W życiu, na co dzień spotykamy się z sytuacjami, w których musimy podejmować decyzje . Są to sytuacje, które w mniejszym lub większym stopniu obarczone są niepewnością. Owa niepewność może być powodowana brakiem dostatecznej wiedzy na temat danego zjawiska, czy też sytuacji. Wynika to z faktu, że im bardziej złożona jest sytuacja decyzyjna, czy też obiekt, wobec którego podejmujemy decyzję, tym mniejsza jest dokładność naszych spostrzeżeń.
W życiu codziennym spotykamy się z wieloma sytuacjami, w których staramy się sklasyfikować elementy różnych zbiorów, które zostały określone w sposób niejasny, jak np. zbór osób wysokich, zbiór tanich aut. Określenie przynależności elementu do jednego ze zbiorów może sprawić wiele problemów. Podobnie wygląda sytuacja z podejmowaniem decyzji: czy osoba, która kaszle i gorączkuje ma grypę? Czy droga krótsza o gorszej jakości jest lepszym wyborem niż droga dłuższa o jakości dobrej? Tu z pomocą przychodzą nam logika wielowartościowa w warunkach niepełnej informacji i logika rozmyta, która ma znacznie szersze zastosowanie niż klasyczna dwuwartościowa logika.
W większości przypadków przy podejmowaniu decyzji w sytuacji niepewnej spotykamy się nie z jednowartościową logiką klasyczną, lecz z wielowartościową logiką gdzie nie ma jednej prawdy, lecz istnieje wiele jej pośrednich wartości. W tego typu sytuacjach niezwykle pomocne okazują się techniki tzw. nieostrego modelowania: metoda niepełnej informacji liniowej oraz metoda zbiorów rozmytych, która zastosowanie ma głównie w odniesieniu do klasycznej teorii zbiorów jednak możliwe są jej zastosowania również w odniesieniu do np. teorii grafów i sieci. Elementem stanowiącym niejako rozwinięcie klasycznej teorii zbiorów są również zbiory przybliżone, które mają szerokie zastosowanie w przypadku sytuacji decyzyjnych.
Cześć. Interesujący fragment. Czy zagadnienaia poruszone w tym tekście zostaną rozwinięte? Np. o zastosowanie zbiorów rozmytych w data science? Pozdrawiam.
Cześć Radosław 🙂
Pewnego rodzaju rozwinięciem był wpis: https://mateuszgrzyb.pl/silnik-rekomendacji-filmow/
Być może zainteresuje Cię moja prezentacja ze spotkania Warsaw Data Science, na której opowiadałem o budowaniu silników rekomendacji z użyciem metod zaczerpniętych z teorii zbiorów rozmytych: http://mateuszgrzyb.pl/wds/
Jeśli chodzi o dalsze plany, to z pewnością temat będzie przeze mnie rozwijany, tak więc zachęcam do śledzenia bloga. Pozdrawiam 🙂