729G43 Artificiell intelligens Kunskapsrepresentation. Arne Jönsson HCS/IDA
|
|
- Frida Sandberg
- för 4 år sedan
- Visningar:
Transkript
1 729G43 Artificiell intelligens Kunskapsrepresentation Arne Jönsson HCS/IDA
2 Kunskapsrepresentation Introduktion Wumpus-världen Logik Satslogik Predikatlogik FOPL, Inferens Resolution, Unifiering Representation av kunskap Ontologi Strukturerad representation/semantiska nät
3 Kunskapsbaserade agenter Generell kunskap om världen Deklarativ beskrivning (jfr agent med procedurell kunskap) Resonemang Flexibla explicita mål ny kunskap Partiellt observerbara världar (jfr sökning)
4 Kunskapsbaserad agent Har en kunskapsbas som innehåller fakta och resonemangmekanismer för att dra slutsatser baserat på dessa fakta Agenten tolkar percept vid en tid t uppdaterar KB med perceptet väljer handling baserat på KB uppdaterar KB med handling vid t Utför handling och uppdaterar tiden
5 Kunskapsbaserad agent KB = [ ] t = 0 def KBagent(percept): tell(kb, makeperceptsentence(percept, t)) action = ask(kb, makeactionquery(t)) tell(kb, makeactionsentence(action, t)) t = t + 1 return action
6 Modelleringsparadigm Tillståndsbaserade modeller Tillstånd, handlingar, kostnader Sökning Variabelbaserade modeller Variabler, tilldelningar CSP Logikbaserade modeller Satslogik, predikatlogik Logiska formler och inferensregler
7 Wumpus-världen Stank Stank Bris Bris HÅL HÅL Bris Stank Bris Bris HÅL Bris
8 Wumpus-världen Percept (Stank, Bris, Glitter, Bump, Skrik) Wumpusen stinker en ruta vertikalt och horsiontellt Hål ger bris en ruta vertikalt och horisontellt Guld glittrar Bump i vägg Döende Wumpus skriker
9 Wumpus-världen Handlingar (framåt, (sväng höger), (sväng vänster), ta, skjut, klättra) Om agenten är vid skatten innebär ta att agenten har guldet Om agenten står riktad mot wumpusen och skjuter dör wumpusen Om agenten är vid startplatsen och klättrar kommer den ut Om agenten hamnar i hål eller hos wumpusen dör den
10 Wumpus-världen resonemang Om det blåser på ruta x och ruta a, b, c och d är angränsande rutor så kan det finnas hål på a, b, c och d Om det inte blåser på ruta x och a, b, c och d är angränsande rutor så kan det inte finnas hål på a, b, c eller d Om det finns ett hål på ruta x eller y och det inte finns ett hål på x så finns det ett hål på y
11 Wumpus-världen Stank Stank Bris Bris HÅL HÅL Bris Stank Bris Bris HÅL Bris
12 Logik Syntax Uttryck som beskriver världen Semantik Uttryckens betydelse En mängd modeller Inferensregler Ger nya beskrivningar av världen
13 Syntax vs semantik Syntax Vilka formler (uttryck) är tillåtna Ex matematik: x+y=4 x4y=+ Semantik Vad betyder formlerna. När är de sanna? Ex matematik x+y=4 är sann för x=1 och y=3 eller x=2 och y=2 etc Flera olika modeller
14 Syntax för satslogik Atomära satser. Kan vara sanna eller falska Ofta representerade med bokstäver, t.ex. AI är kul kan representeras med K Logiska konnektiv Negation (inte) Konjunktion (och) Disjunktion (eller) Implikation Ekvivalens Parenteser ( )
15 Syntaxexempel Formler: A A B A A B A B (A B) (A B) A Inte formler: A A B
16 Konjunktion Syntax, exempel K: AI är kul L: Folk är lyckliga K L - Det är så att AI är kul och folk är lyckliga Semantik K L är sant om både K och L är sanna
17 Disjunktion Syntax, exempel K: AI är kul L: Folk är lyckliga K L - Antingen är AI är kul eller så är folk är lyckliga. Semantik K L är sant om någon av K eller L är sann, eller båda
18 Negation Syntax, exempel K: AI är kul K - Det är inte så att AI är kul Semantik K är falsk när K är sann. Annars sann.
19 Implikation Syntax, exempel K: AI är kul L: Folk är lyckliga K L Om AI är kul så är folk lyckliga. OBS! Inget om vad som händer om AI inte är kul. Semantik K L är enbart falsk om K är sann och L är falsk. Annars sann.
20 Ekvivalens Syntax, exempel K: AI är kul L: Folk är lyckliga K L Folk är lyckliga om och endast om (omm) AI är kul. Är AI kul är folk lyckliga. Är folk lyckliga är AI kul. Semantik K L är sann om L och K har samma sanningsvärde. Annars falsk.
21 Sanningstabell Kan lista alla sanningsvärden A B A A B A B A B A B F F S F F S S F S S F S S F S F F F S F F S S F S S S S
22 Implikation A B om båda sanna måste satsen vara sann och om A är sann och B falsk måste satsen vara falsk A B A B Alt 1 A B Alt 2 A B Alt 3 Dessutom måste A B (A B) (B A) betyder logisk ekvivalens, sanna i samma modeller (metaspråk) A B Alt 4 F F F F S S F S F S F S S F F F F F S S S S S S B OK
23 XOR Exklusivt eller (antingen eller), dvs bara sant då en av satserna sann A B (A B) (A B) A B A B F F F F S S S F S S S F
24 Sanningstabell, exempel P Q R P Q R P Q P Q R F F F F S F F S F S F S F F S F S S F S S F F S F S F S S S S S F F S S S S F S
25 Syntax byggs rekursivt Låt satser betecknas med stora bokstäver och formler (som består av satser) med små grekiska Om! och " är formler så är följande också formler:!! "! "! "! " Ex. Om! = A B, " = C D då är! " = A B C D
26 Prioritesordning och parenteser! # % kan tolkas som (! #) % eller! (# %) Formellt krävs parenteser men ofta skippar man dem, ex! # % tolkas som (! #) %! # % tolkas som (! #) %! # tolkas som (!) # Prioritetsordning
27 Några viktiga logiska ekvivalenser 1.! # #! kommutativ lag 2.! # #! kommutativ lag 3.! (# %) (! #) % associativ lag 4.! (# %) (! #) % associativ lag 5.!! dubbelnegationseliminering 6.! # #! kontraposition 7.! #! # eliminering av implikation 8.! (# %) (! #) (! %) distributiv lag 9.! (# %) (! #) (! %) distributiv lag 10. (! #)! # De Morgan 11. (! #)! # De Morgan
28 Sanningstabellsbevis Eliminering av implikation De Morgan De Morgan A B A B A B (A B) A B (A B) A B F F S S S S S S F S S S S S F F S F F F S S F F S S S S F F F F
29 Översättningar, 1 Per och Pål är starka egentligen Per är stark och Pål är stark E: Per är stark Å: Pål är stark E Å
30 Översättningar, 2 Steken skall kryddas med svartpeppar och vitpeppar eller kryddpeppar S: Steken skall kryddas med svartpeppar V: Steken skall kryddas med vitpeppar K: Steken skall kryddas med kryddpeppar (S V) K S (V K) Två olika tolkningar
31 Översättningar, 3 Du skall ha registrerat dig annars får du inte tenta annars signalerar att det är nödvändigt att registrera sig för att få tenta Om du inte registrerat dig får du inte tenta T: Du får tenta R: Du har registrerat dig R T
32 Konjunktiv normalform Standardiserat sätt att skriva formler En literal är en sats eller negerad sats En formel består bara av en itererad konjunktion av disjunktiva literaler! 1! 2! 3! n där! i är # i % i och # eller % är literaler, eller tomma T.ex. (A B) (C D) E Alla uttryck går att skrivas om till konjunktiv normalform (eller disjunktiv normalform)
33 Konvertering till konjunktiv normalform För satslogik i princip tre enkla samband 1. Eliminera implikation! #! # 2. Reducera negationernas räckvidd de Morgan (! #)! # och (! #)! # 3. Konvertera till konjunktion av disjunktioner Distributiva lagen! (# &) (! #) (! &)! (# &) (! #) (! &)
34 Exempel A (B (C D)) 1. A (B (C D)) 2. A (B ( C D)) 3. ( A B) ( A C D)
35 Modell Formlerna är bara symboler, syntax Semantiken ger mening En modell w är en tilldelning av sanningsvärden till symbolerna Exempel, symbolerna A och B ger 4 möjliga modeller A w1 Falsk Falsk w2 Falsk Sann w3 Sann Falsk w4 Sann Sann B
36 Egenskaper hos en formel Tautologi Sann för alla möjliga tilldelningar, A A Kontradiktion Falsk för alla möjliga tilldelningar, A A Kontingent Varken tautologi eller kontradiktion. Sann för vissa tilldelningar falsk för andra A B
37 Exempel A B B C är en tautologi Sanningstabell eller Motsägelsebevis Antag kontradiktion, dvs A B B C är falsk A B är bara falsk om A är sann och B är falsk B C är bara falsk om B är sann och C är falsk disjunktionen är bara falsk om båda falska, dvs B både sann och falsk, vilket inte är möjligt, alltså
