Если честно, то я не думаю, что она «абсолютно не пригодна». Судя по количеству статей и трудов, её уже давно и довольно успешно применяют в различных областях, как и машинное обучение, которое начали пробовать прикладывать к реальным задачам в 70-80хх годах. Очень часто пишут про применение нечёткой теории в лингвистике, что неудивительно, ведь одно из нововведённых понятий — лингвистическая переменная; и в автоматизации разного рода производств.
Окей, не нравится моя математика, приведу аналогию.
Не хотел вас никак задеть.
Он объясняет это тем, что фирма наняла эксперта (в вашей области), который сказал, что вы очень плохо работаете.
Эксперты — это люди. Здесь человеческий фактор очень решает.
Очевидно, что я и вы говорим о разных понятиях, называя их одним словом. Ну или вы пытаетесь привести аргумент через аналогию, что не корректно, особенно в данном случае. И вот почему. Из вашего комментария понятно, что, употребляя слово «эксперт», вы имеете ввиду человека, который конвенционально разбирается в данном вопросе лучше остальных. Я же, как и, смею предположить, Заде, понимаю под этим словом вообще любой источник, которому мы доверяем, из которого черпаем «правильные ответы» для построения новых и корректировки существующих функций принадлежности. Да, в основном этими «экспертами» являются люди, ведь применяется теория чаще всего в связи с размытыми понятиями, которые по своей природе не отрывны от человека. Их не представляется возможным описать одним набором значений, как с изображением машины.
Приведу пример, для объяснения разницы. Чтобы «научить» программу распознавать автомобили, мы показываем ей
10 000 фотографий
разнообразных машин. Достаём или создаём этот массив данных,
обучаем — вуаля. Валидность ответов не вызывает сомнения, Рено Логан и в Африке Логан; хотя в выборке тысячи моделей машин со своими особенностями строения, не говоря уже о внешнем виде. Грубо говоря, мы имеем возможность запечатлеть конкретный пример понятия (отражение эйдоса в реальном мире, если угодно) одним вектором значений (множеством в случае выборки). Обучить модель можно и другими методами: можно при выводе картинки на экран отвечать, машина это или нет))) и тд.
У нас не получится ни каким образом, кроме как интуитивными ответами конкретного человека, запечатлеть на носителе проявление понятия «бюджетный» по отношению к автомобилю, даже учитывая контекст.
Возвращаясь к разнице в понимании слова «эксперт».
Данные для обучения — это статистические данные, это формулы. И ошибки появляются только из-за неправильной методики сбора этих данных.
В случае обучения нейронки, экспертом, в моём понимании, будет либо источник, у которого позаимствовали выборку, либо вы, как тот, кто эту выборку создаёт. Хоть их и можно назвать «статистическими», проблема в том, что ответы эксперта в случае построения ФП для НМ в таком случае так же можно назвать статистическими. Качественной разницы в двух выборках, на мой взгляд, нету (буду рад, если покажете её).
Мы исключаем человеческий фактор, остаётся сухая математика.
Последнее, что хотелось опровергнуть, — нематематичность теории нечёткости. Человеческий фактор может влиять и на выборку для нейронной сети, раз на то пошло. Как вы сами и сказали, неправильная методика, переобучение и тд. «Сухая математика» работает по обе стороны — что в построении нейронки, где по чётко заданному алгоритму на каждом шаге корректируются веса на ней всей (она суть «большая сложная функция»), что в построении ФП для НМ, в котором происходит примерно то же, но сама функция зачастую проще.
Кроме того, центральная предельная теорема тут не работает, поэтому количество переходит только в накопление ошибки.
Позволю себе заметить, что было бы странно ожидать выполнения теоремы, относящейся к теорверу, от теории, никак не претендующей на отношение к нему.
Мне кажется, что проблема в вашей пресупозиции относительно обучающей выборки для нейросетей и системы на основе нечёткой теории (для простоты будем считать, что они раздельны и не пересекаются). Почему вы думаете, что данные для обучения нейронной сети всегда объективны (что бы это ни значило), а данные для нечёткой системы — всегда случайные? Ведь и там и там используются разнородные данные из разных источников; к примеру, странно будет учить нейросеть распознавать машины на примерах одного лишь Логана, как и странно будет строить функции принадлежности (хотя иного выхода порой нету) на основе данных одного эксперта.
Под экспертом (или лицом, принимающим решения) здесь понимается скорее что-то по типу вектора правильных ответов, на подобие обучения нейросети с учителем.
Одним из метафизических отличий теории НМ от теории вероятностей является то, какая природа у рассматриваемых объектов. Теория НМ оперирует с неопределённым, неточными, расплывчатыми объектами и классами, в которых могут быть различные степени принадлежности к множеству, промежуточные между полной принадлежностью и непринадлежностью. В отличие от случайности, которая связана с неопределённостью, касающейся принадлежности или непринадлежности. Грубо говоря, разница между этими теориями похожа на разницу между понятиями «возможность» (для НМ) и «вероятность».
