| English | Russian |
| acquire statistical models from parallel collections of translations | извлекать статистические модели из параллельных текстов (Alex_Odeychuk) |
| automatically created from a question | автоматически созданный на основе текста вопроса (Alex_Odeychuk) |
| derive from textual resources | извлекать из источников текстовой информации (Alex_Odeychuk) |
| distinguish objects in a photo from one another | отличать объекты на фотографии друг от друга (Computerworld Alex_Odeychuk) |
| extract facts from the existing data | извлекать факты из существующих данных (Alex_Odeychuk) |
| extract information from clinical texts | извлекать информацию из текстовых документов клинических исследований (Alex_Odeychuk) |
| extract meaning from large volumes of data | извлекать смысл из больших объёмов данных (InfoWorld Alex_Odeychuk) |
| extracting knowledge from images, diagrams, and videos | извлечение знаний из изображений, графиков и видеозаписей (Alex_Odeychuk) |
| extracting visual knowledge from images and videos | извлечение визуальной информации из изображений и видеозаписей (Alex_Odeychuk) |
| extraction of semantic information from text | извлечение из текста логически организованной информации понятийного характера (Alex_Odeychuk) |
| extraction of semantic information from text | извлечение семантической информации из текста (Alex_Odeychuk) |
| knowledge retrieved from sources | выжимка из источников знаний (Alex_Odeychuk) |
| learn from data | обучаться на данных (Alex_Odeychuk) |
| learn from experience | учиться на своём опыте (singularityhub.com Alex_Odeychuk) |
| learn from previous translations | обучаться на ранее выполненных переводах (IBM Alex_Odeychuk) |
| learn from the internet | учиться на данных из интернета (singularityhub.com Alex_Odeychuk) |
| learning from examples | обучение по прецедентам (основано на выявлении закономерностей в эмпирических данных. Общая постановка задачи обучения по прецедентам: имеется множество объектов (ситуаций) и множество возможных ответов (откликов, реакций). Существует некоторая зависимость между ответами и объектами, но она неизвестна. Известна только конечная совокупность прецедентов – пар "объект, ответ", называемая обучающей выборкой. На основе этих данных требуется восстановить зависимость, то есть построить алгоритм, способный для любого объекта выдать достаточно точный ответ. Для измерения точности ответов определённым образом вводится функционал качества. Данная постановка является обобщением классических задач аппроксимации функций. В классических задачах аппроксимации объектами являются действительные числа или векторы. В реальных прикладных задачах входные данные об объектах могут быть неполными, неточными, нечисловыми, разнородными Alex_Odeychuk) |
| learning from examples | индуктивное обучение (основано на выявлении закономерностей в эмпирических данных Alex_Odeychuk) |
| learning from weak or partial feedback | обучение со слабой или частичной обратной связью (Alex_Odeychuk) |
| methods from data mining, natural-language processing, and computer vision | методы поиска скрытых закономерностей в данных, обработки естественного языка и машинного зрения (Alex_Odeychuk) |
| personality recognition from text | автоматическое распознавание типа личности по тексту (часто сокращается как PRT – см. работы Fabio Celli Lory Rosh) |
| raw output from machine translation | перевод, выполненный системой машинного перевода (Alex_Odeychuk) |
| resulting from the pattern matching | в результате сопоставления с образом (Alex_Odeychuk) |
| sentiment analysis from social networks | анализ эмоциональной окраски сообщений в социальных сетях (InfoWorld Alex_Odeychuk) |
| train on data from the internet | обучаться на данных из интернета (singularityhub.com Alex_Odeychuk) |
