Kordamisküsimused: erinevus redaktsioonide vahel
Mine navigeerimisribale
Mine otsikasti
Resümee puudub |
Resümee puudub |
||
| (ei näidata sama kasutaja 6 vahepealset redaktsiooni) | |||
| 6. rida: | 6. rida: | ||
<!-- # Intelligentne agent. Agendi ülesande PEAS-kirjeldus. --> | <!-- # Intelligentne agent. Agendi ülesande PEAS-kirjeldus. --> | ||
<!--# Algoritmi ajaline keerukus. Suure "O" notatsioon. ''Mis on keerulisem, kas O(n<sup>2</sup>) või O(2<sup>n</sup>)?''--> | <!--# Algoritmi ajaline keerukus. Suure "O" notatsioon. ''Mis on keerulisem, kas O(n<sup>2</sup>) või O(2<sup>n</sup>)?''--> | ||
# Ülesande keerukus. NP-keerukad ülesanded. ''Miks meid huvitab ülesande keerukusklass?'' | # Ülesande keerukus. NP-keerukad ülesanded. ''Miks meid huvitab ülesande keerukusklass?'' ([http://lambda.ee/wiki/Iti0210w1 1] + kogu kursus) | ||
# Üldine iteratiivne puuotsingu algoritm, selle seos reaalse ülesande olekutega (olekuruumiga). | # Intelligentne agent. Kuidas optimeerida ja mõõta agendi kasulikkust. ([http://lambda.ee/wiki/Iti0210w1 1]) | ||
# Pimeotsing (laiuti-, sügavuti-). Laiutiotsingu ja sügavutiotsingu ajaline ja ruumiline keerukus. ''Kui mul on hargnemistegur b ja otsing toimub sügavuseni d, mitu tsüklit algoritm teeb?'' | # Üldine iteratiivne puuotsingu algoritm, selle seos reaalse ülesande olekutega (olekuruumiga). ([http://lambda.ee/wiki/Iti0210w3 3]) | ||
# Heuristiline otsing. Ahne otsingu ja A* hindamisfunktsioon (i.k. ''evaluation function''). ''f(n) = ?'' | # Pimeotsing (laiuti-, sügavuti-). Laiutiotsingu ja sügavutiotsingu ajaline ja ruumiline keerukus. ''Kui mul on hargnemistegur b ja otsing toimub sügavuseni d, mitu tsüklit algoritm teeb?'' ([http://lambda.ee/wiki/Iti0210w3 3]) | ||
# A* optimaalsuse tingimus. ''Kaugus linnulennult ja Manhattan distance. Kas maakaardil on mõlemad optimaalsed?'' | # Heuristiline otsing. Ahne otsingu ja A* hindamisfunktsioon (i.k. ''evaluation function''). ''f(n) = ?'' ([http://lambda.ee/wiki/Iti0210w3 3]) | ||
# Lokaalne otsing. Otsinguruum, mäeronimine, lokaalsed ja globaalsed maksimumid. ''Mis on mäeronimise lõpetamise tingimus? Ruumiline keerukus? Ajaline keerukus?'' | # A* optimaalsuse tingimus. ''Kaugus linnulennult ja Manhattan distance. Kas maakaardil on mõlemad optimaalsed?'' ([http://lambda.ee/wiki/Iti0210w3 3]) | ||
# Stohhastiline lokaalne otsing (''simulated annealing''). ''Miks peaks lokaalses otsingus kasutama juhuslikkust?'' | # Lokaalne otsing. Otsinguruum, mäeronimine, lokaalsed ja globaalsed maksimumid. ''Mis on mäeronimise lõpetamise tingimus? Ruumiline keerukus? Ajaline keerukus?'' ([http://lambda.ee/wiki/Iti0210w45 4] ja mõtle ise) | ||
# Stohhastiline lokaalne otsing (''simulated annealing''). ''Miks peaks lokaalses otsingus kasutama juhuslikkust?'' ([http://lambda.ee/wiki/Iti0210w45 4]) | |||
<!-- | <!-- | ||
# Itereeritud kohaliku otsingu (i.k. ''ILS'') algoritm. | # Itereeritud kohaliku otsingu (i.k. ''ILS'') algoritm. | ||
--> | --> | ||
