Муниципальное общеобразовательное учреждение

Иркутского районного муниципального образования

«Карлукская средняя общеобразовательная школа»

Индивидуальный итоговый проект

История искусственного интеллекта 

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ        3

ГЛАВА 1. ИСТОРИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА        4

1.1. Возникновение области        4

1.2. Перцептрон        5

1.3. Первая зима искусственного интеллекта        6

1.4. Подъём области в 80-е и вторая зима искусственного        7

1.5. Восстановление индустрии искусственного интеллекта        9

1.6. Революция в области искусственного интеллекта        11

ГЛАВА 2. РАЗРАБОТКА ЭЛЕКТРОННОГО УЧЕБНИКА        13

2.1. Основы веб программирования        13

2.2 Описание электронного учебника        22

ЗАКЛЮЧЕНИЕ        24

СПИСОК ИСПОЛЬЗУЕМОЙ ЛИТЕРАТУРЫ        25

ВВЕДЕНИЕ

Актуальность: В 2022 году Президент Российской Федерации В.В. Путин призвал обеспечить массовое внедрение искусственного интеллекта. На одной из конференций он заявил, что в России необходимо массово внедрить искусственный интеллект в различные сферы жизнедеятельности. По его словам, такая задача ставится на ближайшие десять лет.

Помимо этого, В.В. Путин подчеркнул, что каждый национальный проект и государственная программа должны содержать меры по расширению применения новых технологий, а компании должны отражать это в своих инвестиционных планах. Также глава государства предложил учредить ежегодную премию ученым, инженерам и компаниям, работающим в сфере искусственного интеллекта.

В связи с этим многие люди, в том числе и я, крайне заинтересованы в изучении и развитии данной сферы. В этом проекте детально изучается история ИИ.
Гипотеза: большой вклад в развитие искусственного интеллекта внесли российские ученые.
Цель проекта: создание электронного учебника «История искусственного интеллекта».

Задачи:

1. Пройти онлайн-курс по истории искусственного интеллекта.
2. Изучить основы веб-программирования.
3. Создать электронный учебник «История искусственного интеллекта».

Методы:

1. Анализ литературы и интернет-источников.
2.  Синтез собранной информации.
3. Моделирование.

   ---

   ГЛАВА 1. ИСТОРИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

1.1. Возникновение области

Искусственный интеллект — комплекс технологических решений, позволяющий имитировать когнитивные функции человека и получать при выполнении конкретных практически значимых задач обработки данных результаты, сопоставимые как минимум с результатами интеллектуальной деятельности человека.

Данное определение точно передаёт суть того, чем является современный искусственный интеллект. Это набор некоторых алгоритмов, которые позволяют за счёт имитации когнитивных функций человека решать отдельно взятые задачи на полезном для людей уровне.

Одной из первых работ в области принято считать статью Computing Machinery and Intelligence английского математика Алана Тьюринга, вышедшую в 1950 году. В ней был сформулирован тест Тьюринга для определения наличия у машины интеллекта.

В его классическом варианте три игрока: компьютер, женщина и судья, играют в следующую игру. Задача судьи — понять, кто из игроков женщина. Задача компьютера — обмануть судью и убедить его, что он является женщиной. Задача женщины — убедить судью, что женщиной является она. Игроки не видят друг друга и могут общаться только посредством текстовых сообщений. Если машине удаётся обмануть судью, то она считается прошедшей тест.

С годами исследователи пришли к выводу, что оценивать только одну составляющую интеллекта машины — его способность коммуницировать с людьми — не совсем корректно. Поэтому сейчас тест Тьюринга на практике не используется.

Однако настоящим годом рождения области искусственного интеллекта считается 1956-й. Тогда состоялся Дартмутский семинар — мероприятие, в рамках которого группа учёных планировала существенно продвинуться в решении отдельных вопросов искусственного интеллекта. В частности, научить машины использовать язык и формировать абстракции.

Амбициозные цели, которые ставили перед собой участники семинара, достигнуты не были. Большинство из предложенных к решению в рамках семинара задач не решены нами полностью до сих пор. Однако мероприятие дало важный стартовый импульс области, а люди, которые приняли в нём участие, по праву считаются её отцами-основателями.

К их числу относятся Джон Маккарти, автор термина «искусственный интеллект» и создатель языка программирования Lisp, и Марвин Ли Минский, который вместе с Маккарти в 1959 году основал лабораторию компьютерных наук и искусственного интеллекта в MIT.

