Система не требует инсталляции, не меняет никаких системных файлов и содержимого папок операционной системы, т.е. является портативной (portable) программой, работающей только в своей папке.

Но чтобы она работала необходимо аккуратно выполнить следующие пункты.

1. Скачать актуальную полную версию системы «Эйдос-Хpro» на языке Аляска-2.0 + Экспресс++ Питон с сайта разработчика всегда можно по абсолюным гиперссылкам, приведенным на страничке: http://lc.kubagro.ru/Installation_Eidos.php. Эта страничка содержит не только абсолютные гиперссылки для скачивания различных вариантов установочных файлов системы Эйдос и обновлений, но также и всегда актуальную информация о дате-времени их создания (версиях), их назначении, размерах и наименованиях Ссылки для обновления системы даны также в режиме 6.2 системы «Эйдос». Можно скачать также компактный вариант устновки системы «Эйдос»: без лабораторных работ, языковых баз и базы лемматизации. В режиме 1.4 в качестве текущего языка интерфейса может быть задан русский язык (по умолчанию) или любой другой из 50 языков (без иероглифов), перевод на который с русского обеспечивает http://www.onlinedoctranslator.com/translationform. Минимальную англоязычную версию системы «Эйдос» можно скачать по по прямой ссылке: http://disk.yandex.ru/d/5ARjvDSf8hXO5w.

2. Разархивировать этот архив в любую папку с правами на запись и путем доступа, не включающим пробелов и кириллицы (лучше всего в корневой каталог какого-нибудь диска, лучше всего SSD).

3. Запустить систему. Файл запуска: __AIDOS-X.exe.

4. Имя и пароль входа: 1 (они предзаданы, т.к. можно просто нажимать OK). Потом если нужно их можно поменять в режиме 1.2.

5. Перед тем как запустить новый режим НЕОБХОДИМО ЗАВЕРШИТЬ предыдущий (Help можно не закрывать). Окна закрываются в порядке, обратном порядку их открытия (это удобно делать в панели задач).

6. Если вы хотите, чтобы система «Эйдос» использовала не стандартные шрифты MS Windows, а свои собственные, то надо скачать самораспаковывающийся архив шрифтов «Эйдос» по прямой ссылке: http://lc.kubagro.ru/Fonts.exe и разархивировать этот файл в папку с исполнимым модулем системы «Эйдос». Такая потребность может у вас возникнуть, если вы используете неруссифицированную версию MS Windows. В этом случае из-за отсутствия того или иного шрифта, используемого системой «Эйдос» в пользовательском интерфейсе или выходных формах на месте символов могут оказаться вопросики или непонятные символы, как при нарушении кодировки.

Ссылки на некоторые учебно-методические материалы:

– в Пермском национальном университете: http://bigbluebutton.pstu.ru/b/w3y-2ir-ukd-bqn (2021), http://bigbluebutton.pstu.ru/b/3kc-n8a-gon-tjz (2022)

– в Кубанском государственном университете и Кубанском государственном аграрном университете: http://disk.yandex.ru/d/knISAD5qzV83Ng?w=1 (2020-2022)

– ссылка на инструкцию-задание на разработку и публикацию собственного интеллектуального облачного Эйдос-приложения:

http://lc.kubagro.ru/aidos/How_to_make_your_own_cloud_Eidos-application.htm

– ссылка на систему Эйдос с лабораторными работами:

http://disk.yandex.ru/d/B5cV8Z2oqrpTdA

– ссылка на «Курс молодого бойца в системе Эйдос» от проф.Е.В.Луценко:

http://disk.yandex.ru/i/XH25XtXwL3XPIg

Разработана программа: «___START_AIDOS-X.exe», полностью снимающая с пользователя системы «Эйдос-Х++» заботу о проверке наличия и скачивании обновлений. Эту программу надо просто скачать по ссылке: http://lc.kubagro.ru/___START_AIDOS-X.exe, поместить в папку с исполнимым модулем системы и всегда запускать систему с помощью этого файла. Если у вас при запуске системы с помощью этой программе выдаётся сообщение о том, что FTP-доступ отсутствует, то надо скачать либо только эту программу, либо целиком инсталляцию, т.к. это может означать, что изменился IP-адрес хостинга или имя и пароль доступа. Из-за этого многие функции системы «Эйдос» могут оказаться недоступными.

Если библиотеки (*.DLL) системы «Эйдос-Х++» расположены в папке, на которую прописан путь поиска (скачиваются по п.1), то вместо выполнения пунктов 1,2,3 можно просто запускать файл: «___START_AIDOS-X.exe» и он сам все скачает, развернет и даже запустит систему «Эйдос-Х++». Кроме того, этот модуль подсчитывает контрольную сумму исполнимого модуля системы «Эйдос» __AIDOS-X.exe, и если, ее нет в текущей папке системы, то записывает ее (в виде файла: (c:\Aidos-X\_CheckSum.txt), а если есть, то сравнивает их. Если эти суммы совпадают, то просто запускается скачивание обновлений системы (если они есть), а если контрольные суммы не совпадают, то выдается сообщение о том, что исполнимый модуль системы несанкционированно модифицирован (скорее всего вирусами) и ее работоспособность не гарантируется.

При запуске программы ___START_AIDOS-X.exe система «Эйдос-Х++» не должна быть запущена, т.к. она содержится в файле обновлений и при его разархивировании возникнет конфликт, если система будет запущена.

1. Программа ___START_AIDOS-X.exe определяет дату исполнимого модуля системы «Эйдос» в текущей папке: __AIDOS-X.exe и дату обновлений на FTP-сервере разработчика не скачивая их, и, если исполнимый модуль системы «Эйдос» в текущей папке устарел, то скачивает минимальные обновления Downloads.exe объемом около 10 Мб. Если файл ___START_AIDOS-X.exe не запускается (под Windows 10 это иногда случается), то для обновления системы достаточно скачать файл обновлений с сайта разработчика по ссылке:
http://lc.kubagro.ru/Downloads.exe и развернуть архив в папке с исполниммым модулем системы: __AIDOS-X.exe. Естественно, он не должен быть запущен, иначе он будет занят и не обновится.

2. После завершения процесса скачивания появляется диалоговое окно с сообщением, что надо сначала разархивировать систему, заменяя все файлы (опция: «Yes to All» или «OwerWrite All»), и только затем закрыть данное окно.

3. Потом программа ___START_AIDOS-X.exe запускает скачанные обновления на разархивирование. После окончания разархивирования окно архиватора с отображением стадии процесса исчезает.

4. После закрытия диалогового окна с инструкцией (см. п.2), происходит запуск обновленной версии системы «Эйдос» на исполнение.

5. Если Вы собираетесь работать с текстами, то необходимо скачать базу данных для лемматизации “Lemma.DBF” по ссылке: http://lc.kubagro.ru/Lemma.rar и разархивировать ее в папку с системой «Эйдос-Х++» (архив имеет размер около 10 Мб, сама база около 217 Мб). База для лемматизации сделана на основе словаря А.А.Зализняка и статьи: http://habrahabr.ru/company/realweb/blog/265375/ Сейчас эта база входит в комплект поставки. Если Вы не собираетесь работать с текстами, то эта база не нужна и можно удалить ее и индексный массив Lemma.ntx из директории с системой. На работу остальных функций системы это не повлияет, а размер директории с системой заметно сократится.

Некоторые замечания по поводу операционной системы (это актуально для старой версии системы Эйдос, написанной на языке Аляска-1.9).

В ОС MS Windows 7 система «Эйдос» просто работает без каких-либо проблем. Однако, чтобы она нормально работала в MS Windows 8 и особенно MS Windows 10 необходимо выполнить некоторые настройки системы безопасности:

0. Прежде всего настроить Windows 10 для разрешения инсталляции надежного программного обеспечения не из Microsoft Store.

1. Включить режим совместимости с MS Windows 7.

2. Отключить экран защиты для системы «Эйдос».

3. Включить слабый уровень безопасности.

4. Дать на папку с системой «Эйдос» права администратора.

5. Дать на папку с системой «Эйдос» права на запись файлов.

6. Папка с системой «Эйдос» не должна находиться в системных папках и папках, в названии которых есть пробел или кириллица.

7. Лучше всего когда система «Эйлос» находится на отдельном диске, специально для нее созданном.

8. На компьютере должен быть устновлен MS Excel версий от 2003 года до 2010.

9. Кроме того для обеспечения нормальной работы с облачными Эйдос-приложениями, картографической визуализации мест запуска системы «Эйдос» в мире необходимо разрешить на компьютере FTP-доступ на чтение и запись.

10. Если при запуске файл ___START_AIDOS-X.exe дает ошибку, то можно попробовать запускать прямо исполнимый модуль системы: __AIDOS-X.exe.

11. Можно установить Windows 7 в качестве виртуальной операционной системы под Windows 10 (на Virtual Box). Тогда все будет работать без необходимости остальных настроек.

Вообще я считаю, что операционная система просто должна запускать программы на исполнение, а не морочить мозги и создавать различные проблемы с этим, как MS Windows 10.

Лицензия CC BY-SA 4.0 (http://creativecommons.org/licenses/by-sa/4.0/):

Автор отказывается от какой бы то ни было ответственности за Ваш выбор или не выбор системы «Эйдос» и последствия применения или не применения Вами системы «Эйдос».

Система «Эйдос» не является программным продуктом, это свободно распространяемое программное обеспечение. За ее разработку и предоставление пользователям прав на ее использования автор не получил ни копейки (ни цента). Поэтому претензии любого рода не принимаются. Дареному коню в зубы не смотрят. Проще говоря, пользуйтесь если понравилось, а если не понравилось – не пользуйтесь: решайте сами и сами же несите ответственность за Ваше решение.

1. Еще считаю важным отметить, что система «Эйдос-Х++» создавалась автором проф.Е.В.Луценко не как программный продукт, т.е. не на продажу, а для применения в учебном процессе и для научных исследований. Поэтому она не соответствует требованиям к программному продукту. Этим обусловлен и выбор языка программирования, который выбран таким образом, чтобы легче было использовать огромные наработки: исходные тексты DOS-версии системы «Эйдос» ver.12.5 (если бы ставилась цель создать программный продукт, то наверное был бы выбран язык C# или JAVA).

2. Персональная открытая масштабируемая мультиязычная интерактивная интеллектуальная on-line среда для обучения и научных исследований на базе АСК-анализа и системы «Эйдос»

3. Картографическая визуализация мест расположения пользователей, запускавших систему «Эйдос»: http://lc.kubagro.ru/map3.php (уникальные IP-адреса, только метки), http://lc.kubagro.ru/map4.php (уникальные IP-адреса, метки с надписями), http://lc.kubagro.ru/map5.php (все IP-адреса, кластеры).

В режиме 6.9. системы «Эйдос» эта визуализация доступна в виде базы данных, а также на карте все посещения или запуски в заданном диапазоне дат. Но для работы этого режима необходимо, что на компьютере не был заблокирован FTP.