38 Tolkningsfunktion Antag att! är en formel och w en modell Tolkningsfunktionen I(!, w) avgör om det finns en modell som gör formeln satisfierbar (SAT) Sant om w satisfierar! Falskt om w inte satisfierar! Ex. antag att! = A B I(!, w1) = Falskt I(!, w3) = Sant etc A B w1 Falsk Falsk w2 Falsk Sann w3 Sann Falsk w4 Sann Sann
39 Logisk konsekvens (entailment) Slutsatserna en logisk konsekvens av premisserna Skrivs! # dvs # är en logisk konsekvens av!, varje modell av! är också en modell av # Exempel A B A A sann i varje tolkning av A B Tautologi om man inte har vänsterled, t.ex. A A Kan använda sanningstabeller för att testa logisk konsekvens, men NP-komplett, 2 n där n antal satser
40 Sanningstabell, exempel {P R, R Q} P Q P Q sann när P R sann OCH R Q sann P R Q P R R Q P Q F F F S S S F F S S S S F S F S S S F S S S S S S F F F S F S F S F S S S S F S F F S S S S S S
41 Inferens Syntaktiska härledningar Opererar direkt på syntaxen, ingen semantik, Olika typer: Naturlig deduktion Framåtinferens Söker från reglerna framåt Bakåtinferens Söker från reglerna bakifrån Resolution
42 Naturlig deduktion Förutsätter sundhet och fullständighet Inför premisser Använd härledningsregler (deduktionsregler) för att komma fram till slutsatsen Säkerställ att slutsatsen bara beror av premisserna Kan göra antaganden, t.ex. reductio ad absurdum
43 Reductio ad absurdum Används för motsägelsebevis Om mängden teorem! har en modell men inte! # så! # Ex.! = { A, B C} har en modell då A falsk och B och C båda sanna. Lägg till B! = { A, B C, B} nu finns ingen modell eftersom B inte kan vara både sann och falsk och således! B
44 Inferensregler Exempel Modus Ponens!! # # dvs om! # och! är givna så kan man sluta sig till # (!! # #) Premisser ovan strecket och slutsatser under
45 Inferens, Exempel Visa att {R, R W, W S} S Modus ponens {R, R W} W Modus ponens igen {W S, W} S dvs ny kunskapsbas {R, R W, W S, W, S} W kom med på köpet
46 Bevisregler i naturlig deduktion Introduktionssregler!! #! %! %!! %! #!! %! %! % %!! % I I I I I I Eliminationssregler! %!! %! * % * *! %!! #! %! %! % E E E E E
47 Exempel 1 Ingen rök utan eld, såvida ingen röker 2 Det finns alltid någon som feströker 3 Det är fest 4 Visa att det ryker 1 Eld Röker Rök 2 Fest Röker 3 Fest 4 Rök 2, 3 och E ger 3b Röker 3b och I ger 3c Eld Röker 3c, 1 och E ger Rök {Eld Röker Rök, Fest Röker, Fest} Rök
48 Bevisschema Premissmängd Radummer Formel Regel {1} 1 A 1 Premiss {Beror av regel*} i A i Radnummer, regel {Bara premisser} x B Slutsats *Premissmängderna räknas som: Unionen av radernas premissmängder för reglerna I, I, E, I, E, E, I, E Differensen för reglerna I, E, I (ordnade premisser)
49 Exempel, 1 Visa att A, (A B) B Premissmängd Radummer Formel Regel {1} 1 A Premiss {2} 2 (A B) Premiss {3} 3 B Antagande* {1, 3} 4 A B 1, 3 I {1, 2, 3} 5 2, 4, I {1, 2} 6 B 3, 5, E * Provisorisk premiss för E
50 Exempel, 2 Visa att A C (C B) (A B) Premissmängd Radummer Formel Regel {1} 1 A C Premiss {2} 2 A Antagande {3} 3 B Antagande {1, 2} 4 C 1, 2, E {1, 2, 3} 5 C B 3, 4, I {2, 3} 6 A B 2, 3, I {1} 7 (C B) (A B) 5, 6, I
51 Några strategier 1. Härledning av! Antag!, härled och använd I 2. Härledning av! $ Härled! och $ var för sig och använd I 3. Härledning av! $ Reductio ad absurdum, antag (! $), använd de Morgan! $, generera och avsluta med E 4. Härledning av! $ Antag!, härled $ och använd I 5. Härledning av! $ Härled! $ och $! och använd I
52 Framåt- och bakåtinferens Exempel 1. Rökning Eld Rök 2. Rök Rökdetektor Larm 3. Larm Brandkåren kommer 4. Rökning Larm Falsklarm 5. Brandkåren kommer Falsklarm Arga brandmän 6. Rökning 7. Rökdetektor 8. Arga brandmän?
53 Framåtinferens Börja i någon premiss 1. Rökning Eld Rök 2. Rök Rökdetektor Larm 3. Larm Brandkåren kommer 4. Rökning Larm Falsklarm 5. Brandkåren kommer Falsklarm Arga brandmän 6. Rökning 7. Rökdetektor 8. Arga brandmän? Falsklarm Rökning Rök Larm Brandkåren Arga brandmän Rökdetektor
54 Bakåtinferens Börja i slutsatsen 1. Rökning Eld Rök 2. Rök Rökdetektor Larm 3. Larm Brandkåren kommer 4. Rökning Larm Falsklarm 5. Brandkåren kommer Falsklarm Arga brandmän 6. Rökning 7. Rökdetektor 8. Arga brandmän? Rökdetektor Arga brandmän Brandkåren Larm Rök Falsklarm Rökning
55 Resolution Mekanisk bevismetod Ex, satslogik Rökning Rök Rök Brandvarnarlarm Implikation transitiv, dvs Rökning Brandvarnarlarm α β kan skrivas som α β Rökning Rök Rök Brandvarnarlarm Dvs Rökning Brandvarnarlarm Kallas resolvent
56 Resolution Antag att! och B är mängder med teorem och att # är ett teorem Resolution Exempel! # # B! B & ( ( ) & )
57 Resolution 1. Konvertera alla satser till konjunktiv normalform 2. Negera vad som skall visas, konvertera till konjunktiv normalform och lägg till kunskapsbasen 3. Upprepa till kontradiktion eller ingen förbättring eller annat stoppvillkor a. Välj två klausuler b. Resolvera dessa. Resolventen är disjunktionen av alla termer med lämpliga substitutioner. c. Om resolventen tomma mängden så returnera kontradiktion, annars lägg resolventen till KB
58 Exempel 1. Rökning Eld Rök 2. Rök Rökdetektor Larm 3. Larm Brandkåren kommer 4. Rökning Larm Falsklarm 5. Brandkåren kommer Falsklarm Arga brandmän 6. Rökning 7. Rökdetektor 8. Arga brandmän?
59 Gör om till konjunktiv form, 1 1. (Rökning Eld) Rök 2. (Rök Rökdetektor) Larm 3. Larm Brandkåren kommer 4. (Rökning Larm) Falsklarm 5. (Brandkåren kommer Falsklarm) Arga brandmän 6. Rökning 7. Rökdetektor 8. Arga brandmän
60 Gör om till konjunktiv form, 2 1. (Rökning Eld) Rök ( Rökning Eld) Rök 1. Rökning Rök 2. Eld Rök 2. (Rök Rökdetektor) Larm ( Rök Rökdetektor) Larm 1. Rök Rökdetektor Larm 3. Larm Brandkåren kommer 4. (Rökning Larm) Falsklarm ( Rökning Larm) Falsklarm 1. Rökning Larm Falsklarm 5. (Brandkåren kommer Falsklarm) Arga brandmän 1. Brandkåren kommer Falsklarm Arga brandmän 6. Rökning 7. Rökdetektor 8. Arga brandmän
61 Konjunktiv form 1. Rökning Rök 2. Eld Rök 3. Rök Rökdetektor Larm 4. Larm Brandkåren kommer 5. Rökning Larm Falsklarm 6. Brandkåren kommer Falsklarm Arga brandmän 7. Rökning 8. Rökdetektor 9. Arga brandmän
62 Härled en motsägelse Plocka två satser, t.ex. 1+2 och lägg till KB 10. Rökning Eld Rök Eller Rök Larm ger 12. Rökning Eld Larm 6+9 ger 13. Brandkåren kommer Falsklarm 4+13 ger 14. Larm Falsklarm 14+5 ger 15. Rökning Larm 15+7 ger 16. Larm 3+16 ger 17. Rök Rökdetektor 1+17 ger 18. Rökning Rökdetektor ger 19. Rökdetektor ger en motsägelse 1. Rökning Rök 2. Eld Rök 3. Rök Rökdetektor Larm 4. Larm Brandkåren kommer 5. Rökning Larm Falsklarm 6. Brandkåren kommer Falsklarm Arga brandmän 7. Rökning 8. Rökdetektor 9. Arga brandmän
63 Metaspråk Satslogiken kallas objektspråk med operatorer som t.ex. Alternativa symboler eller för Metaspråk beskriver egenskaper om objektspråket Två objektspråksformler är lika, ex. A B A B En formel är en logisk konsekvens av en annan, ex. A B A beror av satsernas sanningsvärden En formel kan härledas ur andra beror bara av satsernas form
64 Sundhet och fullständighet Vi vill att vårt logiska system skall kunna bevisa allt som är sant och inget annat Ett logiskt system KB är sunt om KB " KB " dvs alla formler är logiskt sanna, inga ogiltiga formler kan härledas Ett logiskt system är fullständigt om KB " KB " dvs alla logiska sanningar är formler, alla giltiga formler kan härledas Satslogiken är sund och fullständig
65 Sundhet, exempel 1 Gå igenom varje regel. T.ex. är Modus ponens sund? Ex K, K L L och K, K L L? Kan vi hitta logiska konsekvenser som inte är sanna? K L K L F F S F S S S F F S S S L sann på varje rad där K och K L är sanna (K: AI är kul och L: Folk är lyckliga, dvs OM K och K L så L, dvs folk är lyckliga)
66 Sundhet, exempel 2 Hur är det med L, K L K och L, K L K? K L K L F F S F S S S F F S S S Inte sund. Det finns rader då L, K L är sann med K falsk L, K L K (Folk kan vara lyckliga utan att AI är kul) Detta är inte en regel i satslogiken
67 Fullständighet Alla logiska konsekvenser är härledda formler Besvärligare att visa, hur vet vi att allt kan härledas Räcker t.ex. inte med Modus ponens K, K M L L, dvs om K sann så är L en logisk konsekvens men inte K, K M L L eftersom modus ponens inte räcker för att härleda L, lägg till I så går det Fler inferensregler kan ge ett fullständigt system, eller andra. Resolution är t.ex. fullständig
68 Predikatlogik Problem med satslogik Världen är mer än ett antal atomiska fakta Arne gillar AI, Per gillar AI, Pål gillar AI.. Istället objekt och relationer mellan objekt GillarAI(Arne) eller Gillar(AI, Arne) Gillar(x, y) där x kan AI och y kan vara Arne, Per, Pål etc
69 Syntaktiska element Termer, refererar till objekt Konstanter (A, B, S0, Per ) Variabler (x, y, z ) Funktioner av termer (f(x), g(x, S0, z), addera(1, 2, 3) ) Formler Atomära formler Atomära satser, Q Predikat applicerade på termer, P(x, y), R(Per, z), Gillar(Per, Pål). Formler med konnektiv (,,,, ) samt identitet (=) Kvantifierade formler (, alla;, minst en)
70 Syntaxexempel, 1 Per gillar AI GillarAI(Per) Per är en konstant Per och Pål är bröder Bröder(Per, Pål) alt. Bror(Per, Pål), BrorTill(Per, Pål) Glad(x), Glad(x, t), Glad(x, l, t) x, l och t variabler Glad(Pål), Glad(Pål, ), Glad(Pål, , Malmö) Inte trivialt att välja rätt predikat störreän(1,2) returnerar ett sanningsvärde x Glad(x) Alla är glada x Glad(x) Någon är glad x, y Bror(x, y) Bror(y, x)
71 Bundna och fria variabler P(x), x kallas fri variabel x P(x) variabeln x bunden av x P(x) variabeln x bunden av Kvantifierare har räckvidd x P(x) Q(x) tolkas av vissa författare som att andra x fritt, använd då parenteser x (Glad(x) Ledsen(x)) vi kommer inte att göra den tolkningen x,y P(x, y) z S(z) Q(x, y, z)
72 Syntaxexmpel, 2 och x P(x) Q(x) Den som gillar AI är glad x GillarAI(x) Glad(x) x GillarAI(x) Glad(x) Alla gillar AI och alla är glada x P(x) Q(x) Någon gillar AI och är glad x GillarAI(x) Glad(x) x GillarAI(x) Glad(x) x GillarAI(x) Glad(x) Någon gillar inte AI eller är glad
73 Syntaxexmpel, 3 x, y Bror(x, Pia) Bror(y, Pia) (x=y) Pia har två bröder Likhet Far(Per) = Gert x y Gillar(x, y) x y Gillar(x,y) x P(x) y Q(y) H(x, y) Älgar har horn x Älg(x) HarHorn(x) x Älg(x) y Horn(y) Har(x, y)
74 Syntaxexempel, 4 Alla kogvetare är snälla x Kogvetare(x) Snäll(x) Några kogvetare är inte snälla x Kogvetare(x) Snäll(x) En kogvetare är en kogvetare x Kogvetare(x) Kogvetare(x) Alla som känner Pål är kända av Per x Känner(x, Pål) Känner(Per, x) Alla människor tycker om någon (människa) x Människa(x) y Människa(y) TyckerOm(x,y) Någon människa tycker om alla (människor) x Människa(x) y Människa(y) TyckerOm(x, y)
75 Semantik Semantiken för satslogik oproblematisk Antag att Arne gillar AI då är satsen G: ArneGillarAI sann I(G) = sant Predikatlogik har objekt i världen GillarAI(Arne) I(GillarAI(Arne)) = sant Variabler refererar till olika objekt i en domän GillarAI(x) I(GillarAI(x)) sant för de individer, x, där GillarAI är sant
76 Domän Mängden objekt i en specifik värld Exempel, Blocks world Objekt i världen: A, B, C, Golv Relationer i världen: On, Clear givna genom On = {<A, B>, <B, C>, <C, Golv>}, Clear={<A>} För att beskriva Blocks world i predikatlogik behövs: (använder mnemomiska symboler, men kunde varit t.ex. G0046, R45, etc) Predikatlogiska objektkonstanter, A, B, C, Golv Binär relationskonstant On Unär relationskonstant Clear A B C
77 Modeller och Tolkning Relationer i Blocks world On = {<A, B>, <B, C>, <C, Golv>}, Clear={<A>} Modeller i Blocks world, olika tolkningar I(On(A,B)) = sant I(On(B,A)) = falskt I(Clear(A)) = sant I(Clear(B)) = falskt I(On(A,B) On(A,Golv)) = sant etc A B C
78 Semantik för kvantifierare x P(x) är sann om P(x) är sann för alla tilldelningar av variabeln x till objekt i domänen Oftast är domänen alla objekt i hela världen, men kan också vara begränsad Ex. Blocks world x On(A, x) Clear(x), x kan tilldelas A, B, C eller Golv. OBS: t.ex. x = A ger On(A, A) Clear(A) eller x = Golv x P(x) är sann om det finns något objekt som gör P(x) sann Ex x Clear(x) A B C
79 Samband mellan kvanitifierare x GillarAI(x) innebär x GillarAI(x) x GillarAI(x) innebär x GillarAI(x) Mer generellt (jämför DeMorgan) x P(x) x P(x) x P(x) x P(x) x P(x) x P(x) x P(x) x P(x)
80 Sundhet och fullständighet Predikatlogiken är sund, dvs KB " KB " dvs alla formler är logiskt sanna Predikatlogiken är inte fullständig Däremot kan man visa att något inte är satisfierbart
81 Skapa en kunskapsbas 1. Iterativ process 2. Identifiera uppgiften 3. Hämta relevant domänkunskap 4. Definiera en vokabulär Ontologi 5. Skriv axiom som beskriver domänen 6. Gör en problemkodning 7. Testa och använd 8. Debug
82 Wumpus-världen Stank Stank Bris Bris HÅL HÅL Bris Stank Bris Bris HÅL Bris
83 Wumpus-världen Percept = [Stench, Breeze, Glitter, Bump, Scream] Action = [Forward, Right, Left, Grab, Shoot, Climb] Representera tid och välja handling Ex Antag Percept([s, b, Glitter, m, c], 5) ask( a bestaction(a, 5)) bör ge Grab tell(grab, 5)
84 Representation av världen Rutor [x, y] Närliggande rutor x, y, z, w Adjacent([x, y],[z, w]) [z, w] {[x+1,y], [x-1,y], [x, y+1], [x, y-1]} Lagra utforskning, ex s,t At(Agent, s, t) Breeze(t) Breezy(s) Diagnosregler (diagnosticerar från effekter till fakta) s Breezy(s) r Adjacent(r, s) Pit(r) Kausalregler (modellbaserade resonemang) r Pit(r) [ s Adjacent(r, s) Breezy(s)]
85 Hantera föränding Vill uttrycka hur en handling påverkar världen i FOPL Inför situationsvariabel för fluents dvs sådant som ändrar sig Ex At(Agent, [1, 1], S0), At(Agent, [1, 2], S1) Saker som inte ändrar sig behöver ingen sitiationsvariabel, ex Wall([0, 1]) Uppdatera världen. Inför Result(action, situation) Result(Forward, S0) = S1 Result(Grab, S1) = S2
86 Situationskalkyl Världen består av en sekvens situationer Handlingar resulterar i nya situationer Fluents är predikat som beskriver relationer eller egenskaper som kan påverkas av handlingar, dessa tar ett extra situationsargument Funktionen Result(action, situation) används för hantera övergången mellan två situationer
87 Situationskalkyl Exempel Beskrivning av wumpusvärldens initialtillstånd At(Agent, [1 1], s0) Direction(Agent, North, s0) At(Wumpus, [1 3]) At(Pit1, [3 1]) At(Pit2, [3 3]) At(Pit3, [4 4]) At(Gold, [2 3])
88 Effektaxiom Wumpusvärldens handlingar "x,y,s At(Agent, [x, y], s) Ù Direction(Agent, North, s) Þ At(Agent, [x, y+1], Result(Forward, s)) "s Direction(Agent, East, s) Þ Direction(Agent, North, Result(Left, s)) "x,y,s At(Agent, [x, y], s) Ù At(Gold, [x, y], s) Þ Holding(Agent, Gold, Result(Grab, s)) Kallas effekt-axiom, beskriver det som förändras
89 Förändringar i världen Antag At(Agent, [2,3], S0), At(Gold, [2, 3], S0) Grab ger Holding(Gold, S1) Antag att agenten går framåt At(Agent, [2, 3], S1) Ù Direction(Agent, North, S1) Þ At(Agent, [2, 4], Result(Forward, S1)) Ger At(Agent, [2,4], S2) Men agenten har också guldet med sig, dvs a,x,s Holding(x, s) (a Release) Holding(x, Result(a, s)) och a,x,s Holding(x, s) (a Grab) (At(Agent, y, s) At(x, y, s)) Holding(x, Result(a,s)) Kallas frameaxiom
90 Frameproblemet Hur representera vad som påverkas och vad som inte påverkas av en handling. Representationsproblemet: representation av handlingar Inferensproblemet: representation av sekvenser av handlingar Relaterade problem: Qualification problem Hur räknar vi upp under vilka omständigheter en handling lyckas Ramification problem Hur räknar vi upp alla implicita konsekvenser av en handling
91 Succesor-state-axiom Successor-state axiom beskriver hur fluentsförändras över tid Kombinera effekt-och frameaxiom Handling som gör något sant redan sant och ingen handling som gör falskt "x,y,a,s At(Agent, [x+1 y], Result(a, s)) Û [(a = Forward Ù At(Agent, [x y], s) Ù Direction(Agent, East, s))] Ú (a ¹Forward Ù At(Agent, [x+1 y], s))