# Strateegia otsing intelligentse vastase vastu. Minimax puu. ''Kuidas jõuavad seisu väärtused puu lehtedest algseisu? Kuidas käik valitakse?'' | # Strateegia otsing intelligentse vastase vastu. Minimax puu. ''Kuidas jõuavad seisu väärtused puu lehtedest algseisu? Kuidas käik valitakse?'' ([http://lambda.ee/wiki/Iti0210w6 5]) | ||
<!-- | <!-- | ||
# ''Alpha/beta'' otsing. | # ''Alpha/beta'' otsing. | ||
| 22. rida: | 23. rida: | ||
# Kitsendusülesande lahendamine rekursiivse otsinguga. Optimeerimise tehnikad (''MRV'' jne). | # Kitsendusülesande lahendamine rekursiivse otsinguga. Optimeerimise tehnikad (''MRV'' jne). | ||
--> | --> | ||
# Monte Carlo puuotsing (MCTS). ''Kuidas leitakse käigu võiduprotsent ja valitakse käik?'' | # Monte Carlo puuotsing (MCTS). ''Kuidas leitakse käigu võiduprotsent ja valitakse käik?'' ([http://lambda.ee/wiki/Iti0210w6 5]) | ||
# Teadmusbaasil põhineva agendi arhitektuur. | <!--# Teadmusbaasil põhineva agendi arhitektuur.--> | ||
# Teadmusbaasi realiseerimine loogikat kasutades. Järeldumine. ''Kui KB-st järeldub a, mis peavad olema nende tõeväärtused kõigis võimalikes maailmates? KB|-a, KB->a, KB & -a seos.'' | # Teadmusbaasi realiseerimine loogikat kasutades. Järeldumine. ''Kui KB-st järeldub a, mis peavad olema nende tõeväärtused kõigis võimalikes maailmates? KB|-a, KB->a, KB & -a seos.'' ([http://lambda.ee/wiki/Iti0210w7 6]) | ||
# ''Forward chaining'' algoritm. | # ''Forward chaining'' algoritm. ([http://lambda.ee/wiki/Iti0210w72 7]) | ||
# Resolutsioonimeetod lausearvutuses. ''Kuidas toimib resolutsioonireegel? Mismoodi saab sellest ühest reeglist teha järeldamise algoritmi?'' | # Resolutsioonimeetod lausearvutuses. ''Kuidas toimib resolutsioonireegel? Mismoodi saab sellest ühest reeglist teha järeldamise algoritmi?'' ([http://lambda.ee/wiki/Iti0210w72 7]) | ||
# Predikaatloogika (i.k. ''first order logic'') teadmusbaas. Faktide ja reeglite kirja panek lihtsas süntaksis (nagu logictools). ([http://lambda.ee/wiki/Iti0210w8 8] ja kodutööd) | |||
<!-- | <!-- | ||
# | # Prologi kasutamine predikaatloogika reeglite ja faktide kirjapanekuks. ''Kui on antud Prologi reegel a(X):- b(X), siis mida see tähendab? Pane mingi teadmus kirja Prologis'' | ||
--> | --> | ||
# Tinglik tõenäosus. ''P(a,b,c|d,e,f)'' ([http://lambda.ee/wiki/Iti0210w9 9]) | |||
# Tinglik tõenäosus. ''P(a,b,c|d,e,f)'' | # Diskreetsete juhuslike suuruste ühisjaotus, lausete tõenäosuse arvutamine selle kaudu. ''Kui on antud ühisjaotus, kuidas ma arvutan P(mingi lause)?'' ([http://lambda.ee/wiki/Iti0210w9 9]) | ||
# Diskreetsete juhuslike suuruste ühisjaotus, lausete tõenäosuse arvutamine selle kaudu. ''Kui on antud ühisjaotus, kuidas ma arvutan P(mingi lause)?'' | <!-- | ||
# Juhuslike suuruste iseseisvus. Bayesi võrk. | # Juhuslike suuruste iseseisvus. Bayesi võrk. | ||
# Tõenäosuste statistiline hindamine. ''Kuidas tekivad tõenäosused Naiivse Bayesi valemisse?'' | --> | ||
# | # Juhuslike suuruste iseseisvus ja tinglik iseseisvus. ''Mis kasu on iseseisvusest tõenäosusmudelite juures?'' ([http://lambda.ee/wiki/Iti0210w10 10]) | ||
<!--# Tõenäosuste arvutamine Bayesi võrgul, kasutades juhuslikkusel põhinevat simulatsiooni (''Gibbs sampling''). | # Tõenäosuste statistiline hindamine. ''Kuidas tekivad tõenäosused Naiivse Bayesi valemisse?'' ([http://lambda.ee/wiki/Iti0210ex9 ülesanne]) | ||
