Artificial Intelligence
|
|
- Lennart Pålsson
- för 7 år sedan
- Visningar:
Transkript
1 Omtentamen Artificial Intelligence Datum: Tid: Ansvarig: Resultat: Hjälpmedel: Gränser: Anders Gidenstam Redovisas inom tre veckor Inga G 8p, VG 12p, Max 16p Notera: Skriv läsbart! Oläsligt innebär inga poäng. Numrera och skriv namn på alla sidor. Onödigt krångliga lösningar ger poängavdrag. Lycka Till!
2 1) Problemrepresentation och sökning i tillståndsrymder. (4p) Kannibaler och missionärer är ett välkänt problem inom AI. Tre kannibaler och tre missionärer befinner sig på en stand A på ena sidan av en å och måste ta sig över till den andra standen B. Till sin hjälp har de en eka som rymmer maximalt 2 personer åt gången. Ingen person kan simma över ån och ekan kan inte flyta över ån av sig själv utan det måste finnas åtminstone 1 person i ekan. Dessutom får det inte finnas fler kannibaler än missionärer på någon utav de två stränderna vid något tillfälle, annars äter kanibalerna upp missionärerna. Generisk Sökalgoritm 1. Placera initialtillståndet S i en tom lista OPEN. 2. Skapa en tom lista CLOSED. 3. Om OPEN är tom, avsluta med misslyckande. 4. Avlägsna den första noden N i OPEN och placera i CLOSED. 5. Om N är en målnod, avsluta med lyckats. 6. Expandera N, dvs använd produktionsreglerna för att hitta en mängd NEW av noder som kan nås från N. Av dessa noder, lägg noderna i OPEN om de inte redan finns i OPEN eller CLOSED. Sortera noderna beroende på vald sökstrategi. 7. Loopa tillbaka till steg 3. a) Ge en lämplig representation av problemet: Hur ser representationen av tillstånden ut? Viket är starttillståndet samt måltillståndet? Hur ser produktionsreglerna ut, dvs vilka är de möjliga (tillåtna) förflyttningarna från ett tillstånd till ett annat? b) Bredden först och djupet först är två vanliga sökstrategier. Förklara med egna ord hur dessa sökstrategierna fungerar samt jämför deras för- och nackdelar. Förklara även hur OPEN listan (i den generiska sökalgoritmen ovan) implementeras (datastruktur) för respektive sökstrategi, dvs hur läggs noderna i NEW till i OPEN listan i steg 6 i den generiska sökalgoritmen för bredden först samt djupet först? c) Rita de två första nivåerna i problemets sökträd för bredden först och djupet först (dvs expandera startnoden samt nästa nivå). För varje nivå, ange hur innehållet i listorna OPEN och CLOSED ser ut (numrera noderna 1..n). Förklara även syftet med de två listorna OPEN och CLOSED. Vad hade hänt om samtliga noder i NEW lades till i OPEN (steg 6) även om vissa noder redan fanns i OPEN eller CLOSED? d) För problem där vissa noder kan vara mer lovande än andra, t.ex. där kostnaden att gå via en barnnod är mindre än en annan, kan sökstrategierna best first samt hill climbing användas. Dessa två sökstrategierna kan användas i den generiska sökalgoritmen ovan (steg 6). Ange om noderna i NEW läggs till först eller sist i OPEN listan samt hur noderna sorteras för respektive sökstrategi (i steg 6). Tips: antigen sorteras NEW innan noderna läggs till i OPEN eller så sorteras hela listan efter att NEW har lagts till i OPEN).