92 Resolution för predikatlogik Variabler och kvantifierare Ex 1. At(Wumpus, [1,2], 5) 2. At(Wumpus, [1, 3], 6) Ger resolventen At(Wumpus, [1, 3], 6) At(Wumpus, [1,2], 5) medan 3. At(Wumpus, l, t) och 1. med {l/[1,2], t/5} (l substitueras med [1,2] och t substitueras med 5) ger At(Wumpus, [1,2], 5) och en motsägelse, dvs en tom klausul
93 Unifiering För att lyckas med resolution i FOPL behöver man hitta allalämpligasubstitutioner, kallas unifiering Variabler byts mot andra variabler eller konstanter, en substitution Ofta söker man den mest generella unifieringen, MGU
94 Unifiering Exempel Gillar(Olga, x) Gillar(y, mask) x/mask y/olga Gillar(Olga, mask) Gillar(Olga, x) och Gillar(y, mask) kan alltså unifieras med hjälp av substitutionen {x/mask, y/olga)
95 Substitutioner propageras Ex x Hund(x) Skäller(x) kan konverteras till 1. Hund(x) Skäller(x) om vi antar att variabler alltid är allkvantifierade 2. Hund(Pluto) 1+2 med [x/pluto] ger Skäller(Pluto), dvs x har substituerats i båda predikaten
96 Unifieringsalgoritmen, 1 def unify(x, y, subst): if subst=="fail": return "Fail" elif x==y: return subst elif variable(x): unifyvar(x, y, subst) elif variable(y): unifyvar(y, x, subst) elif isinstance(x, list) and isinstance(y, list): unify(rest(x), rest(y), unify(first(x), first(y), subst)) else: return "Fail"
97 Unifieringsalgoritmen, 2 def unifyvar(var, x, subst): if getsubst(var, subst): unify(lookup(var, subst), x, subst) elif variable(x) and getsubst(x, subst): unify(var, lookup(x, subst), subst) elif occursin(var, x, subst): return "Fail" else: extendsubst(var, x, subst)
98 Exempel Unifiera Smelly([1,2]) och Smelly(k) unify([ Smelly, [1,2] ], [ Smelly,k],[]) x = [ Smelly, [1,2] ], y = [ Smelly,k] 1. subst Fail 2. x y 3. x eller y inte variabler 4. x och y listor 5. unify( [1,2], k, unify([ Smelly ], [ Smelly ],[])) 6. x==y alltså inga nya substitutioner 7. k variabel så unify ger anrop till unifyvar(k, [1,2],[]) 8. unifyvar hittar inga substitutioner så 9. extendsubst(k, [1,2], []) returnerar {k/ [1,2] }
99 Större exempel (med förenklingar) unify([ F,[ G, A, m], [ F, k, m]], [ F, l, [ F, l, [ G, A, B ]]], [ ]) unify([[ G, A, m], [ F, k, m]], [l, [ F, l, [ G, A, B ]]], unify( F, F, [ ])) [ ] unify([[ G, A, m], [ F, k, m]], [l, [ F, l, [ G, A, B ]]], [ ]) unify([ F, k, m], [ F, l, [ G, A, B ]], unify([ G, A, m], l, [ ])) unify-var(l, [ G, A, m], [ ]) [l/[g, A, m]] unify([k, m], [l, [ G, A, B ]], unify( F, F, [l/[g, A, m]] )) [l/[g A m]] unify([k, m], [l, [ G, A, B ]], [l/[g, A, m]] )) unify(m, [ G, A, B ], unify(k, l, [l/[g, A, m]] )) unify-var(k, l, {l/[g, A, m]}) unify(k, [ G, A, m], [l/[g, A, m]] ) unify-var(k, [ G, A, m], [l/[g, A, m]]) [k/[g A m]] unify(m, [ G, A, B ], [k/[g, A, m], l/[g, A, m]] ) unify-var(m, [ G, A, B ], [k/[g, A, m], l/[g, A, m]] ) [m/[g A B]] [m/[g A B], k/[g A m], l/[g A m]]
100 Konvertering till konjunktiv normalform 1. Eliminera implikation 2. Reducera negationernas räckvidd xp(x) x P(x), xp(x) x P(x), x P(x) xp(x), x P(x) xp(x) 3. Standardisera variabler 4. Eliminera existenskvantifierare, skolemisering 5. Konvertera till prenex form 6. Skippa prefix Allt är allkvantifierat 7. Konvertera till konjunktion av disjunktioner 8. Bilda klausuler Implicit konjuktion mellan klausuler 9. Döp om variabler
101 Skolemisering Ersätter existenskvanifierade variabler med konstant, eller funktion som vid behov tar fram den individ för vilken uttrycket gäller Ex. xp(x) P(S) där S är en skolemkonstant och står för den individ S för vilken P(x) Ex. Alla har ett hjärta x Person(x) y Hjärta(y) Har(x,y) Skolemkonstant ger x Person(x) Hjärta(S) Har(x,S), dvs alla har samma hjärta vilket är fel Inför skolemfunktion, g(x), som beror av allkvantifierade variabeln x ger x Person(x) Hjärta(g(x)) Har(x,g(x))
102 Exempel, 1 x {P(x) ( y[p(y) P(f(x, y))] y[q(x, y) P(y)])} 1 Eliminera implikation x { P(x) ( y[ P(y) P(f(x, y))] y[ Q(x, y) P(y)])} 2 Reducera negationernas räckvidd x { P(x) ( y[ P(y) P(f(x, y))] y[q(x, y) P(y)])} 3 Standardisera variabler x { P(x) ( y[ P(y) P(f(x, y))] z[q(x, z) P(z)])} 4 Eliminera existenskvantifierare x { P(x) ( y[ P(y) P(f(x, y))] [Q(x, g(x)) P(g(x))])} 5 Konvertera till prenex form x y{ P(x) ([ P(y) P(f(x, y))] [Q(x, g(x)) P(g(x))])}
103 Exempel, 2 6 Skippa prefix { P(x) ([ P(y) P(f(x, y))] [Q(x, g(x)) P(g(x))])} 7 Konvertera till konjunktion av disjunktioner [ P(x) P(y) P(f(x, y))] [ P(x) Q(x, g(x))] [ P(x) P(g(x))] 8 Bilda klausuler P(x) P(y) P(f(x, y)) P(x) Q(x, g(x)) P(x) P(g(x)) 9 Döp om variabler P(x) P(y) P(f(x, y)) P(z) Q(z, g(z)) P(w) P(g(w))
104 Exempel 1. Bertil var pudel 2. Bertil föddes Ingen hund lever längre än 50 år 4. Pudlar är hundar 5. Alla hundar är däggdjur 6. Nu är det Visa att det finns döda pudlar nu
105 Exempel, översätt 1. Bertil var pudel Pudel(Bertil) 2. Bertil föddes 1955 Född(Bertil, 1955) 3. Ingen hund lever längre än 50 år x,s,t Hund(x) Född(x, s) störreän(t-s, 50) Död(x, t) 4. Pudlar är hundar x Pudel(x) Hund(x) 5. Alla hundar är däggdjur x Hund(x) Däggdjur(x) 6. Nu är det 2018 Nu = Det finns döda pudlar nu x Pudel(x) Död(x, Nu)
106 Exempel, konvertera 1 1. Pudel(Bertil) 2. Född(Bertil, 1955) 3. x,s,t Hund(x) Född(x, s) störreän(t-s, 50) Död(x, t) (Hund(x) Född(x, s) störreän(t-s, 50)) Död(x,t) Hund(x) Född(x, s) störreän(t-s, 50) Död(x,t) 4. s Pudel(x) Hund(x) Pudel(x) Hund(x) 5. s Hund(x) Däggdjur(x) Hund(x) Däggdjur(x) 6. Nu = x Pudel(x) Död(x, Nu) Negera och konvertera x Pudel(x) Död(x, Nu) x (Pudel(x) Död(x, Nu)) Pudel(x) Död(x, Nu)
107 Exempel, konvertera 2 1. Standardisera variabler 2. Pudel(Bertil) 3. Född(Bertil, 1955) 4. Hund(x) Född(x, s) störreän(t-s, 50) Död(x,t) 5. Pudel(p) Hund(p) 6. Hund(h) Däggdjur(h) 7. Nu = Pudel(w) Död(w, Nu)
108 Resolutionsstrategier Ta bara satser med komplement Föredra små resolventer Unit preference Set of support Behåll en bra delmängd. Börja med slutsatsen Eliminera satser som subsumeras av andra
109 Resolutionsexempel (7) (1) {w/bertil} 8. Död(Bertil, Nu) 1. Pudel(Bertil) 2. Född(Bertil, 1955) 3. Hund(x) Född(x, s) störreän(t-s, 50) Död(x,t) 4. Pudel(p) Hund(p) 5. Hund(h) Däggdjur(h) 6. Nu = Pudel(w) Död(w, Nu) (6) {Nu/2018} 9. Död(Bertil, 2018) (3) {x/bertil, t/2018} 10. Hund(Bertil) Född(Bertil, s) störreän(2018-s, 50)
110 Resolutionsexempel, Hund(Bertil) Född(Bertil, s) störreän(2018-s, 50) 1. Pudel(Bertil) 2. Född(Bertil, 1955) 3. Hund(x) Född(x, s) störreän(t-s, 50) Död(x,t) 4. Pudel(p) Hund(p) 5. Hund(h) Däggdjur(h) 6. Nu = Pudel(w) Död(w, Nu) (2) {s/1955} (4) 11. Hund(Bertil) störreän( , 50) (1) {p/bertil} 12. Pudel(Bertil) störreän( , 50) störreän(60,50) T F Motsägelse, alltså Det finns en död pudel nu
111 Ontologi Kategorier och objekt Fysiska objekt Sammansatta objekt Mått och enheter Handlingar, situationer och händelser Situationskalkyl, Frameproblemet Tid, rum och förändring Händelser och processer Tidsintervall Mentala objekt och uppfattningar
112 Toppontologi Allt Abstrakta Objekt Generaliserade händelser Mängder Tal Repr. Objekt Intervall Platser Fysiska objekt Processer Kategorier Meningar Mått Händelser Saker Materia Tider Vikter Djur Agenter Fast Flytande Gas Människor
113 Exempel på generella ontologier CYC Stort ( koncept) AI-KR projekt Logikbaserat representationsspråk CycL WORDNET Stor ( synsets) lexikal taxonomi Baserat på psykolingvistiska studier
114 CYC Thing IndividualObject Intangible RepresentedThing Event Stuff IntangibleObject Collection Process IntangibleStuff AtributeValue Relationship Slot
115 WORDNET {thing, entity} {living thing, organism} {non-living thing, object} {plant, flora} {animal, fauna} {artifact} {food} {person, human being} {natural object} {substance}
