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.

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.

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

de var svåra att implementera och var väldigt ineffektiva.

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

Vad behövs för att skapa en tillståndsrymd?

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

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

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

Mycket kortfattade lösningsförslag till tenta i AI 6 nov 2003

HKGBB0, Artificiell intelligens

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

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

Probabilistisk logik 2

Grundläggande logik och modellteori (5DV102)

Anna: Bertil: Cecilia:

Tänk på följande saker när du skriver tentan:

Probabilistisk logik 1

DD1350 Logik för dataloger. Vad är logik?

Grundläggande logik och modellteori

Sökning. Sökning. Köoperationer. Generell sökalgoritm

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

Lektion 8: Konstruktion av semantiska tablåer för PTL-formler

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

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

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

Tentamen i logik 729G06 Programmering och logik

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

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

729G43 Artificiell intelligens / Maskininlärning 3. Marco Kuhlmann

DD1350 Logik för dataloger

DD1350 Logik för dataloger. Fö 2 Satslogik och Naturlig deduktion

FÖRELÄSNING 8 ANDERS MÄRAK LEFFLER IDA/HCS

Föreläsning 7+8: NP-problem. Begreppet effektiv algoritm är alltså synonymt med går i polynomisk tid i den här kursen. Är detta en rimlig uppdelning?

Grundläggande logik och modellteori (5DV102)

Grundläggande logik och modellteori

:1) Vid ett besök på Knarrön (där ju var och en antingen är kung (och

Algoritmer, datastrukturer och komplexitet

En introduktion till predikatlogik

Viktiga frågor att ställa när ett argument ska analyseras och sedan värderas:

Datastrukturer och algoritmer. Föreläsning 15 Inför tentamen

Tentamen Metod C vid Uppsala universitet, , kl

Logik för datavetare DVK:Log Tisdagen 28 oktober Institutionen för dataoch systemvetenskap David Sundgren

Artificial Intelligence

Grundläggande logik och modellteori

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

Kompletteringsmaterial. K2 Något om modeller, kompakthetssatsen

DD1350 Logik för dataloger. Fö 7 Predikatlogikens semantik

Om semantisk följd och bevis

DD1361 Programmeringsparadigm HT17

Algoritmer, datastrukturer och komplexitet

Föreläsning 8+9: NP-problem. Begreppet effektiv algoritm är alltså synonymt med går i polynomisk tid i den här kursen. Är detta en rimlig uppdelning?

MATEMATIKENS SPRÅK. Avsnitt 1

K2 Något om modeller, kompakthetssatsen

Föreläsning 9: NP-fullständighet

Teoretisk del. Facit Tentamen TDDC (6)

Speciell användning av heltalsvariabler. Heltalsprogrammering. Antingen-eller-villkor: Exempel. Speciell användning av heltalsvariabler

Tentamenskod: Inga hjälpmedel är tillåtna

Föreläsning 5. Deduktion

729G43 Artificiell intelligens Sökning

. (2p) 2x + 2y + z = 4 y + 2z = 2 4x + 3y = 6

Kunskapsrepresentation

Algoritmer, datastrukturer och komplexitet

p /\ q r DD1350 Logik för dataloger Kort repetition Fö 3 Satslogikens semantik

Tommy Färnqvist, IDA, Linköpings universitet. 2 Strukturer Domäner Tolkningar... 3

Matematisk statistik TMS064/TMS063 Tentamen

Institutionen för Matematik TENTAMEN I LINJÄR ALGEBRA OCH NUMERISK ANALYS F1, TMA DAG: Fredag 16 januari 2009 TID:

Svar och lösningar, Modul 1.

Tentamen i Beräkningsvetenskap I/KF, 5.0 hp,

8. Naturlig härledning och predikatlogik

Sanningsvärdet av ett sammansatt påstående (sats, utsaga) beror av bindeord och sanningsvärden för ingående påståenden.

KTH Matematik B.Ek Lösningar tentamen 5B1928 Logik för D (och IT), 29 augusti 2007

Prototypbaserad Inkrementell Diagnos. Anders Holst SICS, Swedish Institute of Computer Science AB

DD1361 Programmeringsparadigm HT15

Föreläsning 8: Intro till Komplexitetsteori

Algoritmer, datastrukturer och komplexitet

Föreläsning 1. Introduktion. Vad är en algoritm?