3 2) Logiska agenter. (4p) En klass av exempelvärldar för logiska agenter som boken tar upp är Wumpusvärldarna. Ett exempel på en sådan värld följer nedan. a) Skriv en PEAS (Performance, Environment, Actuators/Actions, Sensors) beskrivning för en agent i en Wumpusvärld. b) Karakterisera agentens miljö i en Wumpusvärld utifrån dimensionerna Nivå av observerbarhet Deterministisk/Stokastisk Episodisk/Sekventiell Statisk/Dynamisk Diskret/Kontinuerlig En/Flera agenter. c) Definiera följande två predikat i predikatlogik (First-Order Logic) för Wumpusvärldar: Predikatet Breezy(s) som är sant för de rutor s som ligger intill en grop. Predikatet HaveGold(t) som är sant om och endast om agenten bär på guldet vid tiden t. Du kan anta att predikaten Action(a,t) som är sant om agenten utförde handlingen a vid tiden t; Adjacent(a,b) som är sant om rutorna a och b ligger intill varandra; Breeze(t) som är sant om agenten kände drag vid tiden t; Glitter(t) som är sant om agenten såg guldet glittra vid tiden t; Pit(a) som är sant om a är en ruta med en grop; och Stench(t) som är sant om agenten kände lukten av en Wumpus vid tiden t; samt de axiom som krävs för heltalsmatematik finns.
4 3) Klassisk planering (4p) a) Beskriv de typiska egenskaper (bl.a. utifrån dimensionerna i uppgift 2b) hos ett problem som krävs för att de metoder som inom AI kallas klassisk planering skall vara applicerbara. b) Boken beskriver ett språk för att beskriva planeringsproblem, Planning Domain Definition Language (PDDL). Beskriv språkets delar, hur de tillsammans modellerar problemet samt hur språket förhåller sig till satslogik och predikatlogik, speciellt utifrån uttryckskraften. Notera att svaret inte behöver fördjupa sig i syntaxen eftersom den ändå syns i PDDL exemplet nedan utan fokus skall ligga på semantiken. c) Gör en planeringsgraf för följande flygfraktsproblem som beskrivits i PDDL: Init(At(C1,ESGG) At(C3,EHAM) At(P1,EHAM) At(P2, EHAM) Cargo(C1) Cargo(C2) Plane(P1) Plane(P2) Airport(ESGG) Airport(EHAM)) Goal(At(C1,EHAM) At(C2, ESGG)) Action(Load(c, p, a), PRECOND: At(c, a) At(p, a) Cargo(c) Plane(p) Airport(a) EFFECT: At(c, a) In(c, p)) Action(Unload(c, p, a), PRECOND : In(c, p) At(p, a) Cargo(c) Plane(p) Airport(a) EFFECT : At(c, a) In(c, p)) Action(Fly(p, from, to), PRECOND : At(p, from) Plane(p) Airport(from) Airport(to) EFFECT : At(p, from) At(p, to)) Planeringsgrafen skall innehålla nivåerna S0; A0; S1; A1; S2, etablerade symboler, etablerade negationer av symboler samt applicerbara handlingar (inkl. persistens) med precondition och effekt skall markeras i respektive nivå. Symbolerna Cargo, Plane och Airport behöver inte inkluderas och mutexlänkar behöver inte markeras. Se till att använda tillräckligt med plats, använd två (eller fler) papper i bredd om så krävs.
5 4) Beslutsfattande under osäkerhet (OBS! Formelsamling finns i bilagan). (4p) Du vill skapa ett eget spamfilter baserat på förekomsten av orden gratis och pengar i dina mejl. Anta att du har sparat undan 10 mejl enligt nedanstående lista, där du har markerat mejlen som spam eller inte spam samt förekomsten av de två orden gratis och pengar i respektive mejl. En "1" betyder att respektive ord förekommer i mejlet samt en "0" att respektive ord inte förekommer mejlet. En "1" i spamkolumnen innebär att respektive mejl är spam medans en "0" innebär att mejlet inte är spam. Gratis Pengar Spam Beteckna sannolikheten för spam P(S=1) samt inte spam P(S=0). På samma sätt betecknas sannolikheterna för förekomsten av orden gratis och pengar som P(G=1) respektive P(P=1) samt avsaknaden av de båda orden med P(G=0) respektive P(P=0). Utifrån ovanstående tabell kan ett antal empiriska sannolikheter beräknas. a) Vad är den obetingade sannolikheten för spam P(S=1)? Vad är den betingade sannolikheten för förekomsten av ordet gratis och avsaknaden av ordet pengar givet att ett mejl är spam P(G=1,P=0 S=1)? b) Vad är den betingade sannolikheten för förekomsten av ordet gratis givet att ett mejl är spam P(G=1 S=1) respektive inte spam P(G=1 S=0)? Vad är den betingade sannolikheten för avsaknaden av ordet pengar givet att ett mejl är spam P(P=0 S=1) respektive inte spam P(P=0 S=0)? c) Vad är simultansannolikheten för förekomsten av ordet gratis, avsaknaden av ordet pengar samt inte spam P(G=1,P=0,S=0)? Vad är simultansannolikheten för förekomsten av ordet gratis, avsaknaden av ordet pengar samt spam P(G=1,P=0,S=1)? d) Anta att du får ett nytt mejl som innehåller ordet gratis men inte ordet pengar. Ställ upp formlen för Bayes sats och räkna ut sannolikheten att mejlet är spam givet att ordet gratis men inte ordet pengar förekommer i mejlet P(S=1 G=1,P=0). e) Utför samma beräkning som i uppgift c) men anta att slupvariablerna G och P är oberoende av varandra givet slupvariabeln S, dvs ställ upp formeln för Naive Bayes istället för Bayes sats. Själva svaret behöver inte räknas ut på denna uppgift.
