Τεχνητή Νοημοσύνη
Τεχνητή Νοημοσύνη
Καλησπέρα και καλή χρονιά!
Υπάρχει κάποιος που να έκανε bayes με πολυμεταβλητη bernoulli που μπορει να μου πει που βρήκε dataset που να κάνει?
Υπάρχει κάποιος που να έκανε bayes με πολυμεταβλητη bernoulli που μπορει να μου πει που βρήκε dataset που να κάνει?
- Georgilakis Antonios
- Mbyte level
- Posts: 548
- Joined: Mon Dec 02, 2013 11:10 pm
- Academic status: Alumnus/a
- Gender: ♂
- Location: Straight into your Mind
Re: Τεχνητή Νοημοσύνη
https://archive.ics.uci.edu/ml/datasets.htmlvaleia wrote:Καλησπέρα και καλή χρονιά!
Υπάρχει κάποιος που να έκανε bayes με πολυμεταβλητη bernoulli που μπορει να μου πει που βρήκε dataset που να κάνει?
"Always keep a low profile. Cause when you get high, things can become strange."
"Never stop doing things you like. Never stop loving people you love. Never give up. Believe in yourself. Believe in your hidden powers."
"Honesty is an expensive gift, so don't expect it from cheap people."
The Scientist
Re: Τεχνητή Νοημοσύνη
Στον bayes με bernoulli ακόμα και η κατηγορία πρέπει να είναι bernoulli έτσι? Γιατί αυτό έχω καταλάβει..
Re: Τεχνητή Νοημοσύνη
Τα σημερινά θέματα:
1. Α* με κλειστό σύνολο(Sibiu->bucharest)
2. minimax να βρούμε αν υπάρχει το όφελος του Max, συμπλήρωση ενός δέντρου που δινλοταν όπως σε μια άσκηση μελέτης. Συνεπής h αποδειξη οτι Α* με κλειστο βελτιστος.
3. Κάποιες προτάσεις απο φυσική γλώσσα σε πκλ
4. Μια απο αυτές να την κάνουμε cnf
5. Απο αυτές τις προτάσεις κάποιες αποτελούσαν ΒΓ ... να αποδείξουμε με άτοπο τον τύπο της 4 ότι συνεπάγεται απο την ΒΓ.
6. Δινόταν ένας πίνακας με 6 instances και τις κατηγορίες τους ...να χρησιμοποιήσουμε τον k-nn για k=1 ώστε να πουμε αν απαντα 100% ή λιγότερο τη σωστη κατηγορία.με απόσταση το πλήθος των διαφορετικών τιμών των ιδιοτήτων.
7. Για τον ιδιο πίνακα να κάνουμε naive bayes με εκτιμητρια laplace.
8. Λογιστική παλινδρόμηση με διάγραμμα
9. Χάρτη του αλγορίθμου earley μιας γραμματικής για μια πρόταση και dcg γι αυτήν ωστε να δινουν κάποια phrase συγκεκριμενα αποτελέσματα.
αυτά ήταν συνοπτικά όποιος θέλει ας συμπληρώσει.
1. Α* με κλειστό σύνολο(Sibiu->bucharest)
2. minimax να βρούμε αν υπάρχει το όφελος του Max, συμπλήρωση ενός δέντρου που δινλοταν όπως σε μια άσκηση μελέτης. Συνεπής h αποδειξη οτι Α* με κλειστο βελτιστος.
3. Κάποιες προτάσεις απο φυσική γλώσσα σε πκλ
4. Μια απο αυτές να την κάνουμε cnf
5. Απο αυτές τις προτάσεις κάποιες αποτελούσαν ΒΓ ... να αποδείξουμε με άτοπο τον τύπο της 4 ότι συνεπάγεται απο την ΒΓ.
6. Δινόταν ένας πίνακας με 6 instances και τις κατηγορίες τους ...να χρησιμοποιήσουμε τον k-nn για k=1 ώστε να πουμε αν απαντα 100% ή λιγότερο τη σωστη κατηγορία.με απόσταση το πλήθος των διαφορετικών τιμών των ιδιοτήτων.
7. Για τον ιδιο πίνακα να κάνουμε naive bayes με εκτιμητρια laplace.
8. Λογιστική παλινδρόμηση με διάγραμμα
9. Χάρτη του αλγορίθμου earley μιας γραμματικής για μια πρόταση και dcg γι αυτήν ωστε να δινουν κάποια phrase συγκεκριμενα αποτελέσματα.