116 Kategorier Resonerar inte om objekt utan om koncept, kategorier Ex Guld, inte Guld32 Gör predikat till objekt i språket Ex Guld refererar till kategorin Guld, x Guld betyder att x är guld. Kallas reification kan skriva t.ex. Färg(Guld) = gul Kategorier ärver egenskaper Ex Guld Ädelmetall betyder att Guld är en subklass av Ädelmetall och ärver alla dess egenskaper, t.ex. att vara värdefull Ex x, x Guld Glittrar(x) Dyrt(x)
117 Händelser Situationskalkyl är diskret. Behöver en kontinuerlig variant Ex. At(Wumpus, Gold) säger inget om när det är sant T(At(Wumpus, Gold), t) säger att det är sant vid tidpunkten t Andra predikat: Happens(e, i) säger att e händer under intervallet i Initiates(e, f, t) säger att e får f att starta vid tiden t Terminates(e, f, t) säger att e får f att avslutas vid tiden t Clipped(f, i) säger att f slutar att vara sant i intervallet i Restored(f, i) säger att f blir sant nångång under intervallet i
118 Tid, intervall och handlingar Allens temporala logik Definierar ett intervall i Intervall(i) Duration(i) = (Time(End(i))-Time(Start(i))) Huvudsakligen fyra olika relationer
119 Temporala relationer Meet(i, j) i,j Meet(i,j) Time(End(i)) = Time(Start(j)) i j Before(i,j) After(j,i) i,j Before(i,j) Time(End(i)) < Time(Start(j)) i j During(i,j) i,j During(i,j) Time(Start(j)) Time(Start(i)) Time(End(j)) Time(End(i)) i j Overlap(i,j) i,j Overlap(i,j) k During(k,i) During (k,j) i j
120 Strukturerad representation Frames och semantiska nät Egenskapsärvning Default och undantag Multipel ärvning Förändring, ickemonotonicitet
121 Strukturerad representation Baserat på associationsteorier, t.ex. Quillian & Collins 1969 Experiment. Ställer olika frågor, t.ex.: Är undulaten en fågel? Kan undulater flyga? Kan undulater sjunga? Resultat Kan undulater flyga? tar längre tid att besvara än Kan undulater sjunga? Hypotes Människor lagrar information så abstrakt som möjligt Alla fåglar flyger men inte alla fåglar sjunger
122 Semantiska nät Djur har Skinn Vingar har är ett är ett Fjädrar har Fågel kan flyga sant Fisk är en är en Undulat kan sjunga sant Struts kan flyga falskt
123 Ärvningshierarki ISA Levande varelse Lever: T ISA Djur RörSig: T ISA ISA Fågel Flyger: T Ben: 2 ISA ISA Däggdjur Ben: 4 ISA ISA Undulat Sjunger: T Emu Flyger: F Elefant Färg: grå Vikt: 3500 Hund Vikt: 5 Delfin Ben: 0 Vikt: 500 Instans Instans Instans Instans Instans Putte Vän: Vän Olga Clyde Färg: vit Bertil Vikt: 10 Typ: Pudel Flipper
124 Attribut-värdestrukturer Semantiska nät och frames lagrar kunskapen i attributvärdestrukturer Attributen kan också ha egenskaper, t.ex.: Tillåtna klasser, ex attributet Inkomst är inte intressant för objekt av typen Emu Värdebegränsningar, ex Vikt(Hund) < 500 kg Default Regler för ärvning Procedurer för att räkna ut värden, ex för att räkna ut åldern Kopplar procedurer (demoner) till attributen. Kallas också procedural attachements
125 Multipel ärvning Fågel Flyger: T Ben: 2 ISA ISA Fågel Flyger: T Ben: 2 ISA ISA Emu Flyger: F ISA Australisk Emu Sällskapsfågel Emu Flyger: F Sällskapsfågel ISA Västkust Emu Instans Instans Olga Instans Olga Instans Väljer den mest specifika Inferensavståndet, dvs undersöker om det finns på vägen
126 Semantiska webben Ge mening (semantik) åt webbelement Mer än bara formattaggar Dela data mellan datorer Betydelsen av data begripligt för datorer Metadataannoteringar som beskriver webbelement Behöver enas om semantiska kategorier och format Ontologier OWL (Web Ontology Language) W3C standard
127 Formalismer Beskriva något istället för att bara namnge En hierarki XML, syntax <namn attribut= värde >innehåll</namn> RDF, beskriver tripler (subjekt predikat objekt) RDF(S), RDF med klasser OWL, formell semantik Verktyg döljer XML-detaljerna Protege T.ex.: Person vs <
128 OWL Objektorienterat Instanser/objekt/individer Klasser/typer/koncept Egenskaper/relationer/roller Person Pia Gert Per Pål bor harhusdjur harhusdjur bor harhusdjur bor Sverige bor Putte Clyde Flipper Danmark Kina bor Land Djur Olga
129 OWL Fördefinierade klasskonstruktorer intersectionof, unionof, complementof, oneof, somevaluesfrom, allvaluesfrom, mincardinality, maxcardinality Fördefinierade axiom subclassof, equivalentclass, disjointwith, sameindividualas, differentfrom, subpropertyof, equivalentproperty, inverseof, transitiveproperty, functionalproperty, inversefunctionalproperty
130 Hantering av osäker kunskap Icke-standardlogik. Inte en teori utan många Rivaler: tar bort teorem, t.ex. A v A Utvidgningar: lägger till teorem som ofta är oformulerbara i FOPL
131 Icke-standardlogik Rivaler Probabilistisk logik logik baserad på sannolikhet Flervärd logik inför fler sanningsvärden Fuzzy logic sannolikhet att höra till en mängd Utvidgningar Modal logik L: nödvändigt sann M: möjligen sann Temporal logik tidslogik Icke-monoton logik tillåter satser som inte bevisats
132 Sammanfattning, 1 Introduktion Kunskapsbaserade agenter Modelleringsparadigm Wumpus-världen Satslogik Syntax Uttryck som beskriver världen Logiska konnektiv Logiska ekvivalenser Semantik Uttryckens betydelse En mängd modeller Översättning till logik Modeller och tolkning Inferensregler Ger nya beskrivningar av världen Naturlig deduktion Framåtinferens Bakåtinferens Resolution Metaspråk Sundhet och fullständighet
133 Sammanfattning, 2 Predikatlogik, FOPL Syntax Översättning till FOPL Semantik Modeller Inferens Situationskalkyl Frameproblemet Succesor-state-axiom Konvertering till konjunktiv normalform Resolution, Unifiering Ontologi Kategorier Tid, temporala relationer Händelser Strukturerad representation/semantiska nät Ärvning Icke-standardlogik
729G43'Ar*ficiell'intelligens' Kunskapsrepresenta*on' Kunskapsrepresenta*on' Kunskapsbaserade'agenter' Kunskapsbaserad'agent' Arne'Jönsson' HCS/IDA' '
Kunskapsrepresenta*on' 729G43'Ar*ficiell'intelligens' Kunskapsrepresenta*on' Arne'Jönsson' HCS/IDA' ' Introduk*on' WumpusEvärlden' FOPL,'Inferens' Resolu*on,'Unifiering' Representa*on'av'kunskap' Ontologi'
Läs merKunskapsbaserad agent. Kunskapsrepresentation. Wumpus-världen. Wumpusvärlden. Bris. Bris. Bris. Bris. Bris. Bris. Stank. Stank.
Kunskapsrepresentation Kunskapsbaserad agent! Introduktion! Wumpus-världen! FOPL, Inferens! Resolution, Unifiering! Representation av kunskap! Ontologi! Strukturerad representation/semantiska nät def KBagent(percept):
Läs merNormalisering av meningar inför resolution 3. Steg 1: Eliminera alla och. Steg 2: Flytta alla negationer framför atomära formler
Normalisering av meningar inför resolution På samma sätt som i satslogiken är resolution i predikatlogiken en process vars syfte är att vederlägga att en klausulmängd är satisfierbar. Det förutsätter dock
Läs merTommy Färnqvist, IDA, Linköpings universitet. 2 Strukturer 2 2.1 Domäner... 2 2.2 Tolkningar... 3
Föreläsning 2 Semantik 729G06 Logikdelen Föreläsningsanteckningar i Programmering och logik 27 januari 2014 Tommy Färnqvist, IDA, Linköpings universitet 2.1 Innehåll Innehåll 1 Lite mer syntax 1 2 Strukturer
Läs merInnehåll. Föreläsning 7. Satslogiken är för grov. Samma sak i predikatlogik: Första ordningens predikatlogik. Logik med tillämpningar
Innehåll Föreläsning 7 Logik med tillämpningar 99-03-01 Första ordningens predikatlogik Objekt, predikat, kvantifierare Funktioner, termer, wffs Bindning och räckvidd Tolkningar och värderingar Satisfiering,
Läs merGrundläggande logik och modellteori (5DV102)
Tentamen 2013-10-31 Grundläggande logik och modellteori (5DV102) M. Berglund och K. Markström Totalt antal uppgifter 11 Maximalt antal poäng 30 Krav för 3 i betyg 14 poäng Krav för 4 i betyg 19 poäng,
Läs merFilosofisk Logik (FTEA21:4) föreläsningsanteckningar/kompendium. v. 2.0, den 29/ III. Metalogik 17-19
Filosofisk Logik (FTEA21:4) föreläsningsanteckningar/kompendium IV v. 2.0, den 29/4 2013 III. Metalogik 17-19 Modeller för satslogiken 18.1 Vi har tidigare sagt att en modell är en tolkning av en teori
Läs merSanningsvärdet av ett sammansatt påstående (sats, utsaga) beror av bindeord och sanningsvärden för ingående påståenden.