В упрощенном (текстовом) виде без фильтра по датам базу посещений можно посмотреть по ссылке: http://lc.kubagro.ru/test_strings.txt

==================================================================

2. Структура и функции универсальной когнитивной аналитической системы "Эйдос-Х++"
(показана глубина диалога главного меню, т.е. без меню, кнопок и переключателей на экранных формах)

'1. 'Подсистема администрирования'

'1.1. Авторизация ') 'Авторизация сисадмина, администратора приложения или пользователя')

'1.2. Регистрация администратора приложения ') 'Регистрация и удаление регистрации администраторов приложений и задание паролей пользователей. Этот режим доступен только системному администратору и администраторам приложений')

'1.3. Диспетчер приложений ') 'Это подсистема администрирования приложений. Она предназначена для создания новых приложений, как пустых, так и на основе учебных примеров (лабораторных работ), имеющихся в системе, а также для выбора приложения для работы из уже имеющихся и удаления приложения. Выбор приложения для работы осуществляется путем отметки его любым символом. Удалять любые приложения разрешается только сисадмину, а Администратору приложений - только те, которые он сам создал')

* '1.4. Выбор режима использования системы ') 'Монопольный или многопользовательский (задается при инсталляции системы, но может быть изменен когда угодно сисадмином)')

'1.4. Multi-language support ') 'Данный режим обеспечивает: 1) задание текущего языка интерфейса (по умолчанию - русский); 2) корректировку локальной языковой базы данных по текущему языку (улучшение перевода); 3) объединение локальных и облачных языковых баз данных')

'1.5. Задание путей на папки с группами приложений') 'Папки с различными группами приложениями могут быть на локальном компьютере, в локальной сети или в Internet. Пути на них задаются сисадмином при инсталляции системы и могут быть изменены им когда угодно. Один из этих путей, а именно первый из отмеченный специальных символов, считается текущим и используется при СОЗДАНИИ приложений в диспетчере приложений 1.3, а в последующем при запуске приложений на исполнение пути берутся уже из БД диспетчера приложений')

'1.6. Задание цветовой схемы главного меню ') 'Задается по умолчанию если в папке с системой нет файла: ColorSch.arx при инсталляции системы, но может быть изменена когда угодно сисадмином')

'1.7. Задание размера главного окна в пикселях ') 'Задается по умолчанию 1024 x 769 если в папке с системой нет файла: _MainWind.arx при инсталляции системы, но может быть изменена когда угодно сисадмином')

'1.8. Задание градиентных фонов главного окна ') 'Градиентные фоны главного окна задаются по умолчанию при инсталляции системы, но могут быть изменены когда угодно сисадмином')

'1.9. Прописывание путей по фактическому положению') 'Доступно только сисадмину. Определяет фактическое месторасположение системы и приложений и прописывает пути на них в БД: PathGrAp.DBF и Appls.dbf, а также восстанавливает имена приложений в Appls.dbf на данные им при их создании')

'1.10. Экспериментальная графика Роджера ') 'Графика Роджера. Операции с графикой на основе манипулирования массивами. Определение характеристик пикселей')

'1.11. Локализация и инициализация (сброс) системы') 'Доступно только сисадмину. Прописывает все пути по фактическому месторасположению системы, пересоздает общесистемные базы данных, удаляет все приложения и всех пользователей. Определяет фактическое месторасположение системы и приложений, удаляет все директории приложений с поддиректориями и всеми файлами в них, а затем прописывает все пути на них по фактическому месторасположению, т.е. пересоздает и переиндексирует БД: PathSystem.dbf, PathGrAp.dbf, Appls.dbf и Users.dbf')

* '1.12. Режим специального назначения ') 'Комментарий: "Без комментариев"')

'2. Формализация предметной области') 'Разработка классификационных и описательных шкал и градаций и формирование обучающей выборки')

'2.1. Классификационные шкалы и градации ') 'Ручной ввод-корректировка классификационных шкал и градаций')

'2.2. Описательные шкалы и градации ') 'Ручной ввод-корректировка описательных шкал и градаций')

'2.3. Ввод обучающей выборки'

'2.3.1. Ручной ввод-корректировка обучающей выборки'

'2.4. Просмотр эвентологических баз данных ')'Просмотр эвентологических баз данных (баз событий), в которых исходные данные закодированы с помощью классификационных и описательных шкал и градаций и представлены в форме кодов событий, между которыми существуют причинно-следственные связи')

'2.3.2. Программные интерфейсы с внешними базами данных') 'Автоматизированная формализация предметной области: разработка классификационных и описательных шкал и градаций и кодирование с их помощью исходных данных, в результате чего они преобразуются в обучающую выборку (базу событий). По сути это нормализация исходных баз данных. При этом сами данные могут быть различных типов: текстовыми, табличными (MS Excel, dbf) и графическими (jpg, bmp)')

'2.3.2.1. Импорт данных из текстовых файлов ') 'Универсальный программный интерфейс ввода данных из TXT, DOC и Internet (HTML) файлов неограниченного объема. Атрибуция текстов, АСК-анализ мемов')

'2.3.2.2. Универсальный программный интерфейс импорта данных в систему') 'Режим представляет собой УНИВЕРСАЛЬНЫЙ ПРОГРАММНЫЙ ИНТЕРФЕЙС ФОРМАЛИЗАЦИИ ПРЕДМЕТНОЙ ОБЛАСТИ И ИМПОРТА ДАННЫХ В СИСТЕМУ "ЭЙДОС-Х". Данный программный интерфейс обеспечивает автоматическое формирование классификационных и описательных шкал и градаций и обучающей выборки на основе XLS, XLSX или DBF-файла с исходными данными стандарта, описанного в Help режима. Кроме того он обеспечивает автоматический ввод распознаваемой выборки из внешней базы данных. В этом режиме может быть до 1000000 объектов обучающей выборки до 2035 шкал')

'2.3.2.3. Импорт данных из транспонированных внешних баз данных ') 'Режим представляет собой ПРОГРАММНЫЙ ИНТЕРФЕЙС ФОРМАЛИЗАЦИИ ПРЕДМЕТНОЙ ОБЛАСТИ И ИМПОРТА ДАННЫХ В СИСТЕМУ "ЭЙДОС-Х". Данный программный интерфейс обеспечивает автоматическое формирование классификационных и описательных шкал и градаций и обучающей выборки на основе XLS, XLSX или DBF-файла с исходными данными стандарта, описанного в Help режима стандарта, представляющего собой ТРАНСПОНИРОВАННЫЙ файл стандарта режима 2.3.2.2. Кроме того он обеспечивает автоматический ввод распознаваемой выборки из внешней базы данных. В этом режиме может быть до 1000000 шкал и до 2035 объектов обучающей выборки')

'2.3.2.4. Оцифровка изображений по внешним контурам ') 'Данный режим обеспечивает оцифровку изображений по внешним контурам, т.е. кодирование и ввод в систему "Эйдос" изображений и формирование файла исходных данных "Inp_data" в стандарте режима 2.3.2.2 в котором каждое изображение представлено строкой')

'2.3.2.5. Оцифровка изображений по всем пикселям и спектру ') 'Данный режим обеспечивает оцифровку изображений по всем пикселям и спектру, т.е. кодирование и ввод в систему "Эйдос" изображений и формирование файла исходных данных "Inp_data" в стандарте режима 2.3.2.3 в котором каждое изображение представлено столбцом')

'2.3.2.6. Сценарный АСК-анализ символьных и числовых рядов ') 'Режим обеспечивает импорт данных из DOS-TXT-рядов чисел (цифр) и слов (букв), а также генерацию рядов для расчета асимптотического информационного критерия качества шума, отражающего степень выраженности закономерностей в предметной области. Это позволяет применить сценарный метод АСК-анализа для исследования временных рядов и каузальные зависимостей будущих сценариев изменения величины от прошлых')

'2.3.2.7. Транспонирование файлов исходных данных ') 'Данный режим обеспечивает транспонирование базы данных Inp_data.xls и ее запись в виде файла Out_transp.xls')

'2.3.2.8. Объединение нескольких файлов исходных данных в один ') 'Данный режим обеспечивает объединение нескольких одинаковых по структуре баз данных с именами вида: "Input####.xls", где: "####" - номер файла вида: 0001,0002,...,9999, в один файл с именем: "Add_data.xls"')

'2.3.2.9. Разбиение TXT-файла на файлы-абзацы ') 'Данный режим обеспечивает: обнаружение в папке: ../AID_DATA/INP_DATA/ TXT-файлов, загрузку этих файлов, нахождение в них абзацев, запись этих абзацев в виде TXT-файлов с именами вида: "###### - <ИМЯ TXT-ФАЙЛА>" из сквозного номера абзаца ###### и имени исходного TXT-файла')

'2.3.2.10. CSV => DBF конвертер системы "Эйдос" ') 'CSV => DBF конвертер системы "Эйдос" преобразует файл: "c:\Aidos-X\AID_DATA\Inp_data\Inp_data.csv" в файл: "c:\Aidos-X\AID_DATA\Inp_data\Inp_data.dbf", который открывается в MS Excel')

'2.3.2.11. Прогноз событий по астропараметрам по Н.А.Чередниченко ') 'Создание БД Inp_data.dbf из файлов: "Input1.xls" и "Input2.xls" и создание модели для прогнозирования различных событий по астропараметрам методом Н.А.Чередниченко (г.Владивосток, Россия)')

'2.3.2.12. Прогнозирование землетрясений методом Н.А.Чередниченко ') 'Создание БД Inp_data.dbf из файлов: "Input1.xls" и "Input2.xls" и создание модели для прогнозирования землетрясений методом Натальи Алексеевны Чередниченко (г.Владивосток, Россия)')

'2.3.2.13. Чемпионат RAIF-Challenge 2017-API-bank ') 'Создание БД Inp_data.dbf из файлов: t1.xlsx, t2.xlsx, t3.xlsx, t4.xlsx')

'2.3.2.14. Чемпионат RAIF-Challenge 2017-API-retail ') 'Создание БД Inp_data.dbf и файла: Inp_name.txt соответственно из файлов:jet_raif_challenge.csv и description.csv')

'2.3.2.15. Вставка промежуточных строк в файл исходных данных Inp_data') 'Вставка промежуточных строк в файл исходных данных с интерполяцией значений соседних строк в числовых шкалах и объединением (через разделитель) значений в текстовых щкалах')

'2.3.3. Управление обучающей выборкой ')

'2.3.3.1. Параметрическое задание объектов для обработки ')

'2.3.3.2. Статистическая характеристика, ручной ремонт ')

'2.3.3.3. Автоматический ремонт обучающей выборки ')

'2.3.3.4. Распределение объектов обучающей выборки по классам ') 'Формирование отчета о распределении объектов обучающей выборки по классам')

'2.3.3.5. Объединение объектов обуч.выборки с одинаковыми классами') 'Формирование новой обучающей выборки, в которой объединены признаки объектов с одинаковыми классами и у объектов уникальные сочетания классов')

'2.3.4. Докодирование сочетаний признаков в обучающей выборке')

'3. Синтез, верификация и улучшение модели') 'Создание модели, повышение ее качества и оценка достоверности')

'3.1. Ускоренный синтез всех моделей ') 'Ускоренный синтез всех статистических и системно-когнитивных моделей: {Abs, Prc1, Prc2, Inf1, Inf2, Inf3, Inf4, Inf5, Inf6, Inf7}')

