Kaj je mehka logika?
Fuzzy Logic je pristop k obdelavi spremenljivk, ki omogoča obdelavo več vrednosti skozi isto spremenljivko. Nejasna logika poskuša rešiti težave z odprtim, nenatančnim spektrom podatkov, kar omogoča pridobitev niza natančnih zaključkov. Mehka logika je zasnovana za reševanje problemov z upoštevanjem vseh razpoložljivih informacij in z najboljšimi možnimi odločitvami glede na vložene podatke.
Ključni odvzemi
- Mehka logika omogoča naprednejšo obdelavo drevesa odločitev in boljšo integracijo s programiranjem, ki temelji na pravilih. Teoretično ta pristop daje več možnosti za posnemanje okoliščin iz resničnega življenja. Mehko količino analitiki lahko uporabljajo kvantitativni analitiki za izboljšanje izvajanja svojih algoritmov.
Razumevanje neizrazite logike
Mehka logika izhaja iz matematičnega preučevanja nejasnih konceptov, ki vključuje tudi nejasne naloge podatkov. Matematiki lahko uporabljajo različne izraze, kadar se nanašajo na meglene koncepte in nejasno analizo. Na splošno in celovito se ti izrazi uvrščajo med mehke semantike.
V praksi ti konstrukti omogočajo več vrednosti "pravega" stanja. Namesto da bi bilo True številčno enakovredno 1 in napačno enako 0 (ali obratno), bi bilo lahko resnično število poljubno število, manjše od ene in večje od nič. To ustvarja priložnost za algoritme, da sprejemajo odločitve na podlagi podatkov o cenah v nasprotju z eno diskretno podatkovno točko.
Nejasne logike
Mehka logika se v svojem najosnovnejšem pomenu razvija z analizo vrste dreves odločitev. Tako v širšem obsegu predstavlja osnovo za sisteme umetne inteligence, programirane prek sklepov, ki temeljijo na pravilih.
Pojem se na splošno nanaša na veliko število scenarijev, ki jih je mogoče razviti v drevesu odločitev, kot je sistem. Razvoj protokolov z mehko logiko lahko zahteva integracijo programiranja na podlagi pravil. Ta pravila programiranja se lahko imenujejo kot mehke množice, saj so razvita po presoji celovitih modelov.
Tudi mehke garniture so lahko bolj zapletene. V bolj zapletenih programskih analogijah lahko programerji razširijo pravila, ki se uporabljajo za določanje vključitve in izključitve spremenljivk. Posledica tega je več možnosti z manj natančnimi sklepi, ki temeljijo na pravilih.
Mehka semantika v umetni inteligenci
Koncept meglene logike in mehke semantike je osrednji sestavni del programiranja rešitev umetne inteligence. Rešitve in orodja za umetno inteligenco se v gospodarstvu še naprej širijo v več sektorjev, saj se širijo tudi programske zmogljivosti iz mehke logike.
IBM-ov Watson je eden najbolj znanih sistemov umetne inteligence, ki uporablja različice meglene logike in nejasne semantike. Zlasti pri finančnih storitvah se mehka logika uporablja pri strojnem učenju in tehnoloških sistemih, ki podpirajo rezultate investicijske inteligence.
V nekaterih naprednih modelih trgovanja lahko integracijo matematike mehke logike uporabimo tudi za pomoč analitikom pri ustvarjanju samodejnih signalov za nakup in prodajo. Ti sistemi pomagajo vlagateljem, da se odzovejo na široko paleto spremenljivih tržnih spremenljivk, ki vplivajo na njihove naložbe.
V naprednih modelih trgovanja s programsko opremo lahko sistemi uporabljajo programirljive mehke sklope za analizo tisočev vrednostnih papirjev v realnem času in investitorju predstavijo najboljšo razpoložljivo priložnost. Nejasna logika se pogosto uporablja, kadar trgovec skuša uporabiti več dejavnikov za premislek. To lahko povzroči zožitev analize za trgovalne odločitve. Trgovci imajo lahko tudi možnost programiranja različnih pravil za izdajo poslov. Dva primera vključujeta naslednje:
Pravilo 1: Če je drseče povprečje nizko in je indeks relativne jakosti nizek, prodajajte.
2. pravilo: Če je drsno povprečje visoko in je indeks relativne jakosti visok, potem kupite.
Nejasna logika trgovcu omogoča, da v teh osnovnih primerih prikaže svoje lastne subjektivne sklepe na nizko in visoko, da dosežejo lastne avtomatizirane trgovalne signale.
