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

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

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

Vad behövs för att skapa en tillståndsrymd?

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

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

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

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

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

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

de var svåra att implementera och var väldigt ineffektiva.

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

729G43 Artificiell intelligens / Maskininlärning 3. Marco Kuhlmann

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

Probabilistisk logik 2

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

Mycket kortfattade lösningsförslag till tenta i AI 6 nov 2003

Sökning. Sökning. Köoperationer. Generell sökalgoritm

Lektion 8: Konstruktion av semantiska tablåer för PTL-formler

729G43 Artificiell intelligens / Maskininlärning 2. Marco Kuhlmann

Regression med Genetiska Algoritmer

HKGBB0, Artificiell intelligens

Tänk på följande saker när du skriver tentan:

Upplägg. Binära träd. Träd. Binära träd. Binära träd. Antal löv på ett träd. Binära träd (9) Binära sökträd (10.1)

Tentamen Datastrukturer för D2 DAT 035

Datastrukturer och algoritmer. Föreläsning 15 Inför tentamen

Föreläsning 5: Grafer Del 1

Föreläsning 1. Introduktion och sökning i graf. Vad är en algoritm?

TENTAMEN: Algoritmer och datastrukturer. Läs detta! Uppgifterna är inte avsiktligt ordnade efter svårighetsgrad.

729G43 Artificiell intelligens Sökning

TAOP33/TEN 2 KOMBINATORISK OPTIMERING GRUNDKURS

ARTIFICIELLA NEURALA NÄT. MARCO KUHLMANN Institutionen för datavetenskap

Föreläsning 5: Giriga algoritmer. Kruskals och Prims algoritmer

729G43 Artificiell intelligens Planering

TAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER

Föreläsning 5: Giriga algoritmer. Kruskals och Prims algoritmer

Anna: Bertil: Cecilia:

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

Programkonstruktion och. Datastrukturer

TAOP86/TEN 1 KOMBINATORISK OPTIMERING MED

TDDC30. Objektorienterad programmering i Java, datastrukturer och algoritmer. Föreläsning 8 Erik Nilsson, Institutionen för Datavetenskap, LiU

Tentamensinstruktioner. När Du löser uppgifterna

TANA17 Matematiska beräkningar med Matlab

Grundläggande logik och modellteori (5DV102)

Föreläsning 9: NP-fullständighet

Np MaB vt Låt k = 0 och rita upp de båda linjerna. Bestäm skärningspunkten mellan linjerna.

Abstrakta datatyper. Primitiva vektorer. Deklarera en vektor

Prov i DAT 312: Algoritmer och datastrukturer för systemvetare

Föreläsning 4: Giriga algoritmer. Giriga algoritmer

TDDB56 DALGOPT Algoritmer och Optimering Tentamen , 8 13

TAOP33/TEN 2 KOMBINATORISK OPTIMERING GRUNDKURS

Föreläsning 8. NDAB02 Statistik; teori och tillämpning i biologi

Tentamen Datastrukturer D DAT 035/INN960

Föreläsning Datastrukturer (DAT036)

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.

Träd Hierarkiska strukturer

Tentamensinstruktioner. När Du löser uppgifterna

Tentamensinstruktioner. När Du löser uppgifterna

Kravgränser. Provet består av Del B, Del C, Del D samt en muntlig del och ger totalt 63 poäng varav 24 E-, 21 C- och 18 A-poäng.

TDDC74 Programmering: Abstraktion och modellering Tentamen, onsdag 9 juni 2016, kl 14 18

1 Vektorer i koordinatsystem

Artificiell Intelligens

Eulercykel. Kinesiska brevbärarproblemet. Kinesiska brevbärarproblemet: Metod. Kinesiska brevbärarproblemet: Modell. Definition. Definition.

Linjärt minne. Sammanhängande minne är ej flexibelt. Effektivt

Kunskapsrepresentation

N = {i}: noder (hörn) Graf: G = (N, B) Definitioner. Väg: Sekvens av angränsande bågar. Cykel: Väg som startar och slutar i samma nod.

TAOP33/TEN 2 KOMBINATORISK OPTIMERING GRUNDKURS för D och C. Tentamensinstruktioner. När Du löser uppgifterna

Statistiska samband: regression och korrelation

Tentamen Metod C vid Uppsala universitet, , kl

Sökning och sortering

TAIU07 Matematiska beräkningar med Matlab

Föreläsningsanteckningar F6

Föreläsning Datastrukturer (DAT036)

Föreläsning Datastrukturer (DAT037)

TAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER

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

Föreläsning 9 Datastrukturer (DAT037)

TAOP33/TEN 2 KOMBINATORISK OPTIMERING GRUNDKURS

Föreläsning 2. AVL-träd, Multi-Way -sökträd, B-träd TDDD71: DALG. Innehåll. Innehåll. 1 Binära sökträd

Tentamen Datastrukturer (DAT036/DAT037/DIT960)

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

TENTAMEN: Algoritmer och datastrukturer. Läs detta!