6 Bilagor Bilaga: Formelsamling sannolikhetsteori Allmänna regler (från Kolmogorovs axiomsystem) 0 P(X = x) 1, P(X = x) = 1, P(X c ) = 1 P(X) x X Simultansannolikhet ("joint probability") P(X = x, Y = y) = P(X = x Y = y)p(y = y) = P(Y = y X = x)p(x = x) P(X = x, Y = y, Z = z) = P(X = x Y = y, Z = z)p(y = y, Z = z) = P(X = x, Y = y Z = z)p(z = z) Betingad/Villkorlig sannolikhet ("conditional probability") P(X = x Y = y) = P(X = x, Y = y) P(Y = y) P(X = x, Y = y, Z = z) P(X = x Y = y, Z = z) = P(Y = y, Z = z) P(X = x, Y = y, Z = z) P(X = x, Y = y Z = z) = P(Z = z) sannolikheten för X = x, givet att Y = y sannolikheten för X = x, givet att Y = y och Z = z sannolikheten för X = x och Y = y, givet att Z = z Lagen om total sannolikhet ("law of total probability") P(X = x) = y Y P(X = x, Y = y) den marginella sannolikheten för X = x (2 variabler) P(X = x) = y Y,z Z P(X = x, Y = y, Z = z) den marginella sannolikheten för X = x (3 variabler) P(X = x, Y = y) = P(X = x, Y = y, Z = z) = P(X = x, Y = y Z = z)p(z = z) z Z z Z Oberoende ("independence") P(X = x, Y = y) = P(X = x)p(y = y) sannolikheten då X och Y är oberoende av varandra Betingat/Villkorligt oberoende ("conditional independence") P(X = x Y = y) = P(X = x) P(X = x Y = y, Z = z) = P(X = x Z = z) sannolikheten då X är oberoende av Y sannolikhet då Xoch Y är oberoende av varandra givet Z P(X = x, Y = y Z = z) = P(X = x Z = z)p(y = y Z = z)
Artificiell 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 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 merTentamen: Programutveckling ht 2015
Tentamen: Programutveckling ht 2015 Datum: 2015-11-04 Tid: 09:00-13:00 Sal: Ansvarig: Resultat: Hjälpmedel: Maxpoäng: Betygsgränser: Anslås inom 3 veckor. Inga 40 p 20 p för G, 32 p för VG. Iakttag följande:
Läs merArtificial Intelligence
Omtentamen Artificial Intelligence Datum: 2013-01-08 Tid: 09.00 13.00 Ansvarig: Resultat: Hjälpmedel: Gränser: Cecilia Sönströd Redovisas inom tre veckor Inga G 10p, VG 16p, Max 20p Notera: Skriv läsbart!