αυτά ήταν συνοπτικά όποιος θέλει ας συμπληρώσει.
- skater1995
- bit level
- Posts: 44
- Joined: Tue Jan 21, 2014 5:14 pm
- Academic status: Alumnus/a
- Gender: ♂
Re: Τεχνητή Νοημοσύνη
Η εξέταση εργασιών σε ποιο εργαστήριο γίνεται?
Re: Τεχνητή Νοημοσύνη
Εξέταση εργασιών 2017
Επιστροφή
Ημερομηνία: 2017-01-31 10:45:55
Καλημέρα
Στο παρακάτω doodle μπορείτε να διαλέξετε ώρα και μέρα εξέτασης
http://doodle.com/poll/s232esmp4wcdr6m7
Διαβάστε καλά τις οδηγίες του doodle που βλέπετε και παρακάτω.
Κάθε ομάδα εξετάζεται για μισή ώρα και για τις τρεις ασκήσεις.
Μόνο ένα άτομο ανά ομάδα θα κλείσει κάποιο (αλλά μόνο ένα) μισάωρο.
Θα πρέπει παρ' όλα αυτά να γράψετε όλα τα ονόματα της ομάδας σας στο αντίστοιχο slot.
π.χ. ΠΑΠΠΑΣ Δ. - ΚΥΝΗΓΟΠΟΥΛΟΣ Θ. - ΚΑΡΑΓΚΟΥΝΗΣ Α.
Τέλος συστήνεται να έχετε μαζί σας και λάπτοπ.
Καλή συνέχεια και καλά αποτελέσματα στις εξετάσεις σας
Επιστροφή
Ημερομηνία: 2017-01-31 10:45:55
Καλημέρα
Στο παρακάτω doodle μπορείτε να διαλέξετε ώρα και μέρα εξέτασης
http://doodle.com/poll/s232esmp4wcdr6m7
Διαβάστε καλά τις οδηγίες του doodle που βλέπετε και παρακάτω.
Κάθε ομάδα εξετάζεται για μισή ώρα και για τις τρεις ασκήσεις.
Μόνο ένα άτομο ανά ομάδα θα κλείσει κάποιο (αλλά μόνο ένα) μισάωρο.
Θα πρέπει παρ' όλα αυτά να γράψετε όλα τα ονόματα της ομάδας σας στο αντίστοιχο slot.
π.χ. ΠΑΠΠΑΣ Δ. - ΚΥΝΗΓΟΠΟΥΛΟΣ Θ. - ΚΑΡΑΓΚΟΥΝΗΣ Α.
Τέλος συστήνεται να έχετε μαζί σας και λάπτοπ.
Καλή συνέχεια και καλά αποτελέσματα στις εξετάσεις σας
- skater1995
- bit level
- Posts: 44
- Joined: Tue Jan 21, 2014 5:14 pm
- Academic status: Alumnus/a
- Gender: ♂
Re: Τεχνητή Νοημοσύνη
ναι το πού ρωτάω..
- Alive
- Venus Former Team Member
- Posts: 457
- Joined: Fri May 31, 2013 1:24 pm
- Academic status: N>4
- Gender: ♂
Re: Τεχνητή Νοημοσύνη
Εργαστήριο Επεξεργασίας πληροφοριών 4ος όροφος (τελευταία αίθουσα) Πτέρυγα Αντωνιάδου
- skater1995
- bit level
- Posts: 44
- Joined: Tue Jan 21, 2014 5:14 pm
- Academic status: Alumnus/a
- Gender: ♂
- skater1995
- bit level
- Posts: 44
- Joined: Tue Jan 21, 2014 5:14 pm
- Academic status: Alumnus/a
- Gender: ♂
Re: Τεχνητή Νοημοσύνη
Τα σημερινά θέματα:
Θέμα 1) 1. BestFS με κλειστό σύνολο(Sibiu->bucharest)
2. Α* με κλειστό σύνολο(Sibiu->bucharest)
3. Να δείξω αν είναι αποδεκτή και συνεπής η ευρετική.
4. Α* με κλειστό σύνολο αν βρίσκει βέλτιστη μονοπάτι
Θέμα 2) 1. Έδινε κάποιες προτάσεις σε ΠΚΛ οι οποίες είχαν κάποια λάθη και ζήταγε να τις διορθώσουμε.
