🎱در سال 1990 كلمه "فازی" در آن كشور به عنوان "كلمه سال" شناخته شد. دعوت نامه رئیس دانشگاه صنعتی دانشگاه برلین به اشكال مختلف در میان دانشجویان و مطبوعات و وسایل ارتباط جمعی به چشم می خورد. كاغذهای زرد رنگ در قطع كوچك در میان دانشجویان دست به دست می گشت و وعده دیدار با دانشمند بزرگی را می داد. در قسمتی از دعوت نامه نوشته شده : "بانی تئوری منطق فازی به برلین می آید: پروفسور لطفی زاده درباره تئوری جهانی خود كه در سال 1965 تدوین شده و كاربرد جهانی آن در اتومبیل، موبایل، لباس شویی و غیره، و در خطوط متعدد تولید، و روش های متدیك دیگری كه امروزه در امور اعتباری و نرم افزارهایی كه به این سیاق كار می كنند سخنرانی خواهد كرد. پیش از برپایی سخنرانی، رادیوها و روزنامه های مختلف و از جمله انجمن مهندسین آلمان سئوالات خود را با لطفی زاده مطرح كردند. خبرنگاری كه میكروفن حساسی در دست داشت، از كاربرد منطق فازی در تكنیك امروزی پرسید؛ پروفسور لطفی زاده به میكروفن خبرنگار اشاره كرد و گفت: "اتفاقأ این حساسیتی كه در میكروفن شما بكار گرفته شده تا صدای موضعی را تشخیص دهد و صدای محیط پیرامون را منعكس نكند، نظام منطق فازی را در خود مستتر دارد." رئیس دانشگاه در اتاق ویژه مهمانان، ضمن خوشامد به لطفی زاده گفت: "من ریاضی دان هستم، و از زمانی كه با ریاضیات مأنوسم با اسم و رسم شما هم آشنایی دارم،
🎥منطق فازی (در مقابل منطق صفر و یک ارسطویی) که توسط دکتر لطفی زاده در سال 1965 (1344) ارائه شد، نقش عمده ای در زندگی هوشمند آینده بشریت ایفا خواهد کرد. تا کنون بیش از 15000 مقاله علمی در ارتباط با منطق فازی و کاربرد های گسترده آن، در نشریات معتبر علمی منتشر شده و حدود 3000 درخواست ثبت اختراع در این زمینه ارائه شده است.
در سال مالی 1991 - 1992، شرکت ماتسوشیتای ژاپن محصولات الکتریکی و الکترونیکی خود را که از منطق فازی استفاده می کردند، به ارزش یک میلیون دلار به فروش رساند. در سال 1987، شرکت ماتسوشیتا دوشی ساخت که با منطق فازی دمای آب را کنترل می کرد.منطق فازی در اروپا برای اولین بار در تنظیم دستگاه تولید بخار در یک نیروگاه کاربرد علمی پیدا کرد. در ژاپن در سال 1987 متروی "سندای" با سیستم فازی به صورت هوشمند هدایت شد. در ژاپن در سال 1990، "فازی" به عنوان کلمه سال انتخاب شد و ....
در سال مالی 1991 - 1992، شرکت ماتسوشیتای ژاپن محصولات الکتریکی و الکترونیکی خود را که از منطق فازی استفاده می کردند، به ارزش یک میلیون دلار به فروش رساند. در سال 1987، شرکت ماتسوشیتا دوشی ساخت که با منطق فازی دمای آب را کنترل می کرد.منطق فازی در اروپا برای اولین بار در تنظیم دستگاه تولید بخار در یک نیروگاه کاربرد علمی پیدا کرد. در ژاپن در سال 1987 متروی "سندای" با سیستم فازی به صورت هوشمند هدایت شد. در ژاپن در سال 1990، "فازی" به عنوان کلمه سال انتخاب شد و ....
⭕️به نظر بنده برای شروع هر علمی باید در حال و هوای همان علم قرار گرفت و ریشه های آن علم را ابتدا مطالعه کرد. از اینرو مجموعه مقالاتی که پروفسور زاده منطق فازی را ارائه دادند را در زیر خدمت شما آورده شده است(البته اون مقاله اولیه را بعدا ارائه می دهم). 👇🏿👇🏿👇🏿👇🏿👇🏿👇🏿
☘️Machine learning and representation learning
🔴(A) The classical machine learning workflow can be broken down into four steps: data pre‐processing, feature extraction, model learning and model evaluation.
🔴(B) Supervised machine learning methods relate input features x to an output label y, whereas unsupervised method learns factors about x without observed labels.
🔴 (C) Raw input data are often high‐dimensional and related to the corresponding label in a complicated way, which is challenging for many classical machine learning algorithms (left plot). Alternatively, higher‐level features extracted using a deep model may be able to better discriminate between classes (right plot).
🔴(D) Deep networks use a hierarchical structure to learn increasingly abstract feature representations from the raw data.
🔴(A) The classical machine learning workflow can be broken down into four steps: data pre‐processing, feature extraction, model learning and model evaluation.
🔴(B) Supervised machine learning methods relate input features x to an output label y, whereas unsupervised method learns factors about x without observed labels.
🔴 (C) Raw input data are often high‐dimensional and related to the corresponding label in a complicated way, which is challenging for many classical machine learning algorithms (left plot). Alternatively, higher‐level features extracted using a deep model may be able to better discriminate between classes (right plot).
🔴(D) Deep networks use a hierarchical structure to learn increasingly abstract feature representations from the raw data.