【这是 系列 的第 4 部。在继续之前，请确保您阅读了关于 搜索知识 和 不确定性 的内容。接下来的题目是 机器学习*神经网络 ，以及 语言 。】*
超过三分之二的人工智能价值创造来自于对现有系统和流程的改进。这是根据麦肯锡的* 【人工智能前沿笔记】 (一个关于人工智能价值创造的高度推荐的资源和战略商业视角)。*
尽管这一统计包括传统和先进的技术以及广泛的人工智能应用，但其主要份额植根于简单的优化问题。想想看，改造全球供应链的物流或提高金融预测模型的准确性。
人工智能每年可以创造 15.4 万亿美元的价值。
在 优化 中，目标是从一组预先确定的选项中选择可能的最佳选项，通常隐藏在数据深处。为了释放增量价值，我们可以利用局部搜索*、线性规划或约束满足等方法来创建实际的、真实世界的应用程序。*
为了让你进入这个令人兴奋的领域，本文简要定义了 的主要概念和术语。
***本地搜索:*保持单个节点并通过移动到相邻节点进行搜索的搜索算法
***状态空间景观:*考虑实例的连续状态的过程，目的是找到具有期望属性的目标状态
***全局最大值:*集合、函数等的整体最大值。，在其整个范围内
全局极大值
***全局最小值:*集合、函数等的最小整体值。，在其整个范围内
全局极小值
***目标函数:*使其最大化的函数(例如，对于收入)
***成本函数:*最小化的函数(如成本)；它可能看起来像这样:
*50[x1] + 80[x2]*
当前状态:(或配置)当前存储在内存中的输入、变量和常量的动态集合
初速电流状态
***爬山:*一种优化技术，用于寻找计算问题的“局部最优”解决方案；变体包括最速上升、随机、首选、随机重启和局部波束搜索
爬山
***最陡爬坡:*选择最高值邻居的爬山变体
***随机:*爬山变体，从更高值的邻居中随机选择
***首选:*爬山变体，它选择第一个更高值的邻居
***随机重启:*爬山变体，进行多次爬山
***局部波束搜索:*爬山变体，其选择 k 个最高值的邻居
模拟退火:一种用于优化复杂搜索算法的技术
***线性规划:*一种数学方法，用于从定义的选项或要求中确定最佳可能结果，以线性关系表示
***单纯形:*常见的线性规划算法
***内点:*另一种常见的线性规划算法
***约束满足:*寻找一组约束的解决方案的过程，这些约束强加了变量必须满足的条件；约束类型包括硬约束、软约束、一元约束和二元约束
约束满足
***约束函数:*指定非线性规划问题中规定条件的函数，(即时间、劳动或投入)；它可能看起来像这样:
*5[x1] + 2[x2] <= 100*
***硬约束:*正确解决方案中必须满足的约束
***软约束:*约束表达了哪些解决方案优于其他方案的一些概念
***一元约束:*只涉及一个变量的约束
*{A ≠ Monday}*
***二元约束:*涉及两个变量的约束
*{A ≠ B}*
***节点一致性:*当一个变量的值域中的所有值都满足该变量的一元约束时
***弧一致性:*当一个变量的定义域中的所有值都满足该变量的二元约束时；为了使弧相对于 B 一致，从 A 的定义域中删除元素，直到 A 的每个选择对 B 都有可能的选择
*A {mon,tue, wed}
B {mon, tue, wed}
...*
电弧一致性
***反向训练搜索:*深度优先搜索算法，系统地将所有可能的值组合分配给变量，以检查这些分配是否构成解决方案
***维护弧一致性:*每当我们做一个新的赋值时，执行弧一致性的算法
***最小约束值启发式:*根据相邻变量被排除的选择数，按顺序返回变量的方法(首先尝试最小约束值)
既然你已经能够解释基本的优化相关术语，你就有希望更加自如地独自探索这个广阔的领域。
然而，如果不探索 其他相关主题 ，包括 搜索知识不确定性学习神经网络 和，你就无法完成成为一名成熟的人工智能领导者的旅程**
喜欢你读的东西？ 渴望了解更多？ 跟我上 中 或LinkedIn。
关于作者: Yannique Hecht 作品领域结合策略、客户洞察、数据、创新。虽然他的职业生涯一直在航空、旅游、金融和技术行业，但他对管理充满热情。Yannique 专门开发 AI &机器学习产品商业化的策略。
由向艾发布