de var svåra att implementera och var väldigt ineffektiva.

Relevanta dokument
Asymptotisk analys innebär att... man försöker uppskatta vad som händer för stora indatamängder.

Antag att b är förgreningsfaktorn, d sökdjupet, T (d) tidskomplexiteten och M(d) minneskomplexiteten.

Asymptotisk analys innebär att... man försöker uppskatta vad som händer för stora indatamängder.

I en deterministisk omgivning beror nästa tillstånd bara av agentens handling och nuvarande tillstånd.

Fråga 5 (1 poäng) För att definiera ett sökproblem krävs...

Fråga 5 (1 poäng) För att definiera ett sökproblem krävs...

I en deterministisk omgivning beror nästa tillstånd bara av agentens handling och nuvarande tillstånd.

Antag att b är förgreningsfaktorn, d sökdjupet, T (d) tidskomplexiteten och M(d) minneskomplexiteten.

Vad behövs för att skapa en tillståndsrymd?

Antag att b är förgreningsfaktorn, d sökdjupet, T (d) tidskomplexiteten och M(d) minneskomplexiteten.

Antag att följande träd genereras i ett spelförande program om vi applicerar evalueringsfunktionen

HKGBB0, Artificiell intelligens

Mycket kortfattade lösningsförslag till tenta i AI 6 nov 2003

A B C D E F A B C D E F (3) Svar: Tabellen ger grafen:

Artificial Intelligence

Probabilistisk logik 1

Probabilistisk logik 2

729G43 Artificiell intelligens Probabilistisk logik. Arne Jönsson HCS/IDA

729G43 Artificiell intelligens (2016) Maskininlärning 3. Marco Kuhlmann Institutionen för datavetenskap

Anna: Bertil: Cecilia:

729G43 Artificiell intelligens / Maskininlärning 3. Marco Kuhlmann

Tänk på följande saker när du skriver tentan:

Föreläsning 8: Intro till Komplexitetsteori

Logik och kontrollstrukturer

Varför är logik viktig för datavetare?

DD1361 Programmeringsparadigm HT17

1. Inledning, som visar att man inte skall tro på allt man ser. Betrakta denna följd av tal, där varje tal är dubbelt så stort som närmast föregående

Grundläggande logik och modellteori (5DV102)

Artificiell Intelligens

DD1350 Logik för dataloger. Vad är logik?

Artificiell intelligens

Föreläsning 9: Turingmaskiner och oavgörbarhet. Turingmaskinen. Den maximalt förenklade modell för beräkning vi kommer använda är turingmaskinen.

DD1361 Programmeringsparadigm HT15

Beräkning med ord. -hur en dator hanterar perception. Linköpings universitet Artificiell intelligens Erik Claesson

729G43 Artificiell intelligens Introduktion. Arne Jönsson HCS/IDA

Tentamen: Programutveckling ht 2015

ARTIFICIELLA NEURALA NÄT. MARCO KUHLMANN Institutionen för datavetenskap

Turingmaskiner och oavgörbarhet. Turingmaskinen. Den maximalt förenklade modell för beräkning vi kommer använda är turingmaskinen.

FÖRELÄSNING 2, TDDC74, VT2018 BEGREPP PROBLEMLÖSNING MED HJÄLP AV FALLANALYS PROBLEMLÖSNING MED HJÄLP AV REKURSION

Tentamenskod: Inga hjälpmedel är tillåtna

729G43 Artificiell intelligens Planering

Datastrukturer och algoritmer. Föreläsning 15 Inför tentamen

Föreläsning 5. Deduktion

PROBLEMLÖSNING. ! GPS! Mål medel analys! Problemlösning i programmering. Lars-Erik Janlert 2007

Lektion 2: Sökagenter. Robin Keskisärkkä

TSFS06: Bayesianska nätverk i GeNIe - kort handledning

Grundläggande logik och modellteori (5DV102)