'3.2. Верификация всех моделей на GPU ') 'Верификация всех статистических и системно-когнитивных моделей: {Abs, Prc1, Prc2, Inf1, Inf2, Inf3, Inf4, Inf5, Inf6, Inf7} на графическом процессоре (GPU) с использованием параллельных вычислений')

'3.3. Синтез и верификация всех моделей на GPU ') 'Ускоренный синтез и верификация всех статистических и системно-когнитивных моделей: {Abs, Prc1, Prc2, Inf1, Inf2, Inf3, Inf4, Inf5, Inf6, Inf7} на графическом процессоре (GPU) с использованием параллельных вычислений (OpenGL)')

'3.4. Анализ достоверности моделей с двумя инт.критериями') 'Оценивается достоверность (адекватность) заданных стат.моделей и моделей знаний. Для этого осуществляется синтез заданных моделей, обучающая выборка копируется в распознаваемую и в каждой заданной модели проводится распознавание с использованием двух интегральных критериев, подсчитывается количество верно идентифицированных и не идентифицированных, ошибочно идентифицированных и не идентифицированных объектов (ошибки 1-го и 2-го рода)')

'3.5. Синтез и верификация заданных из 10 моделей ') 'Синтез и верификация всех статистических и системно-когнитивных моделей: {Abs, Prc1, Prc2, Inf1, Inf2, Inf3, Inf4, Inf5, Inf6, Inf7} на центральном процессоре (CPU) или на графическом процессоре (GPU)')

'3.6. Обнаружение, удаление и типизация артефактов ') 'Объекты обучающей выборки сравниваются с теми классами, к которым они относятся, и, если уровень сходства объекта с классом оказывается ниже заданного в диалоге порога, т.е. объект является нетипичным для данного класса или артефактом, то в справочнике классов создается новый класс с тем же наименованием, что у исходного класса, но с префиксом и объект обучающей выборки перекодируется на принадлежность к нему. Для этого создается новое приложение')

* '3.7. Синтез и верификация заданной группы моделей ') 'В различных приложениях текущей группы приложений создаются и верифицируются модели: Abs, Prc1, Prc2, Inf1~Prc1, Inf2~Prc2, Inf3-хи-квадрат, Inf4-roi~Prc1, Inf5-roi~Prc2, Inf6-Dp~Prc1, Inf7-Dp~Prc2 с фиксированными и адаптивными интервалами со сценариями и без и для каждого класса определяется модель, в которой его идентификация осуществляется наиболее достоверно')

'3.7. Повышение качества модели')

'3.7.1. Поиск и удаление артефактов (робастная процедура) ') 'Строится частотное распределение абсолютных частот встреч признаков в классах по матрице сопряженности Abs.dbf и пользователю предоставляется возможность удалить редко встречающиеся факты (сочетания), как случайные выбросы или артефакты. Для работы профессиональной графики нужна MS Windows 7 или выше')

'3.7.2. Значимость классификационных шкал ') 'В данном режиме классификационные шкалы ранжируются в порядке убывания значимости, т.е. средней значимости их градаций (степени детерминированности классов). Детерминированность класса - это вариабельность значений частных критериев статистических баз и баз знаний')

'3.7.3. Степень детерминированности классов (градац.класс.шкал)') 'В данном режиме все градации классификационных шкал (классы) ранжируются в порядке убывания степени детерминированности, т.е. вариабельности значений частных критериев статистических и системно-когнитивных моделей')

'3.7.4. Значимость описательных шкал ') 'В данном режиме описательные шкалы ранжируются в порядке убывания значимости, т.е. средней значимости их градаций, т.е. признаков')

'3.7.5. Значимость градаций описательных шкал и абстрагирование') 'В данном режиме все градации описательных шкал (признаки) ранжируются в порядке убывания значимости, т.е. вариабельности значений частных критериев статистических и системно-когнитивных моделей. Модели оцениваются по степени различия значимости наиболее и наименее значимых признаков. Реализована возможность абстрагирования, т.е. удаления из модели наименее значимых признаков.')

'3.7.6. Разделение классов на типичную и нетипичную части ') 'Кластеризация, путем разделения классов на типичную и нетипичную части пока реализована в упрощенной форме (по сравнению с DOS-версией системы "Эйдос"). Из файла исходных данных "Inp_data.dbf" стандарта программного интерфейса 2.3.2.2 либо удаляются объекты обучающей выборки, которые привели к ошибкам не идентификации или ложной идентификации, либо для таких объектов создаются новые классы. В данном режиме используются результаты распознавания')

'3.7.7. Генерация подсистем классов и докодир.обуч.и расп.выб. ') 'На основе сочетания классов по 2, 3, N формируются подсистемы классов, которые добавляются в качестве градаций в классификационные шкалы подсистем классов и в объекты обучающей и распознаваемой выборки')

'3.7.8. Генерация подсистем признаков и докод.обуч.и расп.выб. ') 'На основе сочетания признаков по 2, 3, N формируются подсистемы признаков, которые добавляются в качестве градаций в описательные шкалы подсистем признаков и в объекты обучающей и распознаваемой выборки')

'3.7.9. Корректировка экспертных оценок: объект => класс ') 'В данном итерационном режиме обучающая выборка корректируется на основе результатов распознавания: КОРРЕКТИРУЕТСЯ принадлежность объекта к классу с экспертной оценки на полученную с помощью модели. Затем проводится синтез моделей и распознавание. Это повторяется, пока все положительные решения не станут истинными или результат перестает улучшаться')

'4. Решение задач с применением модели') 'Применение модели для решения задач идентификации (распознавания), прогнозирования и поддержки принятия решений (обратная задача прогнозирования), а также для исследования моделируемой предметной области путем исследования ее модели')

'4.1. Идентификация и прогнозирование ')

'4.1.1. Ручной ввод-корректировка распознаваемой выборки ')

'4.1.2. Пакетное распознавание в текущей модели ') 'Распознаются по очереди все объекты распознаваемой выборки в стат.модели или базе знаний, заданной текущей в режиме 3.3 или 5.6.')

'4.1.3. Вывод результатов распознавания')

'4.1.3.1. Подробно наглядно: "Объект - классы" ') 'Визуализация результатов распознавания в подробной наглядной форме в отношении: "Один объект - много классов" с двумя интегральными критериями сходства между конкретным образом распознаваемого объекта и обобщенными образами классов: "Семантический резонанс знаний" и "Сумма знаний"')

'4.1.3.2. Подробно наглядно: "Класс - объекты" ') 'Визуализация результатов распознавания в подробной наглядной форме в отношении: "Один класс - много объектов" с двумя интегральными критериями сходства между конкретным образом распознаваемого объекта и обобщенными образами классов: "Семантический резонанс знаний" и "Сумма знаний"')

'4.1.3.3. Итоги наглядно: "Объект - класс" ') 'Отображение итоговых результатов распознавания в наглядной форме: отображаются пары: "Объект-класс" у которых наибольшее сходство по двум интегральным критериям сходства: "Семантический резонанс знаний" и "Сумма знаний". Приводится информация о фактической принадлежности объекта к классу')

'4.1.3.4. Итоги наглядно: "Класс - объект" ') 'Отображение итоговых результатов распознавания в наглядной форме: отображаются пары: "Класс-объект" у которых наибольшее сходство по двум интегральным критериям сходства: "Семантический резонанс знаний" и "Сумма знаний". Приводится информация о фактической принадлежности объекта к классу')

'4.1.3.5. Подробно сжато: "Объекты - классы"') 'В подробной сжатой (числовой) форме приводится информация об уровне сходства всех объектов со всеми классами по двум интегральным критериям сходства: "Семантический резонанс знаний" и "Сумма знаний", а также о фактической принадлежности объекта к классу')

'4.1.3.6. Обобщ.форма по достов.моделей при разных интегральных крит.') 'Отображаются обобщенные результаты измерения достоверности идентификации по всем моделям и интегральным критериям из БД: Dost_mod.DBF. Отображаются частотные распределения уровней сходства истинных и ложных положительных и отрицательных решений при разных моделях и интегральных критериях')

'4.1.3.7. Обобщ.стат.анализ результатов идент. по моделям и инт.крит.') 'Отображаются результаты обобщенного стат.анализа достоверности идентификации по всем моделям и интегральным критериям из БД: VerModClsIT.dbf. Отображаются частотные распределения уровней сходства истинных и ложных положительных и отрицательных решений при разных моделях и интегральных критериях')

'4.1.3.8. Стат.анализ результ. идент. по классам, моделям и инт.крит.') 'Отображаются результаты стат.анализа достоверности идентификации по всем классам, моделям и интегральным критериям из БД: VerModCls.dbf')

'4.1.3.9. Достоверность идент.объектов при разных моделях и инт.крит.') 'Отображается достоверность идентификации объектов по классам (F-мера Ван Ризбергена) в разрезе по объектам при разных моделях (т.е. разных частных критериях) и при разных интегральных критериях из БД: Dost_clsF.dbf. Позволяет удалять из обучающей выборки плохо распознаваемые объекты')

'4.1.3.10.Достоверность идент.классов при разных моделях и инт.крит.') 'Отображается достоверность идентификации объектов по классам (F-мера Ван Ризбергена) в разрезе по классам при разных моделях (т.е. разных частных критериях) и при разных интегральных критериях из БД: Dost_clsF.dbf')

* '4.1.3.11.Распределения уровн.сходства при разных моделях и инт.крит.') 'Отображаются частотные распределения уровней сходства верно и ошибочно идентифицированных и неидентифицированных объектов при разных моделях и интегральных критериях из БД: DostRasp.dbf и DostRsp#.dbf. Расчет и графическая визуализация частотных распределений уровней сходства: 1) TP,TN,FP,FN, интегральный критерий - резонанс знаний; 2) TP,TN,FP,FN, интегральный критерий - сумма знаний; 3) (TP-FP), (TN-FN), интегральный критерий - резонанс знаний; 4) (TP-FP), (TN-FN), интегральный критерий - сумма знаний; 5) (TP-FP)/(TP+FP)*100 и (TN-FN)/(TN+FN)*100, интегральный критерий - резонанс знаний; 6) (TP-FP)/(TP+FP)*100 и (TN-FN)/(TN+FN)*100, интегральный критерий - сумма знаний')

'4.1.3.11.Объединение в одной БД строк по самым достоверным моделям ') 'Объединение в одной БД "AddData.dbf" строк по наиболее достоверным моделям из Dost_modCls, формируемых в режиме 4.1.3.6. Этот режим предназначен для исследования зависимости достоверности моделей от объема обучающей выборки и других параметров моделей по F-критерию Ван Ризбергена, а также по L1- и L2-критериям проф.Е.В.Луценко')

'4.1.3.12.Вывод результатов распознавания в стиле: "Inp_data.xlsx" ') 'Вывод результатов распознавания в формате "Inp_data.xlsx" в файлах: "RecognResults_####_#_####.xls" для разных моделей: {"Abs","Prc1","Prc2","Inf1","Inf2","Inf3","Inf4","Inf5","Inf6","Inf7"}, интегральных критериев: {"i","k"} и в кодах или наименованиях классов и признаков: {"Kod","Name"}')