Lite om bevis i matematiken

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

Programkonstruktion och Datastrukturer

DD1350 Logik för dataloger

Artificiell intelligens

TENTAMEN. Matematik och matematisk statistik 6H3000/6L3000

x 1 x 2 T (X) = T ( x 3 x 4 x 5

7, Diskreta strukturer

Abstrakta datatyper. Primitiva vektorer. Deklarera en vektor

Artificiell Intelligens Övningsuppgifter

Föreläsning 7. Felrättande koder

Höftledsdysplasi hos dansk-svensk gårdshund

Artificiell Intelligens

Tentamen. Datalogi I, grundkurs med Java 10p, 2D4112, Lördagen den 30 november 2002 kl , salar E33, E34

Regression med Genetiska Algoritmer

Vad är det? Översikt. Innehåll. Vi behöver modeller!!! Kontinuerlig/diskret. Varför modeller??? Exempel. Statiska system

Grundläggande logik och modellteori

Datastrukturer. föreläsning 10. Maps 1

ÖVNINGSUPPGIFTER KAPITEL 9

Logik och modaliteter

Avd. Matematisk statistik

Filosofisk Logik (FTEA21:4) föreläsningsanteckningar/kompendium. v. 2.0, den 29/ III. Metalogik 17-19

Transkript:

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 felaktiga är positiv. Totalt kan man ha 29 poäng. För godkänt krävs 15 poäng och för VG 22 poäng. Fråga 1 (1 poäng) En nyttobaserad agent... kan planera en sekvens av handlingar. har en intern kunskapsrepresentation av omgivningen. hanterar osäkerhet. behöver göra observationer av omgivningen. Fråga 2 (1 poäng) Antag att T (n) anger antal steg en algoritm genomgår som funktion av antal element, n. Vilka av följande uttryck anger polynomisk tidskomplexitet? T (n) = b n T (n) = n T (n) = b n 2 T (n) = n b Fråga 3 (1 poäng) För att definiera ett sökproblem krävs... ett måltillstånd. ett sökträd med alla möjliga tillstånd. alla handlingar som överför ett befintligt tillstånd till ett nytt tillstånd en sekvens av handlingar från starttillstånd till måltillstånd. Fråga 4 (1 poäng) Antag 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 ). Bredden först är optimal och har T (d) = O(b d ). Dubbelriktad sökning är optimal och har T (d) = O(b d 2 ). Fråga 5 (1 poäng) A* är en sökmetod som... har linjär tidskomplexitet. använder en heuristisk underskattning av kostnaden till målet samt kostnaden till noden. är komplett. blir bättre med bättre heuristik. Sida 1

Fråga 6 (1 poäng) Vilka av följande påstående är korrekta? A = (A = A) är en tautologi (B = C) B = C är en tautologi (B C) B = C är en tautologi B är kontingent Fråga 7 (1 poäng) Vad gäller för ett logiskt system som är sunt? Γ θ = Γ = θ Alla logiska sanningar är formler Inga ogilitiga formler kan härledas A = A = Fråga 8 (1 poäng) Resolution är en teknik som... kräver att alla satser är i konjunktiv form. försöker hitta en motsägelse. är mekanisk och alltid hittar en lösning. blir bättre med heuristik. Fråga 9 (1 poäng) Givet följande succesor-stateaxiom: x, a, s Trasig(x, Result(a, s)) (Ömtålig(x) a = Tappar) (Trasig(x, s) a Reparerar) Vilka av följande påståenden är korrekta: Trasig(V as, S2) Tappar Trasig(V as, S3) Trasig(V as, S2) Tappar Trasig(V as, S3) Trasig(V as, S2) Reparerar Trasig(V as, S3) Trasig(V as, S2) Reparerar Trasig(V as, S3) Fråga 10 (1 poäng) Vad gäller för representationen av en generell ontologi? Man utgår från att sammansatta objekt är odelbara. Man gör predikat till objekt i språket så att man kan resonera om koncept. Man använder situationskalkyl för att representera kontinuerliga händelser. Man undviker egenskapsärvning. Fråga 11 (1 poäng) Vilka av följande är korrekta relationer i Allens temporala logik? i, j Meet(i, j) T ime(end(i)) = T ime(start(j)) i, j After(j, i) T ime(end(j) < T ime(start(i)) i, j Before(j, i) T ime(end(i) < T ime(start(j)) i, j During(i, j) T ime(start(j)) T ime(start(i)) T ime(end(j)) T ime(end(i)) Sida 2

Fråga 12 (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 13 (1 poäng) Betrakta följande simultanfördelning: Vilka utsagor stämmer? P (sommar, varmt) 0,66 P (varmt sommar) = 0,4 0,4+0,2 P (sommar) = P (varmt) P (varmt) = P (kallt) Fråga 14 (1 poäng) Här är ett bayesianskt nät: X Y P sommar varmt 0,4 sommar kallt 0,2 vinter varmt 0,1 vinter kallt 0,3 Y 1 Y 2 X Z 1 Z 2 Vilka av följande utsagor stämmer? För fem binära variabler krävs en simultanfördelningstabell med 32 värden. Y1 och Y 2 är villkorligt oberoende givet X. P (X, Y1, Y 2, Z 1, Z 2 ) = P (Y 1 )P (Y 2 )P (X Y 1, Y 2 )P (Z 1 X)P (Z 2 X) Om varje variabel i det bayesianska nätverket är binär behövs 10 värden. Sida 3