1.2. Перцептрон

В 1957 году американский психолог Фрэнк Розенблатт разработал самообучающуюся модель, которая является прародителем современных методов глубокого обучения — «перцептрон Розенблатта». Структура модели была вдохновлена структурой реального нейрона.

Нейрон — это клетка, которая является структурной единицей нашей нервной системы. Посредством нейронов, сгруппированных в сети, по нашему телу передаются сигналы: например, от зрительных органов в мозг.

Нейрон состоит из тела, от которого отходят отростки двух видов: дендриты и аксон. По дендритам нейрон принимает сигнал от соседних нейронов. По аксону — передаёт сигнал дальше. На основе входящих сигналов нейрон принимает решение о передаче сигнала по аксону. В этом случае говорят, что он прошёл активацию.

Перцептрон — это «искусственный нейрон», то есть некоторая математическая модель, которая является сильным упрощением строения реального нейрона.

1.3. Первая зима искусственного интеллекта

Несмотря на все совершённые в области искусственного интеллекта открытия, в 1970-е она погрузилась в состояние застоя. Этот период называется «зимой искусственного интеллекта».

С самого начала планы исследователей в области искусственного интеллекта были очень оптимистичными. Так, в 1970 году Марвин Ли Минский в интервью сказал: «В период от 33 до 88 лет мы создадим машину, равную по своим интеллектуальным способностям обычному человеку».

Исследователи искренне верили в то, что говорили. Они понимали, что стоят на пороге грандиозного прорыва для всего человечества, и рано или поздно он произойдёт. Но точных сроков никто дать так и не смог.

Подобные обещания создавали завышенные ожидания от области. И в моменты, когда эти ожидания переставали оправдываться, происходили локальные коллапсы, которые в итоге стали глобальными и привели к заморозке активных исследований искусственного интеллекта на многие годы.

В 50-х и 60-х годах в США велась разработка крупного проекта по созданию автоматического переводчика текстов с русского языка на английский. Основу проекта составляли технологии правилового перевода — подхода к машинному переводу, который при переводе текста основывается на использовании заданных лингвистами правил. В середине 60-х специальный комитет по вопросам продолжения инвестиций в проект постановил, что получившееся решение более дорогое и менее точное, чем человеческий перевод. В связи с этим финансирование проекта было остановлено.

В 1969 году Марвин Ли Минский и Сеймур Пейперт выпустили книгу «Перцептроны», в которой, в частности, показали ограниченность отдельных моделей на их основе. Благодаря именам авторов книга приобрела широкую известность и надолго оттолкнула исследователей от темы только зарождавшихся в то время нейронных сетей. После этого заниматься перцептронами и нейронными сетями стало очень невыгодно: на протяжении 10 лет грантов на соответствующие исследования почти не давали.

В 1973 году правительством Великобритании была проведена оценка актуальных исследований в области искусственного интеллекта. В результате появился так называемый «отчёт Лайтхилла», который критиковал область за её неспособность претворить в жизнь все свои «грандиозные цели». Публикация отчёта привела к почти полному прекращению финансирования правительством Великобритании исследований в области.

Так в середине 70-х годов началась первая «зима искусственного интеллекта» — период, когда количество исследований в области существенно сократилось по причине отсутствия источников финансирования.

1.4. Подъём области в 80-е и вторая зима искусственного интеллекта

Следующий подъём искусственного интеллекта пришёлся на первую половину 80-х.

Импульс для подъёма дал успех экспертных систем, которые начали активно разрабатываться в конце 60-х и начале 70-х годов. Экспертная система — программа, которая отвечает на конкретный вопрос или решает поставленную задачу, основываясь на правилах, полученных от экспертов.

Преимуществом экспертных систем являлось то, что они фокусировались на решениях очень специфичных задач. Кроме того, ранние экспертные системы были просты с точки зрения разработки и добавления новых правил.

Использование экспертных систем оказалось коммерчески выгодным, и к 1985 году компании по всему миру активно разрабатывали и использовали подобные системы.

Параллельно с повышением интереса к искусственному интеллекту со стороны компаний возобновились исследования в области нейронных сетей, которая в 80-е годы стала называться «глубоким обучением».

К началу десятилетия был разработан алгоритм обратного распространения ошибки, который можно использовать для эффективного обучения многослойных перцептронов. Ранее отсутствие подобного алгоритма являлось препятствием для применения глубоких нейронных сетей для решения прикладных задач.