'4.1.3.13.Частотное распределение наблюдений по самым похожим классам') 'Частотное распределения объектов распознаваемой выборки по классам формируется на основе выходной формы режима: 4.1.3.3. Итоги наглядно: "Объект - класс". При расчетах учитываются по одному классу на наблюдение: к сумматору класса, на который данное наблюдение наиболее похоже, суммируется 1')

'4.1.3.14.Распределение уровней сходства наблюдений по всем классам ') 'Распределение уровней сходства объектов распознаваемой выборки по классам формируется на основе выходной формы режима: 4.1.3.1. Подробно наглядно: "Объект - классы". При расчетах учитываются все классы, на которые данное наблюдение похоже: к сумматору каждого класса суммируется сходство данного наблюдения с этим классом')

'4.1.4. Пакетное распознавание в заданной группе моделей ') 'Распознаются по очереди все объекты распознаваемой выборки в стат.модели или базе знаний, заданной текущей, в всех моделях заданной группы моделей')

'4.1.5. Докодирование сочетаний признаков в распознаваемой выборке ')

'4.1.6. Рациональное назначение объектов на классы (задача о ранце) ') 'Управление персоналом на основе АСК-анализа и функционально-стоимостного анализа (задача о назначениях)')

'4.1.7. Интерактивная идентификация - последовательный анализ Вальда')

'4.1.8. Мультираспознавание (пакетное распознавание во всех моделях)') 'При идентификации объекта распознаваемой выборки с каждым классом он сравнивается в той модели, в которой этот класс распознается наиболее достоверно, как в системе "Эйдос-астра"')

'4.1.9. Подготовка результатов распознавания для http://kaggle.com ') 'Подготовка результатов распознавания в форме CSV-файлов в стандарте http://kaggle.com. Данный режим предполагает, что: 1) в модели 2 класса; 2) результаты распознавания во всех моделях уже получены в режиме 3.5')

'4.2. Типология классов и принятие решений')

'4.2.1. Информационные портреты классов') 'Решение обратной задачи прогнозирования: выработка управляющих решений. Если при прогнозировании на основе значений факторов оценивается в какое будущее состояние перейдет объект управления, то при решении обратной задачи, наоборот, по заданному целевому будущему состоянию объекта управления определяется такая система значений факторов, которая в наибольшей степени обуславливает переход в это состояние')

'4.2.2. Кластерный и конструктивный анализ классов')

'4.2.2.1. Расчет матриц сходства, кластеров и конструктов ') 'Расчет матриц сходства, кластеров и конструктов классов. Режим имеет две программных реализации: старую - на языке xBase++ и новую - на Питоне. Новая реализация работает значительно быстрее, что особенно существенно при больших размерностях моделей')

'4.2.2.2. Круговая когнитивная диаграмма классов ') 'Состояния, соответствующие классам, расположенные около одного полюса конструкта, достижимы одновременно, т.к. имеют сходную систему детерминации, а находящиеся около противоположных полюсов конструкта являются альтернативными, т.е. одновременно недостижимы')

'4.2.2.3. Когнитивная кластеризация классов ') 'Когнитивная кластеризация, путем объединения пар классов в матрице абсолютных частот и пересчет матриц условных и безусловных процентных распределений и системно-когнитивных моделей. Построение и визуализация агломеративных дендрограмм классов и графиков межкластерных расстояний в графическом виде, а также матрицы сходства классов')

'4.2.2.4. 1-2-3: Классическая кластеризация классов ') 'Режимы 1-2-3 вместе на Питоне: Классическая кластеризация классов в Питоне. Построение и визуализация агломеративных дендрограмм классов и графиков межкластерных расстояний в графическом виде, а также матрицы сходства классов в MS Excel и круговой когнитивной диаграммы классов на ее основе')

* '4.2.2.5. Дивизивная древовидная кластеризация классов ') 'Кластеризация, путем разделения классов на типичную и нетипичную части пока реализована в упрощенной форме (по сравнению с DOS-версией системы "Эйдос"). Из файла исходных данных "Inp_data.dbf" стандарта программного интерфейса 2.3.2.2 либо удаляются объекты обучающей выборки, которые привели к ошибкам не идентификации или ложной идентификации, либо для таких объектов создаются новые классы. В данном режиме используются результаты распознавания')

'4.2.3. Когнитивные диаграммы классов') 'Данный режим показывает в наглядной графической форме какими признаками сходны и какими отличаются друг от друга заданные классы')

'4.3. Типологический анализ признаков')

'4.3.1. Информационные портреты признаков') 'Семантический (смысловой) портрет признака или значения фактора, т.е. количественная характеристика силы и направления его влияния на поведение объекта управления')

'4.3.2. Кластерный и конструктивный анализ признаков')

'4.3.2.1. Расчет матриц сходства, кластеров и конструктов ') 'Расчет матриц сходства, кластеров и конструктов признаков. Режим имеет две программных реализации: старую - на языке xBase++ и новую - на Питоне. Новая реализация работает значительно быстрее, что особенно существенно при больших размерностях моделей')

'4.3.2.2. Круговая когнитивная диаграмма признаков ') 'Признаки или градации факторов, расположенные около одного полюса конструкта, оказывают сходное влияние на объект управления, т.е. на его принадлежность к классам или его переход в состояния, соответствующие классам и могут быть заменены одни другими, а находящиеся около противоположных полюсов конструкта оказывают сильно отличающееся влияние на объект управления и не могут быть заменены одни другими')

'4.3.2.3. Когнитивная кластеризация признаков ') 'Когнитивная кластеризация, путем объединения пар признаков в матрице абсолютных частот и пересчет матриц условных и безусловных процентных распределений и системно-когнитивных моделей. Построение и визуализация агломеративных дендрограмм признаков и графиков межкластерных расстояний в графическом виде, а также матрицы сходства признаков')

'4.3.2.4. 1-2-3: Классическая кластеризация признаков ') 'Режимы 1-2-3 вместе на Питоне: Классическая кластеризация признаков в Питоне. Построение и визуализация агломеративных дендрограмм признаков и графиков межкластерных расстояний в графическом виде, а также матрицы сходства признаков в MS Excel и круговой когнитивной диаграммы признаков на ее основе')

'4.3.3. Когнитивные диаграммы признаков') 'Данный режим показывает в наглядной графической форме какими классами сходны и какими отличаются друг от друга заданные признаки')

'4.4. Исследование предметной области путем исследования ее модели')

'4.4.1. Оценка достоверности обучающей выборки ') 'Выявление объектов с нарушенными корреляциями между классами и признаками. Выявление очень сходных друг с другом объектов обучающей выборки')

'4.4.2. Оценка достоверности распознаваемой выборки ') 'Выявление очень сходных друг с другом объектов распознаваемой выборки')

'4.4.3. Измерение адекватности 3 стат.моделей и 7 моделей знаний ') 'Любой заданной или всех')

'4.4.4. Измерение сходимости и устойчивости 10 моделей ')

'4.4.5. Зависимость достоверности моделей от объема обучающей выборки ')

'4.4.6. Измерение независимости классов и признаков (анализ хи-квадрат)')

'4.4.7. Графические профили классов и признаков ')

'4.4.8. Количественный SWOT-анализ классов средствами АСК-анализа ') 'АСК-анализ обеспечивает построение SWOT-матрицы (модели) для заданного класса с указанием силы влияния способствующих и препятствующих факторов непосредственно на основе эмпирических данных и поэтому является инструментом автоматизированного количественного SWOT-анализа (прямая задача SWOT-анализа). Классы интерпретируются как целевые и нежелательные состояния фирмы, факторы делятся на внутренние, технологические, описывающие фирму, и внешние, характеризующие окружающую среду, а количество информации, содержащееся в значении фактора, рассматривается как сила и направление его влияния на переход фирмы в те или иные будущие состояния')

'4.4.9. Количественный SWOT-анализ факторов средствами АСК-анализа ') 'АСК-анализ обеспечивает построение количественной SWOT-матрицы (модели) для заданного значения фактора с указанием степени, в которой он способствует или препятствует переходу объекта управления в различные будущие состояния, соответствующие классам (обратная задача SWOT-анализа). Эта модель строится непосредственно на основе эмпирических данных и поэтому АСК-анализ может рассматриваться как инструмент автоматизированного количественного SWOT-анализа. Факторы делятся на внутренние, технологические, описывающие саму фирму, и внешние, характеризующие окружающую среду')

'4.4.10.Нелокальные нейроны ') 'Нелокальный нейрон отражает силу и знак влияния значений факторов (рецепторов-признаков) на активацию или торможение нейрона, т.е. на принадлежность или не принадлежность объекта с этими признаками к классу, соответствующему данному нейрону')

'4.4.11.Парето-подмножества нелокальной нейронной сети ') 'В этом режиме изображается вместе сразу несколько нелокальных нейронов, которые в режиме 4.4.10 изображались по одному, т.е. Парето-подмножество нелокальной нейронной сети')

'4.4.12.Интегральные когнитивные карты ') 'Это нелокальная нейронная сеть с указанием не только связей между значениями факторов и классов (как в режиме 4.4.11), но и с корреляциями между классами (как в режиме 4.2.2), и корреляциями между значениями факторов (как в режиме 4.3.2)')

'4.5. Визуализация когнитивных функций: текущее приложение, разные модели') 'В данном режиме осуществляется визуализация и запись когнитивных функций, созданных в текущем приложении на основе различных стат.моделей и моделей знаний')

'4.6. Подготовка баз данных для визуализация когнитивных функций в Excel ') 'Данный режим готовит базы данных для визуализации в MS Excel прямых и обратных, позитивных и негативных точечных и средневзвешенных редуцированных когнитивных функций, созданных на основе различных стат.моделей и моделей знаний')

'4.7. АСК-анализ изображений по пикселям, спектрам и контурам ') 'Данный режим обеспечивает АСК-анализ изображений, как сгенерированных в учебных целях, так и внешних для системы "Эйдос-Х++", относящихся к какой-либо предметной области. АСК-анализ изображений возможен: по пикселям, спектру, по внешним контурам, по внутренним и внешним контурам (в разработке). Кроме того в данном режиме по кнопке "Формирование облака точек" возможна визуализация когнитивных функций, аналогично режимам 4.5 и 4.6. Данный режим интегрирован с Геокогнитивной подсистемой системы "Эйдос" (режим 4.8.)')

'4.8. Геокогнитивная подсистема ') 'Обеспечивает восстановление значений функций по признакам аргумента. Преобразует 2D Excel-таблицу с именем "Inp_map.xls" в файл исходных данных "Inp_data.dbf", содержащий координаты X,Y,Z точек и их признаки (модель описательной информации картографической базы данных). Визуализирует исходные данные из БД "Inp_data.dbf" или итоговые результаты распознавания из БД: "Rsp_it.dbf" в картографической форме (сетка и градиентная заливка цветом) с применением триангуляции Делоне. Обеспечивает пакетный ввод и оконтуривание изображений и формирование соответствующих файлов "Inp_data" и др. для создания и применения модели, созданной на основе этих изображений. Режим интегрирован с 4.7.')

