выполнять поставленную задачу без вмешательства со стороны экспериментатора. С точки зрения кибернетики, это является одним из видов кибернетического эксперимента. Как правило, это пригодно только для задач, в которых известны описания множества объектов, и требуется обнаружить внутренние взаимосвязи, зависимости, закономерности, существующие между объектами.
Задача классифика́ции — задача, в которой множество объектов (ситуаций) необходимо разделить некоторым образом на классы, при этом задано конечное множество объектов, для которых известно, к каким классам они относятся (выборка), но классовая принадлежность остальных объектов неизвестна. Для решения задачи требуется построить алгоритм, способный классифицировать произвольный объект из исходного множества, то есть указать, к какому классу он относится.
Перцептро́н — математическая или компьютерная модель восприятия информации мозгом, предложенная Фрэнком Розенблаттом в 1957 году и впервые воплощённая в виде электронной машины «Марк-1» в 1960 году. Перцептрон стал одной из первых моделей нейросетей, а «Марк-1» — первым в мире нейрокомпьютером.
Дэ́вид Ха́нтер Хью́бел — канадский и американский нейрофизиолог, лауреат Нобелевской премии по физиологии или медицине 1981 год «За открытия, касающиеся принципов переработки информации в нейронных структурах».
Торстен Нильс Визель — шведский нейробиолог и нейрофизиолог, лауреат Нобелевской премии по физиологии и медицине 1981 года «за открытия, касающиеся принципов переработки информации в нейронных структурах». Фундаментальные работы Визеля и Хьюбела по нейрофизиологии зрения открыли основы организации и развития нейронных цепей, ответственных за зрительное распознавание объектов.
Нейрокомпьютерный интерфейс (НКИ) — система, созданная для обмена информацией между мозгом и электронным устройством. В однонаправленных интерфейсах внешние устройства могут либо принимать сигналы от мозга, либо посылать ему сигналы. Двунаправленные интерфейсы позволяют мозгу и внешним устройствам обмениваться информацией в обоих направлениях. В основе нейрокомпьютерного интерфейса часто используется метод биологической обратной связи.
Кора́ больши́х полуша́рий головно́го мо́зга или кора́ головно́го мо́зга — структура головного мозга, слой серого вещества толщиной 1,3−4,5 мм, расположенный по периферии полушарий большого мозга и покрывающий их. Наибольшая толщина отмечается в верхних участках предцентральной, постцентральной извилин и парацентральной дольки.
Рецептивное поле сенсорного нейрона — участок с рецепторами, которые при воздействии на них определённого стимула приводят к изменению возбуждения этого нейрона.
Концепция рецептивных полей может быть применима ко всей нервной системе. Если множество сенсорных рецепторов образует синапсы c единственным нейроном, они совместно формируют рецептивное поле этого нейрона. Например, рецептивное поле ганглионарной (ганглиозной) клетки сетчатки глаза представлено фоторецепторными клетками, а группа ганглионарных клеток, в свою очередь, создаёт рецептивное поле для одного из нейронов мозга. В итоге к одному нейрону более высокого синаптического уровня сходятся импульсы от многих фоторецепторов; и этот процесс называется конвергенцией.
Зрительная кора является частью коры больших полушарий головного мозга, отвечающей за обработку визуальной информации. В основном, она сосредоточена в затылочной доле каждого из полушарий головного мозга.
Ганглионарная (ганглиозная) клетка — нервная клетка (нейрон) сетчатки глаза, способная генерировать нервные импульсы в отличие от других типов нейронов сетчатки. В их цитоплазме хорошо выражено базофильное вещество. Ганглионарные клетки граничат со стекловидным телом глаза и образуют слой сетчатки, который первым получает свет. Их аксоны по поверхности сетчатки направляются к слепому пятну, собираются в зрительный нерв и направляются в мозг. Аксоны ганглионарных клеток не миелинизированы при прохождении сетчатки, чтобы не препятствовать прохождению света. Далее они покрыты миелиновой оболочкой. Ганглионарные клетки завершают «трёхнейронную рецепторно-проводящую систему сетчатки»: фоторецептор — биполярный нейрон — ганглионарная клетка.
Когнитивная нейробиология — наука, изучающая связь активности головного мозга и других сторон нервной системы с познавательными процессами и поведением. Особое внимание когнитивная нейробиология уделяет изучению нейронной основы мыслительных процессов. Когнитивная нейробиология является разделом как психологии, так и нейробиологии, пересекаясь с когнитивной психологией и нейропсихологией.
Свёрточная нейронная сеть — специальная архитектура искусственных нейронных сетей, предложенная Яном Лекуном в 1988 году и нацеленная на эффективное распознавание образов, входит в состав технологий глубокого обучения. Использует некоторые особенности зрительной коры, в которой были открыты так называемые простые клетки, реагирующие на прямые линии под разными углами, и сложные клетки, реакция которых связана с активацией определённого набора простых клеток. Таким образом, идея свёрточных нейронных сетей заключается в чередовании свёрточных слоёв и субдискретизирующих слоёв. Структура сети — однонаправленная, принципиально многослойная. Для обучения используются стандартные методы, чаще всего метод обратного распространения ошибки. Функция активации нейронов — любая, по выбору исследователя.
Глубокое обучение — совокупность методов машинного обучения, основанных на обучении представлениям, а не специализированных алгоритмах под конкретные задачи. Многие методы глубокого обучения были известны ещё в 1980-е, но результаты не впечатляли, пока продвижения в теории искусственных нейронных сетей и вычислительные мощности середины 2000-х годов не позволили создавать сложные технологические архитектуры нейронных сетей, обладающие достаточной производительностью и позволяющие решать широкий спектр задач, не поддававшихся эффективному решению ранее, например, в компьютерном зрении, машинном переводе, распознавании речи, причём качество решения во многих случаях теперь сопоставимо, а в некоторых превосходит эффективность человека.
Бустинг — ансамблевый метаалгоритм машинного обучения, применяется главным образом для уменьшения смещения, а также дисперсии в обучении с учителем. Также определяется как семейство алгоритмов машинного обучения, преобразующих слабые обучающие алгоритмы в сильные.
