Посадка на неподготовленную площадку — один из самых сложных элементов пилотирования вертолета, она сопряжена с повышенным риском аварии и человеческих жертв. Необходимость в посадке на неподготовленные площадки возникает в первую очередь в военной авиации: высадка, эвакуация, доставка боеприпасов и грузов в боевых условиях — в этих полетных заданиях зачастую приходится сажать вертолет в неподготовленной или неразведанной зоне посадки (или зависать непосредственно над ней).

Одной из ключевых проблем при посадке на неподготовленные площадки являются условия недостаточной видимости (УНВ, англ. degraded visual environment, DVE). Под УНВ понимается слабая или нулевая оптическая видимость закабинной обстановки, обусловленная любым из следующих факторов или их сочетанием: слабая освещенность, неблагоприятные метеорологические условия (туман, метель и т. д.), поднимаемый винтом вертолета вихрь твердых частиц. Последний фактор представляет особую опасность.

При посадке на сухой или заснеженный грунт воздушная струя от несущего винта вертолета поднимает твердую взвесь, что критически снижает видимость и может привести к неправильной оценке пилотом положения вертолета относительно земли, кроме того, могут остаться незамеченными препятствия в зоне посадки (большие камни, статичные и движущиеся объекты). Термин «пыльный вихрь» (brownout) описывает это явление при посадке или взлете на сухой поверхности. Подобные же условия при посадке или взлете на заснеженной поверхности описываются термином «снежный вихрь» (whiteout).



В обзоре я рассмотрю решения в области технологий синтетического зрения для безопасной посадки вертолета, позволяющие формировать трехмерное изображение зоны посадки сквозь пыльный или снежный вихрь.

В первой части обзора я рассмотрел основные термины и понятия в ставках на теннис и сделал обзор статистических моделей для прогнозирования теннисных матчей.
Вторая часть посвящена собственно машинному обучению: алгоритмам, проблемам и кейсам.

Математическое моделирование тенниса набирает популярность на наших глазах. Каждый год появляются новые аналитические модели и сервисы, соревнующиеся друг с другом в точности прогнозирования исходов теннисных матчей. Это вызвано желанием заработать на стремительно растущем онлайн рынке спортивных ставок: нередки случаи, когда сумма ставок на отдельный матч в профессиональном теннисе достигает миллионов долларов.

В этом обзоре я рассмотрю основные математические методы прогнозирования тенниса: иерархические марковские модели, алгоритмы машинного обучения, а также разберу кейсы IBM, Microsoft и одного российского сервиса, использующих машинное обучение для прогнозирования результатов теннисных матчей.

Начиная с 1990-х годов штат Нью-Йорк (США) превратился из региона с проблемной экономикой в ведущий центр исследований и разработок в области нанотехнологий. Это хороший пример того, как отдельная инициатива местных властей может в глобальном масштабе преобразовать высококонкурентную отрасль экономики. Привлекая крупные инвестиции в университетскую R&D инфраструктуру и налаживая эффективное сотрудничество с частным бизнесом и региональными строительными организациями, штат Нью-Йорк сумел изменить конкурентную среду в полупроводниковой промышленности США, вернув в страну значительную часть инвестиционного потока и рабочих мест в этой высокотехнологичной отрасли.