Vad behövs för att skapa en tillståndsrymd?

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

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

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

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.

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.

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

de var svåra att implementera och var väldigt ineffektiva.

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

ARTIFICIELLA NEURALA NÄT. MARCO KUHLMANN Institutionen för datavetenskap

729G43 Artificiell intelligens / Maskininlärning 3. Marco Kuhlmann

Mycket kortfattade lösningsförslag till tenta i AI 6 nov 2003

HKGBB0, Artificiell intelligens

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

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

729G43 Artificiell intelligens / Maskininlärning 2. Marco Kuhlmann

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

729G43 Artificiell intelligens Planering

Artificial Intelligence

Regression med Genetiska Algoritmer

Artificial Intelligence

Probabilistisk logik 2

Kunskapsrepresentation

Probabilistisk logik 1

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

Artificiell intelligens

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.

Tänk på följande saker när du skriver tentan:

DD1361 Programmeringsparadigm HT17

Instruktioner - Datortentamen TDDE24 och TDDD73 Funktionell och imperativ programmering (i Python)

DD1350 Logik för dataloger. Vad är logik?

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

729G43 Artificiell intelligens Sökning

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

Tentamen i Digitalteknik, EIT020

Föreläsning 8. NDAB02 Statistik; teori och tillämpning i biologi

Kapitel 12: TEST GÄLLANDE EN GRUPP KOEFFICIENTER - ANOVA

TENTAMEN I DATAVETENSKAP

DD1361 Programmeringsparadigm HT15

Lösningsförslag till tentamen i SF1861 Optimeringslära för T. Torsdag 28 maj 2010 kl

Abstrakta datatyper. Primitiva vektorer. Deklarera en vektor

Tentamen i matematisk statistik (92MA31, STN2) kl 08 12

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

Sökning. Sökning. Köoperationer. Generell sökalgoritm

Tentamen för kursen. Linjära statistiska modeller. 16 augusti

Omtentamen i DV & TDV

STRIPS. En planerares uppbyggnad. Emma Torensjö. Artificiell Intelligens II. Linköpings Universitet HT Emma Torensjö.

Övningshäfte 1: Logik och matematikens språk

HSB BRF HAMNEN, ÅSIKTEN ETAPP TVÅ

Föreläsning 7: Punktskattningar

*UXSS YQLQJ±/RJLNPHGWLOOlPSQLQJDUYW

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

2D1339 Programkonstruktion för F1, ht 2003

Avd. Matematisk statistik

SF1625 Envariabelanalys

SF1624 Algebra och geometri

DD1361 Programmeringsparadigm HT16

OBS! Vi har nya rutiner.

Instruktioner - Datortentamen TDDD73 Funktionell och imperativ programmering i Python

TDDC74 Programmering: Abstraktion och modellering Dugga 3, kl 14 16, 25 mars 2015

Grundläggande logik och modellteori (5DV102)

Vektorer, matriser, nätverk - några elementa

Tentamenskod: Inga hjälpmedel är tillåtna

Statistikens grunder HT, dagtid Statistiska institutionen

LINKÖPINGS UNIVERSITET TENTA 92MA31, 92MA37, 93MA31, 93MA37 / STN 2 9GMA05 / STN 1

Tentamen i Beräkningsvetenskap I/KF, 5.0 hp,

Artificiell Intelligens Övningsuppgifter

TENTAMEN: Algoritmer och datastrukturer. Läs detta!

Anna: Bertil: Cecilia:

Moment 5.5 Övningsuppgifter I 5.60a. 5.60b, 5.60.c, 61

Föreläsning 12: Regression

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

Matematik. Bedömningsanvisningar. Vårterminen 2012 ÄMNESPROV. Del B1 och Del B2 ÅRSKURS

Vectorer, spannet av vektorer, lösningsmängd av ett ekvationssystem.