'5. Сервис') 'Конвертирование, печать и сохранение модели, пересоздание и переиндексация всех баз данных')

* '5.1. Конвертер приложения OLD => NEW' ) 'Преобразование модели из стандарта БД системы Эйдос-12.5 в стандарт Эйдос-X++. Для конвертирования старого приложения надо скопировать в папку: <OldAppls> файлы: Object.Dbf, Priz_Ob.Dbf, Priz_Per.Dbf, Priz_Per.Dbt, Obinfzag.Dbf, Obinfkpr.Dbf')

'5.1. Конвертер моделей Abs,Prc#,Inf# => CSV') 'Преобразование статистических Abs, Prc1, Prc2 и системно когнитивных моделей Inf1, Inf2, Inf3, Inf4, Inf5, Inf6, Inf7 из стандарта TXT в стандарт CSV. Особенно это может пригодиться для кластеризации в системе IBM SPSS Statistics 27.0.1 IF026. Преобразование происходит без ограничений на размерность модели (количество классов и количество признаков), т.е. для Big Data')

* '5.2. Конвертер приложения NEW => OLD' ) 'Преобразование модели из стандарта БД системы Эйдос-X++ в стандарт Эйдос-12.5 в папку OldAppls. Все файлы из этой папки надо скопировать в текущую папку системы "Эйдос-12.5", выполнить режимы 7.2 и 2.3.5')

'5.2. Создание классов на основе кластеров' ) 'Данный режим обеспечивает создание в файле "Inp_data.csv", аналогичном "Inp_data.xls(x)" новых классификационных шкал, соответствующих уровням иерархии дерева агломеративной кластеризации классов (режим 2.3.2.1), и новых классов, соответствующих кластерам. При вводе данных из файла "Inp_data.csv" в систему "Эйдос" в API-2.3.2.2 могут быть созданы модели многослойных нейронных сетей.')

'5.3. Конв.трех БД расп.выборки в одну БД' ) 'Три базы данных распознаваемой выборки: Rso_Zag.dbf, Rso_Kcl.dbf, Rso_Kpr.dbf преобразуются в одну базу данных: Rso_all.dbf. По структуре эта база данных очень сходна с базами статистических и системно-когнитивных моделей, т.е. строки в ней соответствуют градациям описательных шкал (признакам), а колонки - объектам распознаваемой выборки, в ячейках - число встреч данного признака у данного объекта.')

'5.4. Конвер. результатов расп.для SigmaPlot') 'Конвертирует результаты распознавания, т.е. БД Rasp.dbf в параметрическую форму в стиле: "X, Y, Z", удобную для картографической визуализации в системе SigmaPlot. Это возможно, если предварительно были выполнены режимы 3.7.7 и 3.4(3.5.) и 4.1.2.')

'5.5. Просмотр основных БД всех моделей ' ) 'Обеспечивает просмотр и экспорт в Excel основных баз данных всех статистических моделей: Abs, Prc1, Prc2 и моделей знаний: Inf1~Prc1, Inf2~Prc2, Inf3-хи-квадрат, Inf4-roi~Prc1, Inf5-roi~Prc2, Inf6-Dp~Prc1, Inf7-Dp~Prc2')

'5.6. Выбрать модель и сделать ее текущей ' ) 'Данная функция позволяет выбрать среди ранее рассчитанных в 3-й подсистеме статистических баз Abs, Prc1, Prc2 и моделей знаний INF#, текущую модель для решения в 4-й подсистеме задач идентификации, прогнозирования, приятия решений и исследования предметной области путем исследования ее модели')

'5.7. Переиндексация всех баз данных ' ) 'Заново создаются все необходимые для работы системы индексные массивы общесистемных баз данных (находящихся в папке с исполнимым модулем системы), а также баз данных текущего приложения, необходимые для работы с ним')

'5.8. Сохранение основных баз данных модели' )

'5.9. Восстановление модели из основных БД ' )

'5.10.Выгрузка исходных данных в "Inp_data"' ) 'Данный режим выполняет функцию, обратную универсальному программному интерфейсу с внешними базами данных 2.3.2.2(), т.е. не вводит исходные данные в систему, а наоборот, формирует на основе исходных данных файлы: Inp_data.dbf и Inp_data.txt, на основе которых в режиме 2.3.2.2() можно сформировать эту же модель')

* '5.11. Внешнее управление системой "Эйдос"' ) 'Данный режим обеспечивает управление системой "Эйдос" в реальном времени со стороны внешней программы путем задания ею последовательности функций системы "Эйдос" для исполнения (по сути программы, написанной на языке "Эйдос") в специальной базе данных: "ExternalControl.dbf" и программного контроля их исполнения')

'5.11. Тест по АСК-анализу и системе "Эйдос"') 'Это экзаменационный тест по АСК-анализу и системе "Эйдос", включающий 400 вопросов, каждый с 1 верным и 3 ошибочными вариантами ответов. Тестирование занимает полную пару. По результатам тестирования тест ставит оценку 2, 3, 4 или 5. Тестируемый должен ввести свои фамилию, имя, отчество, название и № группы, название вуза. Результаты тестирования размещаются в Эйдос-облаке и их можно просматривать в таблице и на карте мира')

'5.12. Печать структур всех БД, => xlsx,html') 'Распечатка структур (даталогических моделей) всех баз данных текущего приложения. Преобразование всех баз данных в Excel-файлы: dbf => xlsx, html. Создание html-файлов всех графических форм и баз данных текущего приложения и их списка для оформления свидетельства Роспатента на базы данных')

'5.13. Редактирование БД лемматизации ' ) 'Ввод-корректировка базы данных лемматизации: "Lemma.dbf"')

'5.14. On-line HELP по лабораторным работам' ) 'On-line описания лабораторных работ (статьи и с сайта автора: http://lc.kubagro.ru/), а также пояснения по смыслу частных и интегральных критериев')

'5.15. Локальные HELP по режимам системы' ) 'Локальные пояснения по режимам системы "Эйдос", входящие в ее исполнимый модуль')

'5.16. Минимизация инсталляции системы' ) '5.16. Минимизация инсталляции системы завершена успешно! Было произведено удаление из текущей инсталляции системы "Эйдос" локальных лабораторных работ, базы лемматизации, всех языковых баз. В результате минимизации rar-архив папки с системой будет уже не около 120 Мб, а примерно 40 Мб. При этом удалении ранее установленные приложения не затрагиваются. Для удаления всех приложений служит специальный режим 1.11. Все удаленное входит в полную инсталляцию, которую можно скачать с сайта автора: http://lc.kubagro.ru/aidos/_Aidos-X.htm')

'6. О системе')

'6.1. Информация о системе, разработчике и средствах разработки')

'6.2. Ссылки на патенты, документацию и текущую версию системы ') 'Internet-ссылки на патенты, монографии, учебные пособия, научные статьи и самую новую (на текущий момент) версию системы "Эйдос-Х++, а также полный комплект документации на нее одним файлом"')

'6.3. Развитый алгоритм принятия решений АСК-анализа ') 'Развитый алгоритм принятия решений в интеллектуальных системах управления на основе АСК-анализа и системы "Эйдос"')

'6.4. Порядок преобразования данных в информацию, а ее в знания') 'В режиме раскрывается соотношение содержания понятий: "Данные", "Информация" и "Знания", а также последовательность преобразования данных в информацию, а ее в знания в системе "Эйдос-Х++" с указанием имен баз данных и ссылками на основные публикации по этим вопросам')

'6.5. Графическая заставка системы "Эйдос-12.5" ')

'6.6. Roger Donnay, Professional Developer, Developer eXPress++') 'Roger Donnay, профессиональный разработчик программного обеспечения, разработчик высокоэффективной инструментальной системы программирования eXPress++, широко использованной при создании системы "Эйдос-Х++". Roger Donnay, Professional Developer, Developer eXPress++')

'6.7. Логотипы мультимоделей ') 'Это надо видеть'

'6.8. Свидетельства РосПатента РФ на систему "Эйдос" ') 'Основные (знаковые) свидетельства РосПатента на систему "Эйдос" 1994, 2003, 2012, 2017 годов')

'6.9. География пользователей системы "Эйдос-Х++" в мире ') 'Когда кто-либо в мире запускает систему "Эйдос-Х++" на исполнение на компьютере, подключенном к Internet, то на она программно обращается к специально созданному сайту, на котором размещен PHP-код, определяющий дату и время обращения, IP-адрес компьютера, с которого произошло это обращение, и по нему домен, страна, округ, регион, город, почтовый индекс, временной пояс и географические координаты места запуска')

* 'Создание изображения в памяти и его вывод с масштабированием ') 'Отладка формирования большого изображения в памяти и его вывода на экран с масштабированием')

'7. Выход') 'Завершение сеанса работы в системе "Эйдос". Перед выходом из системы осуществляется дополнение русской языковой базы текстовыми элементами интерфейса, которые встретились в текущем сеансе запуска системы "Эйдос" и которых не было в этой базе данных. Русская языковая база является основой для формирования в режиме 1.4 языковых баз по другим 43 языкам, поддерживаемых системой "Эйдос"')

Необходимо отметить, что все эти режимы, за исключением подсистемы администрирования и диспетчера приложений, были реализованы в предыдущей версии системы “Эйдос» и системах окружения. В текущей версии системы «Эйдос-Х++» пока реализованы не все режимы системы «Эйдос», версии 12.5 (это последняя версия системы «Эйдос» под MS DOS от июня 2012 года). Такие режимы отмечены как разрабатываемые:, Razrab().

==================================================================

Основные монографии по АСК-анализу и системе Эйдос: http://lc.kubagro.ru/Monografy.rar (около 730 Мб).

==================================================================

3. Монографии по АСК-анализу:

1. Луценко Е.В. Универсальная автоматизированная система распознавания образов "Эйдос" (версия 4.1).-Краснодар: КЮИ МВД РФ, 1995.- 76с. http://elibrary.ru/item.asp?id=18630282

2. Луценко Е.В. Теоретические основы и технология адаптивного семантического анализа в поддержке принятия решений (на примере универсальной автоматизированной системы распознавания образов "ЭЙДОС-5.1"). - Краснодар: КЮИ МВД РФ, 1996. - 280с. http://elibrary.ru/item.asp?id=21745340

3. Симанков В.С., Луценко Е.В. Адаптивное управление сложными системами на основе теории распознавания образов. Монография (научное издание). – Краснодар: ТУ КубГТУ, 1999. - 318с. http://elibrary.ru/item.asp?id=18828433

4. Симанков В.С., Луценко Е.В., Лаптев В.Н. Системный анализ в адаптивном управлении: Монография (научное издание). /Под науч. ред. В.С.Симанкова. – Краснодар: ИСТЭК КубГТУ, 2001. – 258с. http://elibrary.ru/item.asp?id=21747625

5. Луценко Е.В. Автоматизированный системно-когнитивный анализ в управлении активными объектами (системная теория информации и ее применение в исследовании экономических, социально-психологических, технологических и организационно-технических систем): Монография (научное издание). – Краснодар: КубГАУ. 2002. – 605 с. http://elibrary.ru/item.asp?id=18632909

6. Луценко Е.В. Интеллектуальные информационные системы: Учебное пособие для студентов специальности 351400 "Прикладная информатика (по отраслям)". – Краснодар: КубГАУ. 2004. – 633 с. http://elibrary.ru/item.asp?id=18632737