Fråga 15 (1 poäng) Här är tre modeller för linjär regression och tre särdragsvektorer: modell w 0 w 1 w 2 h 1 +3 +5 +7 h 2 ±0 +5 +7 h 3 3 +5 +7 vektor x 0 x 1 x 2 a +1 +1 +1 b +1 1 +1 c +1 1 1 Kryssa för alla alternativ som stämmer: h 3 (c) = 9 h2 (b) = 2 h 1 (a) + h 1 (c) = 0 h1 (a) = 15 Fråga 16 (1 poäng) Gradient backpropagation...... kan bara användas för linjärt separerbara problem.... ger bättre resultat ju fler iterationer man kör... räknar ut felet för de dolda noderna i proportion till felet de ger upphov till i lagret efter.... räknar ut felet för noderna i utdatalagret i proportion till felet de gav upphov till i lagret innan. Sida 4

Fråga 17 (3 poäng) Använd naturlig deduktion för att visa A = B, B A Svar: {1} 1 A = B Premiss {2} 2 B Premiss {3} 3 A Provisorisk premiss {1,3} 4 B 1,3 = E {1,2,3} 5 2,4 I {1,2} 6 A 3,5, I Sida 5

Fråga 18 (4 poäng) Gör rimliga antaganden och översätt följande meningar till predikatlogiska uttryck: Populister är manipulativa och faktaresistenta Faktaresistenta ljuger DT är populist och visa med resolution att Det finns manipulativa som ljuger Svar: (1) x Populist(x) = Manipulativ(x) Faktareistent(x) (2) y Faktaresistent(y) = Ljuger(y) (3) Populist(DT) och det som skall visas (4) w Manipulativ(w) Ljuger(w) Konvertera: (1) Populist(x) (Manipulativ(x) Faktaresistent(x)) (1a) Populist(x) Manipulativ(x) (1b) Populist(x) Faktaresistent(x) (2) Faktaresistent(y) Ljuger(y) (3) Populist(DT) (4) w Manipulativ(w) Ljuger(w) = w (Manipulativ(w) Ljuger(w)) = Manipulativ(w) Ljuger(w) Resolution: (5)=(4)+(2) Faktaresistent(w) Manipulativ(w) (6)=(5)+(1b) Populist(x) Manipulativ(x) (7)=(6)+(3) Manipulativ(DT) (8)=(7)+(1a) Populist(DT) (9)=(8)+(3) Tom klausul Sida 6

Fråga 19 (3 poäng) Planeten Zebulon befolkas av abianer och bebianer. 40% av befolkningen är abianer, och 10% av dessa har lila öron. Andelen bebianer med lila öron är endast 8%. En av planetens invånare blir slumpmässigt utvald. 1. Hur stor är den ovillkorliga sannolikheten för att den utvalda individen är bebianer? 2. Hur stor är sannolikheten att den utvalda individen har lila öron? 3. Antag att du får informationen att den utvalda individen har lila öron. Hur stor är sannolikheten för att den utvalda individen är abianer? Ange en formel; du behöver inte räkna ut resultatet. Svar: Vi använder följande notation: A = den utvalda individen är abianer; L = den utvalda individen har lila öron. 1. P ( A) = 1 P (A) = 1 0,40 = 0,60 2. P (L) = P (A) P (L A) + P ( A) P (L A) = 0,40 0,10 + 0,60 0,08 = 0,088 3. Enligt Bayes regel har vi P (A L) = P (L A)P (A) P (L) = 0,40 0,10 0,088 0,45 Den efterfrågade sannolikheten är därmed ca. 45%. Sida 7

Fråga 20 (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 Svar: Tabellen ger t.ex. trädet: M Kön K + x1, x2, x6 x5 + x4, x7 x3, x8 Inkomst Inkomst <20 20 40 >40 <20 20 40 >40 + x2, x6 + + x1 + x4, x7 + x5 x3, x8 JA NEJ JA Default JA NEJ Sida 8

Bevisregler i naturlig deduktion ( I) β β ( I) β ( I) ( I) β = β ( = I) β ( E) β = β β = δ δ ( E) = β β ( = E) ( E) β = β ( E) = β β = β ( I) Sida 9