Cercetări operaţionale. Probleme de optimizare liniară şi combinatorială

La nivel macroeconomic, autorii demonstrează, pe baza ultimelor rezultate în cercetările mondiale asupra dinamicilor economice, importanța cunoașterii unor comportamente neașteptate, ciudate (dinamici de tip punct șa, de tip bifurcații Hopf etc.), care fac inoperante politicile clasice de reglare macroeconomică prin pârghii de politică fiscală sau monetară.
Prezentul volum, ca și celelalte două anterioare, sunt racordate la o bogată bibliografie de specialitate pe plan mondial.

Data Science (DS) este un domeniu multidisciplinar care include statistica, informatica, învățarea automată (ML-Machine Learning) și expertiza în domeniu, pentru a obține cunoștințe și informații din date deja existente.
Lucrarea Data Science utilizând mediul R. Teorie şi aplicaţii  este concepută în ideea de a veni în sprijinul tuturor celor care doresc să cunoască aspecte mai mult sau mai puţin analitice referitoare la știința datelor.

Lucrarea abordează o varietate de procese din domeniul managementului proiectelor şi prezintă numeroase instrumente şi tehnici aplicabile în managementul de proiect, mai ales din perspectiva analizei afacerilor.

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.