Широкую известность метод получил после того, как его исследованием занялся Джеффри Хинтон. Хинтон по праву считается отцом-основателем глубокого обучения: в 2019 году вместе с двумя коллегами, Йошуа Бенжио и Яном Лекуном, он получил премию Тьюринга за развитие глубокого обучения.

Также в течение 80-х появились многие из тех архитектур нейронных сетей, которыми мы пользуемся сейчас: рекуррентные нейронные сети, автокодировщики. Свёрточные нейронные сети, использующиеся для распознавания изображений, были изобретены уже в 1979 году Кунихико Фукусимой, которого на их создание вдохновило строение зрительной коры головного мозга.

Однако с ростом интереса к искусственному интеллекту стали непропорционально расти ожидания от области, порождавшиеся ранними успехами экспертных систем. Но их развитие просто не успевало за волной энтузиазма, поднявшейся вокруг области. Этот, а также ряд других факторов в итоге привели ко второй зиме искусственного интеллекта.

В 1987 году в США произошёл коллапс индустрии Lisp-машин. Индустрия занималась производством компьютеров для запуска программ на языке программирования Lisp, который активно применялся для создания экспертных систем. Крах индустрии, созданной для развития технологий искусственного интеллекта, серьёзно подорвал её позиции с точки зрения инвесторов.

Параллельно в 1992 году в Японии стало окончательно понятно, что инициатива создания «Компьютера пятого поколения», который должен был стать основной платформой для развития приложений на базе искусственного интеллекта, тоже потерпела неудачу.

На фоне нараставшего пессимизма по отношению к области искусственного интеллекта к концу 1993 года более 300 компаний, занимавшихся разработками в сфере, закрылись, обанкротились или были приобретены другими компаниями. Это стало окончанием первой коммерческой волны развития искусственного интеллекта.

1.5. Восстановление индустрии искусственного интеллекта

Вторая зима искусственного интеллекта не заморозила область почти на десять лет, как было в прошлый раз. Несмотря на сильный удар, который она получила, область продолжила развиваться. В конце 90-х и нулевых годов разработки в области искусственного интеллекта были успешнее, чем когда-либо.

Можно выделить несколько основных причин этого успеха.

Во-первых, в 90-е годы вычислительная мощность компьютеров неуклонно росла.

В 1997 году разработанный IBM алгоритм Deep Blue обыграл действующего чемпиона мира Гарри Каспарова. Это был прорыв в области искусственного интеллекта, однако важно то, что Deep Blue был не только умнее своих предшественников с алгоритмической точки зрения, но и просто был на порядки мощнее их.

Во-вторых, увеличивался объём данных, доступных для построения моделей искусственного интеллекта.

В 80-е годы фокус в области сместился на разработку алгоритмов, которые учились решать конкретные задачи на основе реальных данных. Для их успешной работы требовались большие объёмы данных, которые с наступлением эпохи интернета становились всё более доступными.

В-третьих, в 90-е окончательно сформировалось понимание, что для решения каждой конкретной задачи с помощью методов искусственного интеллекта нужен свой подход.

При этом, начиная с 1995 года, тема нейронных сетей оказалась чуть ли не под запретом: статьи с соответствующими исследованиями просто не принимались научным сообществом.

К возможным причинам этого явления можно отнести то, что для обучения моделей глубокого обучения компьютеры всё ещё не были достаточно производительными. Кроме того, данных для создания соответствующих моделей всё равно не хватало. И в отсутствие ключевых компонентов для своего существования глубокое обучение на некоторое время ушло в подполье.

Машинное обучение — это общая наука о создании алгоритмов, которые на основе данных учатся решать конкретные задачи. А глубокое обучение — это лишь подраздел машинного обучения, однако у науки есть и другие подразделы. Так, в 90-е расцветают методы машинного обучения, основанные на теории вероятностей и математической статистике.

В частности, это линейные модели: линейная регрессия, логистическая регрессия и изобретённый в 1995 году метод опорных векторов (от английского SVM — Support-Vector Machine). С помощью таких моделей тоже можно решать задачи классификации изображений или текстов.

Поддерживаемые ростом производительности компьютеров и ростом объёма данных, статистические методы машинного обучения продолжали успешно применяться вплоть до конца нулевых.

1.6. Революция в области искусственного интеллекта

Обучение нейронных сетей — очень трудоёмкий процесс, который требует достаточного количества данных и большого количества вычислительных ресурсов. И в конце нулевых годов произошло событие, которое изменило представление о том, как можно обучать модели глубокого обучения.