DD1321, Tentamen i tillämpad programmering och datalogi Lördagen den 18 dexember 2010 kl 13 18

Tentamen i Linjär algebra (TATA31/TEN1) ,

String [] argv. Dagens Agenda. Mer om arrayer. Mer om arrayer forts. String [] argv. argv är variabelnamnet. Arrayer och Strängar fortsättning

Trädstrukturer och grafer

TAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER

Instruktioner - Datortentamen TDDD73 Funktionell och imperativ programmering i Python

Tentamen Mekanik F del 2 (FFM521 och 520)

13 Prioritetsköer, heapar

Föreläsning 10 Innehåll. Prioritetsköer och heapar. ADT Prioritetskö. Interface för Prioritetskö. Exempel på vad du ska kunna

Föreläsning 12+13: Approximationsalgoritmer

TDDC74 Programmering, abstraktion och modellering DUGGA 2

Tentamen, Algoritmer och datastrukturer

Moment 4.2.1, 4.2.2, 4.2.3, Viktiga exempel 4.1, 4.3, 4.4, 4.5, 4.6, 4.13, 4.14 Övningsuppgifter 4.1 a-h, 4.2, 4.3, 4.4, 4.5, 4.

Optimeringslära Kaj Holmberg

TENTAMEN: Algoritmer och datastrukturer. Läs detta!

Föreläsning 10. Grafer, Dijkstra och Prim

Föreläsning 10. Grafer, Dijkstra och Prim

Föreläsning 10. Grafer, Dijkstra och Prim

Föreläsning Datastrukturer (DAT037)

Transkript:

OS! 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 felaktiga är positiv. Totalt kan man ha 5 poäng. För godkänt krävs 13 poäng och för VG 19 poäng. Fråga 1 (1 poäng) En nyttobaserad agent... kan inte planera en sekvens av handlingar. har en intern kunskapsrepresentation av omgivningen. hanterar osäkerhet. behöver inte göra observationer av omgivningen. Fråga (1 poäng) ntag att T (n) anger antal steg en algoritm genomgår som funktion av antal element, n. Vilka av följande uttryck är polynomiska? T (n) = 10 n 100n. T (n) = 1. T (n) = b n. T (n) = n b. Fråga 3 (1 poäng) ntag att b är förgreningsfaktorn, d sökdjupet, T (d) tidskomplexiteten och M(d) minneskomplexiteten. Vilka av dessa påståenden är korrekta? Djupet först är komplett och har M(d) = O(bd) Iterativ fördjupning är optimal och har M(d) = O(b d ). redden först är optimal och har T (d) = O(b d ). Dubbelriktad sökning är inte optimal och har T (d) = O(b d ). Sida 1

Fråga 4 (1 poäng) ntag att man kör α β-cutoff på trädet i figur 1. Vad gäller då? 5 4 3 6 5 4 8 4 5 8 5 1 9 0 7 0 3 4 Figur 1: Träd genererat av en min-max-sökning genten väljer att gå ner i första vänstra grenen,, eftersom bästa noden är den längst till vänster, 5. I den mittersta grenen,, kommer bara de två noderna längst till vänster, och 4, att genereras. lla noderna i den vänstra grenen,, kommer att genereras. I den högra grenen,, genereras bara noderna i det vänstra delträdet (9, 0 och 7). Fråga 5 (1 poäng) Genetiska algoritmer... utnyttjar kunskap om problemets genetiska variation. utnyttjar slumpen för att inte fastna i lokala optimum. startar i slumpmässigt genererade starttillstånd. kan bara lösa linjärt separerbara problem. Sida

Fråga 6 (1 poäng) Givet följande graf 5 4 3 D F 3 1 4 E där avståndet mellan två noder finns angivet på bågarna och följande uppskattningar av avstånd från en nod till F: h( F) = 5, h( F) = 4, h( F) = 4, h(d F) = 1, h(e F) =. Då gäller att: uppskattningarna h(n) uppfyller kraven för *. Uniform cost genererar följande sökträd: 3 4 5 3 4 1 4 F D D F 6 7 5 6 7 3 E 7 F 6 * genererar följande sökträd: 3 f=6 f=6 E 1 4 D 4 F f=7 Greedy Search genererar följande sökträd: F f=1 f=6 3 E 4 4 4 F Sida 3

