📕 Математические алгоритмы для программистов. 3D-графика, машинное обучение и моделирование на Python [2023] Орланд Пол
📕 Math for Programmers: 3D graphics, machine learning, and simulations with Python [2021] Paul Orland

⚠️ Книги предоставляется вам для ознакомления и не для распространения

💵 Купить книги (EN-версия) или (RU-версия)

📖 Напоминаю, что Вы можете купить книгу в бумаге! Для наших подписчиков лучшие условия.
-35% по промокоду: PHYSICS MATH CODE
💡 Подробности тут

💾 Ознакомиться с книгами

Чтобы получить работу в областях науки о данных, машинного обучения, компьютерной графики или криптографии, вам необходимо иметь сильные математические навыки. Автор учит математике, необходимой для карьеры, концентрируясь на том, что вам нужно знать как разработчику. Книга наполнена большим количеством полезных графиков и содержит более 300 упражнений и мини-проектов.

👨🏻‍💻 Для тех, кто захочет пожертвовать на покупку новых книг и админу на кофе:
ЮMoney: 410012169999048
Карта ВТБ: 4272290768112195
Карта Сбербанк: 2202200638175206

#python #программирование #глубокое_обучение #математика #искусственный_интеллект #AI

📙 Deep Learning Architectures. A Mathematical Approach [2020] Ovidiu Calin

В этой книге описывается, как нейронные сети работают с математической точки зрения. Нейросети можно интерпретировать как универсальные аппроксиматоры функций. Книга устраняет разрыв между идеями и концепциями, которые сегодня используются на интуитивном уровне, и точным современным математическим языком. Её можно использовать в аспирантуре по глубокому обучению, при этом первые несколько частей доступны для студентов старших курсов. Кроме того, она будет интересна исследователям машинного обучения, интересующимся теоретическим пониманием предмета.

💾 Скачать книгу

Достоинства:
▪️ Раскрыты даже довольно редкие теоретические темы;
▪️ Простым языком объяснены сложные математические абстракции.

Глубокое обучение — совокупность методов машинного обучения (с учителем, с частичным привлечением учителя, без учителя, с подкреплением), основанных на обучении представлениям, а не специализированных алгоритмах под конкретные задачи. #deep_learning #глубокое_обучение #ИИ #AI #искусственный_интеллект #машинное_обучение #математика #программирование

📕 Эволюционный глубокой поиск в нейронной архитектуре: основы, методы и последние достижения [2023] Янан Сан , Гэри Г. Йен , Мэнцзе Чжан

💾 Скачать книгу

В этой книге систематически, глава за главой, излагаются основы, методы и последние достижения эволюционного поиска по глубокой нейронной архитектуре. Это предоставит целевым читателям достаточную информацию для изучения с нуля. В частности, части метода посвящены поиску архитектуры неконтролируемых и управляемых глубоких нейронных сетей. Основной аудиторией будут люди, которые хотели бы использовать глубокие нейронные сети, но не имеют / ограничивают опыт ручного проектирования оптимальных глубоких архитектур. Это могут быть исследователи, которые сосредоточены на разработке новых методов поиска эволюционной глубокой архитектуры для общих задач, студенты, которые хотели бы изучить знания, связанные с поиском эволюционной глубокой нейронной архитектуры, и провести соответствующие исследования в будущем, а также практики из областей компьютерного зрения, обработки естественного языка и других, где глубокие нейронные сети успешно и в значительной степени используются в соответствующих областях. #программирование #алгоритмы #квантовые_вычисления #глубокое_обучение #deep_learning #искусственный_интеллект #AI

📙 Automated Machine Learning with AutoKeras: Deep learning made accessible for everyone with just few lines of coding [2021] Luis Sobrecueva