DD1361 Programmeringsparadigm HT16

Artificiell Intelligens Övningsuppgifter

Artificial Intelligence

Introduktion till algoritmer - Lektion 4 Matematikgymnasiet, Läsåret Lektion 4

Tentamen, Algoritmer och datastrukturer

DD1350 Logik för dataloger. Fö 7 Predikatlogikens semantik

Sökning. Sökning. Köoperationer. Generell sökalgoritm

Kompletteringsmaterial. K2 Något om modeller, kompakthetssatsen

Artificiella Neuronnät

Filosofisk logik Kapitel 15 (forts.) Robin Stenwall Lunds universitet

K2 Något om modeller, kompakthetssatsen

TENTAMEN: Algoritmer och datastrukturer. Läs detta!

Föreläsning 1. Introduktion. Vad är en algoritm?

Objektorienterad modellering och diskreta strukturer. 13. Problem. Sven Gestegård Robertz. Datavetenskap, LTH

Tentamen ID1004 Objektorienterad programmering October 29, 2013

Kap. 7 Logik och boolesk algebra

Föreläsning 11. Giriga algoritmer

Regression med Genetiska Algoritmer

729G43 Artificiell intelligens. Introduktion. Introduktion. Kursöversikt. Kursens organisation. Arne Jönsson HCS/IDA

Tentamen Marco Kuhlmann

Avslutning. Vad? Hur? Anmärkningar inför tentan 2. Vad ska kunnas?

Enlagersnät Flerlagersnät Generalisering. Artificiella Neuronnät

Artificiell intelligens Probabilistisk logik

729G43 Artificiell intelligens (2016) Maskininlärning 2. Marco Kuhlmann Institutionen för datavetenskap

Fuzzy Logic. När oskarpa definitioner blir kristallklara. Åsa Svensson. Linköpings Universitet. Linköping

FUZZY LOGIC. Christopher Palm chrpa087

Om semantisk följd och bevis

BEGREPP HITTILLS FÖRELÄSNING 2 SAMMANSATTA UTTRYCK - SCHEME DATORSPRÅK

Bayesiansk sannolikhetsteori

Avslutning. Vad? Hur? Anmärkningar inför tentan 2. Vad ska ni kunna?

Logik. Dr. Johan Hagelbäck.

TMS136. Föreläsning 2

Sanning och lögnare. Rasmus Blanck VT2017. FT1200, LC1510 och LGFI52

Realism och anti-realism och andra problem

Algoritmer, datastrukturer och komplexitet

Bakgrund. Bakgrund. Bakgrund. Håkan Jonsson Institutionen för systemteknik Luleå tekniska universitet Luleå, Sverige

Föreläsning 5 Innehåll

Lektion 8: Konstruktion av semantiska tablåer för PTL-formler

Vindkraft och ML. - hur kan vindkraft dra nytta avml

Grundläggande logik och modellteori

Introduktion till algoritmer - Lektion 1 Matematikgymnasiet, Läsåret Lektion 1

Härledning av Black-Littermans formel mha allmänna linjära modellen

Data, typ, selektion, iteration

Det 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.

TMS136. Föreläsning 2

Tentamen. 2D4135 vt 2004 Objektorienterad programmering, design och analys med Java Torsdagen den 3 juni 2004 kl

TAOP07/TEN1 OPTIMERINGSLÄRA GRUNDKURS för Y. Antal uppgifter: 7 Uppgifterna är inte ordnade efter svårighetsgrad.

