Mesterséges intelligencia - 2006.01.26. vizsga B
Tartalomjegyzék
- 1 1. Hogyan működik az iteratív mélyülő keresés? Mik a jó tulajdonságai, és azok mivel magyarázhatók meg?
- 2 2. Mi a feltételes függetlenség elve?
- 3 3. Szó volt arról, hogy egy relaxált problémánál értelmezett távolság egy jó heurisztika a valódi probléma szempontjából. Mi a relaxált probléma? A légvonalbeli távolság esete-e ennek az elgondolásnak? Miért?
- 4 4. Adja meg szükséges paraméterek számát a következő diszkrét válószínűségi változókat tartalmazó Bayes hálóhoz (az értékek számát csomópontokban tüntettük fel). Hasonlítsa ezt össze egy teljes modell paraméterigényével.
- 5 5. Definiálja a következő fogalmakat: dedukció, indukció, abdukció.
- 6 6. Mik a fuzzy következtető rendszer elemei és mi az algoritmikus tartalmuk?
- 7 7. Foglalja össze a verziós teres tanulás lényegét, előnyeit és hátrányait”!
- 8 8. Fűzzön kommentárt az alábbiakhoz:
- 9 9. Megerősítéses tanulásnál tegyük fel, hogy a valószínűségek P2 = 4*P1 (P1+P2=1) és a megerősítések: 2 r1 = - r2 = 1. Adja meg az állapotok hasznosságára vonatkozó képletet és számítsa ki, mennyi lesz az I., ..., V. állapotok hasznossága?
- 10 10. Az egyetlen egy, de jó példa alapján tanuló ősember megtanulta a kezét a zsákmányát nyárson sütve kímélni. Modellezzük a tudását a következőképpen:
1. Hogyan működik az iteratív mélyülő keresés? Mik a jó tulajdonságai, és azok mivel magyarázhatók meg?
Folyamatosan növekvő mélységkorlát. a folyamatosan növőség helyett szerintem fontosabb, hogy lineáris. -- TitCar - 2007.01.10. Teljes lesz, mert nem akadhat el (pl. végtelen hosszú utakon).
2. Mi a feltételes függetlenség elve?
3. Szó volt arról, hogy egy relaxált problémánál értelmezett távolság egy jó heurisztika a valódi probléma szempontjából. Mi a relaxált probléma? A légvonalbeli távolság esete-e ennek az elgondolásnak? Miért?
Beugrófeladat.
Relaxált probléma az egyszerűsített probléma. Bizonyos szabályokat feloldunk, mint pl. a lévonalbeli távolságnál a lépések megkötését, szabályát, hogy hogyan végezzük, hogy úton kell hogy menjünk tehát esete, igen.
4. Adja meg szükséges paraméterek számát a következő diszkrét válószínűségi változókat tartalmazó Bayes hálóhoz (az értékek számát csomópontokban tüntettük fel). Hasonlítsa ezt össze egy teljes modell paraméterigényével.
19 a 119-hez.
D: 4-1=3 kell, E: 4*(2-1)=4, F: 2*(3-1)=4 G: 2*(5-1)=8
5. Definiálja a következő fogalmakat: dedukció, indukció, abdukció.
Ld. jegyzet.
6. Mik a fuzzy következtető rendszer elemei és mi az algoritmikus tartalmuk?
Ld. jegyzet.
7. Foglalja össze a verziós teres tanulás lényegét, előnyeit és hátrányait”!
Ld. jegyzet.
8. Fűzzön kommentárt az alábbiakhoz:
P(a1), P(a2), P(a3) x P(x)
Induktív általánosítás esete.
----
9. Megerősítéses tanulásnál tegyük fel, hogy a valószínűségek P2 = 4*P1 (P1+P2=1) és a megerősítések: 2 r1 = - r2 = 1. Adja meg az állapotok hasznosságára vonatkozó képletet és számítsa ki, mennyi lesz az I., ..., V. állapotok hasznossága?
Ld. A csoport megoldása.
10. Az egyetlen egy, de jó példa alapján tanuló ősember megtanulta a kezét a zsákmányát nyárson sütve kímélni. Modellezzük a tudását a következőképpen:
x Kéz (x) Távol-Tűztől (x) Nem-Fáj (x) x Hús (x) Távol-Tűztől (x) Meg-Sül (x) x, y Hús (x) Kéz (y) Nyárson-Tart (x, y) Távol-Tűztől (y) Távol-Tűztől (x)
Tudjuk persze azt is, hogy: Hús (Gyík), Kéz (Kezem), és Nyárson-Tart (Gyík, Kezem).
Vajon eléri-e az áhított eredményt, azaz, hogy: Meg-Sül (Gyík) Nem-Fáj (Kezem) = Igaz ?
A kérdéses állítás igaz értékét rezolúciós bizonyítással lássa be.
Ld. jegyzet, előbbi vizsgák, ill. a gyakorlati anyagok.
-- adamo - 2006.01.26.
- 20060126B_1:
- 20060126B_2:
