Kordamisküsimused: erinevus redaktsioonide vahel

Allikas: Lambda
Mine navigeerimisribale Mine otsikasti
← Vanem muudatusUuem muudatus →
PriitJ (arutelu | kaastöö)
1416 muudatust
Resümee puudub
PriitJ (arutelu | kaastöö)
1416 muudatust
Resümee puudub
27. rida: 27. rida:
# ''Forward chaining'' algoritm.
# ''Forward chaining'' algoritm.
# 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?''
# Predikaatloogika (i.k. ''first order logic'') teadmusbaas. Faktide ja reeglite kirja panek lihtsas süntaksis (nagu logictools).
<!--
<!--
# Predikaatloogika (i.k. ''first order logic'') teadmusbaas.
# 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''
-->
-->
# 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)''
# 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)?''
# 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.
-->
# Juhuslike suuruste iseseisvus ja tinglik iseseisvus. ''Mis kasu on iseseisvusest tõenäosusmudelite juures?''
# Tõenäosuste statistiline hindamine. ''Kuidas tekivad tõenäosused Naiivse Bayesi valemisse?''
# Tõenäosuste statistiline hindamine. ''Kuidas tekivad tõenäosused Naiivse Bayesi valemisse?''
# Naiivne Bayesi mudelil arvutamine. ''Tõenäosusjaotuste alusel NB hüpoteesi arvutamine. Normaliseerimine tõenäosuste leidmiseks''
# Naiivse Bayesi mudelil arvutamine. ''Tõenäosusjaotuste alusel NB hüpoteesi arvutamine.''
<!--# 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 teeb forward algoritmi üks samm?''-->
# Peidetud Markovi mudel. ''Kuidas 1st järku Markovi mudel töötab? Mida teeb forward algoritmi üks samm?''
# EM-algoritmi põhimõte. ''Mis on E ja M sammud?''
<!--
<!--
# Bayesi võrgu koostamine.
# Bayesi võrgu koostamine.
# Õppimine - mingile tundmatule funktsioonile lähendi leidmine.
-->
-->
# Õppimine - mingile tundmatule funktsioonile lähendi leidmine.
# Informatsiooni koguse hindamine entroopia kaudu. ''Entroopia arvutus ja selle tähendus''
# Klassifitseerimine otsustuspuu abil. Otsustuspuu ehitamine ''DTL'' (tuntud ka ''ID3'' nime all) algoritmiga. ''Otsustuspuu konstrueerimine, kasutamine otsuse tegemiseks.''
# Lineaarne regressioon. ''Milleks on vaja kaofunktsiooni? Ühe muutujaga lineaarse regressiooni arvutamine.''
# Tehisneuroni tööpõhimõte. ''Sisendid, väljundid, nende vaheline seos''
# Tehisneuroni tööpõhimõte. ''Sisendid, väljundid, nende vaheline seos''
# Tehisnärvivõrkude treenimise põhimõtted. ''Mismoodi saame väljundi veast paranduse närvivõrgu kaaludele?''
# Tehisnärvivõrkude treenimise põhimõtted. ''Mismoodi saame väljundi veast paranduse närvivõrgu kaaludele?''
# ''Q-learning''. Käitumise õppimine. ''Q tabeli sisu. Kuidas sinna uusi väärtusi arvutada?''
# ''Q-learning''. Käitumise õppimine. ''Q tabeli sisu. Kuidas sinna uusi väärtusi arvutada?''
# k lähima naabri klassifikaator. ''Kuidas leiab k-NN algoritm punktile (andmeobjektile) klassi?''
# Klassifitseerimine otsustuspuu abil. ''Otsustuspuu konstrueerimine, kasutamine otsuse tegemiseks.''
# Informatsiooni koguse hindamine entroopia kaudu. ''Entroopia arvutus ja selle tähendus''
# Lineaarne regressioon. ''Milleks on vaja kaofunktsiooni? Ühe muutujaga lineaarse regressiooni arvutamine.''
<!--
<!--
# Eksistentsiaalne risk. Tehisintellekti eetika.
# Eksistentsiaalne risk. Tehisintellekti eetika.