2. Μετατροπή προτάσεων σε CNF (στις 3 έδινε και τελική μορφή).
3. Με βάση τον κανόνα της ανάλυσης να δείξουμε ότι 2 από αυτές τις προτάσεις συνεπάγονταν σε μία άλλη πρόταση.
4. Μετατροπή 2 προτάσεων σε OWL.
Θέμα 3) 1. και 2. ερώτημα όπως το Θέμα 3(α,β) του 2012
3. Παρόμοιο με άσκηση μελέτης 18.4
Θέμα 4) 1. Παρόμοιο με άσκηση μελέτης 23.2
2. Γράψτε ως προτάσεις Horn πρωτοβάθμιας κατηγορηματικής λογικής τους ακόλουθους κανόνες γραμματικής DCG. Συμβολίστε με «s1 + s2» τη συνένωση δύο συμβολοσειρών s1, s2.
Θέμα 1) 1. BestFS με κλειστό σύνολο(Sibiu->bucharest)
2. Α* με κλειστό σύνολο(Sibiu->bucharest)
3. Να δείξω αν είναι αποδεκτή και συνεπής η ευρετική.
4. Α* με κλειστό σύνολο αν βρίσκει βέλτιστη μονοπάτι
Θέμα 2) 1. Έδινε κάποιες προτάσεις σε ΠΚΛ οι οποίες είχαν κάποια λάθη και ζήταγε να τις διορθώσουμε.
2. Μετατροπή προτάσεων σε CNF (στις 3 έδινε και τελική μορφή).
3. Με βάση τον κανόνα της ανάλυσης να δείξουμε ότι 2 από αυτές τις προτάσεις συνεπάγονταν σε μία άλλη πρόταση.
4. Μετατροπή 2 προτάσεων σε OWL.
Θέμα 3) 1. και 2. ερώτημα όπως το Θέμα 3(α,β) του 2012
3. Παρόμοιο με άσκηση μελέτης 18.4
Θέμα 4) 1. Παρόμοιο με άσκηση μελέτης 23.2
2. Γράψτε ως προτάσεις Horn πρωτοβάθμιας κατηγορηματικής λογικής τους ακόλουθους κανόνες γραμματικής DCG. Συμβολίστε με «s1 + s2» τη συνένωση δύο συμβολοσειρών s1, s2.
Re: Τεχνητή Νοημοσύνη
τι δυσκολιας ειναι οι εργασιες ?τι επιπεδο java χρειαζεται??
Re: Τεχνητή Νοημοσύνη
Οποιος ψάχνει άτομο για εργασίες ας στείλει πμ.
Re: Τεχνητή Νοημοσύνη
ψαχνω και γω αν θες στειλε να μιλησουμε
Re: Τεχνητή Νοημοσύνη
Υπάρχει άτομο ή ζεύγος που ψάχνει συνεργάτη για τις εργασίες;
-
- byte level
- Posts: 59
- Joined: Wed Oct 23, 2013 4:50 pm
- Academic status: 4th year
- Gender: ♀
Re: Τεχνητή Νοημοσύνη
Καλησπερα παιδια! Μηπως εχει καποιος την εκφωνηση της δευτερης εργασιας για το ετος 2015-2016? (θελω να βελτιωσω τον κωδικα μου και ψαχνω την εκφωνηση :P )
- pgetsos
- Venus Former Team Member
- Posts: 1192
- Joined: Sun Oct 13, 2013 1:29 am
- Academic status: MSc
- Gender: ♂
Re: Τεχνητή Νοημοσύνη
Θεματα απο χθες, για βοηθηστε
1) α) Χρηση γενετικου αλγοριθμου για προγραμμα σχολειου, νομιζω υπαρχει τετοιο στα θεματα του 2009?
β) Minmax με 3 παιχτες σε ΜΗ τελικα φυλλα ομως
2) Κλασσικο θεμα με Μιλο και Ψιτα, σε ΠΚΛ, Horn, OWL
3) α) Εντροπια και Κερδος πληροφοριας (πολλαπλης με εξηγηση)
β) Perceptrons, να πουμε πως θα ειναι ενα δικτυο
4) α) Κυλιομενο παραθυρο νευρωνικου δικτυου, να πεις τις διαστασεις καποιων πινακων
β) Τι γραμμματικη ηταν αυτη που δινει και να κανεις earley Μονο τελικων ακμων
1) α) Χρηση γενετικου αλγοριθμου για προγραμμα σχολειου, νομιζω υπαρχει τετοιο στα θεματα του 2009?