Чему вы научитесь:
▪️ Настройте рабочую станцию глубокого обучения с помощью TensorFlow и AutoKeras
▪️ Автоматизируйте конвейер машинного обучения с помощью AutoKeras
▪️ Создавайте и внедряйте классификаторы изображений и текста и регрессоры с помощью AutoKeras
▪️ Используйте Auto Keras для выполнения анализа настроений текста, классифицируя его как негативный или положительный
▪️ Используйте возможности автопроизводителей для классификации документов по темам
▪️ Максимально используйте возможности автопроизводителей, используя его самые мощные расширения

💾 Скачать книгу

Эта книга предназначена для энтузиастов машинного обучения и глубокого обучения, которые хотят применить автоматизированные методы ML к своим проектам. Ожидается, что предварительные базовые знания в области программирования на Python и машинного обучения позволят извлечь максимальную пользу из этой книги.

#программирование #алгоритмы #квантовые_вычисления #глубокое_обучение #deep_learning #искусственный_интеллект #AI #python

📙 Automated Machine Learning with AutoKeras: Deep learning made accessible for everyone with just few lines of coding [2021] Luis Sobrecueva

AutoKeras is an AutoML open-source software library that provides easy access to deep learning models. If you are looking to build deep learning model architectures and perform parameter tuning automatically using AutoKeras, then this book is for you. This book teaches you how to develop and use state-of-the-art AI algorithms in your projects. It begins with a high-level introduction to automated machine learning, explaining all the concepts required to get started with this machine learning approach. You will then learn how to use AutoKeras for image and text classification and regression. As you make progress, you'll discover how to use AutoKeras to perform sentiment analysis on documents. This book will also show you how to implement a custom model for topic classification with AutoKeras. Toward the end, you will explore advanced concepts of AutoKeras such as working with multi-modal data and multi-task, customizing the model with AutoModel, and visualizing experiment results using AutoKeras Extensions. By the end of this machine learning book, you will be able to confidently use AutoKeras to design your own custom machine learning models in your company. #программирование #алгоритмы #квантовые_вычисления #глубокое_обучение #deep_learning #искусственный_интеллект #AI #python

📗 Изучаем Ray [2023] Пумперла М., Оукс Э., Ляо Р.
📘 Learning Ray: Flexible Distributed Python for Machine Learning [2023] Max Pumperla, Edward Oakes, Richard Liaw

⚠️ Книги предоставляется вам для ознакомления и не для распространения

💳 Купить книгу

💾 Ознакомиться с книгами

👨🏻‍💻 Для тех, кто захочет пожертвовать админу на покупку новых книг и на кофе:
ЮMoney: 410012169999048
Карта ВТБ: 4272290768112195
Карта Сбербанк: 2202200638175206

🧬 Наука о данных — сложная и быстро развивающаяся область, которая нуждается в мощных инструментах и фреймворках для управления огромными объемами данных, генерируемых каждый день.
Ray – это платформа кластерных вычислений для распространения и запуска Python-кода, даже со сложными библиотеками или пакетами, на кластерах бесконечного размера. Помимо Python, также Ray предоставляет API для Java и C++. Фреймворк использует задачи (функции) и субъекты (классы), чтобы распараллеливать пользовательский код. Ray помогает реализовать параллельные и распределенные вычисления в жизненном цикле науки о данных.
#программирование #python #ray #машинное_обучение #ИИ #AI

📒 Основы искусственного интеллекта в примерах на Python. 2-е изд. [2023] Анатолий Постолит

⚠️ Книги предоставляется вам для ознакомления и не для распространения

💳 Купить книгу

💾 Ознакомиться

Электронное приложение-архив, доступное на сайте издательства, содержит листинги описанных в книге примеров. В издании обновлены программные коды и версии библиотек, улучшены рисунки, учтены пожелания читателей и исправлены ошибки.