Fråga 7 (1 poäng) Givet följande succesor-stateaxiom: x, a, s Trasig(x, Result(a, s)) (Hel(x, s) a = Tappar) (Trasig(x, s) a Reparerar) Vilka av följande påståenden är korrekta: Trasig(V as, S) Tappar Trasig(V as, S3) Trasig(V as, S) Tappar Trasig(V as, S3) Hel(V as, S) Tappar Trasig(V as, S3) Trasig(V as, S) Reparerar Trasig(V as, S3) Fråga 8 (1 poäng) Man vill representera kategorier för att... människor resonerar om kategorier. man får mer kompakta representationer. det ökar flexibiliteten. man vill låta kategorier ärva egenskaper från objekt. Fråga 9 (1 poäng) llens temporala logik... definierar den temporala variablen t. definierar reationer mellan tidsintervall. ser temporala relationer som kategorier. används för att hantera modala satser. Fråga 10 (1 poäng) Partialordningsplanerare... ordnar operatorer först då en konflikt uppstår. klarar inte handlingar som negerar en annan handlings preconditions. kan skapa planer med olika handlingssekvenser. bygger hierarkiska planer. Fråga 11 (1 poäng) Vilka av följande påståenden om resursplanering är korrekta? Vid beräkningen av ES börjar man med den operator som tar längst tid. Man räknar ut tidigast möjliga sluttid som ES(OP i 1 ) = ES(OP i )+Duration(OP i 1 ). Man räknar ut senast möjliga starttid som LS(OP i 1 ) = LS(OP i ) Duration(OP i 1 ). Slacket beräknas som LS-ES. Sida 4

Fråga 1 (1 poäng) etrakta följande simultanfördelning: Vilka utsagor stämmer? P (sommar, varmt) = 40% P (sommar varmt) = 0,4 0,4+0, P (sommar) = P (varmt) P (varmt) = P (kallt) X Y P sommar varmt 0,4 sommar kallt 0, vinter varmt 0,1 vinter kallt 0,3 Fråga 13 (1 poäng) Vilka utsagor stämmer när och är villkorligt oberoende givet? P (,, ) = P ()P () P (,, ) = P ()P (, ) P (,, ) = P ()P ()P () P (,, ) = P ()P ( )P ( ) Fråga 14 (1 poäng) Här är tre modeller för linjär regression och tre särdragsvektorer: modell θ 0 θ 1 θ h 1 +3 +5 +7 h ±0 +5 +7 h 3 3 +5 +7 vektor x 0 x 1 x a +1 +1 +1 b +1 1 +1 c +1 1 1 Kryssa för alla alternativ som stämmer: h 3 (c) = 9 h (b) = h 1 (a) = 15 h 1 (a) + h 1 (c) = 0 Sida 5

Fråga 15 (1 poäng) En artificiell neuron beräknar en funktion på formen f(z) där f är neuronens aktiveringsfunktion. Vi skriver f 1 för den logistiska funktionen, f för tangens hyperbolicus och f 3 för den aktiveringsfunktion som används i en rectified linear unit. Vilka utsagor stämmer? Om z = 0 så är f 1 (z) = 0,5 Om z < 6 så är f 3 (z) = 0. Grafen som beskriver f 1 är spegelsymmetrisk kring den vertikala axeln. Om z = 0 så är f (z) = 0. Sida 6

Fråga 16 (4 poäng) Gör rimliga antaganden och översätt följande meningar till predikatlogiska uttryck: Den som är eftertanksam har huvud Man säger inte dumma saker om man tänker efter före Har man huvud tänker man efter före Donald säger dumma saker och visa med resolution att lla är inte eftertanksamma Sida 7

Fråga 17 (3 poäng) Planeten Zebulon befolkas av abianer och bebianer. 40% av befolkningen är abianer, och 10% av dessa har lila öron. ndelen bebianer med lila öron är endast 8%. En av planetens invånare blir slumpmässigt utvald. 1. Hur stor är apriorisannolikheten för att den utvalda individen är bebianer?. Hur stor är sannolikheten att den utvalda individen har lila öron? 3. ntag att du får informationen att den utvalda individen har lila öron. Hur stor är aposteriosannolikheten för att den utvalda individen är abianer? nge en formel; du behöver inte räkna ut resultatet. Sida 8

Fråga 18 (3 poäng) Vid träningen av en perceptron h (utsignal 0 eller 1) uppdateras parametervektorn θ varje gång perceptronen ser en ny träningsinstans (x, y), där x är en särdragsvektor och y är guldstandard-utsignalen för x. 1. nge uppdateringsregeln för θ. ortse ifrån inlärningskvoten α.. Låt θ = (θ 1, θ ) med θ 1 = θ = 1. Rita in denna vektor i ett koordinatsystem där den horisontella axeln svarar mot θ 1 och den vertikala axeln svarar mot θ. Rita sedan in två särdragsvektorer a och b sådana att h(a) = 0 och h(b) = 1. (Notera att vi här bortser ifrån låtsas-särdraget θ 0.) 3. ntag att guldstandard-utsignalerna för både a och b är 1. Komplettera ditt koordinatsystem genom att rita in de motsvarande uppdateringsvektorerna. Sida 9