20060112B
Ez az oldal a korábbi SCH wiki-ről lett áthozva. Az eredeti változata itt érhető el.
Ha úgy érzed, hogy bármilyen formázási vagy tartalmi probléma van vele, akkor kérlek javíts rajta egy rövid szerkesztéssel.
Ha nem tudod, hogyan indulj el, olvasd el a migrálási útmutatót
Az A csoporttól jelentősen eltérő egyedek...
hivatalos megoldás
Tartalomjegyzék
- 1 2. Sorolja fel tananyag alapján a lineáris tárkomplexitást biztosító keresési algoritmusokat. A problémára vonatkozó egyéb információ hiányában melyiket választana ki és miért? (4p)
- 2 5. Minimálisan hány valószínűség megadása szükséges a megadott valószínűségi háló definiálásához ha az Akkumulátor és a Beindul háromértékű változók, a többi változó pedig bináris? (4p) Sokat nyertünk ezzel az elvi együttes valószínűségi eloszláshoz képest? (6p)
- 3 7. Ha egy labirintusból a közismert “kézzel követve a falat” algoritmussal próbálunk kijutni, valójában milyen fajta keresési algoritmust alkalmazunk? Garantáltan kijutunk-e a labirintusból? Miért (igen/nem)? (4 pont)
- 4 8. A közelítőleg helyes tanulásnál mi a szükséges minimális példaszámot megadó képlet? Mi a benne szereplő jelölések a jelentése? Mi a képlet lényegi mondanivalója? (gondoljon itt pl. a logikai függvények tanulására) (6 pont)
- 5 10. A relevancia alapú tanulásnál egy általános háttértudásból (hogy egy országban a nép egy nyelvet beszél – a. állítás) és a megfigyelt konkrét esetből (hogy a Fernandó nevű brazil bennszülött portugálul beszél – b. állítás) meg lehet tanulni, hogy Brazília nyelve portugál. (c. állítás).
- 6 Rezolúcióval lássa be, hogy a c. állítás következik az a. és b. állításból. (8 pont)
2. Sorolja fel tananyag alapján a lineáris tárkomplexitást biztosító keresési algoritmusokat. A problémára vonatkozó egyéb információ hiányában melyiket választana ki és miért? (4p)
- Mélységi
- Mélység-korlátozott
- Iteratívan mélyülő
Iteratívan mélyülő, mert teljes és optimális!
5. Minimálisan hány valószínűség megadása szükséges a megadott valószínűségi háló definiálásához ha az Akkumulátor és a Beindul háromértékű változók, a többi változó pedig bináris? (4p) Sokat nyertünk ezzel az elvi együttes valószínűségi eloszláshoz képest? (6p)
Akkumulátor->2
Autórádió->3
Gyújáts->3
Üzemanyag->1
Beindul->8
Megy->3
[math] \sum = 20 [/math]
elvi együttes valószínűségi eloszlás: [math] 2^4*3^2-1=143 [/math]
vagyis a nyereség: [math] \frac{20}{143}=0,14 [/math]
nem pont 1-ez azaz 86% a nyereség? hiszen 143 helyett csak 20 kell, akkor 123at spórolunk, ami a 143 86%-a.
7. Ha egy labirintusból a közismert “kézzel követve a falat” algoritmussal próbálunk kijutni, valójában milyen fajta keresési algoritmust alkalmazunk? Garantáltan kijutunk-e a labirintusból? Miért (igen/nem)? (4 pont)
A keresés mélységi keresés és a normális labirintus nyilván egy planáris, véges gráf, ahol ez a keresés teljes is lesz.
8. A közelítőleg helyes tanulásnál mi a szükséges minimális példaszámot megadó képlet? Mi a benne szereplő jelölések a jelentése? Mi a képlet lényegi mondanivalója? (gondoljon itt pl. a logikai függvények tanulására) (6 pont)
Képlet : [math] m \geq \frac{1}{\epsilon} (ln\frac{1}{\delta}+ln|H|) [/math]
- [math] m [/math] : vizsgált (vizsgálandó) pédák száma
- [math] \epsilon [/math] : ennyire van közel a hipotézis az f valós függvényhez ([math] hiba(h) \leq \epsilon [/math] )
- [math] \delta [/math] : kis értékű konstans
- [math] \left| H \right| [/math] : összes lehetséges hipotézisek száma
Tehát ha egy tanuló algoritmus olyan hipotézist ad, amely [math] m [/math] példa esetén konzisztens, akkor ennek a hipotézisnek legalább [math] 1-\delta [/math] valószínűséggel a hibája legfeljebb [math] \delta [/math]
A lényegi mondanivaló, hogy a szükséges példák száma a hipotézisek számával log kapcsolatban van. Amely tanulási problémában tehát nagyon sok hipotézis van a hipotézis térben, ott sok példára van szükség. Ha ez a szükséges példaszám exponenciálissá válik, akkor a tanulás kivitelezhetetlenné válik. -- Gabesz - 2006.01.25.
10. A relevancia alapú tanulásnál egy általános háttértudásból (hogy egy országban a nép egy nyelvet beszél – a. állítás) és a megfigyelt konkrét esetből (hogy a Fernandó nevű brazil bennszülött portugálul beszél – b. állítás) meg lehet tanulni, hogy Brazília nyelve portugál. (c. állítás).
- a. [math] \forall x,y,n,l Nemzetisege(x,n) \wedge Nemzetisege(y,n) \wedge Nyelve(x,l) \rightarrow Nyelve(y,l) [/math]
- b. [math] Nemzetisege(Fernando,Brazil) \wedge Nyelve(Fernando,Portugal) [/math]
- c. [math] \forall x Nemzetisege(x,Brazil) \rightarrow Nyelve(x,Portugal) [/math]
Rezolúcióval lássa be, hogy a c. állítás következik az a. és b. állításból. (8 pont)
(?ek helyett a szokásos operátorok alkalmazandók :) )