Cartea este o sinteză a principalelor direcţii de cercetare în domeniul teoriei deciziei pe plan internaţional, reprezentând, în aceeaşi măsură, o contribuţie originală. Autorii ilustrează, într-o manieră creativă, pedagogică, modelele probabilistice, criteriile, axiomele, formulele etc., necesare în fundamentarea deciziilor, bazându-se pe analize, exemple şi contraexemple, interpretări geometrice şi grafice foarte bine realizate.

Volumul întâi începe cu tratarea uneia dintre cele mai intens dezbătute teme în literatura de specialitate, și anume creșterea economică, dezvoltând, mai apoi, din perspectivă cibernetică, probleme legate de teoria fluctuațiilor ciclice, de dinamica economiilor deschise și de deficitele bugetare și politicile fiscale.

În volumul al doilea (https://dev.editura.ase.ro/editura-ase/product/cibernetica-macroeconomica-suport-de-curs-volumul-2-reglarea-macroeconomica-prin-politici-monetare-si-modelarea-investitiilor/), autorii își propun o tematică largă privind dezechilibrele macroeconomice (inflația și politicile monetare, șomajul, investițiile, consumul) și mecanismele de reglare a lor.

Cartea „A Brief Introduction to Operations Research” oferă o bază cuprinzătoare pentru înţelegerea cercetărilor operaţionale şi o serie de aplicaţii propuse şi rezolvate.

Această lucrare se adresează studenţilor de la cursurile de masterat în diferite specializări economice, care au în programa curriculară Macroeconomia şi care au parcurs în pregătirea de licenţă cursul Fundamente ale macroeconomiei.

Cartea este utilă doctoranzilor în economie, cercetătorilor, specialiştilor în alte ştiinţe şi profesii care sunt interesaţi de aprofundarea corelaţiilor cantitative din economie, de echilibrele şi dezechilibrele macroeconomice, de dinamica deficitelor bugetare, a creşterii economice, a managementului ratei de schimb, a solvabilităţii publice, a stabilităţii macroeconomice, precum şi a politicilor guvernamentale şi monetare şi consistenței acestora.

Prin inteligenţă artificială (AI-Artificial Intelicence) se înțelege orice tehnică care permite calculatoarelor să imite comportamentul uman, inclusiv învăţarea maşinii, procesarea limbajului natural (NLP), sinteza limbajului, „viziunea” computerului (programarea computerului pentru a„vedea”), robotica, analiza senzorilor, optimizarea şi simularea.
În acest context, Machine Learning (ML – învăţarea automată) constituie un subset de tehnici de AI care permite sistemelor informatice să „înveţe” din experienţa anterioară (adică din observaţiile de date), având ca efect îmbunătăţirea operaţiunilor pentru o anumită sarcină. Tehnicile ML includ Support Vector Machines (SVM), arbori de decizie, învăţare Bayes, k-means clustering, reguli de asociere, regresie, reţele neuronale şi multe altele.