Исследователи смогли перенести процесс обучения нейронных сетей с классических компьютерных процессоров на графические — процессоры, которые используются в видеокартах. Это позволило эффективно обучать нейронные сети на действительно больших объёмах данных.

В 2011 году даже лучшие системы, которые участвовали в соревновании по классификации изображений ImageNet, ошибались в 25% случаев. Но в 2012 году всё изменилось: модель на основе свёрточной нейронной сети, реализованной на графических процессорах, побила рекорд, снизив долю ошибок до 16%. Этот успех обратил на себя внимание всего сообщества.

Именно победа нейронных сетей на ImageNet в 2012 году считается началом революции в области искусственного интеллекта, которая продолжается до сих пор.

Как оказалось, нейронным сетям под силу обыгрывать человека и в видеоигры. В 2013 году британская компания DeepMind опубликовала статью, в которой представила модель искусственного интеллекта для игры в старые видеоигры из коллекции Atari 2600. Секрет алгоритма заключался в использовании нейронных сетей в комбинации с классическими методами обучения с подкреплением — области машинного обучения, которая занимается созданием самообучающихся моделей.

В 2015 году исследователи из DeepMind представили AlphaGo — искусственный интеллект для игры в го, которая раньше считалась неподвластной компьютеру. В том же 2015 году алгоритм обыграл действующего чемпиона Европы по го, а в 2016 году — одного из игроков с наибольшим рейтингом в игре во всём мире.

В 2020 году DeepMind представили на тематическом соревновании алгоритм AlphaFold 22, предназначенный для предсказания трёхмерной структуры белков по их аминокислотным последовательностям. Данная задача называется задачей фолдинга, и на протяжении полувека с того момента, как люди впервые задумались о её решении, прогресс в данном направлении был очень умеренным. Основанный на технологиях глубокого обучения алгоритм DeepMind не только обошёл всех конкурентов, но и смог приблизиться по качеству предсказания трёхмерной структуры белка к качеству работы экспериментальных методов.А в машинный перевод глубокое обучение пришло ещё в 2016 году. Тогда Google представил подход к решению задачи на основе нейронных сетей, который обошёл по качеству перевода большинство методов, существовавших в области.

ГЛАВА 2. РАЗРАБОТКА ЭЛЕКТРОННОГО УЧЕБНИКА

2.1. Основы веб-программирования

HTML — это язык разметки гипертекстовых документов. Он нужен, чтобы отображать в браузере специальным образом отформатированный документ с множеством вложенных элементов: заголовками, абзацами, списками, гиперссылками, медиаисточниками, расположением изображений, видео и аудио. 

Зачем нужен HTML?

Когда пользователь посещает сайт, браузер «подтягивает» файл HTML с данными о структуре и содержании веб-страницы. Функция HTML состоит в выстраивании внешней базы, фундамента, но сам запуск сайта в функционал не входит. HTML только указывает, где должны располагаться элементы, каков их базовый визуал, где брать стили для элементов и скрипты.

Возможности HTML?

HTML-документ можно составлять в любом редакторе, который есть в операционной системе: Notepad на MS Windows, TextEdit в Mac, Pico на Linux. Браузер для работы HTML–документа желателен, но необязателен. Он нужен для того, чтобы показать отформатированный документ.

Просматривать HTML-страницы можно и без выхода в интернет. Для этого нужно создать несколько HTML-файлов в одной папке, расположить в них гиперссылки и переходить по ним от одного документа к другому.

 Что можно и нельзя сделать на HTML?

HTML представляет собой основу внутренней структуры сайта, его базовый каркас. Необходимо учитывать, что этот код является не языком программирования, как, например, Python или C#, а инструментом для разметки гипертекста.

С его помощью браузер выстраивает интернет-страницу в виде, который понятен для людей, вырисовывает ее с помощью CSS и добавляя логику через JavaScript. HTML оптимален для начинающих программистов, он прост в освоении, а приобретенные навыки помогут уже в изучении языков программирования.

В HTML-файле можно задавать:

• гиперссылки;
• списки;
• формы;
• разметку страницы;
• таблицы;
• абзацы;
• картинки;
• видео;
• заголовки.

Создать базовый дизайн только с помощью HTML тоже можно. Например, установить цвет и шрифт текста на странице или фон для блоков. Использовать только код HTML для оформления веб-страниц не рекомендуется, дизайн будет примитивным и не современным. С CSS же творческий процесс ничем не ограничивается. Тем не менее, ряд функций в настоящий момент приходит в HTML из других, более серьезных инструментов. Например, Drag&Drop (перемещение элементов мышкой) ранее было исключительно в JavaScript, теперь это можно делать и на HTML.

