En el artículo The power of neural networks publicado en la edición de Abril de 2003 de la revista Scientific Computing Magazine Brian Cogan asesora a los lectores sobre diferentes aplicaciones software que utilizan algoritmos de redes neuronales. Entre otras, presenta la novedosa librería de Mathematica, Neural Networks 1.0.
Ray Givan ofrece en su artículo Going with the flow publicado en la edición de Abril 2003 de Scientific Computing Magazine una visión de las ecuaciones de Navier Stokes para dinámica de fluídos. El artículo dedica una sección a dar a conocer FEMLAB y la librería Chemical Engineering Module dentro del campo de la dinámica de fluídos y en particular, en situaciones donde aparecen las ecuaciones de Navier Stokes.
Felix Grant nos presenta en su artículo The benefits of portfolio expansion publicado en la edición de Mayo-Junio 2003 de la revista Scientific Computing Magazine la proliferación de herramienta de cálculo a partir de Mathematica y la aparición de nuevas librerías de funciones para la aplicación de Mathematica en sectores específicos.

El autor presta especial atención a las últimas librerías desarrolladas en el campo del control: Control System Professional 2.0 y Advanced Numerical Methods 1.0 (englobadas en Control System Professional Suite) y a la aplicación de cálculo distribuido y recursos compartidos basada en Mathematica: gridMathematica. Ofrece dos ejemplos de aplicaciones muy interesantes: el modelado de un sistema de gestión de…
mathStatica se diseñó para resolver problemas simbólicos y algebraicos de gran interés para la estadística matemática. Para ello se ha construido una sofisticada librería de funciones sobre la increible potencia computacional simbólica de Mathematica, especialmente diseñada para realizar cálculos estadísticos.

Se diferencia de paquetes como SPSS, SYSTAT, SAS, GAUSS, JMP y S-PLUS que proporcionan herramientas numéricas y/o gráficas. Estos pueden ilustrar, simular y encontrar soluciones numéricas aproximadas pero, en general, no pueden encontrar soluciones simbólicas exactas a problemas estadísticos.
machine learning framework es una herramienta universal para la creación de modelos computacionales inteligibles a partir de datos mediante la combinación de lógica difusa basada en métodos de aprendizaje automático.

machine learning framework es una solución completa para empresarios e ingenieros financieros, ingenieros de procesos y fabricación, profesionales de los seguros y todo experto que quiera obtener modelos computacionales a partir de datos. Ingenieros del conocimiento y expertos de aprendizaje automático que busquen un sistema para desarrollar soluciones a medida también se beneficiarán a partir de variantes difusas de algoritmos de aprendizaje automático dentro de un sistema de arquitectura abierta.
Wolfram Research ofrece actualizaciones gratuitas de las librerías de funciones denominadas Application Packages a los usuarios registrados de éstas y que dispongan de Mathematica 5. El listado actualizado de este conjunto de librerías es el siguiente:
  • Advanced Numerical Methods (para Windows, Macintosh, UNIX).
  • Control System Professional (para Windows, Macintosh, UNIX).
  • Database Access Kit (para Windows).
  • Dynamic Visualizer (para Windows).
  • Electrical Engineering Examples (para Windows, Macintosh, UNIX).
  • Finance Essentials (para Windows, Macintosh, UNIX).
  • Time Series (para Windows, Macintosh, UNIX).
  • Wavelet Explorer (para Windows, Macintosh, UNIX).

Estas actualizaciones deben ser descargadas a través de la página web de Wolfram Research.

La nueva versión de la librería de funciones para Mathematica Global Optimization extiende sus prestaciones para la resolución de problemas de optimización global con restricciones y sin restricciones. Además de solventar pequeños errores detectados en la versión anterior, Global Optimization 4.2 incorpora dos nuevas funciones:
  • GlobalPenaltyFn: Algoritmo basado en un método de ascenso para funciones objetivo no lineales con restricciones dadas por igualdades y desigualdades no analíticas. Determina con fiabilidad mínimos locales y permite resolver problemas con cientos de variables. No requiere calcular derivadas y la función objetivo puede ser no diferenciable. Diferentes valores iniciales llevan a determinar diferentes mínimos en caso de existir. No…