β) Minmax με 3 παιχτες σε ΜΗ τελικα φυλλα ομως
2) Κλασσικο θεμα με Μιλο και Ψιτα, σε ΠΚΛ, Horn, OWL
3) α) Εντροπια και Κερδος πληροφοριας (πολλαπλης με εξηγηση)
β) Perceptrons, να πουμε πως θα ειναι ενα δικτυο
4) α) Κυλιομενο παραθυρο νευρωνικου δικτυου, να πεις τις διαστασεις καποιων πινακων
β) Τι γραμμματικη ηταν αυτη που δινει και να κανεις earley Μονο τελικων ακμων
Όταν μια μαύρη γάτα περάσει από μπροστά σου, σημαίνει ότι το ζώο πάει κάπου.
Μην αφήνεις τα μικρά μυαλά να σε πείσουν ότι τα όνειρα σου είναι πολύ μεγάλα.
Μην αφήνεις τα μικρά μυαλά να σε πείσουν ότι τα όνειρα σου είναι πολύ μεγάλα.
-
- Buffer underflow exception
- Posts: 4
- Joined: Thu Oct 22, 2015 5:33 pm
- Academic status: 1st year
- Gender: ♂
Re: Τεχνητή Νοημοσύνη
Οτι θυμαμαι απο τα θεματα του Ιανουαριου του 2018:
Θεμα 1: γενετικοι αλγοριθμοι Σου εδινε τα μαθηματα που πρεπει να εξεταστουν, νομιζω ποσες ωρες καθε μερα ηταν διαθεσιμες για να δινονται μαθηματα και καποιους περιορισμους οι οποιοι ειχαν σειρα προτεραιοτητας.
Θεμα 2: α) εδινε εναν πινακα και ζητουσε εντροπια
ειχε ενα ερωτημα για τον ID3, οπου επρεπε να χρησιμοποιησεις τον πινακα και τα υπολοιπα δεν τα θυμαμαι αλλα ειχαν να κανουν με αυτα τα κεφαλαια και σιγουρα δεν ζητουσε Bayes το οποιο εμπαινε τις αλλες χρονιες
Θεμα 3: α) εδινε καποιες προτασεις σε φυσικη γλωσσα, τις εδινε μεταφρασμενες σε πρωτοβαθμια κατηγορηματικη λογικη αλλα επρεπε να συμπληρωσεις καποια κενα, βασικα τα και και τα ή
β) επρεπε να μετατρεψεις μια απο αυτες σε Cnf, ενω σου εδινε και την τελικη της μορφη
γ) να μετατρεψεις καποιες προτασεις απο φυσικη γλωσσα σε OWL. Να σημειωθει οτι σε βοηθουσε δινοντας το θα ειναι καποια κομματια των προτασεων σε OWL
δ) να κανεις resolution (κανονας της αναλυσης) με καποιες προτασεις απο το α
Θεμα 4: αφορουσε τα νευρωνικα δικτυα
Θεμα 1: γενετικοι αλγοριθμοι Σου εδινε τα μαθηματα που πρεπει να εξεταστουν, νομιζω ποσες ωρες καθε μερα ηταν διαθεσιμες για να δινονται μαθηματα και καποιους περιορισμους οι οποιοι ειχαν σειρα προτεραιοτητας.