Подборка 📚 3 книги по искусственному интеллекту

👨🏻‍💻Постолит Анатолий Владимирович — доктор технических наук, профессор, академик Российской академии транспорта, лауреат Всероссийского конкурса «Инженер года». Профессиональный программист, автор книг компьютерной тематики, в том числе «Python, Django и Bootstrap для начинающих» и более 120 научных публикаций. Профессор Московского государственного автомобильно-дорожного технического университета (МАДИ). Занимался разработкой и внедрением информационных систем для транспортного комплекса Москвы и Московской области, для транспортного обслуживания зимних Олимпийских игр в г. Сочи, систем оплаты проезда и информирования пассажиров городского общественного транспорта. Специализируется на создании информационных систем на основе MS SQL Server, MS Visual Studio, Bluetooth-технологий, веб-приложений, а также систем искусственного интеллекта, обработки изображений и компьютерного зрения.

#программирование #python #OpenCV #машинное_обучение #ИИ #AI

📒 Основы искусственного интеллекта в примерах на Python. 2-е изд. [2023] Анатолий Постолит

Описаны инструментальные средства для разработки приложений искусственного интеллекта. Даны основы языка программирования Python. Раскрыты основные понятия и определения искусственного интеллекта. Рассмотрены вопросы программной реализации элементов нейронной сети и построения многослойных нейронных сетей. Большое внимание уделено применению специализированных библиотек PyBrain, Scikit-learn, Keras, TensorFlow для формирования структуры нейронных сетей и их обучения, и библиотек ImageAI и OpenCV для обработки изображений. Материал иллюстрирован простыми и понятными примерами, демонстрирующими использование предварительно обученных нейронных сетей для распознавания объектов на изображениях, создания собственных наборов данных, формирования структуры сети, ее обучения и практического применения. Во 2-м издании обновлены программные коды и версии библиотек, улучшены рисунки, учтены пожелания читателей и исправлены ошибки.

Электронное приложение-архив, доступное на сайте издательства, содержит листинги описанных в книге примеров. В издании обновлены программные коды и версии библиотек, улучшены рисунки, учтены пожелания читателей и исправлены ошибки.
#программирование #python #OpenCV #машинное_обучение #ИИ #AI #искусственный_интеллект

📗 Байесовские модели восприятия и действия [2024] Вэй Цзи Ма, Конрад Кёрдинг, Дэниел Голдрайх

Термин «байесовский» (Bayesian) впервые применил Рональд Фишер, английский статистик, биолог-эволюционист, почётный член Лондонского королевского общества и королевского статистического общества (1929 г.). Но в его лексиконе этот термин был ругательным. Он считал, что теория Байеса «должна быть полностью отвергнута».

Но байесовские методы могут заменить классические статистические методы, когда дело доходит до проверки гипотез. Правило Байеса – фундаментальная теорема теории вероятностей – показывает, как оптимально сочетать ожидание, представленное априорным распределением, с наблюдением, представленным функцией правдоподобия, чтобы вычислить апостериорное распределение.

Многие формы восприятия и действий можно математически смоделировать с помощью вероятностного (байесовского) вывода – метода, используемого для получения выводов на основе неопределенных данных. Новая книга «Байесовские модели восприятия и действия» представляет собой введение в методологию построения и использования вероятностных моделей принятия и действий. В данной книге представлены байесовские модели восприятия и действия, которые занимают центральное место в когнитивной науке и нейробиологии.

⚠️ Книги предоставляется вам для ознакомления и не для распространения

💳 Купить книгу

💾 Ознакомиться с книгой

👨🏻‍💻 Для тех, кто захочет пожертвовать на покупку новых книг и на кофе:
ЮMoney: 410012169999048
Карта ВТБ: 4272290768112195
Карта Сбербанк: 2202200638175206

#программирование #алгоритмы #машинное_обучение #статистика #компьютерное_зрение #AI #искусственный_интеллект

📘 Создаём нейронную сеть [2017] Рашид Тарик
📗 Make Your Own Neural Network Tariq Rashid [2016] Rashid Tariq

💾 Скачать книги

Основные темы книги:
▫️ нейронные сети и системы искусственного интеллекта;
▫️ структура нейронных сетей;
▫️ сглаживание сигналов, распространяющихся по нейронной сети, с помощью функции активации;
▫️ тренировка и тестирование нейронных сетей;
▫️ интерактивная среда программирования IPython;
▫️ использование нейронных сетей в качестве классификаторов объектов;
▫️ распознавание образов с помощью нейронных сетей.

