Cartea este rezultatul a trei ani de căutari, de cercetări ale unei zone considerate încă albă, atât pentru teoria, cât, mai ales, pentru practica din țara noastră, dar care constituie deja o realitate prin modul în care diferite procese, activități, proiecte mai mult sau mai puțin complexe se desfășoară în economiile și societățile avansate.

Lucrarea abordează analiza cantitativă microeconomică într-o manieră graduală, de la simplu la complex. Sunt tratate probleme legate de deciziile optime ale agenţilor economici consumatori şi producători, comportamentul acestora în condiţii de certitudine şi, respectiv, de risc şi incertitudine, echilibrul pe piaţă şi echilibrul economic. Aspectele teoretice sunt însoţite de exemple concrete, fiecare capitol conţine aplicaţii rezolvate şi probleme propuse.

Prin tematica tratată, lucrarea se adresează studenților ciberneticieni, dezvoltând, prin informațiile oferite, aptitudinile de analist în domeniul conducerii proceselor din economia de piață, dar se adresează și celor care doresc să cunoască mecanismele economice de piață și evoluția diferiților indicatori micro și macroeconomici.

Cartea se adresează cu precădere studenților facultății de Cibernetică, Statistică și Informatică Economică, care încep în anul II studiul microeconomiei, dar poate constitui un interesant material de lucru și pentru alți studenți ai Academiei de Studii Economice ce au în programa analitică studiul acestei discipline.

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.