Θεμα 2: α) εδινε εναν πινακα και ζητουσε εντροπια
ειχε ενα ερωτημα για τον ID3, οπου επρεπε να χρησιμοποιησεις τον πινακα και τα υπολοιπα δεν τα θυμαμαι αλλα ειχαν να κανουν με αυτα τα κεφαλαια και σιγουρα δεν ζητουσε Bayes το οποιο εμπαινε τις αλλες χρονιες
Θεμα 3: α) εδινε καποιες προτασεις σε φυσικη γλωσσα, τις εδινε μεταφρασμενες σε πρωτοβαθμια κατηγορηματικη λογικη αλλα επρεπε να συμπληρωσεις καποια κενα, βασικα τα και και τα ή
β) επρεπε να μετατρεψεις μια απο αυτες σε Cnf, ενω σου εδινε και την τελικη της μορφη
γ) να μετατρεψεις καποιες προτασεις απο φυσικη γλωσσα σε OWL. Να σημειωθει οτι σε βοηθουσε δινοντας το θα ειναι καποια κομματια των προτασεων σε OWL
δ) να κανεις resolution (κανονας της αναλυσης) με καποιες προτασεις απο το α
Θεμα 4: αφορουσε τα νευρωνικα δικτυα
- jimilegolas
- byte level
- Posts: 87
- Joined: Thu Jun 30, 2011 7:14 pm
- Academic status: N>4
- Gender: ♂
- Location: Αθήνα
- Contact:
Re: Τεχνητή Νοημοσύνη
Να προσθέσω επίσης πως το μισό δεύτερο θέμα είχε να κάνει με την 4η ενότητα (αλγόριθμος Early, και σχεδίαση αυτόματου)
Re: Τεχνητή Νοημοσύνη
Καλησπέρα παιδιά! Ψάχνω άτομο/α για τις εργασίες, όποιος ενδιαφέρεται ας μου στείλει. 

-
- Buffer underflow exception
- Posts: 2
- Joined: Tue Jan 15, 2019 6:16 pm
- Academic status: 3rd year
- Gender: ♂
Re: Τεχνητή Νοημοσύνη
Θέματα Ιανουαρίου 2019 όσο καλύτερα τα θυμάμαι:
1) Άσκηση 4.2.α), 6.3
2) Άσκηση 8.2, αλλη μια σαν τις 11.1 και 11.2 α) και β) και μία όπου ήθελε να μετατρέψουμε 2 προτάσεις σε OWL
3) Σχεδόν ίδια με 16.1 και 16.2, Entropy και infogain και κάτι με παλινδόμηση
4) Prolog, 21.1(νομιζω) και ενα ερώτημα με Early
Οι ασκήσεις που αναφέρω είναι των φροντιστηρίων 2018-2019.
Mod edit:
Μια προσθήκη στο 4) Την άσκηση της διάλεξης 20 αλλά με τελείως διαφορετικά νούμερα και κατηγορίες.
1) Άσκηση 4.2.α), 6.3
2) Άσκηση 8.2, αλλη μια σαν τις 11.1 και 11.2 α) και β) και μία όπου ήθελε να μετατρέψουμε 2 προτάσεις σε OWL
3) Σχεδόν ίδια με 16.1 και 16.2, Entropy και infogain και κάτι με παλινδόμηση
4) Prolog, 21.1(νομιζω) και ενα ερώτημα με Early
Οι ασκήσεις που αναφέρω είναι των φροντιστηρίων 2018-2019.
Mod edit:
Μια προσθήκη στο 4) Την άσκηση της διάλεξης 20 αλλά με τελείως διαφορετικά νούμερα και κατηγορίες.
- parasleivadaros
- Venus Former Team Member
- Posts: 69
- Joined: Wed Oct 21, 2015 3:10 pm
- Academic status: MSc
- Gender: ♂
- Location: Amsterdam, North Holland, Netherlands
- Contact:
Re: Τεχνητή Νοημοσύνη
Θέματα | Σεπτέμβριος 2019 (όσα θυμάμαι)
Θέμα 1: (30%)
α) BestFS
β) Α*
γ) Πότε μια ευρετική συνάρτηση είναι αποδεκτή;
δ) Πότε μια ευρετική συνάρτηση είναι συνεπής, τι κερδίζουμε όταν είναι συνεπής αλλά όχι αποδεκτή;
ε) MiniMax με τρεις αντιπάλους A, B, C
i) συμπλήρωση των τιμών (οφέλη παικτών) στους κόμβους του δέντρου
ii) να δείξουμε προς τα που θα κινηθεί ο Α και τι θα επιλέξουν οι Β, Γ