На уровне теории отличий ещё больше, к примеру в теории НМ для функций принадлежности не применяется плотность вероятности. Область значений функции принадлежности, вообще говоря, может быть любой (другой вопрос, что это не удобно и не принято), и тд…
Как заметили в предыдущем комментарии, некоторые люди связывают эти два раздела математики. Тот же самый Орлов А.И. вообще считает теорию нечёткости разделом теории вероятностей.:
"… нечёткие множества можно рассматривать как проекции случайных множеств, подобно тому, как за функциями распределения видны случайные величины, порождающие эти функции распределения"; «Хотя в настоящее время при решении прикладных задач вероятностно-статистические методы и методы теории нечёткости обычно рассматриваются как различные, их внутреннее единство заслуживает обсуждения и применения.» — 2013
Первое, что приходит на ум, это прикладная лингвистика и распознавание образов. Судя по количеству работ по теме, эти два направления довольно мейнстримные. Также довольно часто упоминают "задачи управления", по типу автоматизации заводов, управления поездом и тд.
По поводу господства дискретных контроллеров ничего сказать не могу. Самому кажется, что применение НМ оправдано пока лишь на программном уровне.
Если честно, то я не думаю, что она «абсолютно не пригодна». Судя по количеству статей и трудов, её уже давно и довольно успешно применяют в различных областях, как и машинное обучение, которое начали пробовать прикладывать к реальным задачам в 70-80хх годах. Очень часто пишут про применение нечёткой теории в лингвистике, что неудивительно, ведь одно из нововведённых понятий — лингвистическая переменная; и в автоматизации разного рода производств.
Не хотел вас никак задеть.
Очевидно, что я и вы говорим о разных понятиях, называя их одним словом. Ну или вы пытаетесь привести аргумент через аналогию, что не корректно, особенно в данном случае. И вот почему. Из вашего комментария понятно, что, употребляя слово «эксперт», вы имеете ввиду человека, который конвенционально разбирается в данном вопросе лучше остальных. Я же, как и, смею предположить, Заде, понимаю под этим словом вообще любой источник, которому мы доверяем, из которого черпаем «правильные ответы» для построения новых и корректировки существующих функций принадлежности. Да, в основном этими «экспертами» являются люди, ведь применяется теория чаще всего в связи с размытыми понятиями, которые по своей природе не отрывны от человека. Их не представляется возможным описать одним набором значений, как с изображением машины.
Приведу пример, для объяснения разницы. Чтобы «научить» программу распознавать автомобили, мы показываем ей
разнообразных машин. Достаём или создаём этот массив данных,
обучаем — вуаля. Валидность ответов не вызывает сомнения, Рено Логан и в Африке Логан; хотя в выборке тысячи моделей машин со своими особенностями строения, не говоря уже о внешнем виде. Грубо говоря, мы имеем возможность запечатлеть конкретный пример понятия (отражение эйдоса в реальном мире, если угодно) одним вектором значений (множеством в случае выборки). Обучить модель можно и другими методами: можно при выводе картинки на экран отвечать, машина это или нет))) и тд.
У нас не получится ни каким образом, кроме как интуитивными ответами конкретного человека, запечатлеть на носителе проявление понятия «бюджетный» по отношению к автомобилю, даже учитывая контекст.
Возвращаясь к разнице в понимании слова «эксперт».
В случае обучения нейронки, экспертом, в моём понимании, будет либо источник, у которого позаимствовали выборку, либо вы, как тот, кто эту выборку создаёт. Хоть их и можно назвать «статистическими», проблема в том, что ответы эксперта в случае построения ФП для НМ в таком случае так же можно назвать статистическими. Качественной разницы в двух выборках, на мой взгляд, нету (буду рад, если покажете её).
Последнее, что хотелось опровергнуть, — нематематичность теории нечёткости. Человеческий фактор может влиять и на выборку для нейронной сети, раз на то пошло. Как вы сами и сказали, неправильная методика, переобучение и тд. «Сухая математика» работает по обе стороны — что в построении нейронки, где по чётко заданному алгоритму на каждом шаге корректируются веса на ней всей (она суть «большая сложная функция»), что в построении ФП для НМ, в котором происходит примерно то же, но сама функция зачастую проще.
Позволю себе заметить, что было бы странно ожидать выполнения теоремы, относящейся к теорверу, от теории, никак не претендующей на отношение к нему.
Извиняюсь за многословный ответ.
На уровне теории отличий ещё больше, к примеру в теории НМ для функций принадлежности не применяется плотность вероятности. Область значений функции принадлежности, вообще говоря, может быть любой (другой вопрос, что это не удобно и не принято), и тд…
Как заметили в предыдущем комментарии, некоторые люди связывают эти два раздела математики. Тот же самый Орлов А.И. вообще считает теорию нечёткости разделом теории вероятностей.:
"… нечёткие множества можно рассматривать как проекции случайных множеств, подобно тому, как за функциями распределения видны случайные величины, порождающие эти функции распределения"; «Хотя в настоящее время при решении прикладных задач вероятностно-статистические методы и методы теории нечёткости обычно рассматриваются как различные, их внутреннее единство заслуживает обсуждения и применения.» — 2013
Первое, что приходит на ум, это прикладная лингвистика и распознавание образов. Судя по количеству работ по теме, эти два направления довольно мейнстримные. Также довольно часто упоминают "задачи управления", по типу автоматизации заводов, управления поездом и тд.
По поводу господства дискретных контроллеров ничего сказать не могу. Самому кажется, что применение НМ оправдано пока лишь на программном уровне.