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 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 merLektion 2: Sökagenter. Robin Keskisärkkä
Lektion 2: Sökagenter Robin Keskisärkkä Lektionens innehåll Introduktion till laboration 2 Implementation av en sökalgoritm Livekodning Konfrontera ett liknande problem själva Extra: Heuristisk sökning
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 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 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 merLek$on 4: Planering. Robin Keskisärkkä
Lek$on 4: Planering Robin Keskisärkkä Sy7e Få en känsla för möjligheter och begränsningar med planering Öva på att modellera planeringsproblem för en planerare Förberedelser Läs kapitel 11 i kursboken
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 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 merArtificiell Intelligens II Lektion 1
Labbar översikt rtificiell Intelligens II Lektion 1 Labbar översikt Planering (Lab1 Projektinspiration 3 stycken datorlabbar Planering Probabilistisk logik Maskininlärning Handledare Robin, Jonas, hristian,
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 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 merArtificiell intelligens
2013-08-13 Introduktion Artificiell intelligens Vad är AI? Olika mål Intelligenta agenter Områden inom AI Arne Jönsson HCS/IA Vad är AI? Intelligens: Förmågan till tänkande och analys (Svenska ORboken)
Läs merTentamen i. TDDC67 Funktionell programmering och Lisp
1 Linköpings tekniska högskola Institutionen för datavetenskap Anders Haraldsson Tentamen i TDDC67 Funktionell programmering och Lisp och äldre kurser TDDC57 Programmering, Lisp och funktionell programmering
Läs merAnna: Bertil: Cecilia:
Marco Kuhlmann 1 Osäkerhet 1.01 1.02 1.03 1.04 1.05 Intelligenta agenter måste kunna hantera osäkerhet. Världen är endast delvist observerbar och stokastisk. (Jmf. Russell och Norvig, 2014, avsnitt 2.3.2.)
Läs merArtificiell Intelligens Lektion 1
Labbar översikt rtificiell Intelligens Lektion 1 Labbar översikt Planering (Lab1 Projektinspiration 3 stycken datorlabbar Planering Probabilistisk logik Maskininlärning Handledare Robin, Jonas, hristian,
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 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 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 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 merTENTAMEN I STATISTIKENS GRUNDER 1
STOCKHOLMS UNIVERSITET Statistiska institutionen Michael Carlson HT2012 TENTAMEN I STATISTIKENS GRUNDER 1 2012-10-03 Skrivtid: kl 9.00-14.00 Godkända hjälpmedel: Miniräknare, språklexikon Bifogade hjälpmedel:
Läs mer3 Grundläggande sannolikhetsteori
3 Grundläggande sannolikhetsteori Ämnet sannolikhetsteori har sin grund i studier av hasardspel utförda under 1500- och 1600-talen av bland andra Gerolamo Cardano, Pierre de Fermat och Blaise Pascal. Mycket
Läs merTänk på följande saker när du skriver tentan:
Ämne: AI med inriktning mot kognition och design Kurskod: KOGB05 / TDBB21 Datum: 2005-04-01 Antal uppgifter: 12 Skrivtid: 09:00 15:00 Max poäng: 54 Betygsgränser: 27 x
Läs mer729G43 Artificiell intelligens Probabilistisk logik. Arne Jönsson HCS/IDA
729G43 Artificiell intelligens Probabilistisk logik Arne Jönsson HCS/IDA Probabilistiska resonemang Osäkerhet Grundläggande sannolikhetslära Stokastiska variabler Bayes teorem Bayesianska nätverk Konstruktion
Läs merTENTAMEN TDDB53. Programmering i Ada för MI (provkod TEN2) den 7 april 2010 kl Institutionen för datavetenskap, IDA Olle Willén mars 2010
Linköpings universitet Institutionen för datavetenskap, IDA Olle Willén mars 2010 Tentamen TDDB53 TENTAMEN TDDB53 (provkod TEN2) den 7 april 2010 kl 8 12 Jour: Emil Nielsen, tel 070 499 89 88 Hjälpmedel:
Läs merTentamen i Algoritmer & Datastrukturer i Java
Tentamen i Algoritmer & Datastrukturer i Java Hjälpmedel: Skrivhjälpmedel, miniräknare. Ort / Datum: Halmstad / 2008-05-27 Skrivtid: 4 timmar Kontakt person: Nicolina Månsson, tel. 035-167487 Poäng / Betyg:
Läs merAnmälningskod: Lägg uppgifterna i ordning. Skriv uppgiftsnummer (gäller B-delen) och din kod överst i högra hörnet på alla papper
Tentamen Programmeringsteknik II 2018-10-19 Skrivtid: 8:00 13:00 Tänk på följande Skriv läsligt. Använd inte rödpenna. Skriv bara på framsidan av varje papper. Lägg uppgifterna i ordning. Skriv uppgiftsnummer
Läs merSF1901: SANNOLIKHETSTEORI OCH STATISTIK GRUNDLÄGGANDE SANNOLIKHETSTEORI, BETINGAD SANNOLIKHETER, OBEROENDE. Tatjana Pavlenko.
SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 2 GRUNDLÄGGANDE SANNOLIKHETSTEORI, BETINGAD SANNOLIKHETER, OBEROENDE HÄNDELSER Tatjana Pavlenko 26 mars, 2015 SANNOLIKHETSGRUNDER (REPETITION) Slumpförsöket
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 merTENTAMEN: Algoritmer och datastrukturer. Läs detta!
1 (6) TENTAMEN: Algoritmer och datastrukturer Läs detta! Uppgifterna är inte avsiktligt ordnade efter svårighetsgrad. Börja varje uppgift på ett nytt blad. Skriv ditt idnummer på varje blad (så att vi
Läs merTentamen Datastrukturer för D2 DAT 035
Tentamen Datastrukturer för D2 DAT 035 17 december 2005 Tid: 8.30-12.30 Ansvarig: Peter Dybjer, tel 7721035 eller 405836 Max poäng på tentamen: 60. (Bonuspoäng från övningarna tillkommer.) Betygsgränser:
Läs merSF1901: Sannolikhetslära och statistik Föreläsning 2. Betingad sannolikhet & Oberoende
SF1901: Sannolikhetslära och statistik Föreläsning 2. Betingad sannolikhet & Oberoende Jan Grandell & Timo Koski 14.01.2013 Jan Grandell & Timo Koski () Matematisk statistik 14.01.2013 1 / 25 Repetition:
Läs merTentamen, Algoritmer och datastrukturer
UNDS TEKNISKA ÖGSKOA (6) Institutionen för datavetenskap Tentamen, Algoritmer och datastrukturer 23 8 29, 8. 3. Anvisningar: Denna tentamen består av fem uppgifter. Totalt är skrivningen på 36 poäng och
Läs merK3 Om andra ordningens predikatlogik
KTH Matematik Bengt Ek Maj 2005 Kompletteringsmaterial till kursen 5B1928 Logik för D1: K3 Om andra ordningens predikatlogik Vi presenterar på dessa sidor kortfattat andra ordningens predikatlogik, vilket
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 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 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 merProbabilistisk logik 2
729G43 Artificiell intelligens / 2016 Probabilistisk logik 2 Marco Kuhlmann Institutionen för datavetenskap Översikt Probabilistiska modeller Probabilistisk inferens 1: Betingad sannolikhet Probabilistisk
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 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 merSF1901: SANNOLIKHETSTEORI OCH GRUNDLÄGGANDE SANNOLIKHETSTEORI, STATISTIK BETINGADE SANNOLIKHETER, OBEROENDE. Tatjana Pavlenko.
SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 2 GRUNDLÄGGANDE SANNOLIKHETSTEORI, BETINGADE SANNOLIKHETER, OBEROENDE HÄNDELSER Tatjana Pavlenko 30 augusti, 2016 SANNOLIKHETSGRUNDER (REPETITION) Slumpförsöket
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 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 merTMS136. Föreläsning 2
TMS136 Föreläsning 2 Sannolikheter För en händelse E skriver vi sannolikheten att E inträffar som P(E) För en händelse E skriver vi sannolikheten att E inte inträffar som P(E ) Exempel Låt E vara händelsen
Läs merDet är principer och idéer som är viktiga. Skriv så att du övertygar rättaren om att du har förstått dessa även om detaljer kan vara felaktiga.
Tentamen Programmeringsteknik II 2014-0-27 Skrivtid: 0800 100 Tänk på följande Skriv läsligt! Använd inte rödpenna! Skriv bara på framsidan av varje papper. Börja alltid ny uppgift på nytt papper. Lägg
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 merSemantik och pragmatik
Semantik och pragmatik OH-serie 4 http://stp.lingfil.uu.se/~matsd/uv/uv12/semp/ Mats Dahllöf Institutionen för lingvistik och filologi Januari 2012 Om barnet har svårt att andas eller har ont i bröstet
Läs merFöreläsning 9: Turingmaskiner och oavgörbarhet. Turingmaskinen. Den maximalt förenklade modell för beräkning vi kommer använda är turingmaskinen.
