Оптимизация: Определение максимума или минимума функции. В контексте принятия решений это означает поиск наилучшего варианта действий. Оптимизация возможна только в маленьких мирах.
Прогнозирование вне популяции: Предсказания модели в популяции, которая отличается от популяции, на которой обучалась модель.
Вневыборочное предсказание: Предсказания модели, полученные в результате процедуры кросс-валидации, то есть оценки параметров модели в одной части набора данных (обучающая выборка) и оценки того, насколько хорошо модель предсказывает в другой части того же набора данных (тестирующая выборка); в отличие от подгонки.
Эвристика рецидива: Прогнозируйте, что ставка в следующем периоде будет такой же, как и в последнем. Эта эвристика экологически рациональна в быстро меняющихся и нестабильных ситуациях, например, при прогнозировании изменчивого рыночного спроса.
Эвристика признания: если одна из двух альтернатив признана, а другая - нет, то можно сделать вывод, что признанная альтернатива имеет более высокий балл по критериальной переменной. Эвристика экологически рациональна в ситуациях, когда существует сильная корреляция между признанием и критерием.
Риск: ситуация, в которой известны вероятности всех последствий в каждом возможном будущем состоянии; частный случай малого мира.
Удовлетворение: Эвристика, которая задает уровень стремления α и выбирает первую альтернативу, которая ему удовлетворяет. Имеет две версии: (1) сатисфичинг без адаптации к уровню стремления, когда α фиксировано; и (2) сатисфичинг с адаптацией к уровню стремления, когда α изменяется на величину γ после периода поиска β и не найдено удовлетворяющей альтернативы.
Малый мир: Ситуация, когда известно исчерпывающее и взаимоисключающее множество всех возможных будущих состояний S и их последствий C. Термин принадлежит Леонарду Сэвиджу, который использовал аббревиатуру (S, C). В отличие от больших миров, в малом мире никогда не может произойти ничего нового и неожиданного. Если известны также вероятности последствий, то малый мир называется ситуацией риска, если нет - ситуацией неоднозначности.
Умная эвристика: Эвристика, используемая в ситуациях, когда она экологически рациональна - то есть ожидается, что она превзойдет другие стратегии или эвристики.
Социальная эвристика: Класс эвристик, которые полагаются исключительно на социальную информацию, например, "из уст в уста" и "подражание успешным".
Компромисс между скоростью и точностью: утверждение, что эвристика должна жертвовать точностью ради скорости; верно в ситуациях риска, но ложно в условиях неопределенности.
Принцип стабильного мира: Сложные алгоритмы лучше всего работают в хорошо определенных, стабильных ситуациях, когда доступны большие объемы данных, в то время как эвристика лучше всего работает в плохо определенных, нестабильных ситуациях, связанных с неопределенностью. Этот принцип помогает понять, при решении каких задач сложные алгоритмы искусственного интеллекта будут успешными, а где лучше сработают простые алгоритмы или эвристика.
Выбирай лучшее: Эвристика, которая перебирает подсказки в порядке их валидности и останавливает поиск на первой подсказке, где значения альтернатив различаются. Эвристика take-the-best экологически рациональна в ситуациях, когда веса подсказок уменьшаются экспоненциально - то есть вес каждой подсказки больше суммы весов подсказок, которые еще не были найдены.
Подсчет: Тип эвристики равенства, в которой задается число k, так что если цель имеет k положительных значений подсказки или больше, классифицируйте ее как относящуюся к категории X; в противном случае - не классифицируйте. Подсчет является экологически рациональным, если веса подсказок равны или близки друг к другу.
Tit-for-tat: Сначала сотрудничайте, а затем имитируйте ход противника. Этот способ очень эффективен против широкого спектра стратегий в итерированной игре "дилемма заключенного".
Прозрачность: Правило или алгоритм прозрачны, если пользователи могут их понять, запомнить, выучить и выполнить. Простые правила воплощают прозрачность.
Компромисс между прозрачностью и точностью: утверждение, что алгоритмы, включая машинное обучение и эвристику, должны жертвовать прозрачностью ради точности. Обычно этот компромисс не имеет места, поскольку эвристика может быть и прозрачной, и точной.
Неопределенность: Неопределенная ситуация, когда исчерпывающий и взаимоисключающий набор всех возможных будущих состояний S и их последствий C не известен или не поддается определению. В отличие от малого мира, неопределенность препятствует оптимизации, но является движущей силой инноваций. Ее часто путают с двусмысленностью, которая представляет собой ситуацию малого мира.