Для тех, кто захочет задонатить на кофе☕️:
ВТБ: +79616572047 (СБП)
Сбер: +79026552832 (СБП)
ЮMoney: 410012169999048

Британский физик Стивен Хокинг, в своей статье 2014 года, сказал, что недооценка угрозы со стороны искусственного интеллекта может стать самой большой ошибкой в истории человечества.

#программирование #алгоритмы #машинное_обучение #статистика #компьютерное_зрение #AI #искусственный_интеллект

💡 Physics.Math.Code // @physics_lib

📘 Создаём нейронную сеть [2017] Рашид Тарик

Эта книга представляет собой введение в теорию и практику создания нейронных сетей. Она предназначена для тех, кто хочет узнать, что такое нейронные сети, где они применяются и как самому создать такую сеть, не имея опыта работы в данной области. Автор простым и понятным языком объясняет теоретические аспекты, знание которых необходимо для понимания принципов функционирования нейронных сетей и написания соответствующих программных инструкций. Изложение материала сопровождается подробным описанием процедуры поэтапного создания полностью функционального кода, который реализует нейронную сеть на языке Python и способен выполняться даже на таком миниатюрном компьютере, как Raspberry Pi Zero.

Тарик Рашид — специалист в области количественного анализа данных и разработки решений на базе продуктов с открытым исходным кодом.Имеет ученую степень по физике и степень магистра по специальности "Machine Learning and Data Mining". Проживая в Лондоне, он возглавляет местную группу разработчиков Python (насчитывающую около 3000 участников), организует многочисленные семинары и часто выступает с докладами на международных конференциях.

📗 Make Your Own Neural Network Tariq Rashid [2016] Rashid Tariq

A step-by-step gentle journey through the mathematics of neural networks, and making your own using the Python computer language.
Neural networks are a key element of deep learning and artificial intelligence, which today is capable of some truly impressive feats. Yet too few really understand how neural networks actually work. This guide will take you on a fun and unhurried journey, starting from very simple ideas, and gradually building up an understanding of how neural networks work. You won't need any mathematics beyond secondary school, and an accessible introduction to calculus is also included.

#программирование #алгоритмы #машинное_обучение #статистика #компьютерное_зрение #AI #искусственный_интеллект

💡 Physics.Math.Code // @physics_lib

📚 Искусственный интеллект: современный подход, 4-е изд. [3 тома] [2021] Рассел Стюарт, Норвиг Питер

⚠️ Книги предоставляется вам для ознакомления и не для распространения

💾 Скачать книги

В четвертом, обновленном, пересмотренном и дополненном издании этой книги область искусственного интеллекта (ИИ) исследуется и анализируется во всей ее обширности и глубине. Здесь представлены все современные достижения и изложены идеи, которые были сформулированы в исследованиях, проводившихся в течение последних пятидесяти лет, а также собраны на протяжении двух тысячелетий в областях знаний, ставших стимулом к развитию ИИ как науки. Предыдущие издания этой книги стали классическими образцами литературы по ИИ и приняты в качестве учебного пособия более чем в 1400 университетах 128 стран мира, где были высоко оценены как убедительный итог обобщения результатов, достигнутых в этой области науки.