Föreläsning 9: Turingmaskiner och oavgörbarhet Turingmaskinen Den maximalt förenklade modell för beräkning vi kommer använda är turingmaskinen. Data är ett oändligt långt band där nollor och ettor står
Läs merMycket kortfattade lösningsförslag till tenta i AI 6 nov 2003
2003-12-02 Institutionen för datavetenskap Arne Jönsson/* Mycket kortfattade lösningsförslag till tenta i AI 6 nov 2003 1. Förklara de olika egenskaper en omgivning kan ha och ge exempel på en omgivning
Läs merTENTA: TDDD11 & TDDC68. Tillåtna hjälpmedel. Starta Emacs, terminal och tentakommunikationsfönster. Skicka in frågor och uppgifter
TENTA: TDDD11 & TDDC68 Tillåtna hjälpmedel Det är tillåtet att ha böcker (t.ex. Ada-bok, formelsamlingar, lexikon,...) med sig samt utdelade lathundar (finns på kurshemsidan) för Ada, Unix och Emacs. Utdraget
Läs merTentamen Datastrukturer D DAT 035/INN960 (med mycket kortfattade lösningsförslag)
Tentamen Datastrukturer D DAT 035/INN960 (med mycket kortfattade lösningsförslag) 21 december 2007 Tid: 8.30-12.30 Ansvarig: Peter Dybjer, tel 7721035 eller 405836 Max poäng på tentamen: 60. (Bonuspoäng
Läs merFöreläsning 1. Repetition av sannolikhetsteori. Patrik Zetterberg. 6 december 2012
Föreläsning 1 Repetition av sannolikhetsteori Patrik Zetterberg 6 december 2012 1 / 28 Viktiga statistiska begrepp För att kunna förstå mer avancerade koncept under kursens gång är det viktigt att vi förstår
Läs merRobin Stenwall Lunds universitet
Robin Stenwall Lunds universitet Vik$gt a) tänka på Innehållet i kursen formell logik förutsätts vara inhämtat (repetera om du är osäker). I allmänhet gäller att kursinnehållet, som ska instuderas på relativt
Läs merFörsättsblad tentamen Fakulteten för hälsa och samhälle
Försättsblad tentamen Fakulteten för hälsa och samhälle Mobiltelefoner ska vara avstängda och förvaras åtskilda från studenten, liksom ytterkläder, väskor och liknande. Bläck eller kulspetspenna ska användas
Läs merRobin Stenwall Lunds universitet
Robin Stenwall Lunds universitet Vik$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 merGraärgning och kromatiska formler
Graärgning och kromatiska formler Henrik Bäärnhielm, d98-hba 2 mars 2000 Sammanfattning I denna uppsats beskrivs, för en ickematematiker, färgning av grafer samt kromatiska formler för grafer. Det hela
Läs merif (n==null) { return null; } else { return new Node(n.data, copy(n.next));
Inledning I bilagor finns ett antal mer eller mindre ofullständiga klasser. Klassen List innehåller några grundläggande komponenter för att skapa och hantera enkellänkade listor av heltal. Listorna hålls
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 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 merTDDC74 Programmering: Abstraktion och modellering Tentamen, lördag 29 augusti 2015, kl 8 12
TDDC74 Programmering: Abstraktion och modellering Tentamen, lördag 29 augusti 215, kl 8 12 Läs alla frågorna först, och bestäm dig för i vilken ordning du vill lösa uppgifterna. Skriv tydligt och läsligt.