iii) αν οι Β, Γ χρησιμοποιήσουν τον MiniMax για τις επιλογές τους, το παιχνίδι θα καταλήξει στην ίδια κατάσταση όπως το ii);
Θέμα 2: (30%)
α) ΠΚΛ
β) CNF
γ) Κανόνας Ανάλυσης και Δέντρο
δ) OWL
Θέμα 3: (25%)
α-δ) Entropy HC
Θέμα 4: (15%)
α) DCG
β) Horn & CNF
Θέμα 1: (30%)
α) BestFS
β) Α*
γ) Πότε μια ευρετική συνάρτηση είναι αποδεκτή;
δ) Πότε μια ευρετική συνάρτηση είναι συνεπής, τι κερδίζουμε όταν είναι συνεπής αλλά όχι αποδεκτή;
ε) MiniMax με τρεις αντιπάλους A, B, C
i) συμπλήρωση των τιμών (οφέλη παικτών) στους κόμβους του δέντρου
ii) να δείξουμε προς τα που θα κινηθεί ο Α και τι θα επιλέξουν οι Β, Γ
iii) αν οι Β, Γ χρησιμοποιήσουν τον MiniMax για τις επιλογές τους, το παιχνίδι θα καταλήξει στην ίδια κατάσταση όπως το ii);
Θέμα 2: (30%)
α) ΠΚΛ
β) CNF
γ) Κανόνας Ανάλυσης και Δέντρο
δ) OWL
Θέμα 3: (25%)
α-δ) Entropy HC
Θέμα 4: (15%)
α) DCG
β) Horn & CNF

- Gtkall
- Buffer underflow exception
- Posts: 3
- Joined: Thu Oct 17, 2013 10:29 am
- Academic status: 4th year
- Gender: ♂
Re: Τεχνητή Νοημοσύνη
ΘΕΜΑΤΑ ΙΑΝΟΥΑΡΙΟΥ 2020
ΘΕΜΑ 1 (25 μόρια, BestFS, A*):
α) Ο γνωστός χάρτης με τις Σλάβικες πόλεις. Δίνονται οι αποστάσεις ως ευθεία γραμμή για την Υ πόλη ως ευρετική. Να εκτελέσετε BestFS με Κλειστό Σύνολο και να γράψετε το δέντρο και τη διαδρομή.
β) Να εκτελέσετε BestFS ΧΩΡΙΣ Κλειστό Σύνολο και να γράψετε το δέντρο. Τι παρατηρείτε;
γ) Να εκτελέσετε BestFS με Κλειστό Σύνολο με προορισμό μία άλλη πόλη Ζ. Να γράψετε το δέντρο και την διαδρομή.
δ) Να εκτελέσετε A* με κλειστό σύνολο μέχρι την πόλη Ζ και να γράψετε το δέντρο και την διαδρομή.
ΘΕΜΑ 2 (25 μόρια, ΠΚΛ, κανόνας ανάλυσης, CNF):
Δίνονται Προτάσεις Κατηγορηματικής Λογικής με σύμβολα σχέσης: Human(x), Woman(x), HasChild(x,y), HasGrandChild(x,y), HasBrother(x,y), HasMother(x,y), [... μπορεί να ξέχασα μερικά...], και όροι οι Μαρία ως Mary, Γιάννης ως John και Νίκος ως Nick.
α) να παραστήσετε τις εξής προτάσεις ως ΠΚΛ:
γ) μέσω του κανόνα της ανάλυσης, να αποδείξετε μία από τις ΠΚΛ του (α) οτι ισχύει.
ΘΕΜΑ 3 (25 μόρια, Naive Bayes με Laplace, Μεγιστοποίηση με Ανάβαση Κλίσης, Νευρωνικά Δίκτυα) :
α) Να αποφανθείτε για μία πρόταση του στυλ "I regret that I didn't buy this great song even though they say it's terrible." ως θετική (C+) ή αρνητική (C-) μέσω Naive Bayes χρησιμοποιώντας Laplace. Τα δεδομένα εκμάθησης ήταν κάτι του στυλ:
β) Μία θεωριτική ερώτηση για την Ανάβαση Κλίσης. Είχε να κάνει με το γιατί βάζουμε τις τιμές {0.1, 0.01, 0.001, 0.0001 κλπ...} στο η ανά κάθε εποχή.
γ) Νευρωνικά Δίκτυα. Δεν το ακούμπησα, οπότε δεν το θυμάμαι...
ΘΕΜΑ 4 (25 μόρια, Ανάπτυξη υποδέντρων σε γραμματική, Earley)
α) Να αναπτύξετε τα δύο υποδέντρα της τάδε γραμματικής, παρόμοια με την (study_exercises_2019_2020 -> 21.1)
β) Να φτιάξετε τον χάρτη μέσω Earley σε τάδε γραμματική, παρόμοια με την (study_exercises_2019_2020 -> 22.2) αλλά με επίθετα ως επιπλέον παράγοντα.