7. Луценко Е.В., Лойко В.И., Семантические информационные модели управления агропромышленным комплексом. Монография (научное издание). – Краснодар: КубГАУ. 2005. – 480 с. http://elibrary.ru/item.asp?id=21720635

8. Луценко Е.В. Интеллектуальные информационные системы: Учебное пособие для студентов специальности "Прикладная информатика (по областям)" и другим экономическим специальностям. 2-е изд., перераб. и доп.– Краснодар: КубГАУ, 2006. – 615 с. http://elibrary.ru/item.asp?id=18632602

9. Луценко Е.В. Лабораторный практикум по интеллектуальным информационным системам: Учебное пособие для студентов специальности "Прикладная информатика (по областям)" и другим экономическим специальностям. 2-е изд.,перераб. и доп. – Краснодар: КубГАУ, 2006. – 318с. http://elibrary.ru/item.asp?id=21683721

10. Наприев И.Л., Луценко Е.В., Чистилин А.Н. Образ-Я и стилевые особенности деятельности сотрудников органов внутренних дел в экстремальных условиях. Монография (научное издание). – Краснодар: КубГАУ. 2008. – 262 с. http://elibrary.ru/item.asp?id=21683724

11. Луценко Е. В., Лойко В.И., Великанова Л.О. Прогнозирование и принятие решений в растениеводстве с применением технологий искусственного интеллекта: Монография (научное издание). – Краснодар: КубГАУ, 2008. – 257 с. http://elibrary.ru/item.asp?id=21683725

12. Трунев А.П., Луценко Е.В. Астросоциотипология: Монография (научное издание). – Краснодар: КубГАУ, 2008. – 264 с. http://elibrary.ru/item.asp?id=21683727

13. Луценко Е.В., Коржаков В.Е., Лаптев В.Н. Теоретические основы и технология применения системно-когнитивного анализа в автоматизированных системах обработки информации и управления (АСОИУ) (на примере АСУ вузом): Под науч. ред.д.э.н., проф. Е.В.Луценко. Монография (научное издание). – Майкоп: АГУ. 2009. – 536 с. http://elibrary.ru/item.asp?id=18633313

14. Луценко Е.В., Коржаков В.Е., Ермоленко В.В. Интеллектуальные системы в контроллинге и менеджменте средних и малых фирм: Под науч. ред. д.э.н., проф. Е.В.Луценко. Монография (научное издание). – Майкоп: АГУ. 2011. – 392 с. http://elibrary.ru/item.asp?id=21683734

15. Наприев И.Л., Луценко Е.В. Образ-Я и стилевые особенности личности в экстремальных условиях: Монография (научное издание). – Saarbrucken, Germany: LAP Lambert Academic Publishing GmbH & Co. KG,. 2012. – 262 с. Номер проекта: 39475, ISBN: 978-3-8473-3424-8.

16. Трунев А.П., Луценко Е.В. Автоматизированный системно-когнитивный анализ влияния факторов космической среды на ноосферу, магнитосферу и литосферу Земли: Под науч. ред. д.т.н., проф. В.И.Лойко. Монография (научное издание). – Краснодар, КубГАУ. 2012. – 480 с. ISBN 978-5-94672-519-4. http://elibrary.ru/item.asp?id=21683737

17. Трубилин А.И., Барановская Т.П., Лойко В.И., Луценко Е.В. Модели и методы управления экономикой АПК региона. Монография (научное издание). – Краснодар: КубГАУ. 2012. – 528 с. ISBN 978-5-94672-584-2. http://elibrary.ru/item.asp?id=21683702

18. Горпинченко К.Н., Луценко Е.В. Прогнозирование и принятие решений по выбору агротехнологий в зерновом производстве с применением методов искусственного интеллекта (на примере СК-анализа). Монография (научное издание). – Краснодар,КубГАУ. 2013. – 168 с. ISBN 978-5-94672-644-3. http://elibrary.ru/item.asp?id=20213254

19. Орлов А.И., Луценко Е.В. Системная нечеткая интервальная математика. Монография (научное издание). – Краснодар, КубГАУ. 2014. – 600 с. ISBN 978-5-94672-757-0. http://elibrary.ru/item.asp?id=21358220

20. Луценко Е.В. Универсальная когнитивная аналитическая система «Эйдос". Монография (научное издание). – Краснодар, КубГАУ. 2014. – 600 с. ISBN 978-5-94672-830-0. http://elibrary.ru/item.asp?id=22401787

21. Орлов А.И., Луценко Е.В., Лойко В.И. Перспективные математические и инструментальные методы контроллинга. Под научной ред. проф.С.Г.Фалько. Монография (научное издание). – Краснодар, КубГАУ. 2015. – 600 с. ISBN 978-5-94672-923-9. http://elibrary.ru/item.asp?id=23209923

22. Орлов А.И., Луценко Е.В., Лойко В.И. Организационно-экономическое, математическое и программное обеспечение контроллинга, инноваций и менеджмента: монография / А. И. Орлов, Е. В. Луценко, В. И. Лойко ; под общ. ред. С. Г. Фалько. – Краснодар : КубГАУ, 2016. – 600 с. ISBN 978-5-00097-154-3. http://elibrary.ru/item.asp?id=26667522

23. Лаптев В. Н., Меретуков Г. М., Луценко Е. В., Третьяк В. Г., Наприев И. Л.. : Автоматизированный системно-когнитивный анализ и система «Эйдос» в правоохранительной сфере: монография / В. Н. Лаптев, Г. М. Меретуков, Е. В. Луценко, В. Г. Третьяк, И. Л. Наприев; под научной редакцией проф. Е. В. Луценко. – Краснодар: КубГАУ, 2017. – 634 с. ISBN 978-5-00097-226-7. http://elibrary.ru/item.asp?id=28135358

24. Луценко Е. В., Лойко В. И., Лаптев В. Н. Современные информационно-коммуникационные технологии в научно-исследовательской деятельности и образовании: учеб. пособие / Е. В. Луценко, В. И. Лойко, В. Н. Лаптев; под общ. ред. Е. В. Луценко. – Краснодар: КубГАУ,. 2017. – 450с. ISBN 978-5-00097-265-6. http://elibrary.ru/item.asp?id=28996636

25. Лойко В. И., Луценко Е. В., Орлов А. И. Современные подходы в наукометрии: монография / В. И. Лойко, Е. В. Луценко, А. И. Орлов. Под науч. ред. проф. С. Г. Фалько – Краснодар: КубГАУ, 2017. – 532 с. ISBN 978-5-00097-334-9. Режим доступа: http://elibrary.ru/item.asp?id=29306423

26. Грушевский С.П., Луценко Е. В., Лойко В. И. Измерение результатов научной деятельности: проблемы и решения / С. П. Грушевский, Е. В. Луценко В. И. Лойко. Под науч. ред. проф. Е. В. Луценко – Краснодар: КубГАУ, 2017. – 343 с. ISBN 978-5-00097-446-9. http://elibrary.ru/item.asp?id=30456903

27. Луценко Е. В., Лойко В. И., Лаптев В. Н. Системы представления и приобретения знаний : учеб. пособие / Е. В. Луценко, В. И. Лойко, В. Н. Лаптев. – Краснодар : Экоинвест, 2018. – 513 с. ISBN 978-5-94215-415-8. http://elibrary.ru/item.asp?id=35641755

28. Лойко В. И., Луценко Е. В., Орлов А. И. Современная цифровая экономика : монография / В. И. Лойко, Е. В. Луценко, А. И. Орлов. – Краснодар : КубГАУ, 2018. – 508 с. ISBN 978-5-00097-694-4. http://elibrary.ru/item.asp?id=35649181

29. Луценко Е. В. , Лаптев В. Н., Сергеев А. Э. Системно-когнитивное моделирование в АПК : учеб. пособие / Е. В. Луценко, В. Н. Лаптев, А. Э. Сергеев, – Краснодар : Экоинвест, 2018. – 518 с. ISBN 978-5-94215-416-5. http://elibrary.ru/item.asp?id=35649123

30. Лойко В. И., Луценко Е. В., Орлов А. И. Высокие статистические технологии и системно-когнитивное моделирование в экологии : монография / В. И. Лойко, Е. В. Луценко, А. И. Орлов. – Краснодар : КубГАУ, 2019. – 258 с. ISBN 978-5-00097-855-9. http://elibrary.ru/item.asp?id=37146902

31. Луценко Е. В. Резонансный сейсмогенез и системно-когнитивное прогнозирование сейсмичности : монография / Е. В. Луценко, А. П. Трунев, Н. А. Чередниченко; под общ. ред. В. И. Лойко. – Краснодар : КубГАУ, 2019. – 256 с. ISBN 978-5-907247-23-9, DOI:10.13140/RG.2.2.18546.45760, http://www.researchgate.net/publication/335992085

32. Луценко Е. В. Методология системно-когнитивного прогнозирования сейсмичности : монография / Е. В. Луценко, А. П. Трунев, Н. А. Чередниченко; под общ. ред. В. И. Лойко. – Краснодар : КубГАУ, 2020. – 532 с., ISBN 978-5-907294-89-9, DOI 10.13140/RG.2.2.29617.33122, http://www.researchgate.net/publication/340116509

33. Луценко Е. В. Сценарный и спектральный автоматизированный системно-когнитивный анализ: научная монография / Е. В. Луценко. – Краснодар: КубГАУ, 2021. – 288 с., ISBN 978-5-907474-67-3, DOI: 10.13140/RG.2.2.22981.37608, http://www.researchgate.net/publication/353555996

34. Орлов А. И., Анализ данных, информации и знаний в системной нечеткой интервальной математике: научная монография / А. И. Орлов, Е. В. Луценко. – Краснодар: КубГАУ, 2022. – 405 с. ISBN 978-5-907550-62-9, DOI: 10.13140/RG.2.2.15688.44802, http://www.researchgate.net/publication/357957630

35. Луценко, Е. В. Автоматизированный системно-когнитивный анализ в ветеринарии / Е. В. Луценко. – Краснодар : ФГБОУ ВО «Кубанский государственный агарный университет имени И. Т. Трубилина», 2023. – 160 с. – ISBN 978-5-907757-23-3. – DOI 10.13140/RG.2.2.28032.92163. – EDN ZVPDNA.