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 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 merSF1901: Sannolikhetslära och statistik Föreläsning 2. Betingad sannolikhet & Oberoende
SF1901: Sannolikhetslära och statistik Föreläsning 2. Betingad sannolikhet & Oberoende Jan Grandell & Timo Koski 21.01.2016 Jan Grandell & Timo Koski Matematisk statistik 21.01.2016 1 / 39 Lärandemål Betingad
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 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 merStat. teori gk, ht 2006, JW F7 STOKASTISKA VARIABLER (NCT 5.7) Ordlista till NCT
Stat. teori gk, ht 2006, JW F7 STOKASTISKA VARIABLER (NCT 5.7) Ordlista till NCT Jointly distributed Joint probability function Marginal probability function Conditional probability function Independence
Läs merTentamen Programmeringsteknik II Skrivtid: Hjälpmedel: Java-bok (vilken som helst) Skriv läsligt! Använd inte rödpenna!
Tentamen Programmeringsteknik II 2014-01-09 Skrivtid: 0800-1300 Hjälpmedel: Java-bok (vilken som helst) Tänk på följande Skriv läsligt! Använd inte rödpenna! Skriv bara på framsidan av varje papper. Börja
Läs merTENTAMEN PROGRAMMERING I JAVA, 5P SOMMARUNIVERSITETET
UMEÅ UNIVERSITET Datavetenskap 010824 TENTAMEN PROGRAMMERING I JAVA, 5P SOMMARUNIVERSITETET Datum : 010824 Tid : 9-15 Hjälpmedel : Inga Antal uppgifter : 7 Totalpoäng : 40 (halva poängtalet krävs normalt
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 merSF1901: Sannolikhetslära och statistik Föreläsning 2. Betingad sannolikhet & Oberoende
SF1901: Sannolikhetslära och statistik Föreläsning 2. Betingad sannolikhet & Oberoende Jan Grandell & Timo Koski 21.01.2015 Jan Grandell & Timo Koski () Matematisk statistik 21.01.2015 1 / 1 Repetition:
Läs merMatematik. Bedömningsanvisningar. Vårterminen 2010 ÄMNESPROV. Delprov B ÅRSKURS
ÄMNESPROV Matematik ÅRSKURS 9 Prov som ska återanvändas omfattas av sekretess enligt 17 kap. 4 offentlighets- och sekretesslagen. Avsikten är att detta prov ska kunna återanvändas t.o.m. 2016-06-30. Vid
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 merTentamen Datastrukturer (DAT037)
Tentamen Datastrukturer (DAT07) Datum och tid för tentamen: 2016-01-09, 14:00 18:00. Ansvarig: Nils Anders Danielsson. Nås på 0700 620 602 eller anknytning 1680. Besöker tentamenssalarna ca 15:00 och ca
Läs merTentamen Datastrukturer D DAT 035/INN960
Tentamen Datastrukturer D DAT 035/INN960 21 december 2007 Tid: 8.30-12.30 Ansvarig: Peter Dybjer, tel 7721035 eller 405836 Max poäng på tentamen: 60. (Bonuspoäng från övningarna tillkommer.) Betygsgränser,
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 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 merDatalogi, grundkurs 1
Datalogi, grundkurs 1 Tentamen 9 dec 2014 Tillåtna hjälpmedel: Revised 6 Report on the Algorithmic Language Scheme och Tre olika s.k. Cheat Sheets för Scheme Sex olika s.k. Cheat Sheets för Python Tänk
Läs merInnehåll. Inledning... 3
Innehåll Inledning... 3 Bedömningsanvisningar... 3 Allmänna bedömningsanvisningar... 3 Bedömningsanvisningar Delprov B... 4 Bedömningsanvisningar Delprov C... 16 Provbetyg... 29 Kopieringsunderlag för
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 merTENTAMEN: Algoritmer och datastrukturer. Läs detta!