1 Duala problem vid linjär optimering

Linköpings universitet

Kurser inom profilen Teknisk matematik (Y)

JavaScript del 3 If, Operatorer och Confirm

Tillämpad Programmering (ID1218) :00-13:00

TATM79: Föreläsning 1 Notation, ekvationer, polynom och olikheter

Transkript:

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 man ha 33 poäng. För godkänt krävs 16 poäng. Fråga 1 (1 poäng) Utvecklingen av AI system upplevde en kris under tidiga sjuttiotalet för att... de kunde inte förstås av människor och utnyttjade inte maskininlärning. de kunde bara arbeta i mikrovärldar och hade väldigt besvärliga gränssnitt. lösningarna kunde inte skalas upp och hade ingen explicit representation av kunskapen. de var svåra att implementera och var väldigt ineffektiva. Fråga 2 (1 poäng) Omgivningen för en pokerspelande agent är: Stokastisk, episodisk, dynamisk och kontinuerlig. Observerbar, deterministisk, sekvensiell och diskret. Partiellt observerbar, stokastisk, statisk och diskret. Partiellt observerbar, stokastisk, episodisk och dynamisk. Fråga 3 (1 poäng) Kombinatorisk explosion... hanteras inom AI genom att utnyttja kunskap om problemet. innebär att man kan kombinera sina lösningar på flera olika sätt. uppstår för algoritmer med tidskomplexitet större än O(n 100 ). hanteras genom att acceptera suboptimalitet. Fråga 4 (1 poäng) En nytto-baserad agent... väljer den handling som gör agenten mest glad. väljer bäst handling effektivt. hanterar osäkerhet. kan lära sig sina egna handlingar genom att observera sin omgivning. Fråga 5 (1 poäng) Vad innebär det att formulera ett problem som ett tillståndsökningsproblem? Att definiera alla legala handlingar som övergångar i en tillståndsrymd. Att vi söker en lösning från ett starttillstånd till ett sluttillstånd. Att vi hanterar den kominatoriska explosionen Att vi behöver bygga en modell av tillståndsrymden. Fråga 6 (1 poäng) Vilka av dessa sökstrategier är optimala? Bredden först. Iterativ fördjupning Dubbelriktad sökning. Sida 1

Fråga 7 (1 poäng) Vilken av dessa sökstrategier har linjär minneskomplexitet (O(bn))? Djupet först. Djupbegränsad sökning. Dubbelriktad sökning. Fråga 8 (1 poäng) A* är en sökmetod som... har linjär tidskomplexitet. använder en heuristisk underskattning av kostnaden till målet samt kostnaden hittills. är komplett, optimal och med linjär minneskomplexitet. blir bättre med bättre heuristik. Fråga 9 (1 poäng) Situationskalkyl behövs för att... representera olika handlingar. första ordningens predikatlogik kräver att allting är antingen sant eller falskt. för att vi måste kunna beräkna nyttan i varje enskild situation. kunna representera vad som ändrats när agenten utfört en handling. Fråga 10 (1 poäng) Resolution är en teknik som... Fråga 11 (1 poäng) Unifiering... kräver att alla satser är i disjunktiv form. försöker hitta en motsägelse. är mekanisk och hittar alltid en lösning. efterliknar mänskligt logiskt problemlösande. kräver att alla satser är i disjunktiv form. returnerar de substitutioner som gör två uttryck lika. kan ge oändligt många substitutioner. fungerar bara för predikatlogik. Fråga 12 (1 poäng) Ett successor-stateaxiom... löser frameproblemets representationsproblem. består av två delar: en för handlingar som gör situationen sann och en för handlingar som gör den falsk. är en teknik för att hitta nästa tillstånd. används i temporal logik. Fråga 13 (1 poäng) Man vill representera kategorier för att... människor resonerar om kategorier. Sida 2

