В учебном пособии излагаются основы оригинальной концепции общей параметрической теории систем, ее основные понятия, закономерности, особенности использования в разных областях деятельности, особенно, в гуманитарном познании. Показан путь
повышения уровня строгости, обоснованности, доказательности рассуждений в тех областях, которые не поддаются описанию традиционными математическими средствами. Оп-
ределены такие понятия, как порядок и хаос, целостность, простота и сложность, система и модель и др.
Это – не обычный учебник. Помимо того, что в нем имеются определения, доказательства, задачи и упражнения, он написан в диалогах героев “Трех мушкетеров” А.Дюма,
за масками которых легко угадываются абитуриент, аспирант, студенты вузов разного
профиля. В их шутках и прибаутках слышны споры “физиков” и “лириков” об актуальных
проблемах современности – от угрозы фашизма до вопроса регулирования своего здоровья.
Соответственно, книга адресована в первую очередь старшеклассникам, студентам,
аспирантам, но будет интересна и их наставникам
Robust quantification of predictive uncertainty is a critical addition needed for machine learning applied to
weather and climate problems to improve the understanding of what is driving prediction sensitivity. Ensembles of ma-
chine learning models provide predictive uncertainty estimates in a conceptually simple way but require multiple models
for training and prediction, increasing computational cost and latency. Parametric deep learning can estimate uncertainty
with one model by predicting the parameters of a probability distribution but does not account for epistemic uncertainty.
Evidential deep learning, a technique that extends parametric deep learning to higher-order distributions, can account for
both aleatoric and epistemic uncertainties with one model. This study compares the uncertainty derived from evidential
neural networks to that obtained from ensembles. Through applications of the classification of winter precipitation type
and regression of surface-layer fluxes, we show evidential deep learning models attaining predictive accuracy rivaling stan-
dard methods while robustly quantifying both sources of uncertainty. We evaluate the uncertainty in terms of how well the
predictions are calibrated and how well the uncertainty correlates with prediction error. Analyses of uncertainty in the
context of the inputs reveal sensitivities to underlying meteorological processes, facilitating interpretation of the models.
The conceptual simplicity, interpretability, and computational efficiency of evidential neural networks make them highly
extensible, offering a promising approach for reliable and practical uncertainty quantification in Earth system science
modeling. To encourage broader adoption of evidential deep learning, we have developed a new Python package, Machine
Integration and Learning for Earth Systems (MILES) group Generalized Uncertainty for Earth System Science (GUESS)
(MILES-GUESS) (https://github.com/ai2es/miles-guess), that enables users to train and evaluate both evidential
В статье рассмотрена актуальность и необходимые условия внедрения в комплексы воен-
ного назначения с разноспектральными датчиками систем технического зрения программно-аппа-
ратных средств автоматического распознавания объектов вооружения, военной и специальной
техники (ВВСТ). Приведены результаты анализа возможностей обучения нейронных сетей автоматическому распознаванию объектов. Показана необходимость создания отечественного межвидового банка данных оптических и радиолокационных сигнатур объектов ВВСТ
Представлены результаты разработки дистанционного курса по мето-
дам искусственного интеллекта в физике в системе управления обучением MOODLE.
Общая трудоёмкость дистанционного курса по методам искусственного интеллекта в
физике составляет две зачётные единицы. Описаны тематические модули курса по ме-
тодам искусственного интеллекта в физике. Представлено описание элементов в виде
лекций, семинаров, заданий, тестов в каждом тематическом модуле курса по методам
искусственного интеллекта в физике в системе управления обучением MOODLE
В монографии изложены концептуальные основы и методы
представления знаний в системах искусственного интеллекта.
Рассмотрены различные подходы, применяемые при проектировании и
разработке интеллектуальных систем и технологий в транспортном
комплексе, а также рассмотрены тенденции развития систем
искусственного интеллекта.
Монография может быть использована для формирования
профессиональной компетентности студентов высших учебных заведений,
кадров высшей квалификации и научных сотрудников обучающихся и
ведущих научные исследования в области разработки и практического
применения систем искусственного интеллекта по укрупнённой группе направлений подготовки 09.00.00 – «Информатика и вычислительная техника»
Системология - один из важнейших инструментов научного исследования.
Это наддисциплинарная наука, которая успешно применяется во всех отраслях научного знания и общественного производства.
По мере усложнения решаемых задач и используемой техники все очевиднее проявляется ограниченность концептуального аппарата кибернетики, ориентированного на развитие лишь формально-математического моделирования.
В книге изложена системологическая концепция, призванная обогатить этот аппарат методами содержательного анализа решаемых проблем на основе учета особенностей неформализуемых параметров изучаемых или конструируемых объектов. Эффективность этих методов демонстрируется в процессе анализа механизмов содержательной коммуникации с помощью естественного языка в аспекте совершенствования принципов человеческого общения.
Книга предназначена не только для кибернетиков, но и для семиологов, психологов и лингвистов.
Книга I. Антихрупкость: введение
Глава 1. Объясняет, почему в школе не рассказывают, что такое «антихрупкость». Хрупкое – Неуязвимое – Антихрупкое как Дамокл – Феникс – Гидра. Зависимость от контекста.
Глава 2. Где мы обнаруживаем гиперкомпенсацию. Страстная любовь как вершина антихрупкости за пределами экономики.
Глава 3. Разница между органическим и механическим. Туристификация и попытки избавить жизнь от переменчивости.
Глава 4. Антихрупкость целого часто зависит от хрупкости его частей. Почему жизни необходима смерть. Как ошибки приносят пользу коллективу. Почему нужны те, кто рискует. Несколько замечаний о том, что новое время всего этого не учитывает. Да здравствуют предприниматели и рисковые люди!
Книга II. Новое время и отрицание антихрупкости
(Прокрустово ложе)
Глава 5. Две различные категории случайности на примере биографий двух братьев. Почему Швейцария не контролируется сверху. Разница между Среднестаном и Крайнестаном. Преимущества городов-государств и политических систем «снизу вверх», а также стабилизирующий эффект муниципального «шума».
Глава 6. Системы, которые любят случайность. Отжиг в физике и не только. Объясняется эффект чрезмерной стабилизации организмов и сложных систем (в политике, экономике и т. д.). Порочность интеллектуального подхода. Внешняя политика США и псевдостабилизация.
Глава 7. Введение в наивное вмешательство и ятрогению – все вместе это представляет собой продукт нового времени, на который чаще всего не обращают внимания. Шум и сигнал, а также обусловленное шумом чрезмерное вмешательство.
Глава 8. Предсказание как дитя нового времени.
Книга III. Мир без предсказаний
Глава 9. Жирный Тони, чующий хрупкость, Ниро, долгие обеды, как прижать хрупкодела к стенке.
Глава 10. Профессор Триффат отказывается принимать свое же лекарство. При помощи Сенеки и стоицизма мы идем через черный ход и объясняем, почему все антихрупкое с неизбежностью больше выигрывает, чем проигрывает, то есть извлекает пользу из переменчивости, ошибки и стрессоров. Фунда