Что такое теги HTML?

HTML-документ это текстовый файл с расширением .html или .htm. В браузере он преобразуется в веб-страницу и состоит из набора тегов. Они как раз и помогают представлять текст на экране: благодаря им браузер понимает, что он читает не просто текст, а структурированную информацию, разбитую на блоки.

Тег выглядит как набор символов, заключенный в угловые скобки. Символы в скобках обозначают имя тега, которое описывает его функции. Вот несколько примеров:

— курсив.

Тег – это составной элемент, определяющий разметку структурных блоков. Он открывается, и этим начинает свое действие; и закрывается, обозначая завершение команды. Закрытые и открытые теги различаются только слешем перед именем тега. Эти теги создают оболочку, в которую помещается текст.

Именно незакрытые теги приводят к частым ошибкам и некорректным отображениям страницы. Для наглядности представим, что теги – это матрешки, из которых можно собрать набор. Складывая в большую матрешку все фигурки важно не забывать закрывать все половинки (ставить закрывающие теги), иначе игрушка не получится.

Внутри тега могут быть атрибуты – дополнительная информация, которую нужно скрыть из основного текста. Они ставятся только в открывающий тег, между ним и именем тега должен быть пробел, а после него идет знак равенства. Значение атрибута заключается в кавычки. С их помощью можно расширить возможности тегов и обратиться к ним, чтобы узнать подробную информацию.

Есть теги, которые нет необходимости закрывать. Пример: тег переноса строки
— он одиночный и закрывать его не нужно. Раньше одиночные теги писались с закрывающим слэшем перед закрывающей скобкой. Например:
. В стандарте HTML5 использование закрывающего слеша в одиночных тегах необязательно. Примеры одиночных тегов:
,

Помимо атрибутов в тег можно добавлять вложения, эти элементы могут менять стиль текста. Например, можно выделить какое-то слово жирным шрифтом.

Как выглядит код на HTML?

   

 –предназначается для указания типа документа, так как браузер может интерпретировать разные версии HTML (например, EXtensible HyperText Markup Language, расширенный язык разметки гипертекста). По умолчанию его всегда включают в начало страницы.

 – сообщает браузеру, что это за HTML-документ. Этот тег хранит в себе остальные теги.

 – нужен для хранения других элементов, которые помогают браузеру в работе с данными. Внутри него есть метатеги, которые применяются, чтобы сохранять информацию для браузеров и поисковых систем.

 – тело документа, в котором находятся все видимые пользователю элементы.

 – заголовок веб-страницы. Именно его браузер загрузит как название, а при сохранении страницы в избранное он использует эту фразу как описание закладки.

 – помещает изображение в нужное место. Обычно к нему добавляют атрибут src, в котором содержится путь к этому изображению. Атрибуты width, height определяют ширину и высоту изображения в пикселях.

Основная разметка HTML-страницы – это заголовки, абзацы и списки. Они структурируют информацию на странице, все как в документе Word.

Заголовки:

В HTML бывает шесть уровней заголовков:

–

.

Привет, SkillFactory

Расскажешь

Какие бывают

Уровни заголовка

Заголовок типа

используют обычно один раз, потому что он основной.

Абзац:

Как и на обычном письме, делит текст по смыслу.

Спасибо, SkillFactory, всё понятно. Давай дальше

Списки

Самые распространенные типы списков нумерованные и ненумерованные.

Ненумерованные или маркированные списки добавляются тегом

. Такие списки применяются когда нам не важна последовательность их элементов.

В нумерованном списке, где пункты расположены в определенном порядке, используется тег

.

Отдельные элементы в любом типе списков заводятся тегом

, который также нужно закрывать после каждого пункта.

Преимущества и недостатки HTML

Преимущества:

• широкое распространение;
• совместимость с подавляющим числом браузеров;
• доступность;
• поддержка стандарта консорциумом Всемирной паутины (WWW Consortium);
• простая интеграция с базовыми языками программирования, такими как PHP.

Недостатки:

• не подходит для создания динамических страниц. Для этого может понадобиться JavaScript или PHP;
• некоторые браузеры медленно осваивают поддержку новых функций;
• иногда бывает сложно предугадать реакцию старых браузеров (Internet Explorer версии 8 и более ранней) на новые теги.

