属于人工智能核心技术的是

人工智能（Artificial Intelligence，简称AI）是计算机科学的一个分支，它试图理解和构建智能的系统。人工智能的目标是使机器能够执行通常需要人类智能才能完成的复杂任务，如理解自然语言、识别图像和声音、做出决策等。

人工智能的核心技术主要包括以下几个方面：

1. 机器学习（Machine Learning）：机器学习是人工智能的一个重要分支，它使计算机能够从数据中学习并改进其性能。机器学习算法包括监督学习、无监督学习和强化学习等。这些算法使计算机能够根据输入数据自动调整参数，以实现对特定任务的最佳表现。

2. 深度学习（Deep Learning）：深度学习是机器学习的一个子领域，它使用多层神经网络来模拟人脑的工作方式。深度学习在图像识别、语音识别、自然语言处理等领域取得了显著的成果。深度神经网络通过逐层提取特征，使得模型能够捕捉到更复杂的模式和关系。

3. 自然语言处理（Natural Language Processing，NLP）：自然语言处理是研究计算机如何理解、处理和生成自然语言的技术。NLP技术包括文本分析、语义理解、情感分析、机器翻译等。这些技术使得计算机能够与人类进行自然的交流，解决许多实际问题。

4. 计算机视觉（Computer Vision）：计算机视觉是研究如何让计算机“看”和“理解”图像和视频的技术。计算机视觉技术包括图像识别、目标检测、图像分割、场景理解等。这些技术使得计算机能够从图像中提取有用的信息，为各种应用场景提供支持。

5. 专家系统（Expert Systems）：专家系统是一种基于知识库和推理机制的人工智能应用。专家系统通过模拟人类专家的思维过程，利用专业知识来解决特定领域的复杂问题。专家系统在医疗诊断、金融风险评估、法律咨询等领域得到了广泛应用。

6. 机器人技术（Robotics）：机器人技术是研究如何使机器具备感知、理解、规划和执行任务的能力。机器人技术包括机器人感知、机器人控制、机器人导航、机器人交互等。机器人技术在制造业、物流、医疗、家庭服务等领域具有广泛的应用前景。

7. 知识图谱（Knowledge Graph）：知识图谱是一种结构化的知识表示方法，它将现实世界中的事实、概念、关系等信息组织成有向图的形式。知识图谱在知识发现、知识检索、知识推理等方面具有重要作用。知识图谱技术可以帮助人们更好地理解和利用大量结构化数据。

8. 强化学习（Reinforcement Learning）：强化学习是一种机器学习方法，它通过与环境的交互来学习最优策略。强化学习在游戏、机器人控制、自动驾驶等领域具有重要的应用价值。强化学习算法包括Q-learning、SARSA、Deep Q Network等。

9. 自然语言理解（Natural Language Understanding，NLU）：自然语言理解是研究如何让计算机理解人类语言的技术。自然语言理解技术包括词义消歧、句法分析、语义分析等。这些技术使得计算机能够准确地理解人类语言，为各种应用场景提供支持。

10. 语音识别（Speech Recognition）：语音识别是研究如何让计算机听懂人类语音的技术。语音识别技术包括声学模型、语言模型、解码器等。这些技术使得计算机能够准确地识别人类语音，为各种应用场景提供支持。