man får mer kompakta representationer. det ökar flexibiliteten. man vill låta kategorier ärva egenskaper från objekt. Fråga 14 (1 poäng) Allens temporala logik... definierar den temporala variablen t. definierar reationer mellan tidsintervall. ser temporala relationer som kategorier. används för att hantera modala satser. Fråga 15 (1 poäng) Planering gör att agenten... inte behöver utforska felaktiga tillstånd. kan arbeta med flera delmål samtidigt. kan värdera olika vägar att nå målet. snabbare når målet. Fråga 16 (1 poäng) Vad är partialordningsplanering? En teknik där man väntar så länge som möjligt med att fatta beslut om hur delplaner skall ordnas. En teknik som gör att man kan avbryta uppfyllandet av delmål. En teknik för att definiera partiella planer. En teknik som kan implementeras med hjälp av en planeringsgraf. Fråga 17 (1 poäng) Deterministisk planering... kan skapa villkorliga planer. hanterar information som inte är komplett. kan värdera olika vägar att nå målet. kan innebära omplanering. Fråga 18 (1 poäng) För stokastiska variabler gäller: n i=1 P (D = d i) 1 P (true) = 1 P (a b) = P (a) + P (b) 0 P (a) 1 Fråga 19 (1 poäng) Naive Bayes... räknas ut med formeln P(O, E 1...E n ) = α i P(E i O) där E är observera effekter av orsaken O och α är en normaliskonstant. räknas ut med formeln P(O, E 1...E n ) = P(O) i P(E i O) där E är observera effekter av orsaken O. Sida 3

förutsätter oberoende stokastiska variabler. kallas Naive för att den är så enkel att räkna ut. Fråga 20 (1 poäng) Antag att vi har följande Bayesianska nätverk A B C D E (a) Hur många sannolikhetsvärden har den sammanslagna sannolikhetsfördelningen för de stokastiska variablerna? (b) Hur många sannolikhetsvärden behöver det bayesianska nätverket? Fråga 21 (1 poäng) Version Spaces är en metod som... Fråga 22 (1 poäng) Perceptroner... lär sig genom att operationalisera från generella råd. arbetar med två hypoetsmängder i en versionsrymd. generaliserar så specifikt som möjligt. specificerar så generellt som möjligt. kan lära sig alla linjärt separerbara problem. uppdaterar vikterna, w i med en funktion som ser ut såhär: w i = w i + β(t y) där t är förväntad utdata och y är erhållen utdata. kan användas för klassificering. är ineffektiva. Fråga 23 (1 poäng) Gradient Backpropagation... kräver deriverbar tröskelfunktion. börjar med att sätta vikterna i nätet till 0,5. används för att träna artificiella neurala nät. uppdaterar de dolda lagren genom att jämföra lagren före och efter. (a) (b) Sida 4

Fråga 24 (4 poäng) Gör rimliga antaganden och översätt följande meningar till predikatlogiska uttryck: Kor har öron Öron är fladdriga Har man fladdriga öron viftar man på dem Viftar man på öronen är man nöjd Rosa är ko och visa med resolution att Rosa är nöjd Sida 5

Fråga 25 (3 poäng) Antag att 60% av alla marsianer har röda prickar och att 10% av alla jordingar har röda prickar. Antag vidare att 5% är marsianer, resten är jordingar. Hur stor är sannolikheten för att en individ med röda prickar skall vara marsian? (Du behöver inte räkna ut svaret men måste teckna hela uttrycket.) Bayes teorem P (B j A) = P (A B j)p (B j ) n i=1 P (B i)p (A B i ) Sida 6

Fråga 26 (3 poäng) Förklara hur besultsträdsinlärning fungerar, och visa hur beslutsträdet ser ut för att avgöra om någon har bil eller inte utifrån följande exempel (du behöver inte konstruera det optimala beslutsträdet): Attribut Exempel Ålder Kön Inkomst Körkort Har bil x1 <20 Man >40000 Ja Ja x2 20-40 Man <20000 Nej Ja x3 <20 Kvinna >40000 Ja Nej x4 >40 Kvinna 20000-40000 Ja Ja x5 >40 Man 20000-40000 Ja Nej x6 20-40 Man <20000 Nej Ja x7 20-40 Kvinna 20000-40000 Nej Ja x8 <20 Kvinna >40000 Ja Nej Sida 7