# Peidetud Markovi mudel. ''Kuidas 1st järku Markovi mudel töötab? Mida | # Naiivse Bayesi mudelil arvutamine. ''Tõenäosusjaotuste alusel NB hüpoteesi arvutamine.'' ([http://lambda.ee/wiki/Iti0210w10 10]) | ||
<!--# Tõenäosuste arvutamine Bayesi võrgul, kasutades juhuslikkusel põhinevat simulatsiooni (''Gibbs sampling'').--> | |||
# Peidetud Markovi mudel. ''Kuidas 1st järku Markovi mudel töötab? Mida teevad "smoothing" algoritmi edasi- ja tagasi sammud?'' ([http://lambda.ee/wiki/Iti0210w101 11]) | |||
# EM-algoritmi põhimõte. ''Mis on E ja M sammud?'' ([http://lambda.ee/wiki/Iti0210w101 11]) | |||
<!-- | <!-- | ||
# Bayesi võrgu koostamine. | # Bayesi võrgu koostamine. | ||
# Õppimine - mingile tundmatule funktsioonile lähendi leidmine. | |||
--> | --> | ||
# Tehisneuroni tööpõhimõte. ''Sisendid, väljundid, nende vaheline seos'' ([http://lambda.ee/wiki/Iti0210w12 12], [http://lambda.ee/wiki/Iti0210ex12 ülesanne]) | |||
# Tehisnärvivõrkude treenimise põhimõtted. ''Mismoodi saame väljundi veast paranduse närvivõrgu kaaludele?'' ([http://lambda.ee/wiki/Iti0210w121 13]) | |||
# ''Q-learning''. Käitumise õppimine. ''Q tabeli sisu. Kuidas sinna uusi väärtusi arvutada?'' ([http://lambda.ee/wiki/Iti0210w13 14]) | |||
# Tehisneuroni tööpõhimõte. ''Sisendid, väljundid, nende vaheline seos'' | # k lähima naabri klassifikaator. ''Kuidas leiab k-NN algoritm punktile (andmeobjektile) klassi?'' ([http://lambda.ee/wiki/Iti0210w15 15]) | ||
# Tehisnärvivõrkude treenimise põhimõtted. ''Mismoodi saame väljundi veast paranduse närvivõrgu kaaludele?'' | # Klassifitseerimine otsustuspuu abil. ''Otsustuspuu konstrueerimine, kasutamine otsuse tegemiseks.'' ([http://lambda.ee/wiki/Iti0210w15 15]) | ||
# ''Q-learning''. Käitumise õppimine. ''Q tabeli sisu. Kuidas sinna uusi väärtusi arvutada?'' | # Informatsiooni koguse hindamine entroopia kaudu. ''Entroopia arvutus ja selle tähendus'' ([http://lambda.ee/wiki/Iti0210w15 15],[https://moodle.taltech.ee/mod/quiz/view.php?id=380451 ülesanne]) | ||
# Lineaarne regressioon. ''Milleks on vaja kaofunktsiooni? Ühe muutujaga lineaarse regressiooni arvutamine.'' ([http://lambda.ee/wiki/Iti0210w15 15]) | |||
<!-- | <!-- | ||
# Eksistentsiaalne risk. Tehisintellekti eetika. | # Eksistentsiaalne risk. Tehisintellekti eetika. | ||
--> | --> | ||
[[Category:Iti0210]] | |||
Viimane redaktsioon: 12. mai 2021, kell 07:30
Eksamiks valmistudes arvesta, et eksami raskusaste eeldab loengute kuulamist, viidatud õpiku osade lugemist ja harjutusülesannete tegemist.
Allolev nimekiri võib veel täieneda ja muutuda.
