Τεχνητή Νοημοσύνη

Συζητήσεις σχετικά με τα μαθήματα Κύκλων και Κατευθύνσεων του τρέχοντος ακαδημαϊκού έτους. Για συζητήσεις παλαιοτέρων ετών κοιτάξτε στην κατηγορία "Παλιές Συζητήσεις "
themelina
Buffer underflow exception
Buffer underflow exception
Posts: 1
Joined: Mon Dec 23, 2019 3:13 pm
Academic status: 3rd year
Gender:

Re: Τεχνητή Νοημοσύνη

Post by themelina » Fri Jan 24, 2020 1:56 pm

Για τα θέματα Ιανουαρίου 2020 να πω μόνο ότι στο 4ο θέμα το υποερώτημα β είναι παρόμοια άσκηση με τη study_exercises_2019-2020 -> 22.2 , ζητούσε χάρτη με Earley όχι αυτόματο όπως υποδεικνύει η άσκηση 21.2
User avatar
Gtkall
Buffer underflow exception
Buffer underflow exception
Posts: 3
Joined: Thu Oct 17, 2013 10:29 am
Academic status: 4th year
Gender:

Re: Τεχνητή Νοημοσύνη

Post by Gtkall » Fri Jan 24, 2020 4:57 pm

themelina wrote:
Fri Jan 24, 2020 1:56 pm
Για τα θέματα Ιανουαρίου 2020 να πω μόνο ότι στο 4ο θέμα το υποερώτημα β είναι παρόμοια άσκηση με τη study_exercises_2019-2020 -> 22.2 , ζητούσε χάρτη με Earley όχι αυτόματο όπως υποδεικνύει η άσκηση 21.2
Έχεις δίκιο, το διόρθωσα!
p3170070
Buffer underflow exception
Buffer underflow exception
Posts: 2
Joined: Tue Dec 26, 2017 1:54 pm
Academic status: 1st year
Gender:

Re: Τεχνητή Νοημοσύνη

Post by p3170070 » Tue Sep 08, 2020 1:04 pm

Θέμα 1ο: (α) Σχεδιάστε το δέντρο αναζήτησης που θα κατασκευάσει ο αλγόριθμος Α* με κλειστό
σύνολο, όταν αναζητούμε μονοπάτι από την Oradea στο Βουκουρέστι, χρησιμοποιώντας ως ευρετική
την ευθεία απόσταση ως το Βουκουρέστι (βλ. πίνακα σχήματος). Το δέντρο να δείχνει αναλυτικά και
την αξιολόγηση κάθε κόμβου. Ποιο μονοπάτι βρίσκει ο αλγόριθμος;

(β) Σε ένα παιχνίδι δύο αντιπάλων μηδενικού
αθροίσματος είναι η σειρά του Max να παίξει. Ο
Max χρησιμοποιεί τον αλγόριθμο MiniMax με
μέγιστο βάθος αναζήτησης 3. Κατασκευάζει το
δέντρο στα δεξιά, του οποίου η ρίζα είναι η τρέχουσα
κατάσταση. Οι ακμές (α), (β), (γ) αντιστοιχούν στις
δυνατές κινήσεις του Max. Τα φύλλα του δέντρου
δεν είναι τελικές καταστάσεις. Οι αριθμοί στα
φύλλα είναι οι τιμές μιας ευρετικής συνάρτησης
που επιχειρεί να προβλέψει (ενδεχομένως λανθασμένα) το όφελος του Max. Συμπληρώστε πάνω στο
σχήμα τις τιμές MiniMax των υπόλοιπων κόμβων και (με ένα βέλος) την κίνηση του Max.
Ποια κίνηση προβλέπει ο Max ότι θα κάνει στη συνέχεια ο Min; Σημειώστε την στο δέντρο. Είναι
σίγουρο ότι θα επιβεβαιωθεί η πρόβλεψη του Max, αν ο Min χρησιμοποιεί και αυτός τον MiniMax, με
το ίδιο μέγιστο βάθος αναζήτησης (3) και την ίδια ευρετική συνάρτηση στα φύλλα; Εξηγήστε γιατί.

Θέμα 2ο: Συμπληρώστε τα υπογραμμισμένα κενά στους παρακάτω τύπους πρωτοβάθμιας
κατηγορηματικής λογικής, ώστε να παριστάνουν το νόημα των αντίστοιχων προτάσεων.
(i) Ο Μίλος είναι σκύλος και η Ψίτα είναι γάτα.
(𝐷𝑜𝑔(𝑀𝑖𝑙𝑜𝑠) ____ 𝐶𝑎𝑡(𝑃𝑠𝑖𝑡𝑎))
(ii) Κάθε σκύλος γαβγίζει ή τρώει (ενδεχομένως και τα δύο μαζί).
____ (𝐷𝑜𝑔(𝑥) ____ (𝐵𝑎𝑟𝑘𝑠(𝑥) ____ 𝐸𝑎𝑡𝑠(𝑥)))
(iii) Κάθε σκύλος που συμπαθεί την Ψίτα γαβγίζει.
____ ((𝐷𝑜𝑔(𝑥) ____ 𝐿𝑖𝑘𝑒𝑠(𝑥, 𝑃𝑠𝑖𝑡𝑎)) ____ 𝐵𝑎𝑟𝑘𝑠(𝑥))
(iv) Ο Μίλος συμπαθεί την Ψίτα.
___________________________________
5
23
Max
Max
Max
Max
Min
Min
Min
Min
διάδοση τιμών
για τον max
2 - 3 20 -100 -95 18 95 5 - 1 - 3 - 7 100
2 - 3 20 -100 -95 18 95 5 - 1 - 3 - 7 100
2 20 95 5 - 1 100
α
β
γ
4
(v) Κάθε σκύλος που συμπαθεί μια (τουλάχιστον) γάτα γαβγίζει.
____ ((𝐷𝑜𝑔(𝑥) ____ ____ (𝐶𝑎𝑡(𝑦) ____ 𝐿𝑖𝑘𝑒𝑠(𝑥, 𝑦))) ____ 𝐵𝑎𝑟𝑘𝑠(𝑥))
(β) Μετατρέψτε σε κανονική συζευκτική μορφή (CNF) τον τύπο που γράψατε στο προηγούμενο σκέλος
για την πρόταση (v). Δείξτε αναλυτικά τα βήματα της μετατροπής. Υπόδειξη: Προκύπτει τύπος της μορφής:
(¬𝛼(𝑥) ∨ ¬𝛽(𝑦) ∨ ¬𝛾(𝑥, 𝑦) ∨ 𝛿(𝑥)). Προσοχή στις παρενθέσεις και τη σειρά των βημάτων!

