МЕТОДЫ ПРИМЕНЕНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В МАТЕМАТИЧЕСКОМ МОДЕЛИРОВАНИИ
Ключевые слова:
Ключевые слова: Искусственный интеллект, Математическое моделирование, Машинное обучение, Нейронные сети, Методы оптимизации, Регрессионные модели, Моделирование физических процессов, Генетические алгоритмы, Глубокое обучение, Дифференциальные уравнения, Компьютерное моделирование, Применение ИИ.Аннотация
Аннотация: Современные методы искусственного интеллекта (ИИ) значительно расширяют возможности математического моделирования в науке, технике и экономике. Эта статья посвящена основным подходам применения ИИ в задачах моделирования, таким как нейронные сети, генетические алгоритмы и методы машинного обучения. Рассматриваются преимущества, ограничения и перспективы использования ИИ в построении и оптимизации математических моделей.
Библиографические ссылки
1. Сайко В. И. Искусственный интеллект: основы и применение. — М.: Изд-во «Физматлит», 2020. — 352 с.
2. Клементьев А. В., Воронцов К. В. Машинное обучение и анализ данных. — М.: МЦНМО, 2021. — 416 с.
3. Гусев А. А., Куренков А. А. Нейронные сети и глубокое обучение. — СПб.: Питер, 2019. — 480 с.
4. Попов И. О. Генетические алгоритмы и их применение в инженерных задачах. — Новосибирск: Сибирское университетское изд-во, 2020. — 228 с.
5. Хастие Т., Тибширани Р., Фридман Дж. Элементы статистического обучения: интеллектуальный анализ данных, извлечение знаний и прогнозирование. — М.: Вильямс, 2022. — 720 с.
6. Белов А. С. Математическое моделирование: теория и практика. — М.: КНОРУС, 2018. — 310 с.
7. Bishop C. M. Pattern Recognition and Machine Learning. — Springer, 2006. — 738 p.
8. LeCun Y., Bengio Y., Hinton G. Deep learning // Nature. — 2015. — Vol. 521. — P. 436–444.
9. Goldberg D. E. Genetic Algorithms in Search, Optimization, and Machine Learning. — Addison-Wesley, 1989. — 432 p.
10. Vapnik V. The Nature of Statistical Learning Theory. — Springer, 1995. — 314 p.
