Kordamisküsimused: erinevus redaktsioonide vahel
Mine navigeerimisribale
Mine otsikasti
Resümee puudub |
Resümee puudub |
||
| (ei näidata sama kasutaja 2 vahepealset redaktsiooni) | |||
| 7. rida: | 7. rida: | ||
<!--# 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?'' ([http://lambda.ee/wiki/Iti0210w1 1] + kogu kursus) | # Ülesande keerukus. NP-keerukad ülesanded. ''Miks meid huvitab ülesande keerukusklass?'' ([http://lambda.ee/wiki/Iti0210w1 1] + kogu kursus) | ||
# Intelligentne agent. Kuidas optimeerida ja mõõta agendi kasulikkust. ([http://lambda.ee/wiki/Iti0210w1 1]) | |||
# Üldine iteratiivne puuotsingu algoritm, selle seos reaalse ülesande olekutega (olekuruumiga). ([http://lambda.ee/wiki/Iti0210w3 3]) | # Üldine iteratiivne puuotsingu algoritm, selle seos reaalse ülesande olekutega (olekuruumiga). ([http://lambda.ee/wiki/Iti0210w3 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?'' ([http://lambda.ee/wiki/Iti0210w3 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?'' ([http://lambda.ee/wiki/Iti0210w3 3]) | ||
| 23. rida: | 24. rida: | ||
--> | --> | ||
# Monte Carlo puuotsing (MCTS). ''Kuidas leitakse käigu võiduprotsent ja valitakse käik?'' ([http://lambda.ee/wiki/Iti0210w6 5]) | # 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.'' ([http://lambda.ee/wiki/Iti0210w7 6]) | # 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. ([http://lambda.ee/wiki/Iti0210w72 7]) | # ''Forward chaining'' algoritm. ([http://lambda.ee/wiki/Iti0210w72 7]) | ||
| 40. rida: | 41. rida: | ||
# Naiivse Bayesi mudelil arvutamine. ''Tõenäosusjaotuste alusel NB hüpoteesi arvutamine.'' ([http://lambda.ee/wiki/Iti0210w10 10]) | # 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'').--> | <!--# Tõenäosuste arvutamine Bayesi võrgul, kasutades juhuslikkusel põhinevat simulatsiooni (''Gibbs sampling'').--> | ||
# Peidetud Markovi mudel. ''Kuidas 1st järku Markovi mudel töötab? Mida | # 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]) | # EM-algoritmi põhimõte. ''Mis on E ja M sammud?'' ([http://lambda.ee/wiki/Iti0210w101 11]) | ||
<!-- | <!-- | ||
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)