(γ) Σχεδιάστε δέντρο απόδειξης που να δείχνει με απαγωγή σε άτοπο χρησιμοποιώντας μόνο τον κανόνα
της ανάλυσης (resolution) ότι από τις προτάσεις (i), (iv) και (v) προκύπτει πως ο Μίλος γαβγίζει.

Θέμα 3ο (25%): (α) Έστω ένα αντικείμενο με διάνυσμα ιδιοτήτων <Χ1,
Χ2, Χ3, Χ4> = <1, 0, 1, 0>. Σε ποια από τις δύο κατηγορίες (C = a, C =
b) θα κατατάξει το αντικείμενο ένας αφελής ταξινομητής Bayes (της
πολυ-μεταβλητής μορφής Bernoulli που συναντήσαμε στο μάθημα) ο
οποίος έχει στη διάθεσή του τα δεδομένα εκπαίδευσης του πίνακα;
Γράψτε αναλυτικά τους υπολογισμούς σας. Χρησιμοποιήστε
εκτιμήτρια Laplace κατά τις εκτιμήσεις των πιθανοτήτων 𝑷(𝑿𝒊
|𝑪).
Κάθε τυχαία μεταβλητή 𝑋𝑖 έχει δύο δυνατές τιμές: 0 και 1.
Απάντηση:
𝑃(𝐶 = 𝑎) = ____________________ 𝑃(𝐶 = 𝑏) = ____________________
𝑃(𝑋1 = 1|𝐶 = 𝑎) = ____________________ 𝑃(𝑋2 = 0|𝐶 = 𝑎) = ____________________
𝑃(𝑋3 = 1|𝐶 = 𝑎) = ____________________ 𝑃(𝑋4 = 0|𝐶 = 𝑎) =____________________
𝑃(𝑋1 = 1|𝐶 = 𝑏) = ____________________ 𝑃(𝑋2 = 0|𝐶 = 𝑏) =____________________
𝑃(𝑋3 = 1|𝐶 = 𝑏) =____________________ 𝑃(𝑋4 = 0|𝐶 = 𝑏) =____________________
Άρα:
𝑃(𝐶 = 𝑎|〈𝑋1,𝑋2,𝑋3,𝑋4
〉 = 〈1,0,1,0〉) = ____________________________________________________
_____________________________________________________________________________________
𝑃(𝐶 = 𝑏|〈𝑋1,𝑋2,𝑋3,𝑋4
〉 = 〈1,0,1,0〉) = ____________________________________________________
_____________________________________________________________________________________
και επομένως το αντικείμενο κατατάσσεται στην κατηγορία 𝐶 = _________.
(β) Σε ποια κατηγορία θα κατατάξει το ίδιο αντικείμενο ο αλγόριθμος των k κοντινότερων γειτόνων με
k = 1 και μέτρο απόστασης δύο διανυσμάτων το πλήθος των ιδιοτήτων στις οποίες έχουν διαφορετικές
τιμές; Δείξτε αναλυτικά τους υπολογισμούς σας.

(γ) Εκτιμήστε το κέρδος πληροφορίας 𝑰𝑮(𝑪,𝑿𝟒) της ιδιότητας 𝑋4 χρησιμοποιώντας τα δεδομένα του
πίνακα του σκέλους (α) και εκτιμήτριες μεγίστης πιθανοφάνειας για όλες τις πιθανότητες (π.χ.
𝑃(𝐶 = 𝑎) =
3
6
και 𝑃(𝐶 = 𝑎|𝑋4 = 1) =
2
4
). Δείξτε αναλυτικά τους υπολογισμούς σας.
𝐻(𝐶) = ______________________________________________________________________________
𝐻(𝐶|𝑋4 = 1) = _______________________________________________________________________
_____________________________________________________________________________________
𝐻(𝐶|𝑋4 = 0) = _______________________________________________________________________
_____________________________________________________________________________________
𝐻(𝐶|𝑋4
) = ___________________________________________________________________________
_____________________________________________________________________________________
𝐼𝐺(𝐶,𝑋4) = __________________________________________________________________________
_____________________________________________________________________________________
Εξηγήστε διαισθητικά τα αποτελέσματα των υπολογισμών σας. Γιατί ήταν αναμενόμενα;
𝛨(𝐶): _______________________________________________________________________________
_____________________________________________________________________________________
𝐻(𝐶|𝑋4 = 1): _________________________________________________________________________
_____________________________________________________________________________________
𝐻(𝐶|𝑋4 = 0): _________________________________________________________________________
_____________________________________________________________________________________
𝐻(𝐶|𝑋4
): ____________________________________________________________________________
_____________________________________________________________________________________
𝐼𝐺(𝐶,𝑋4): _______
Post Reply

Return to “Μαθήματα Κύκλων και Κατευθύνσεων”