Является ли HTML языком программирования?

HTML не обрабатывает данные, а только их отображает. То есть с помощью него нельзя выполнить сложение или умножение, можно только показать текст, в котором будет содержаться нужная формула с ответом. Он отвечает за разметку – ограниченный набор действий, который помогает браузеру отображать страницы.

Однако HTML обладает синтаксисом, семантикой и лексикой, поэтому он попадает в категорию декларативных языков программирования.

HTML-элементы:

HTML-элементы — основа языка HTML. Каждый HTML-документ состоит из дерева HTML-элементов и текста. Каждый HTML-элемент обозначается начальным (открывающим) и конечным (закрывающим) тегом. Открывающий и закрывающий теги содержат имя элемента.

Неполный список HTML элементов:

Элемент	Описание
	Используется для добавления комментариев.
	Объявляет тип документа и предоставляет основную информацию для браузера — его язык и версия.
	Создаёт гипертекстовые ссылки.
	Определяет текст как аббревиатуру или акроним. Поясняющий текст задаётся с помощью атрибута title.
	Задает контактные данные автора/владельца документа или статьи. Отображается в браузере курсивом.
	Представляет собой гиперссылку с текстом, соответствующей определенной области на карте-изображении или активную область внутри карты-изображения. Всегда вложен внутрь элемента
	Раздел контента, который образует независимую часть документа или сайта, например, статья в журнале, запись в блоге, комментарий.
	Представляет контент страницы, который имеет косвенное отношение к основному контенту страницы/сайта.
	Загружает звуковой контент на веб-страницу.
	Задает полужирное начертание отрывка текста, не придавая акцент или важность выделенному.
	Задает базовый адрес (URL), относительно которого вычисляются все относительные адреса. Это поможет избежать проблем при переносе страницы в другое место, так как все ссылки будут работать, как и прежде.
	Изолирует отрывок текста, написанный на языке, в котором чтение текста происходит справа налево, от остального текста.
	Отображает текст в направлении, указанном в атрибуте dir, переопределяя текущее направление написания текста.
	Выделяет текст как цитату, применяется для описания больших цитат.
	Представляет тело документа (содержимое, не относящееся к метаданным документа).
	Перенос текста на новую строку.
	Создает интерактивную кнопку. Элемент может содержать текст или изображение.
	Холст-контейнер для динамического отображения изображений, таких как простые изображения, диаграммы, графики и т.п. Для рисования используется скриптовый язык JavaScript.
Добавляет подпись к таблице. Вставляется сразу после открывающего тега  . Используется для указания источника цитирования. Отображается курсивом. Представляет фрагмент программного кода, отображается шрифтом семейства monospace. Выбирает для форматирования один или несколько столбцов таблицы, не содержащих информацию одного типа. Создает структурную группу столбцов, выделяющую множество логически однородных ячеек. Элемент используется для связывания значения атрибута value, которое представлено в машиночитаемом формате и может быть обработано компьютером, с содержимым элемента. Элемент-контейнер для выпадающего списка элемента . Варианты значений помещаются в элементы . Используется для описания термина из элемента  . Помечает текст как удаленный, перечёркивая его. Создаёт интерактивный виджет, который пользователь может открыть или закрыть. Представляет собой контейнер для контента, видимый заголовок виджета помещается в элемент  . Определяет слово как термин, выделяя его курсивом. Текст, идущий следом, должен содержать расшифровку этого термина. Интерактивный элемент, с которым взаимодействует пользователь для выполнения задачи, например, диалоговое окно, инспектор или окно. Без атрибута open не виден для пользователя. Элемент-контейнер для разделов HTML-документа. Используется для группировки блочных элементов с целью форматирования стилями. Элемент-контейнер, внутри которого находятся термин и его описание. Используется для задания термина. Выделяет важные фрагменты текста, отображая их курсивом. Элемент-контейнер для встраивания внешнего интерактивного контента или плагина. Группирует связанные элементы в форме, рисуя рамку вокруг них. Заголовок/подпись для элемента  . Самодостаточный элемент-контейнер для такого контента как иллюстрации, диаграммы, фотографии, примеры кода, обычно с подписью. Определяет завершающую область (нижний колонтитул) документа или раздела. Форма для сбора и отправки на сервер информации от пользователей. Не работает без атрибута action. Создают заголовки шести уровней для связанных с ними разделов. Элемент-контейнер для метаданных HTML-документа, таких как