(6) TENTAMEN: Algoritmer och datastrukturer Läs detta! Uppgifterna är inte avsiktligt ordnade efter svårighetsgrad. Börja varje uppgift på ett nytt blad. Skriv ditt idnummer på varje blad (så att vi inte
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 merTrädstrukturer och grafer
Översikt Trädstrukturer och grafer Trädstrukturer Grundbegrepp Binära träd Sökning i träd Grafer Sökning i grafer Programmering tillämpningar och datastrukturer Varför olika datastrukturer? Olika datastrukturer
Läs merGrundläggande programmering med C# 7,5 högskolepoäng. Provmoment: Ladokkod: Tentamen ges för:
Grundläggande programmering med C# 7,5 högskolepoäng Provmoment: Ladokkod: Tentamen ges för: TEN1 NGC011 DE16, IMIT16, SYST16 och ITEK15 samt öppen för alla TentamensKod: Tentamensdatum: 170323 Tid: 09.00
Läs merBeräkning med ord. -hur en dator hanterar perception. Linköpings universitet Artificiell intelligens 2 2010-10-03 Erik Claesson 880816-1692
Beräkning med ord -hur en dator hanterar perception 2010-10-03 Erik Claesson 880816-1692 Innehåll Inledning... 3 Syfte... 3 Kan datorer hantera perception?... 4 Naturligt språk... 4 Fuzzy Granulation...
Läs merBetingad sannolikhet och oberoende händelser
Kapitel 5 Betingad sannolikhet och oberoende händelser Betrakta ett försök med ett ändligt utfallsrum Ω och en händelse A vid detta försök. Definitionsmässigt gäller att A Ω och försökets utfall ligger
Läs merUppgifter till tenta i 729G04 Programmering och diskret matematik. 17 december 2015, kl 14:00-18:00
1 ( 7) Uppgifter till tenta i 729G04 Programmering och diskret matematik. 17 december 2015, kl 14:00-18:00 Tillåtna hjälpmedel: Dator, penna, papper, linjal, suddgummi, godkänd(a) bok/böcker/kompendier
Läs merTenta (TEN3) i kursen 729G04 Programmering och diskret matematik 5 feb 2016, kl 14:00-18:00
1 ( 7) Tenta (TEN3) i kursen 729G04 Programmering och diskret matematik 5 feb 2016, kl 14:00-18:00 Tillåtna hjälpmedel: Dator, penna, papper, linjal, suddgummi, godkänd(a) bok/böcker/kompendier (ej anteckningar,
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 merDD1350 Logik för dataloger
DD1350 Logik för dataloger Fö 8 Axiomatiseringar 1 Modeller och bevisbarhet Sedan tidigare vet vi att: Om en formel Φ är valid (sann i alla modeller) så finns det ett bevis för Φ i naturlig deduktion.
Läs merÖvningshäfte 2: Induktion och rekursion
GÖTEBORGS UNIVERSITET MATEMATIK 1, MMG200, HT2017 INLEDANDE ALGEBRA Övningshäfte 2: Induktion och rekursion Övning D Syftet är att öva förmågan att utgående från enkla samband, aritmetiska och geometriska,
Läs merTDDB56 DALGOPT Algoritmer och Optimering Tentamen , 8 13
Linköpings Tekniska Högskola 00-08-0 Institutionen för Datavetenskap David Broman / Jan Maluszynski / Kaj Holmberg TDDB6 DALGOPT Algoritmer och Optimering Tentamen 00-08-0, 8 Examinator Jan Maluszynski
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 merÖvning 1 Sannolikhetsteorins grunder
Övning 1 Sannolikhetsteorins grunder Två händelser A och B är disjunkta om {A B} =, det vill säga att snittet inte innehåller några element. Om vi har en mängd händelser A 1, A 2, A 3,..., A n, vilka är
Läs merTDDC74 Programmering: Abstraktion och modellering Datortenta , kl 14-18
TDDC74 Programmering: Abstraktion och modellering Datortenta - 017-10-7, kl 14-18 Läs alla frågorna först och bestäm dig för i vilken ordning du vill lösa uppgifterna. Uppgifterna är inte nödvändigtvis
Läs merTentamen *:58/ID100V Programmering i C Exempel 3
DSV Tentamen *:58/ID100V Sid 1(5) Tentamen *:58/ID100V Programmering i C Exempel 3 Denna tentamen består av fyra uppgifter som tillsammans kan de ge maximalt 22 poäng. För godkänt resultat krävs minst
Läs merMS-A0409 Grundkurs i diskret matematik I
MS-A0409 Grundkurs i diskret matematik I G. Gripenberg Aalto-universitetet oktober 014 G. Gripenberg (Aalto-universitetet) MS-A0409 Grundkurs i diskret matematik I oktober 014 1 / 44 Mängder (naiv, inte
Läs mer