36. Lutsenko E.V. Cognitive veterinary medicine // February 2023, ISBN 978-5-907757-23-3, DOI: 10.13140/RG.2.2.28032.92163, License CC BY 4.0, https://www.researchgate.net/publication/368476220

37. Системно-когнитивный анализ влияния довузовского дополнительного математического образования на успешность обучения в вузе: монография / авторы: С. П. Грушевский, Е. В. Луценко, А. В. Назаров, О. В. Назарова, А. В. Бочаров; под редакцией Е. В. Луценко; Министерство науки и высшего образования Российской Федерации, Кубанский государственный университет. – Краснодар: Кубанский гос. ун-т, 2023. – 131 с. – 500 экз. ISBN 978-5-8209-2275-6, DOI: 10.13140/RG.2.2.28260.55684, License CC BY 4.0, https://www.researchgate.net/publication/373489767

38. Луценко, Е. В. Анализ публикационной активности проф. Е.В.Луценко по данным РИНЦ / Е. В. Луценко. – Краснодар : ФГБОУ ВО «Кубанский государственный аграрный университет имени И. Т. Трубилина, 2024. – 122 с. – DOI 10.13140/RG.2.2.29730.40641. – EDN NOWYOO, https://www.researchgate.net/publication/377188373

39. Луценко, Е. В. Революция начала XXI века в искусственном интеллекте: глубинные механизмы и перспективы / Е. В. Луценко, Н. С. Головин. – Краснодар : Кубанский государственный аграрный университет им. И.Т. Трубилина, 2024. – 394 с. – DOI 10.13140/RG.2.2.17056.56321. – EDN OMIPIL, https://www.researchgate.net/publication/378138050

40. Луценко, Е. В. Системы / Е. В. Луценко, Н. С. Головин. – Краснодар : Виртуальный Центр системно-когнитивных исследований "Эйдос", 2024. – 518 с. – DOI 10.13140/RG.2.2.22863.09123. EDN: INUTJL, https://www.researchgate.net/publication/379654902

4. Свидетельства РосПатента на систему «Эйдос» и ее подсистемы и режимы:

1. Луценко Е.В., Универсальная автоматизированная система распознавания образов "ЭЙДОС". Свидетельство РосАПО №940217. Заяв. № 940103. Опубл. 11.05.94. – Режим доступа: http://lc.kubagro.ru/aidos/1994000217.jpg, 3,125 у.п.л.

2. Луценко Е.В., Шульман Б.Х., Универсальная автоматизированная система анализа и прогнозирования ситуаций на фондовом рынке «ЭЙДОС-фонд». Свидетельство РосАПО №940334. Заяв. № 940336. Опубл. 23.08.94. – Режим доступа: http://lc.kubagro.ru/aidos/1994000334.jpg, 3,125 / 3,063 у.п.л.

3. Луценко Е.В., Универсальная автоматизированная система анализа, мониторинга и прогнозирования состояний многопараметрических динамических систем "ЭЙДОС-Т". Свидетельство РосАПО №940328. Заяв. № 940324. Опубл. 18.08.94. – Режим доступа: http://lc.kubagro.ru/aidos/1994000328.jpg, 3,125 у.п.л.

4. Луценко Е.В., Симанков В.С., Автоматизированная система анализа и прогнозирования состояний сложных систем "Дельта". Пат. №2000610164 РФ. Заяв. № 2000610164. Опубл. 03.03.2000. – Режим доступа: http://lc.kubagro.ru/aidos/2000610164.jpg, 3,125 / 3,063 у.п.л.

5. Луценко Е.В., Драгавцева И. А., Лопатина Л.М., Автоматизированная система мониторинга, анализа и прогнозирования развития сельхозкультур "ПРОГНОЗ-АГРО". Пат. № 2003610433 РФ. Заяв. № 2002611927 РФ. Опубл. от 18.02.2003. – Режим доступа: http://lc.kubagro.ru/aidos/2003610433.jpg, 3,125 / 2,500 у.п.л.

6. Луценко Е.В., Драгавцева И. А., Лопатина Л.М., База данных автоматизированной системы мониторинга, анализа и прогнозирования развития сельхозкультур "ПРОГНОЗ-АГРО". Пат. № 2003620035 РФ. Заяв. № 2002620178 РФ. Опубл. от 20.02.2003. – Режим доступа: http://lc.kubagro.ru/aidos/2003620035.jpg, 3,125 / 2,500 у.п.л.

7. Луценко Е.В., Универсальная когнитивная аналитическая система "ЭЙДОС". Пат. № 2003610986 РФ. Заяв. № 2003610510 РФ. Опубл. от 22.04.2003. – Режим доступа: http://lc.kubagro.ru/aidos/2003610986.jpg, 3,125 у.п.л.

8. Луценко Е.В., Некрасов С.Д., Автоматизированная система комплексной обработки данных психологического тестирования "ЭЙДОС-Y". Пат. № 2003610987 РФ. Заяв. № 2003610511 РФ. Опубл. от 22.04.2003. – Режим доступа: http://lc.kubagro.ru/aidos/2003610987.jpg, 3,125 / 2,500 у.п.л.

9. Луценко Е.В., Драгавцева И. А., Лопатина Л.М., Немоляев А.Н., Подсистема агрометеорологической типизации лет по успешности выращивания плодовых и оценки соответствия условий микрозон выращивания ("АГРО-МЕТЕО-ТИПИЗАЦИЯ"). Пат. № 2006613271 РФ. Заяв. № 2006612452 РФ. Опубл. от 15.09.2006. – Режим доступа: http://lc.kubagro.ru/aidos/2006613271.jpg, 3,125 / 2,500 у.п.л.

10. Луценко Е.В., Шеляг М.М., Подсистема синтеза семантической информационной модели и измерения ее внутренней дифференциальной и интегральной валидности (Подсистема "Эйдос-м25"). Пат. № 2007614570 РФ. Заяв. № 2007613644 РФ. Опубл. от 11.10.2007. – Режим доступа: http://lc.kubagro.ru/aidos/2007614570.jpg, 3,125 / 2,500 у.п.л.

11. Луценко Е.В., Лебедев Е.А., Подсистема автоматического формирования двоичного дерева классов семантической информационной модели (Подсистема "Эйдос-Tree"). Пат. № 2008610096 РФ. Заяв. № 2007613721 РФ. Опубл. от 09.01.2008. – Режим доступа: http://lc.kubagro.ru/aidos/2008610096.jpg, 3,125 / 2,500 у.п.л.

12. Луценко Е.В., Трунев А.П., Шашин В.Н., Система типизации и идентификации социального статуса респондентов по их астрономическим показателями на момент рождения "Эйдос-астра" (Система "Эйдос-астра"). Пат. № 2008610097 РФ. Заяв. № 2007613722 РФ. Опубл. от 09.01.2008. – Режим доступа: http://lc.kubagro.ru/aidos/2008610097.jpg, 3,125 / 2,500 у.п.л.

13. Луценко Е.В., Лаптев В.Н., Адаптивная автоматизированная система управления "Эйдос-АСА" (Система "Эйдос-АСА"). Пат. № 2008610098 РФ. Заяв. № 2007613722 РФ. Опубл. от 09.01.2008. – Режим доступа: http://lc.kubagro.ru/aidos/2008610098.jpg, 3,125 / 2,500 у.п.л.

14. Луценко Е.В., Лебедев Е.А., Подсистема формализации семантических информационных моделей высокой размерности с сочетанными описательными шкалами и градациями (Подсистема "ЭЙДОС-Сочетания"). Пат. № 2008610775 РФ. Заяв. № 2007615168 РФ. Опубл. от 14.02.2008. – Режим доступа: http://lc.kubagro.ru/aidos/2008610775.jpg, 3,125 / 2,500 у.п.л.

15. Луценко Е.В., Марченко Н.Н., Драгавцева И.А., Акопян В.С.,Костенко В.Г., Автоматизированная система поиска комфортных условий для выращивания плодовых культур (Система "Плодкомфорт"). Пат. № 2008613272 РФ. Заяв. № 2008612309 РФ. Опубл. от 09.07.2008. – Режим доступа: http://lc.kubagro.ru/aidos/2008613272.jpeg, 3,125 / 2,500 у.п.л.

16. Луценко Е.В., Лойко В.И., Макаревич О.А., Программный интерфейс между базами данных стандартной статистической отчетности агропромышленного холдинга и системой "Эйдос" (Программный интерфейс "Эйдос-холдинг"). Пат. № 2009610052 РФ. Заяв. № 2008615084 РФ. Опубл. от 11.01.2009. – Режим доступа: http://lc.kubagro.ru/aidos/2009610052.jpg, 3,125 / 2,500 у.п.л.

17. Луценко Е.В., Драгавцева И.А., Марченко Н.Н., Святкина О.А., Овчаренко Л.И., Агроэкологическая система прогнозирования риска гибели урожая плодовых культур от неблагоприятных климатических условий зимне-весеннего периода (Система «ПРОГНОЗ-ЛИМИТ». Пат. № 2009616032 РФ. Заяв. № 2009614930 РФ. Опубл. от 30.10.2009. – Режим доступа: http://lc.kubagro.ru/aidos/2009616032.jpg, 3,125 / 2,500 у.п.л.

18. Луценко Е.В., Система решения обобщенной задачи о назначениях (Система «Эйдос-назначения»). Пат. № 2009616033 РФ. Заяв. № 2009614931 РФ. Опубл. от 30.10.2009. – Режим доступа: http://lc.kubagro.ru/aidos/2009616033.jpg, 3,125 у.п.л.

19. Луценко Е.В., Система восстановления и визуализации значений функции по признакам аргумента (Система «Эйдос-map»). Пат. № 2009616034 РФ. Заяв. № 2009614932 РФ. Опубл. от 30.10.2009. – Режим доступа: http://lc.kubagro.ru/aidos/2009616034.jpg, 3,125 у.п.л.

20. Луценко Е.В., Система количественной оценки различимости символов стандартных графических шрифтов (Система «Эйдос-image»). Пат. № 2009616035 РФ. Заяв. № 2009614933 РФ. Опубл. от 30.10.2009. – Режим доступа: http://lc.kubagro.ru/aidos/2009616035.jpg, 3,125 у.п.л.

21. Луценко Е.В., Трунев А.П., Шашин В.Н., Бандык Д.К., Интеллектуальная система научных исследований влияния космической среды на глобальные геосистемы «Эйдос-астра» (ИСНИ «Эйдос-астра»). Пат. № 2011612054 РФ. Заяв. № 2011610345 РФ 20.01.2011. Опубл. от 09.03.2011. – Режим доступа: http://lc.kubagro.ru/aidos/2011612054.jpg, 3,125 у.п.л.

22. Луценко Е.В., Шеляг М.М., Программное обеспечение аппаратно-программного комплекса СДС-тестирования по методу профессора В.М.Покровского. Пат. № 2011612055 РФ. Заяв. № 2011610346 РФ 20.01.2011. Опубл. от 09.03.2011. – Режим доступа: http://lc.kubagro.ru/aidos/2011612055.jpg, 3,125 у.п.л.

23. Луценко Е.В., Бандык Д.К., Подсистема визуализации когнитивных (каузальных) функций системы «Эйдос» (Подсистема «Эйдос-VCF»). Пат. № 2011612056 РФ. Заяв. № 2011610347 РФ 20.01.2011. – Режим доступа: http://lc.kubagro.ru/aidos/2011612056.jpg, 3,125 у.п.л.

24. Луценко Е.В., Подсистема агломеративной когнитивной кластеризации классов системы «Эйдос» ("Эйдос-кластер"). Пат. № 2012610135 РФ. Заяв. № 2011617962 РФ 26.10.2011. Опубл. От 10.01.2012. – Режим доступа: http://lc.kubagro.ru/aidos/2012610135.jpg, 3,125 у.п.л.

25. Луценко Е.В., Универсальная когнитивная аналитическая система "ЭЙДОС-X++". Пат. № 2012619610 РФ. Заявка № 2012617579 РФ от 10.09.2012. Зарегистр. 24.10.2012. – Режим доступа: http://lc.kubagro.ru/aidos/2012619610.jpg, 3,125 у.п.л.