ANN fk. Örjan Ekeberg. Framåtkopplade Nät. återkopplade nät. Olika arkitekturer. BackPropagation through Time. Kalman-Filter tekniker

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

34% 34% 13.5% 68% 13.5% 2.35% 95% 2.35% 0.15% 99.7% 0.15% -3 SD -2 SD -1 SD M +1 SD +2 SD +3 SD

Användning. Fixed & Random. Centrering. Multilevel Modeling (MLM) Var sak på sin nivå

Forskningsmetodik Lektion 6 Korrelation och kausalitet Per Olof Hulth hulth@physto.se. Tvådimensionella histogram

Tentamen i Matematisk statistik Kurskod S0001M

Medicinsk statistik II

LEJON LABORATION3. Laborationens syfte

Multipel tilldelning. Introduktion till programmering D0009E. Föreläsning 6: Iteration. while-satsen. Kom ihåg. Snurror kontra rekursion

Lek$on 4: Kunskapsrepresenta$on. Robin Keskisärkkä och Jonas Rybing

Begrepp Uttryck, värdet av ett uttryck, samband, formel, graf, linje, diagram, spridningsdiagram.

Tentamensskrivning i Diskret Matematik för CINTE och CMETE, SF1610, onsdagen den 20 augusti 2014, kl

FACIT: Tentamen L9MA30, LGMA30

Minnet - begrepp och principer

KTH, NADA, Vahid Mosavat. 1. Flervalsfrågor (5p)

tal. Mängden av alla trippel av reella tal betecknas med R 3 och x 1 x 2 En sekvens av n reella tal betecknas med (x 1, x 2,, x n ) eller

Instuderingsfrågor till avsnittet om statistik, kursen Statistik och Metod, Psykologprogrammet på KI, T8

Grundläggande logik och modellteori

Tentamen del 1 SF1546, , , Numeriska metoder, grundkurs

Bild 1. Bild 2 Sammanfattning Statistik I. Bild 3 Hypotesprövning. Medicinsk statistik II

Tentamen Metod C vid Uppsala universitet, , kl

729G43 Artificiell intelligens Maskininlärning. Arne Jönsson HCS/IDA

Linjär Algebra, Föreläsning 2

MVE022 Urval av bevis (på svenska)

Transkript:

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 felaktiga är positiv. Totalt kan man ha 25 poäng. För godkänt krävs 13 poäng och för VG 19 poäng. Fråga 1 (1 poäng) Antag att T (n) anger antal steg en algoritm genomgår som funktion av antal element, n. Vilka av följande uttryck är polynomiska? T (n) =n 10 100n. T (n) =n. T (n) =4n 3 +5n 6 + 10n 9. T (n) = 100. Fråga 2 (1 poäng) En målbaserad agent... kan inte planera en sekvens av handlingar. har en intern kunskapsrepresentation av omgivningen. hanterar osäkerhet. behöver inte göra observationer av omgivningen. Fråga 3 (1 poäng) Vad behövs för att skapa en tillståndsrymd? ett måltillstånd. ett sökträd med alla möjliga tillstånd. en beskrivning av alla handlingar som tillståndsförändringar en funktion som kan räkna ut kostnaden från ett tillstånd till nästa. Fråga 4 (1 poäng) Vilka av dessa sökstrategier är kompletta? Djupet först. Iterativ fördjupning. Dubbelriktad sökning. Greedy search. Fråga 5 (1 poäng) Genetiska algoritmer... ger alltid optimala lösningar. kan skapa nya tillstånd genom mutationer. är exempel på övervakad inlärning. arbetar parallellt med flera sökrymder. Fråga 6 (1 poäng) Vid sökning med Constrain Satisfaction kan man förbättra sökningen med hjälp av heuristik. Vilka av följande heuristiker fungerar bra? Välj den mest begränsade variablen Välj det mest begränsande värdet Sida 1