Для тех, кто захочет поддержать на кофе и печеньки ☕️:
ВТБ: +79616572047 (СБП)
Сбер: +79026552832 (СБП)
ЮMoney: 410012169999048

Книга дополнена обширным набором интернет-ресурсов, включая упражнения, программные и исследовательские проекты, реализации алгоритмов, а также дополнительные материалы и ссылки для студентов и преподавателей. #ИИ #AI #ML #машинное_обучение #искусственный_интеллект

💡 Physics.Math.Code // @physics_lib

📗 Том 1. Решение проблем: знания и рассуждения

Книга дополнена обширным набором интернет-ресурсов, включая упражнения, программные и исследовательские проекты, реализации алгоритмов, а также дополнительные материалы и ссылки для студентов и преподавателей. Что нового в четвертом издании. В четвертом издании читатель познакомится с новейшими технологиями и концепциями, представленными в более унифицированном виде с новым или расширенным охватом таких тем, как машинное обучение, глубокое обучение, трансферное обучение, многоагентные системы, робототехника, обработка естественного языка, проблема причинности, вероятностное программирование, а также конфиденциальность, беспристрастность и безопасность ИИ.

📘 Том 2. Знания и рассуждения в условиях неопределенности

Предыдущие издания этой книги стали классическими образцами литературы по ИИ и приняты в качестве учебного пособия более чем в 1400 университетах 128 стран мира, где были высоко оценены как убедительный итог обобщения результатов, достигнутых в этой области науки. Книга дополнена обширным набором интернет-ресурсов, включая упражнения, программные проекты и исследовательские проекты, реализации алгоритмов, дополнительные материалы и ссылки для студентов и преподавателей.

📙 Том 3. Обучение, восприятие и действие

Самое полное и актуальное введение в теорию и практику искусственного интеллекта! В четвертом, обновленном, пересмотренном и дополненном издании этой книги область искусственного интеллекта (ИИ) исследуется и анализируется во всей ее обширности и глубине. Здесь представлены все современные достижения и изложены идеи, которые были сформулированы в исследованиях, проводившихся в течение последних пятидесяти лет, а также собраны на протяжении двух тысячелетий в областях знаний, ставших стимулом к развитию ИИ как науки. #ИИ #AI #ML #машинное_обучение #искусственный_интеллект

💡 Physics.Math.Code // @physics_lib

📚 5 книг по теме: машинная графика, обработка изображений, контурный анализ

💾 Скачать книги

Машинная графика (МГ) – это совокупность технических, математических и программных средств и приемов, позволяющих осуществить ввод и вывод из ЭВМ графической информации без ручного преобразования информации в числовую или графическую форму. Машинная графика используется во многих научных и инженерных дисциплинах, в бизнесе и кинематографии, рекламном и издательском деле, проектировании.

Обработка изображений — любая форма обработки информации, для которой входные данные представлены изображением, например, фотографиями или видеокадрами.

Контурный анализ — это область науки, посвященная обработке изображения, содержащая в себе набор алгоритмов и методов по нахождению границ (контуров) объектов и работе с границами объектов на изображении.
#математика #искусственный_интеллект #машинное_обучение #обработка_изображений #контурный_анализ #линейная_алгебра #ML #AI

💡 Physics.Math.Code // @physics_lib

📙 Обработка изображений и цифровая фильтрация [1979] Хуанг Т.
📘 Быстрые алгоритмы в цифровой обработке изображений Преобразования и медианные фильтры [1984] Хуанг Т.С.

💾 Скачать книги

Обработка изображений — любая форма обработки информации, для которой входные данные представлены изображением, например, фотографиями или видеокадрами. #математика #искусственный_интеллект #машинное_обучение #обработка_изображений #контурный_анализ #линейная_алгебра #ML #AI

Для тех, кто захочет поддержать на кофе и печеньки ☕️:
ВТБ: +79616572047 (СБП)
Сбер: +79026552832 (СБП)
ЮMoney: 410012169999048

💡 Physics.Math.Code // @physics_lib

📙 Кластерный анализ [1988] Мандель Игорь Давидович

💾 Скачать книгу

Основная идея кластерного анализа (clustering, cluster analysis) заключается в том, чтобы разбить объекты на группы или кластеры таким образом, чтобы внутри группы эти наблюдения были более похожи друг на друга, чем на объекты другого кластера. При этом мы заранее не знаем на какие кластеры необходимо разбить наши данные. Это связано с тем, что мы обучаем модель на неразмеченных данных (unlabeled data), то есть без целевой переменной, компонента y. Именно поэтому в данном случае говорят по машинное обучение без учителя (Unsupervised Learning).