Redaktsioon: 6. mai 2021, kell 17:02

Eksamiks valmistudes arvesta, et eksami raskusaste eeldab loengute kuulamist, viidatud õpiku osade lugemist ja harjutusülesannete tegemist.

Allolev nimekiri võib veel täieneda ja muutuda.

  1. Ülesande keerukus. NP-keerukad ülesanded. Miks meid huvitab ülesande keerukusklass?
  2. 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?
  4. Heuristiline otsing. Ahne otsingu ja A* hindamisfunktsioon (i.k. evaluation function). f(n) = ?
  5. A* optimaalsuse tingimus. Kaugus linnulennult ja Manhattan distance. Kas maakaardil on mõlemad optimaalsed?
  6. Lokaalne otsing. Otsinguruum, mäeronimine, lokaalsed ja globaalsed maksimumid. Mis on mäeronimise lõpetamise tingimus? Ruumiline keerukus? Ajaline keerukus?
  7. Stohhastiline lokaalne otsing (simulated annealing). Miks peaks lokaalses otsingus kasutama juhuslikkust?
  8. Strateegia otsing intelligentse vastase vastu. Minimax puu. Kuidas jõuavad seisu väärtused puu lehtedest algseisu? Kuidas käik valitakse?
  9. Monte Carlo puuotsing (MCTS). Kuidas leitakse käigu võiduprotsent ja valitakse käik?
  10. Teadmusbaasil põhineva agendi arhitektuur.
  11. 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.
  12. Forward chaining algoritm.
  13. Resolutsioonimeetod lausearvutuses. Kuidas toimib resolutsioonireegel? Mismoodi saab sellest ühest reeglist teha järeldamise algoritmi?
  14. Predikaatloogika (i.k. first order logic) teadmusbaas. Faktide ja reeglite kirja panek lihtsas süntaksis (nagu logictools).
  15. Tinglik tõenäosus. P(a,b,c|d,e,f)
  16. Diskreetsete juhuslike suuruste ühisjaotus, lausete tõenäosuse arvutamine selle kaudu. Kui on antud ühisjaotus, kuidas ma arvutan P(mingi lause)?
  17. Juhuslike suuruste iseseisvus ja tinglik iseseisvus. Mis kasu on iseseisvusest tõenäosusmudelite juures?
  18. Tõenäosuste statistiline hindamine. Kuidas tekivad tõenäosused Naiivse Bayesi valemisse?
  19. Naiivse Bayesi mudelil arvutamine. Tõenäosusjaotuste alusel NB hüpoteesi arvutamine.
  20. Peidetud Markovi mudel. Kuidas 1st järku Markovi mudel töötab? Mida teeb forward algoritmi üks samm?
  21. EM-algoritmi põhimõte. Mis on E ja M sammud?
  22. Tehisneuroni tööpõhimõte. Sisendid, väljundid, nende vaheline seos
  23. Tehisnärvivõrkude treenimise põhimõtted. Mismoodi saame väljundi veast paranduse närvivõrgu kaaludele?
  24. Q-learning. Käitumise õppimine. Q tabeli sisu. Kuidas sinna uusi väärtusi arvutada?
  25. k lähima naabri klassifikaator. Kuidas leiab k-NN algoritm punktile (andmeobjektile) klassi?
  26. Klassifitseerimine otsustuspuu abil. Otsustuspuu konstrueerimine, kasutamine otsuse tegemiseks.
  27. Informatsiooni koguse hindamine entroopia kaudu. Entroopia arvutus ja selle tähendus
  28. Lineaarne regressioon. Milleks on vaja kaofunktsiooni? Ühe muutujaga lineaarse regressiooni arvutamine.
Pärit leheküljelt "http://www.lambda.ee/w/index.php?title=Kordamisküsimused&oldid=18889"