MATEMATISK LOGIK Matematisk logik formaliserar korrekta resonemang och definierar formellt bindeord (konnektiv) mellan påståenden (utsagor, satser) I matematisk logik betraktar vi påståenden som antingen
Läs merArtificiell Intelligens Lektion 4
Frames Filmdomän Artificiell Intelligens Lektion 4 Frames (Lab4) Resolution & unifiering Frames system Lagrar hierarkisk information Attribut lagras i attributvärdesstrukturer Attribut kan ha egenskaper
Läs merGrundläggande logik och modellteori
Grundläggande logik och modellteori Kapitel 4: Konjunktiv och disjunktiv normalform Henrik Björklund Umeå universitet 15. september, 2014 CNF och DNF Konjunktiv normalform (CNF) Omskrivning av en formel
Läs merFÖRELÄSNING 3 ANDERS MÄRAK LEFFLER IDA/HCS
729G06 Logik FÖRELÄSNING 3 ANDERS MÄRAK LEFFLER IDA/HCS 160208 Idag C-regeln, informell (och formell) inledning till predikatlogik (Bevis kommer senare.) 2 3 Vår (Snöfritt Cykla) (Vår Snöfritt) Cykla Lätt
Läs mer7, Diskreta strukturer
Objektorienterad modellering och diskreta strukturer 7, Diskreta strukturer Sven Gestegård Robertz Datavetenskap, LTH 2015 Modeller Matematiska modeller Kontinuerliga modeller Kontinuerliga funktioner
Läs merAvslutning. Vad? Hur? Anmärkningar inför tentan 2. Vad ska kunnas?
Avslutning Anmärkningar inför tentan Vad ska kunnas? Avslutning 1 Vad? Anmärkningar inför tentan 1 Att ha en bra förståelse för det som behandlades på föreläsningarna och gruppövningarna räcker i princip.
Läs merAntag att b är förgreningsfaktorn, d sökdjupet, T (d) tidskomplexiteten och M(d) minneskomplexiteten.
OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervalsfrågorna ges 1 poäng för korrekt svar och 0,5 poäng om skillnaden mellan antalet korrekta svar och antalet
Läs merGrundläggande logik och modellteori (5DV102)
Tentamen 2014-01-10 Grundläggande logik och modellteori (5DV102) M. Berglund och K. Markström Totalt antal uppgifter 10 Maximalt antal poäng 30 Krav för 3 i betyg 1 Krav för 4 i betyg 19 poäng, vara minst
Läs merLogik för datavetare DVK:Log Tisdagen 28 oktober 2014. Institutionen för dataoch systemvetenskap David Sundgren
Institutionen för dataoch systemvetenskap David Sundgren Logik för datavetare DVK:Log Tisdagen 28 oktober 2014 Skrivtid: 9 00-13 00. Inga hjälpmedel utom formelsamlingen på nästa sida är tillåtna. För
Läs merUtsagor (Propositioner) sammansatta utsagor sanningstabeller logisk ekvivalens predikat (öppna utsagor) kvantifierare Section
Föreläsning 1 Utsagor (Propositioner) sammansatta utsagor sanningstabeller logisk ekvivalens predikat (öppna utsagor) kvantifierare Section 1.1-1.3 i kursboken Definition En utsaga (proposition) är ett
Läs mer7, Diskreta strukturer
Objektorienterad modellering och diskreta strukturer 7, Diskreta strukturer Sven Gestegård Robertz Datavetenskap, LTH 2013 1 Inledning 2 Satslogik Inledning Satslogiska uttryck Resonemang och härledningar
Läs merRobin Stenwall Lunds universitet
Robin Stenwall Lunds universitet Vik$gt a) tänka på Innehållet i kursen formell logik förutsätts vara inhämtat (repetera om du är osäker). I allmänhet gäller att kursinnehållet, som ska instuderas på relativt
Läs merKap. 7 Logik och boolesk algebra
Ka. 7 Logik och boolesk algebra Satslogik Fem logiska konnektiv: ej, och, eller, om-så, omm Begre: sats, sanningsvärde, sanningsvärdestabell tautologi, kontradiktion Egenskaer: Räkneregler för satslogik
Läs merRobin Stenwall Lunds universitet
Robin Stenwall Lunds universitet Vik$gt a) tänka på Innehållet i kursen formell logik förutsätts vara inhämtat (repetera om du är osäker). I allmänhet gäller att kursinnehållet, som ska instuderas på relativt
Läs merFÖRELÄSNING 8 ANDERS MÄRAK LEFFLER IDA/HCS
729G06 Logik FÖRELÄSNING 8 ANDERS MÄRAK LEFFLER IDA/HCS 160309 Idag Sammanfattning*/uppsamling 2 Mer problemöversikt (och lite definitioner) Inte ersättning för andra föreläsningar! 3 Vad är enlogik? Syntax
Läs mer8. Naturlig härledning och predikatlogik
Objektorienterad modellering och diskreta strukturer 8. Naturlig härledning och predikatlogik Sven Gestegård Robertz Datavetenskap, LTH 2013 Outline 1 Inledning 2 Inferensregler 3 Predikatlogik 8. Naturlig
Läs mer*UXSS YQLQJ±/RJLNPHGWLOOlPSQLQJDUYW
*USS YQLQJ±/RJLNPHGWLOOlPSQLQJDUYW 8SSJLIW Här kommer några teoretiska frågor, skriv svaren med egna ord, dvs skriv inte av ohbilderna: a. Vad är en beslutsprocedur? En algoritm som terminerar och som
Läs merDD1350 Logik för dataloger. Fö 2 Satslogik och Naturlig deduktion
DD1350 Logik för dataloger Fö 2 Satslogik och Naturlig deduktion 1 Satslogik En sats(eller utsaga)är ett påstående som kan vara sant eller falskt. I satslogik(eng. propositionallogic) representeras sådana
Läs merAsymptotisk analys innebär att... man försöker uppskatta vad som händer för stora indatamängder.
OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervarlsfrågorna ges 1 poäng för korrekt svar och 0,5 poäng om skillnaden mellan antalet korrekta svar och antalet
Läs merp /\ q r DD1350 Logik för dataloger Kort repetition Fö 3 Satslogikens semantik
DD1350 Logik för dataloger Fö 3 Satslogikens semantik 1 Kort repetition Satslogik formellt språk för att uttrycka påståenden med variabler och konnektiv /\, \/,, t.ex. p /\ q r 1 Kort repetition Naturlig
Läs merGrundläggande logik och modellteori
Grundläggande logik och modellteori Kapitel 8: Predikatlogik Henrik Björklund Umeå universitet 2. oktober, 2014 Första ordningens predikatlogik Signaturer och termer Första ordningens predikatlogik Formler
Läs merAsymptotisk analys innebär att... man försöker uppskatta vad som händer för stora indatamängder.
OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervalsfrågorna kan man bara ha rätt eller fel, dvs frågan måste vara helt korrekt besvarad för att man skall
Läs merAvslutning. Vad? Hur? Anmärkningar inför tentan 2. Vad ska ni kunna?
Avslutning Anmärkningar inför tentan Vad ska ni kunna? Avslutning 1 Vad? Anmärkningar inför tentan 1 Att ha en bra förståelse för det som behandlades på föreläsningarna, inlämningsuppgifterna och gruppövningarna
Läs merI en deterministisk omgivning beror nästa tillstånd bara av agentens handling och nuvarande tillstånd.
OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervalsfrågorna ges 1 poäng för korrekt svar och 0,5 poäng om skillnaden mellan antalet korrekta svar och antalet
Läs merVad är det? Översikt. Innehåll. Vi behöver modeller!!! Kontinuerlig/diskret. Varför modeller??? Exempel. Statiska system
Vad är det? Översikt Discrete structure: A set of discrete elements on which certain operations are defined. Discrete implies non-continuous and therefore discrete sets include finite and countable sets
Läs merTommy Färnqvist, IDA, Linköpings universitet. 1 Kursadministration 1. 2 Introduktion 2 2.1 Varför logik?... 2 2.2 Satslogik... 2
Föreläsning 1 Syntax 729G06 Logikdelen Föreläsningsanteckningar i Programmering och logik 21 januari 2014 Tommy Färnqvist, IDA, Linköpings universitet 1.1 Innehåll Innehåll 1 Kursadministration 1 2 Introduktion
Läs merde var svåra att implementera och var väldigt ineffektiva.
OBS! För flervalsfrågorna gäller att flera alternativ eller inget alternativ kan vara korrekt. På flervalsfrågorna kan man bara ha rätt eller fel, dvs frågan måste vara helt korrekt besvarad. Totalt kan
Läs mer9. Predikatlogik och mängdlära
Objektorienterad modellering och diskreta strukturer 9. Predikatlogik och mängdlära Sven Gestegård Robertz Datavetenskap, LTH 2014 Rekaputilation Vi har talat om satslogik naturlig härledning predikatlogik
Läs merDD1350 Logik för dataloger. Fö 7 Predikatlogikens semantik
DD1350 Logik för dataloger Fö 7 Predikatlogikens semantik 1 Kryssprodukt av mängder Om A och B är två mängder så är deras kryssprodukt A B mängden av alla par (a,b), där a A och b B. Ex: A={1,2}, B={3,4},
Läs merRobin Stenwall Lunds universitet
Robin Stenwall Lunds universitet Avsnitt 10.3 Några nyttiga ekvivalenser Två sätt att använda tautologa ekvivalenser i första-ordningens logik (1) Satser vars sanningsfuntionella former är tautologt ekvivalenta
Läs merI en deterministisk omgivning beror nästa tillstånd bara av agentens handling och nuvarande tillstånd.
OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervalsfrågorna ges 1 poäng för korrekt svar och 0,5 poäng om skillnaden mellan antalet korrekta svar och antalet
Läs merDatorlingvistisk grammatik I Institutionen för lingvistik och filologi Oktober 2007 Mats Dahllöf
UPPSALA UNIVERSITET Datorlingvistisk grammatik I Institutionen för lingvistik och filologi Oktober 2007 Mats Dahllöf http://stp.ling.uu.se/ matsd/uv/uv07/dg1/ Logisk semantik II 1 Predikatlogik, generella
Läs merPredikatlogik: Normalformer. Klas Markström
1 Precis som i satslogik så är det bekvämt att kunna hitta en normalform för meningar. Om vi kan utgå från att alla meningar är på normalform så behöver vi t.e.x. inte bekymra oss om en massa specialfall
Läs merSats. Om t är en rätvinklig triangel så är summan av kvadraterna på kateterna i t lika med kvadraten på hypotenusan.
Lunds tekniska högskola Datavetenskap Lennart Andersson Föreläsningsanteckningar EDAF10 3 Predikatlogik 3.1 Motivering I satslogiken är de minsta beståndsdelarna satslogiska variabler som kan anta värdena
Läs merSemantik och pragmatik (Serie 4)
Semantik och pragmatik (Serie 4) Satser och logik. Mats Dahllöf Institutionen för lingvistik och filologi April 2015 1 / 30 Så här långt (satslogik) Konjunktion (p q): att två enklare satser båda är uppfyllda.
Läs merHKGBB0, Artificiell intelligens
HKGBB0, Artificiell intelligens Kortfattade lösningsförslag till tentan 3 november 2005 Arne Jönsson 1. Vad karaktäriserar dagens AI-forskning jämfört med den AI-forskning som bedrevs perioden 1960-1985.
Läs merFormell logik Kapitel 3 och 4. Robin Stenwall Lunds universitet
Formell logik Kapitel 3 och 4 Robin Stenwall Lunds universitet Kapitel 3: De Booleska konnektiven Vi sade att predikaten och namnen kan variera mellan olika FOL Vi ska nu titta på några språkliga element
Läs merF. Drewes Datavetenskapens grunder, VT02. Lite logik
F Drewes 2002-05-23 Datavetenskapens grunder, VT02 Lite logik Den här texten är en sammanfattning av logikdelen i kursen Datavetenskapens grunder Den handlar om satslogik och predikatlogik, några av deras
Läs merIntroduktion till predikatlogik. Jörgen Sjögren
Introduktion till predikatlogik Jörgen Sjögren Högskolan i Skövde Institutionen för naturvetenskap 2002 - 1 - Förord Det som följer på dessa dryga hundra sidor är ett av otaliga försök som gjorts att presentera
Läs merSatslogik grundläggande definitioner 3. Satslogik. Uppgift 1. Satslogikens syntax (välformade formler) Satslogikens semantik (tolkningar)
Satslogik grundläggande definitioner Satslogikens syntax (välformade formler) Satslogikens semantik (tolkningar) Modeller, logisk konsekvens och ekvivalens Några notationella förenklingar Kompletta mängder
Läs merMA2047 Algebra och diskret matematik
MA2047 Algebra och diskret matematik Något om logik och mängdlära Mikael Hindgren 5 september 2018 Utsagor Utsaga = Påstående som har sanningsvärde Utsagan kan vara sann (S) eller falsk (F) öppen eller
Läs merVarför är logik viktig för datavetare?
Varför är logik viktig för datavetare? 1. Datavetenskap handlar ofta om att automatisera processer som tidigare styrts av människor. Intuition, intelligens och mänskliga resonemang ersätts av beräkningar.
Läs merTentamen i TDDC75 Diskreta strukturer , lösningsförslag
Tentamen i TDDC75 Diskreta strukturer 2018-10-23, lösningsförslag 1 1. (a) Sanningstabell för uttrycken p q r p q p r r q r p q 0 0 0 1 0 1 1 1 0 0 1 1 1 0 1 1 0 1 0 1 0 1 1 0 0 1 1 1 1 0 0 0 1 0 0 0 1
Läs merLite om bevis i matematiken
Matematik, KTH Bengt Ek februari 2013 Material till kursen SF1662, Diskret matematik för CL1: Lite om bevis i matematiken Inledning Bevis är centrala i all matematik Utan (exakta definitioner och) bevis
Läs merOm semantisk följd och bevis
Matematik, KTH Bengt Ek december 2017 Material till kursen SF1679, Diskret matematik: Om semantisk följd och bevis Logik handlar bla om studiet av korrekta slutledningar, dvs frågan om när det är riktigt
Läs merDD1350 Logik för dataloger
DD1350 Logik för dataloger Fö 4 Predikatlogik 1 Kort repetition Satslogik Naturlig deduktion är ett sunt och fullständigt bevissystem för satslogik Avgörbarhet Så vad saknas? Egenskaper Satslogiken är
Läs merFöreläsning 8. Innehåll. Satisfierbarhet hos en formel. Logik med tillämpningar
Föreläsning 8 Logik med tillämpningar 000413 Innehåll Lite mer om värderingar och tolkningar Semantiska tablåer i predikatlogiken Kapitel 3.5 Satisfierbarhet hos en formel En formel A är satisfierbar om
Läs merFöreläsning 5. Deduktion
Föreläsning 5 Deduktion Hur ett deduktivt system fungerar Komponenter - Vokabulär Ett deduktivt system använder ett visst slags språk som kan kallas för systemets vokabulär. I mindre formella fall är kanske
Läs merEn introduktion till logik
rasmus.blanck@gu.se FT1200, LC1510 och LGFI52 VT2017 Först: Tack till Martin Kaså, som gett mig tillstånd att använda och bearbeta dessa ljusbilder. Vad är logik? Slogan: Logik undersöker vilka argument
Läs merDD1361 Programmeringsparadigm HT15
DD1361 Programmeringsparadigm HT15 Logikprogrammering 1 Dilian Gurov, TCS Innehåll Logikprogrammering Kontrollflöde Unifiering Backtracking Negation Snitt Induktiva datatyper och rekursion Inbyggda datatyper:
Läs merFormell logik Kapitel 5 och 6. Robin Stenwall Lunds universitet
Formell logik Kapitel 5 och 6 Robin Stenwall Lunds universitet Kapitel 5 Bevismetoder för boolesk logik Visa att en sats är en tautologisk konsekvens av en mängd premisser! Lösning: sanningstabellmetoden
Läs merAntag att följande träd genereras i ett spelförande program om vi applicerar evalueringsfunktionen
1. Komplexiteten hos en agent beror mycket på vilken omgivning den skall verka i. Vad innebär det att en omgivning är stokastisk, episodisk och dynamisk? Ge exempel på en omgivning som är stokastisk, episodisk
Läs merGrundläggande logik och modellteori
Grundläggande logik och modellteori Kapitel 3: Bevissystem, Hilbertsystem Henrik Björklund Umeå universitet 8. september, 2014 Bevissystem och Hilbertsystem Teorier och deduktionsproblemet Axiomscheman
Läs merD. x 2 + y 2 ; E. Stockholm ligger i Sverige; F. Månen är en gul ost; G. 3 2 = 6; H. x 2 + y 2 = r 2.
Logik Vid alla matematiskt resonemang måste man vara säker på att man verkligen menar det man skriver ner på sitt papper. Därför måste man besinna hur man egentligen tänker. Den vetenskap, som sysslar
Läs merDD1361 Programmeringsparadigm HT17
DD1361 Programmeringsparadigm HT17 Logikprogrammering 1 Dilian Gurov, KTH Delkursinnehåll Logisk versus procedurell läsning Kontrollflöde: Unifiering, Backtracking, Snitt Induktiva datatyper och rekursion
Läs merLogik I. Åsa Hirvonen Helsingfors universitet. Våren 2013
Logik I Åsa Hirvonen Helsingfors universitet Våren 2013 Inledning Logik är läran om härledning. Med hjälp av logiken kan vi säga när ett resonemang är korrekt och när det inte är det. För att kunna studera
Läs merFormell logik Kapitel 9. Robin Stenwall Lunds universitet
Formell logik Kapitel 9 Robin Stenwall Lunds universitet Kapitel 9: Introduktion till kvantifiering Vi har hittills betraktat logiska resonemang vars giltighet enbart beror på meningen hos konnektiv som
Läs merSemantik och pragmatik
Semantik och pragmatik OH-serie 5 http://stp.lingfil.uu.se/~matsd/uv/uv12/semp/ Mats Dahllöf Institutionen för lingvistik och filologi Januari 2012 Så här långt Konjunktion (p q): att två enklare satser
Läs merLogik och kontrollstrukturer
Logik och kontrollstrukturer Flödet av instruktioner i ett programmeringsspråk bygger vi upp med hjälp av dess kontrollstrukturer. I C har vi exemplen if, if else, while, do while. Dessutom finns switch
Läs merVad behövs för att skapa en tillståndsrymd?
OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervarlsfrågorna ges 1 poäng för korrekt svar och 0,5 poäng om skillnaden mellan antalet korrekta svar och antalet
Läs merInnehåll. Föreläsning 4-5. Logiska system. Alfabet. Calculus. Well-formed formulas. Vanliga termer i logik Satslogik. Första ordningens predikatlogik
Innehåll Föreläsning 4-5 Logik med tillämpningar 010220 Vanliga termer i logik Satslogik syntax och semantik beslutsprocedurer Första ordningens predikatlogik syntax och semantik Kapitel 3-5: Topic 8-11
Läs merEn introduktion till predikatlogik
rasmus.blanck@gu.se FT1200, LC1510 och LGFI52 VT2017 (Premiss 1) (Premiss 2) (Slutsats) Alla människor är dödliga Sokrates är en människa Sokrates är dödlig Detta argument är intuitivt giltigt: Det finns
Läs merDD1361 Programmeringsparadigm HT16
DD1361 Programmeringsparadigm HT16 Logikprogrammering 1 Dilian Gurov, TCS Delkursinnehåll Logikprogrammering Logisk versus procedurell läsning Kontrollflöde Unifiering, Backtracking, Snitt Negation Induktiva
Läs merÖvningshäfte 1: Logik och matematikens språk
GÖTEBORGS UNIVERSITET MATEMATIK 1, MMG200, HT2014 INLEDANDE ALGEBRA Övningshäfte 1: Logik och matematikens språk Övning A Målet är att genom att lösa och diskutera några inledande uppgifter få erfarenheter
Läs merLogik och modaliteter
Modallogik Introduktionsföreläsning HT 2015 Formalia http://gul.gu.se/public/courseid/70391/lang-sv/publicpage.do Förkunskaper etc. Logik: vetenskapen som studerar argument med avseende på (formell) giltighet.
Läs merFilosofisk logik Kapitel 19. Robin Stenwall Lunds universitet
Filosofisk logik Kapitel 19 Robin Stenwall Lunds universitet Dagens upplägg Gödels fullständighetsteorem Sundhet och fullständighet Fullständighetsbeviset Vittneskonstanter Henkinteorin Eliminationsteoremet
Läs merArtificiell Intelligens Övningsuppgifter
Sökning - Tentauppg 99-:4 Artificiell Intelligens Övningsuppgifter Sökning Konjunktiv normalform Unifiering Resolution Planering Situationskalkyl Maskininlärning Beskriv sökmetoden A* genom att visa hur
Läs merLogisk semantik I. 1 Lite om satslogik. 1.1 Konjunktioner i grammatisk bemärkelse. 1.2 Sant och falskt. 1.3 Satssymboler. 1.
UPPSALA UNIVERSITET Datorlingvistisk grammatik I Institutionen för lingvistik och filologi Oktober 2007 Mats Dahllöf http://stp.ling.uu.se/ matsd/uv/uv07/dg1/ Logisk semantik I 1 Lite om satslogik 1.1
Läs merLogik och bevisteknik lite extra teori
Logik och bevisteknik lite extra teori Inger Sigstam 2011-04-26 1 Satslogik (eng: propositional logic) 1.1 Språket Alfabetet består av följande symboler: satssymbolerna p 0, p 1, p 2,.... konnektiverna,,,,.
Läs merViktiga frågor att ställa när ett argument ska analyseras och sedan värderas:
FTEA12:2 Föreläsning 2 Grundläggande argumentationsanalys II Repetition: Vid förra tillfället började vi se närmre på vad som utmärker filosofisk argumentationsanalys. Vi tittade närmre på ett arguments
Läs merMATEMATIKENS SPRÅK. Avsnitt 1
Avsnitt 1 MATEMATIKENS SPRÅK Varje vetenskap, liksom varje yrke, har sitt eget språk som ofta är en blandning av vardagliga ord och speciella termer. En instruktionshandbok för ett kylskåp eller för en
Läs merLogik: sanning, konsekvens, bevis
Logik: sanning, konsekvens, bevis ft1100 samt lc1510 HT 2016 Giltiga argument (Premiss 1) (Premiss 2) (Slutsats) Professorn är på kontoret eller i lunchrummet Hon är inte på kontoret Professorn är i lunchrummet
Läs mer729G06 Logik FÖRELÄSNING 1 ANDERS MÄRAK LEFFLER IDA/HCS
729G06 Logik FÖRELÄSNING 1 ANDERS MÄRAK LEFFLER IDA/HCS 160127 Vad är logik? Som ämne, område... 2 Läran om korrekta resonemang Följer slutsatserna av ens antaganden? 3 Alla hundar är djur. Alla enhörningar
Läs merProbabilistisk logik 1
729G43 Artificiell intelligens / 2016 Probabilistisk logik 1 Marco Kuhlmann Institutionen för datavetenskap Osäkerhet 1.01 Osäkerhet Agenter måste kunna hantera osäkerhet. Agentens miljö är ofta endast
Läs merLektion 8: Konstruktion av semantiska tablåer för PTL-formler
Lektion 8: Konstruktion av semantiska tablåer för PTL-formler Till denna lektion hör uppgift 2, 6 och 0 i lärobokens avsnitt.6 (sid. 255). Lös uppgift 2 genom att konstruera en semantisk tablå. Följande
Läs merFöreläsning 6. pseudokod problemlösning logik algoritmer
Föreläsning 6 pseudokod problemlösning logik algoritmer Inledning Logik är läran om korrekt resonemang att kunna dra korrekta slutledningar utifrån det man vet. Vi gör detta ständigt utan att tänka på
Läs merFormell logik Kapitel 1 och 2. Robin Stenwall Lunds universitet
Formell logik Kapitel 1 och 2 Robin Stenwall Lunds universitet Kapitel 1: Atomära satser Drömmen om ett perfekt språk fritt från vardagsspråkets mångtydighet och vaghet (jmf Leibniz, Russell, Wittgenstein,
Läs merGrundläggande logik och modellteori
Grundläggande logik och modellteori Kapitel 6: Binära beslutsdiagram (BDD) Henrik Björklund Umeå universitet 22. september, 2014 Binära beslutsdiagram Binära beslutsdiagram (Binary decision diagrams, BDDs)
Läs merFormell logik Kapitel 7 och 8. Robin Stenwall Lunds universitet
Formell logik Kapitel 7 och 8 Robin Stenwall Lunds universitet Kapitel 7: Konditionalsatser Kapitlet handlar om konditionalsatser (om-så-satser) och deras logik Idag: bevismetoder för konditionalsatser,
Läs merFTEA12:2 Filosofisk Metod. Grundläggande argumentationsanalys II
TEA12:2 ilosofisk Metod Grundläggande argumentationsanalys II Dagens upplägg 1. Kort repetition. 2. Logisk styrka: några intressanta specialfall. 3. ormalisering: översättning från naturligt språk till
Läs merGrundläggande logik och modellteori
Grundläggande logik och modellteori Kapitel 7: SAT-lösare Henrik Björklund Umeå universitet 29. september, 2014 SAT En instans av SAT är en mängd av mängder av literaler. Exempel: {{p, q, r}, {p, q, s},
Läs merFråga 5 (1 poäng) För att definiera ett sökproblem krävs...
OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervarlsfrågorna ges 1 poäng för korrekt svar och 0,5 poäng om skillnaden mellan antalet korrekta svar och antalet
Läs merArtificial Intelligence
Omtentamen Artificial Intelligence Datum: 2014-08-27 Tid: 09.00 13.00 Ansvarig: Resultat: Hjälpmedel: Gränser: Anders Gidenstam Redovisas inom tre veckor Inga G 8p, VG 12p, Max 16p Notera: Skriv läsbart!
Läs merDigital- och datorteknik
Digital- och datorteknik Föreläsning #3 Biträdande professor Jan Jonsson Institutionen för data- och informationsteknik Chalmers tekniska högskola Logikgrindar Från data till digitala byggblock: Kursens
Läs mer729G43 Artificiell intelligens Planering
729G43 Artificiell intelligens Planering Arne Jönsson HCS/IDA Planering Sökning vs planering Planeringsnotationer Enkel planering Partialordningsplanering Resursplanering Hierarkisk planering Planering
Läs merArtificiell Intelligens
Omtentamen Artificiell Intelligens Datum: 2014-02-20 Tid: 14.00 18.00 Ansvarig: Resultat: Hjälpmedel: Gränser: Anders Gidenstam Redovisas inom tre veckor Inga G 8p, VG 12p, Max 16p Notera: Skriv läsbart!
Läs merFråga 5 (1 poäng) För att definiera ett sökproblem krävs...
OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervarlsfrågorna ges 1 poäng för korrekt svar och 0,5 poäng om skillnaden mellan antalet korrekta svar och antalet
Läs merFilosofisk logik Kapitel 15. Robin Stenwall Lunds universitet
Filosofisk logik Kapitel 15 Robin Stenwall Lunds universitet Dagens upplägg Första ordningens mängdlära Naiv mängdlära Abstraktionsaxiomet (eg. comprehension) Extensionalitetsaxiomet Små mängder Ordnade
Läs merKompletteringsmaterial. K2 Något om modeller, kompakthetssatsen
KTH Matematik Bengt Ek Maj 2008 Kompletteringsmaterial till kursen SF1642, Logik för D1 och IT3: K2 Något om modeller, kompakthetssatsen Vi skall presentera ett enkelt (om man känner till sundhets- och
Läs merGrundläggande logik och modellteori
Grundläggande logik och modellteori Kapitel 12: Logikprogrammering Henrik Björklund Umeå universitet 16. oktober, 2014 Prolog Prolog har två klasser av formler. Atomära formler: country(sweden, 9000000).
Läs merSemantik och pragmatik (Serie 3)
Semantik och pragmatik (Serie 3) Satser och logik. Mats Dahllöf Institutionen för lingvistik och filologi April 2015 1 / 37 Logik: språk tanke (Saeed kapitel 4.) Satser uttrycker (ofta) tankar. Uttrycksrikedom
Läs merTentamenskod: Inga hjälpmedel är tillåtna
Intelligenta och lärande system 15 högskolepoäng Provmoment: Ladokkod: Tentamen ges för: Tentamen (TEN1) Artificiell intelligens (AI) 5hp 21IS1C Systemarkitekturutbildningen Tentamenskod: Tentamensdatum:
Läs merK2 Något om modeller, kompakthetssatsen
KTH Matematik Bengt Ek Maj 2005 Kompletteringsmaterial till kursen 5B1928 Logik för D1: K2 Något om modeller, kompakthetssatsen Vi skall presentera ett enkelt (om man känner till sundhets- och fullständighetssatsen
Läs mer