26. Луценко Е.В., Коржаков В.Е., Подсистема генерации сочетаний классов, сочетаний значений факторов и докодирования обучающей и распознаваемой выборки интеллектуальной системы «Эйдос-Х++» ("Эйдос-сочетания"). Свид. РосПатента РФ на программу для ЭВМ, Гос.рег.№ 2013660481 от 07.11.2013. – Режим доступа: http://lc.kubagro.ru/aidos/2013660481.jpg, 2 у.п.л.

27. Луценко Е.В., Коржаков В.Е., «Подсистема интеллектуальной системы «Эйдос-Х++», реализующая сценарный метод системно-когнитивного анализа ("Эйдос-сценарии"). Свид. РосПатента РФ на программу для ЭВМ, Гос.рег.№ 2013660738 от 18.11.2013. – Режим доступа: http://lc.kubagro.ru/aidos/2013660738.jpg, 2 у.п.л.

28. Луценко Е.В., Бандык Д.К., Интерфейс ввода изображений в систему "Эйдос" (Подсистема «Эйдос-img»). Свид. РосПатента РФ на программу для ЭВМ, Заявка № 2015614954 от 11.06.2015, Гос.рег.№ 2015618040, зарегистр. 29.07.2015. – Режим доступа: http://lc.kubagro.ru/aidos/2015618040.jpg, 2 у.п.л.

29. Савин И.Ю., Луценко Е.В., Драгавцева И.А., Мироненко Н.Я., Руссо Д.Э., Геоинформационная база данных «Почвы Краснодарского края» . Свид. РосПатента РФ о гос.регистрации базы данных, Заявка № 2015620687 от 11.06.2015, Гос.рег.№ 2015621193, зарегистр. 04.08.2015. – Режим доступа: http://lc.kubagro.ru/aidos/2015621193.jpg, 2 у.п.л.

30. Луценко Е.В., Открытая масштабируемая интерактивная интеллектуальная on-line среда «Эйдос» («Эйдос-online»). Свид. РосПатента РФ на программу для ЭВМ, Заявка № 2017618053 от 07.08.2017, Гос.рег.№ 2017661153, зарегистр. 04.10.2017. – Режим доступа: http://lc.kubagro.ru/aidos/2017661153.jpg, 2 у.п.л.

31. Луценко Е.В., Чередниченко Н.А. Система когнитивного прогнозирования сейсмичности на основе астрономических данных "Aidos-Temblors" (System "Aidos-Temblors"), Свид. РосПатента РФ на программу для ЭВМ, Заявка № 2021611136 от 29.01.2021, Гос.рег.№ 2021612051, зарегистр. 10.02.2021. http://lc.kubagro.ru/aidos/2021612051.jpg

32. Lutsenko E.V. Personal intellectual online environment "Eidos-X Professional" (System "Eidos-Xpro") // April 2022, DOI: 10.13140/RG.2.2.10449.81766, License CC BY 4.0, http://www.researchgate.net/publication/359865578, http://lc.kubagro.ru/aidos/2022615135.jpg

33. Свидетельство о государственной регистрации базы данных № 2023623598 Российская Федерация. База данных «Система результатов когнитивного анализа влияния довузовской математической подготовки на успешность обучения в вузе» : № 2023623331 : заявл. 13.10.2023 : опубл. 24.10.2023 / Е. В. Луценко, С. П. Грушевский, А. В. Бочаров, В. А. Иванов ; заявитель Федеральное государственное бюджетное образовательное учреждение высшего образования «Кубанский государственный университет». – EDN: OGDTGK, http://lc.kubagro.ru/aidos/2023623598.jpg

34. Свидетельство о государственной регистрации программы для ЭВМ № 2023619096 Российская Федерация. Программа когнитивного анализа влияния довузовской математической подготовки на успешность обучения в вузе : № 2023618274 : заявл. 27.04.2023 : опубл. 04.05.2023 / Е. В. Луценко, С. П. Грушевский, О. В. Назарова, В. А. Иванов ; заявитель Федеральное государственное бюджетное образовательное учреждение высшего образования «Кубанский государственный университет». – EDN EOVGMS, http://lc.kubagro.ru/aidos/2023619096.jpg

5. Некоторые учебники и учебные пособия

1. Луценко Е. В. Инженерия знаний и интеллектуальные системы : учебник / Е. В. Луценко. – Краснодар : ВЦСКИ «Эйдос», 2020. – 642 с., http://www.researchgate.net/publication/343999010

2. Луценко Е. В. Интеллектуальные системы и технологии : учебник / Е. В. Луценко. – Краснодар : ВЦСКИ «Эйдос», 2020. – 619 с., http://www.researchgate.net/publication/340502851

3. Луценко Е. В. Интеллектуальные информационные системы : учебник / Е. В. Луценко. – Краснодар : ВЦСКИ «Эйдос», 2021. – 529 с. http://www.researchgate.net/publication/340000414

Тесты к данной дисциплине (Чтобы скачать rar-архив теста надо перейти по ссылке, а потом кликнуть на кнопке: "Download the PDF".):

https://www.researchgate.net/publication/374023819_Test-1_on_Intelligent_Information_Systems

https://www.researchgate.net/publication/374023586_Test-2_on_Intelligent_Information_Systems

https://www.researchgate.net/publication/374023688_Test-3_on_Intelligent_Information_Systems

https://www.researchgate.net/publication/374023839_Test-4_on_Intelligent_Information_Systems

https://www.researchgate.net/publication/374023841_Test-ALL_on_Intelligent_Information_Systems.

4. Луценко Е. В. Математическое моделирование и анализ данных в садоводстве : учебник / Е. В. Луценко. – Краснодар : ВЦСКИ «Эйдос», 2020. – 387 с. http://www.researchgate.net/publication/344058176

5. Луценко Е. В. Математическое моделирование и анализ данных в садоводстве : учебник (изд. 2-е) / Е. В. Луценко. – Краснодар : ВЦСКИ «Эйдос», 2023. – 573 с. https://www.researchgate.net/publication/374029841

https://www.researchgate.net/publication/374068312_Test-1_Mathematical_modeling_and_data_analysis_in_horticulture_Python_Russian

https://www.researchgate.net/publication/374080847_Test-2_Mathematical_modeling_and_data_analysis_in_horticulture_Python_Russian

https://www.researchgate.net/publication/374090813_Test-3_Mathematical_modeling_and_data_analysis_in_horticulture_Python_Russian

https://www.researchgate.net/publication/374091296_Test-4_Mathematical_modeling_and_data_analysis_in_horticulture_Python_Russian

https://www.researchgate.net/publication/374091398_Test-ALL_Mathematical_modeling_and_data_analysis_in_horticulture_Python_Russian

6. Луценко Е. В. Научная публицистика : учебник / Е. В. Луценко. – Краснодар : ВЦСКИ «Эйдос», 2020. – 190 с., http://www.researchgate.net/publication/340264083 (тесты: )

https://www.researchgate.net/publication/374024848_Test-1_in_Scientific_journalism

https://www.researchgate.net/publication/374024685_Test-2_in_Scientific_journalism

https://www.researchgate.net/publication/374024687_Test-3_in_Scientific_journalism

https://www.researchgate.net/publication/374024689_Test-4_in_Scientific_journalism

https://www.researchgate.net/publication/374024927_Test-ALL_in_Scientific_journalism

7. Луценко Е. В. Современные информационно-коммуникационные технологии в научно-исследовательской деятельности и образовании: учеб. пособие для асп. напр. подг.: 40.06.01 "Юриспруденция"/ Е. В. Луценко, Г. М. Меретуков, В. И. Лойко. – Краснодар: КубГАУ,. 2019. – 261с., http://www.researchgate.net/publication/339285519

8. Луценко Е. В. Теория информации, данные, знания : учебник / Е. В. Луценко, В. И. Лойко, В. Н. Лаптев. – Краснодар: КубГАУ, 2020. – 440 с., http://www.researchgate.net/publication/343988907

9. Луценко Е. В. Управление знаниями : учебник-хрестоматия / Е. В. Луценко. – Краснодар : ВЦСКИ «Эйдос», 2020. – 252 с., http://www.researchgate.net/publication/344349032

10. Луценко Е. В. Теоретические основы, математическая модель и программный инструментарий Автоматизированного системно-когнитивного анализа : учеб. пособие / Е. В. Луценко. – Краснодар : ВЦСКИ «Эйдос», 2020. – 718 с., http://www.researchgate.net/publication/343057312

Тест по АСК-анализу и системе "Эйдос" (Чтобы скачать rar-архив теста надо перейти по ссылке, а потом кликнуть на кнопке: "Download the PDF".):

https://www.researchgate.net/publication/374730109_Test_po_ASK-analizu_i_sisteme_Ejdos

11. Луценко Е. В. Интеллектуальные технологии и представление знаний : учебник / Е. В. Луценко. – Краснодар : ВЦСКИ «Эйдос», 2020. – 520 с., http://www.researchgate.net/publication/344058923

12. Луценко Е. В. Психология программирования : учеб. пособие / Е.В.Луценко, С.П.Грушевский – Краснодар: КубГУ,. 2020. – 460 с., http://www.researchgate.net/publication/334479216

13. Луценко Е. В. Системный анализ и принятие решений (Автоматизированный системно-когнитивный анализ и решение задач идентификации, принятия решений и исследования моделируемой предметной области) : учебник / Е. В. Луценко. – Краснодар : ВЦСКИ «Эйдос», 2020. – 1033 с., http://www.researchgate.net/publication/343998862

14. Луценко Е. В. Системы искусственного интеллекта : учеб. пособие / Е. В. Луценко. – Краснодар : ВЦСКИ «Эйдос», 2020. – 520 с., http://www.researchgate.net/publication/340037737

Экзаменационный тест к данной дисциплине (Чтобы скачать rar-архив теста надо перейти по ссылке, а потом кликнуть на кнопке: "Download the PDF".):

Examination test for the discipline: "Artificial Intelligence Systems", (Python, Russian)

15. Луценко Е. В. Проектирование и разработка интеллектуальных информационных систем : учебник / Е. В. Луценко. – Краснодар : ВЦСКИ «Эйдос», 2020. – 529 с., http://www.researchgate.net/publication/340245920

16. Луценко Е. В. Основы искусственного интеллекта : учеб. пособие / Е. В. Луценко. – Краснодар : ВЦСКИ «Эйдос»,2020. – 520 с., http://www.researchgate.net/publication/339999967

17. Луценко Е. В. Методы искусственного интеллекта : метод. рекомендации по контактной и самостоятельной работе / Е. В. Луценко, А. В. Чемарина. – Краснодар: КубГАУ, 2020. – 62 с., http://www.researchgate.net/publication/339140946

18. Луценко Е. В. Методика написания научных работ, логика и структура изложения научных положений // February 2021, DOI: 10.13140/RG.2.2.23546.41920, License CC BY-SA 4.0, http://www.researchgate.net/publication/349039044

19. Луценко Е. В. Методы искусственного интеллекта : учебник // Е. В. Луценко. – Краснодар : ВЦСКИ «Эйдос», 2020. – 520 с., November 2022, DOI: 10.13140/RG.2.2.23807.07847, License CC BY 4.0, http://www.researchgate.net/publication/365302016