EDIT: Είναι σημαντικό θεωρώ το γεγονός ότι ΔΕΝ έβαλε έπιπλέον θέμα Bonus, αλλά τα υπόλοιπα θέματα ήταν αρκετά εύκολα.
ΘΕΜΑ 1 (25 μόρια, BestFS, A*):
α) Ο γνωστός χάρτης με τις Σλάβικες πόλεις. Δίνονται οι αποστάσεις ως ευθεία γραμμή για την Υ πόλη ως ευρετική. Να εκτελέσετε BestFS με Κλειστό Σύνολο και να γράψετε το δέντρο και τη διαδρομή.
β) Να εκτελέσετε BestFS ΧΩΡΙΣ Κλειστό Σύνολο και να γράψετε το δέντρο. Τι παρατηρείτε;
γ) Να εκτελέσετε BestFS με Κλειστό Σύνολο με προορισμό μία άλλη πόλη Ζ. Να γράψετε το δέντρο και την διαδρομή.
δ) Να εκτελέσετε A* με κλειστό σύνολο μέχρι την πόλη Ζ και να γράψετε το δέντρο και την διαδρομή.
ΘΕΜΑ 2 (25 μόρια, ΠΚΛ, κανόνας ανάλυσης, CNF):
Δίνονται Προτάσεις Κατηγορηματικής Λογικής με σύμβολα σχέσης: Human(x), Woman(x), HasChild(x,y), HasGrandChild(x,y), HasBrother(x,y), HasMother(x,y), [... μπορεί να ξέχασα μερικά...], και όροι οι Μαρία ως Mary, Γιάννης ως John και Νίκος ως Nick.
α) να παραστήσετε τις εξής προτάσεις ως ΠΚΛ:
- i) Η Μαρία είναι μητέρα
- ii) Ο Νίκος έχει τουλάχιστον έναν αδερφό
- iii) Η Μαρία έχει τουλάχιστον ένα παιδί
- iv) Η Μαρία έχει ένα ΑΚΡΙΒΩΣ εγγόνι
- v) Όλοι οι άνθρωποι έχουν μητέρα
- vi) Αν ένας άνθρωπος έχει τουλάχιστον ένα εγγόνι, τότε θα έχει και τουλάχιστον ένα παιδί
γ) μέσω του κανόνα της ανάλυσης, να αποδείξετε μία από τις ΠΚΛ του (α) οτι ισχύει.
ΘΕΜΑ 3 (25 μόρια, Naive Bayes με Laplace, Μεγιστοποίηση με Ανάβαση Κλίσης, Νευρωνικά Δίκτυα) :
α) Να αποφανθείτε για μία πρόταση του στυλ "I regret that I didn't buy this great song even though they say it's terrible." ως θετική (C+) ή αρνητική (C-) μέσω Naive Bayes χρησιμοποιώντας Laplace. Τα δεδομένα εκμάθησης ήταν κάτι του στυλ:
- "I like this song"
- "It's a good song"
- "This song is great"
- "I adore this song"
- "I do not like this song"
- "It's a bad song, I don't like it"
- "I regret buying this song"
- "Terrible song, don't buy it"
β) Μία θεωριτική ερώτηση για την Ανάβαση Κλίσης. Είχε να κάνει με το γιατί βάζουμε τις τιμές {0.1, 0.01, 0.001, 0.0001 κλπ...} στο η ανά κάθε εποχή.
γ) Νευρωνικά Δίκτυα. Δεν το ακούμπησα, οπότε δεν το θυμάμαι...
ΘΕΜΑ 4 (25 μόρια, Ανάπτυξη υποδέντρων σε γραμματική, Earley)
α) Να αναπτύξετε τα δύο υποδέντρα της τάδε γραμματικής, παρόμοια με την (study_exercises_2019_2020 -> 21.1)
β) Να φτιάξετε τον χάρτη μέσω Earley σε τάδε γραμματική, παρόμοια με την (study_exercises_2019_2020 -> 22.2) αλλά με επίθετα ως επιπλέον παράγοντα.
EDIT: Είναι σημαντικό θεωρώ το γεγονός ότι ΔΕΝ έβαλε έπιπλέον θέμα Bonus, αλλά τα υπόλοιπα θέματα ήταν αρκετά εύκολα.
Last edited by Gtkall on Fri Jan 24, 2020 4:57 pm, edited 1 time in total.