- Ülesande keerukus. NP-keerukad ülesanded. Miks meid huvitab ülesande keerukusklass? (1 + kogu kursus)
- Intelligentne agent. Kuidas optimeerida ja mõõta agendi kasulikkust. (1)
- Üldine iteratiivne puuotsingu algoritm, selle seos reaalse ülesande olekutega (olekuruumiga). (3)
- Pimeotsing (laiuti-, sügavuti-). Laiutiotsingu ja sügavutiotsingu ajaline ja ruumiline keerukus. Kui mul on hargnemistegur b ja otsing toimub sügavuseni d, mitu tsüklit algoritm teeb? (3)
- Heuristiline otsing. Ahne otsingu ja A* hindamisfunktsioon (i.k. evaluation function). f(n) = ? (3)
- A* optimaalsuse tingimus. Kaugus linnulennult ja Manhattan distance. Kas maakaardil on mõlemad optimaalsed? (3)
- Lokaalne otsing. Otsinguruum, mäeronimine, lokaalsed ja globaalsed maksimumid. Mis on mäeronimise lõpetamise tingimus? Ruumiline keerukus? Ajaline keerukus? (4 ja mõtle ise)
- Stohhastiline lokaalne otsing (simulated annealing). Miks peaks lokaalses otsingus kasutama juhuslikkust? (4)
- Strateegia otsing intelligentse vastase vastu. Minimax puu. Kuidas jõuavad seisu väärtused puu lehtedest algseisu? Kuidas käik valitakse? (5)
- Monte Carlo puuotsing (MCTS). Kuidas leitakse käigu võiduprotsent ja valitakse käik? (5)
- Teadmusbaasi realiseerimine loogikat kasutades. Järeldumine. Kui KB-st järeldub a, mis peavad olema nende tõeväärtused kõigis võimalikes maailmates? KB|-a, KB->a, KB & -a seos. (6)
- Forward chaining algoritm. (7)
- Resolutsioonimeetod lausearvutuses. Kuidas toimib resolutsioonireegel? Mismoodi saab sellest ühest reeglist teha järeldamise algoritmi? (7)
- Predikaatloogika (i.k. first order logic) teadmusbaas. Faktide ja reeglite kirja panek lihtsas süntaksis (nagu logictools). (8 ja kodutööd)
- Tinglik tõenäosus. P(a,b,c|d,e,f) (9)
- Diskreetsete juhuslike suuruste ühisjaotus, lausete tõenäosuse arvutamine selle kaudu. Kui on antud ühisjaotus, kuidas ma arvutan P(mingi lause)? (9)
- Juhuslike suuruste iseseisvus ja tinglik iseseisvus. Mis kasu on iseseisvusest tõenäosusmudelite juures? (10)
- Tõenäosuste statistiline hindamine. Kuidas tekivad tõenäosused Naiivse Bayesi valemisse? (ülesanne)
- Naiivse Bayesi mudelil arvutamine. Tõenäosusjaotuste alusel NB hüpoteesi arvutamine. (10)
- Peidetud Markovi mudel. Kuidas 1st järku Markovi mudel töötab? Mida teevad "smoothing" algoritmi edasi- ja tagasi sammud? (11)
- EM-algoritmi põhimõte. Mis on E ja M sammud? (11)
- Tehisneuroni tööpõhimõte. Sisendid, väljundid, nende vaheline seos (12, ülesanne)
- Tehisnärvivõrkude treenimise põhimõtted. Mismoodi saame väljundi veast paranduse närvivõrgu kaaludele? (13)
- Q-learning. Käitumise õppimine. Q tabeli sisu. Kuidas sinna uusi väärtusi arvutada? (14)
- k lähima naabri klassifikaator. Kuidas leiab k-NN algoritm punktile (andmeobjektile) klassi? (15)
- Klassifitseerimine otsustuspuu abil. Otsustuspuu konstrueerimine, kasutamine otsuse tegemiseks. (15)
- Informatsiooni koguse hindamine entroopia kaudu. Entroopia arvutus ja selle tähendus (15,ülesanne)
- Lineaarne regressioon. Milleks on vaja kaofunktsiooni? Ühe muutujaga lineaarse regressiooni arvutamine. (15)