Кластерный анализ может применяться для сегментации потребителей, обнаружения аномальных наблюдений (например, при выявлении мошенничества) и в целом для структурирования данных, о содержании которых мало что известно заранее. #математика #искусственный_интеллект #машинное_обучение #обработка_изображений #контурный_анализ #линейная_алгебра #ML #AI

💡 Physics.Math.Code // @physics_lib

📱 Revisiting BPR: A Replicability Study of a Common Recommender System Baseline

💾 Скачать исследование – ссылка

Ученые из лаборатории искусственного интеллекта T-Bank AI Research представили новый алгоритм, который с помощью ИИ увеличивает точность онлайн-рекомендаций до 50% в некоторых случаях. Разработчики взяли за основу и улучшили популярный алгоритм для предсказания предпочтений пользователей Bayesian Personalized Ranking, который считается одним из мировых стандартов в рекомендательных системах. Поиск наиболее эффективного варианта алгоритма занял более 200 000 GPU-часов и 15 000 экспериментов на внутренних данных Т-Банка с различными комбинациями параметров модели. Отмечается также, что новая разработка оказалась на 10% точнее алгоритма Mult-VAE, которую ранее опубликовали разработчиками из Netflix.

Новый алгоритм позволит компаниям улучшать свои метрики, в том числе конверсию в покупку, средний чек и выручку. Покупатели при этом смогут быстрее находить нужные товары на маркетплейсах, а зрители — получать более персонализированные рекомендации фильмов и сериалов.

Открытие ученых было признано мировым научным сообществом и представлено на главной международной конференции по рекомендательным системам ACM RecSys.

#ИИ #AI #искусственный_интеллект #science #алгоритмы

💡 Physics.Math.Code // @physics_lib

⛵️ Самый точный в мире метод распознавания неизвестных объектов на фото с помощью ИИ разработали ученые из T-Bank AI Research

💾 Скачать исследование

Ранее в области компьютерного зрения (CV) для распознавания объектов на фото применялись методы машинного обучения. Однако они сталкивались с проблемой однородности ансамблей, иначе говоря, они были слишком похожи друг на друга, что приводило к снижению качества и разнообразия их оценок.

Ученые из T-Bank AI Research разработали метод Saliency-Diversified Deep Ensembles, решающий эту проблему. В нем используются карты внимания, фокусирующиеся на разных аспектах данных. “Глубокие ансамбли”, которые объединяют несколько нейронных сетей для решения задачи применялись и ранее для компьютерного зрения, но при применении SDDE каждая модель обращается к разным аспектам данных, например отдельно захватывается фон изображения. Компиляция таких разных данных и привела к повышению точности анализа объектов на изображениях. Так ученым удалось уменьшить схожесть моделей, что способствует более надежной и диверсифицированной идентификации объектов.

Использование метода SDDE позволяет модели на 20% меньше ошибаться при обработке и анализе фото. При этом она учитывает не только наборы данных, знакомые ей из обучения, но и неизвестную ранее информацию. В перспективе метод SDDE будут использовать в сферах, требующих высокой точности анализа, например, в медицинской диагностике, где важно различать неопознанные элементы и графические артефакты, а также в сфере беспилотных транспортных средств.

Для проверки метода и оценки его эффективности ученые провели испытания на популярных базах данных: CIFAR10, CIFAR100 и ImageNet-1K. Результаты метода SDDE превзошли результаты других схожих алгоритмов, например, Negative Correlation Learning и Adaptive Diversity Promoting.

На Международной конференции по обработке изображений (IEEE ICIP) в Абу-Даби открытие ученых было признано мировым научным сообществом.