Set of support Fråga 7 (1 poäng) E ektaxiom... Ta bort det senast tilldelade värdet vid konflikt används för att avgöra vilken handling som är bäst att utföra härnäst i ett visst tillstånd. kan se ut såhär: 8a, x, s Holding(x, s)^(a 6= Grab)_ (Present(x, s)^portable(x)) ) Holding(x, Result(a, s). kan se ut så här: 8x, sp resent(x, s)^portable(x) ) Holding(x, Result(grab, s)). säkerställer att alla tillstånd som inte påverkas av en handling följer med till nästa situation. Fråga 8 (1 poäng) Vad innebär det att skapa kategorier i en generell ontologi? Att objekt blir predikat i språket. Att predikat blir objekt i språket. Att man skapa mer kompakta representationer eftersom kategorier kan ärva egenskaper från varandra. Att man kan resonera om koncept istället för objekt. Fråga 9 (1 poäng) Strukturerade kunskapsrepresentationer som t.ex. frames... är inspirerade av den kognitiva psykologins teorier om episodiskt minne. gör det enklare för människor att förstå hur kunskapen representeras. löser frameproblemet. lagrar kunskapen i attribut-värdestrukturer. Fråga 10 (1 poäng) Planering med STRIPS innebär att man... använder första ordningens predikatlogik för att beskriva villkor och e ekter av handlingar. utgår ifrån closed world assumption. har typade variabler. inte kan använda kvantifierare. Fråga 11 (1 poäng) Vad kännetecknar en partialordningsplanerare? Den ordnar handlingar efterhand som de läggs till planen. Den klarar inte handlingar som negerar en annan handlings preconditions. Den bygger hierarkiska planer. Den utnyttjar minimalt slack för att hantera begränsade resurser. Sida 2

Fråga 12 (1 poäng) Betrakta följande simultanfördelning: Vilka utsagor stämmer? P (sommar) = 50% P (sommar, kallt) = 1/3 P (kallt) < P(varmt) P (sommar kallt) = 1/3 X Y P sommar varmt 0,3 sommar kallt 0,2 vinter varmt 0,1 vinter kallt 0,4 Fråga 13 (1 poäng) Vad gäller när B och C är villkorligt oberoende givet A? P (A, B, C) =P (A)P (B)P (C) P (A, B, C) =P (A)P (B,C A) P (A, B, C) =P (A)P (B A)P (C A) P (A, B, C) =P (B)P (C) Fråga 14 (1 poäng) Vad gäller för en sigmoidneuron? Aktiveringsfunktionen är deriverbar. Neuronen beräknar en funktion på formen h(x) =x >. Vikterna kan tränas upp med med hjälp av gradientsökning. Utvärdena är tal mellan 1 och +1. Fråga 15 (1 poäng) Antag följande modeller för linjär regression: Kryssa för alla alternativ som stämmer: h 1 (1, 1, 1) = 0 h 2 (1, 1, 1) = 0 h 1 (1, 2, 1) + h 2 (1, 2, 1) = 0 h 3 (1, 2, 2) = 0 modell 0 1 2 h 1 +2 +2 +2 h 2 2 +2 +2 h 3 ±0 +2 +2 Sida 3

Fråga 16 (4 poäng) Gör rimliga antaganden och översätt följande meningar till predikatlogiska uttryck: Alla barn älskar Rudolf Rudolf är en ren med röd nos Allt med röd nos är konstigt eller en clown Inga renar är clowner Tomten älskar inget konstigt och visa med resolution att Tomten är inget barn Sida 4

Fråga 17 (3 poäng) 51% av alla vuxna invånare i Rökköping är män; resten är kvinnor. En vuxen invånare blir slumpmässigt utvald för att delta i en enkät. 1. Hur stor är apriorisannolikheten för att den utvalda personen är en man? 2. Antag att du får informationen att den utvalda personen röker. Du vet att andelen rökare bland de vuxna männen i Rökköping är 9,5%; andelen rökare bland de vuxna kvinnorna är 1,7%. Hur stor är aposteriosannolikheten för att den utvalda personen är en man? Ange en formel; du behöver inte räkna ut resultatet. Sida 5

Fråga 18 (3 poäng) Vid träningen av en perceptron (utsignal 0 eller 1) uppdateras viktvektorn genom att subtrahera vektorn (h(x) y)x där x är särdragsvektorn för träningsexemplet, h(x) är perceptronens utsignal och y är guldstandard-utsignalen. Figur 1: Perceptron Figur 1 visar hur en viktvektor kan se ut. Rita in beslutsgränsen. Rita sedan in två vektorer x 1 och x 0 sådana att perceptronens utsignal för dessa vektorer blir 1 respektive 0. Motivera ditt svar; hänvisa till beslutsregeln för perceptroner. Utgå ifrån att tröskelvärdet är noll. Sida 6