#ИИ #AI #искусственный_интеллект #science #алгоритмы #math #математика

💡 Physics.Math.Code // @physics_lib

📙 Обработка нечеткой информации в системах принятия решений [1989] Борисов, Алексеев

💾 Скачать книгу

Обработка нечёткой информации — процесс, при котором системы работают с данными, которые не имеют чёткого значения, но могут быть представлены в виде нечётких множеств или лингвистических переменных. Для обработки такой информации используются методы на основе нечёткой логики — формы многозначной логики, производной от теории нечётких множеств.

Обработка нечёткой информации включает несколько этапов, которые называются процессом нечёткого вывода:
1. Фаззификация — преобразование входных данных в значения лингвистических переменных.
2. Нечёткий вывод — применение процедур на множестве продукционных правил для формирования выходных лингвистических значений.
3. Дефаззификация — преобразование выведенных значений в точные значения для действий или решений.

Некоторые методы обработки нечёткой информации:
▪️На основе алгоритмов нечёткого вывода. Например, механизм Мамдани, который включает фаззификацию, нечётный вывод, композицию и дефаззификацию.
▪️С использованием функций принадлежности. Они количественно определяют степень принадлежности элемента к нечётному множеству и могут принимать различные формы (линейная, экспоненциальная, гауссова).
▪️С применением интервального анализа. Позволяет работать с величинами, для которых задан лишь интервал допустимых или возможных значений.
#физика #автоматизация #нечеткая_логика #математика #алгоритмы #искусственный_интеллект #math #science #AI #наука

💡 Physics.Math.Code // @physics_lib

📙 Обработка нечеткой информации в системах принятия решений [1989] Борисов, Алексеев

Монография посвящена вопросам обработки нечеткой информации в системах принятия решений, создаваемых на базе универсальных ЭВМ. Данные системы применяются при управлении технологическими объектами, в САПР, технической диагностике и разрабатываются как составная часть экспертных систем. Одним из источников информации в таких системах являются специалисты, выражающие свои знания с помощью нечетких понятий и отношений естественного языка.Описываются теоретические принципы, методы и прикладные алгоритмы анализа решений в условиях риска и нечеткой исходной информации на основе лингвистического подхода. Излагаются основные элементы нечеткой математики в моделях принятия решений. Особое внимание уделяется применению аксиоматической теории полезности. Предлагаются методы формирования лингвистических лотерей, позволяющие обосновать правила вычисления и упорядочения лингвистических оценок ожидаемой полезности альтернатив.Рассматриваются методы оценивания полезности в условиях нечеткой информации. Приводятся модели принятия решений на основе безусловных и условных нечетких свидетельств. Применение нечетких свидетельств для описания информации лица, принимающего решения, позволяет оценивать ее качество и производить коррекцию.Описывается программное обеспечение обработки нечеткой информации в системах принятия решений. Приводятся примеры решения организационно-технических задач при нечеткой исходной информации.Для научных работников — специалистов в области систем автоматизированного проектирования, автоматизации управления, принятия решений, экспертных систем.

Обработка нечёткой информации применяется в различных областях, например:

▪️Системы управления. Контроллеры с нечёткой логикой определяют оптимальные точки переключения передач на основе скорости, положения дроссельной заслонки и других факторов.
▪️Экспертные системы. Используют нечёткую логику для имитации способностей человека-эксперта к принятию решений. Например, системы медицинской диагностики оценивают симптомы и результаты анализов, предоставляя диагноз, учитывающий неопределённость состояния здоровья.
▪️Обработка изображений. Нечёткая логика помогает определить границы, уменьшить шум и улучшить качество изображения, учитывая неоднозначность данных.
▪️Системы поддержки принятия решений. Принимают обоснованные решения на основе неполной или неопределённой информации, например, оценивают риск и доходность вариантов инвестирования в неопределённых рыночных условиях.

#физика #автоматизация #нечеткая_логика #математика #алгоритмы #искусственный_интеллект #math #science #AI #наука

💡 Physics.Math.Code // @physics_lib