1.1. Sztuczna inteligencja: Dział informatyki, którego przedmiotem

1.1. Sztuczna inteligencja:
Dział informatyki, którego przedmiotem jest
badanie reguł rządzących inteligentnymi
zachowaniami człowieka, tworzenie modeli
formalnych tych zachowań i – w rezultacie –
programów komputerowych symulujących te
zachowania.
1.2.Podaj 3 różne typy inteligencji?
Inteligencja Kognitywna –sprawność umysłowa
(analiza i synteza danych)
Inteligencja Werbalna – zdolność formułowania
wypowiedzi
Inteligencja Twórcza – zdolność do generowania
nowych pojęć
1.3.Test Turinga.
to sposób określania zdolności maszyny do
posługiwania się językiem naturalnym i pośrednio
mającym dowodzić opanowania przez nią
umiejętności myślenia w sposób podobny do
ludzkiego. Sędzia (człowiek) prowadzi rozmowę z
pozostałymi uczestnikami w języku naturalnym.
Sędzia ma określić czy jego rozmówca to człowiek,
czy maszyna. Maszyna zachowuje się jak człowiek
.
1.4. Na czym polega argument „chińskiego
pokoju”? Co ma pokazać?
John Searle (1932-) - Człowiek zamknięty w pokoju.
Przez szparę pod drzwiami otrzymuje wiadomości
napisane po chińsku. Człowiek nie zna chińskiego,
ale dysponuje „książką reguł” - która określa jakie
znaki są odpowiedzią na określone znaki
wejściowe. Człowiek kopiuje znaki odpowiedzi i
wysuwa swoją odpowiedź na zewnątrz. Człowiek w
pokoju może uczestniczyć w konwersacji, a nawet
przejść test Turinga – nie zna on jednak języka.
1.5. Podać przykłady współczesnego
wykorzystania systemów opartych na sztucznej
inteligencji.
*Algorytmy genetyczne i programowanie
ewolucyjne
*Rozpoznawanie mowy i pisma – zastosowanie
tzw. „ukrytych modeli Markowa”
*Wnioskowanie probabilistyczne
*Rozwój robotyki
*PEGASUS –rozpoznawanie i analiza mowy
*MARVEL – obróbka danych przychodzących ze
stacji kosmicznych
*Systemy wspierające kierowanie pojazdów,
diagnostykę medyczną, sterowanie ruchem w
miastach, wspomagające decyzje biznesowe
2.1. zasady „gry w życie” Conway’a.
* 2-wymiarowa siatka prostokątnych komórek.
* Każda komórka może być żywa lub martwa (dwa
stany)
* Każda komórka ma potencjalnie 8 sąsiadów
* Komórka umiera jeżeli liczba sąsiadów jest
mniejsza niż 2 lub większa niż 3.
* Martwa komórka „ożywa” jeżeli ma dokładnie 3
sąsiadów
2.2. zasady gry „wojny rdzeniowe”
Gracze umieszczają programy napisane w
psudoassemblerze
(Redcode) na serwerze
* Pojedynki każdy-z-każdym, np. 100 walk w
ramach pojedynku
* Wyliczana punktacja (liczba zwycięstw, porażek,
remisów)
* Zwycięzcy turnieju biorą udział w kolejnym
turnieju.
2.3. Do jakiego typu eksperymentów może służyć
program Tierra?
*Komputerowy model ewolucji
*„Organizmy” walczą o zasoby (CPU i pamięć
wirtualnej maszyny)
*Modelowanie selekcji naturalnej, ewolucji typu
pasożyt-nosiciel i innych.
2.4. Co to jest sztuka ewolucyjna?
* Dzieła sztuki wykorzystujące proces ewolucji do
ciągłej modyfikacji
* System ulega ciągłej ewolucji
* Artysta ocenia poszczególne „osobniki” i określa
ich funkcję przystosowania.
* Osobniki o najlepszej funkcji przystosowania
kierowane są do dalszej ewolucji
* Łączy grafikę komputerową i metody sztucznej
inteligencji
(sieci neuronowe, algorytmy genetyczne
3.1. Czym się różni optymalizacja lokalna od
globalnej?
Op. lokalna — punkt, w którym funkcja celu ma
wartosc
najmniejsza (najwieksza) niz w jakichkolwiek
innych
dopuszczalnych punktach w swoim otoczeniu.
Op. globalna — najlepsze z rozwiazan lokalnych.
Róznią się metodami szukania minimum. Lokalne:
Przeszukiwanie liniowe
*Metoda simplex
* Metoda największego spadku
*Metody gradientow sprzężonych
W globalnej :Brak ogólnego algorytmu
rozwiązywania GOP
3.2.Wymień 3 różne metody szukania minimum
lokalnego. Opisz krótko jedna z nich.
*Metoda największego spadku
*Metody gradientow sprzężonych
* Metoda simplex w n-wymiarowej przestrzeni na
bazie n+1 punktów (wierzchołków) buduje się
figure nazywana simplexem.
Optymalizacja polega na budowaniu kolejnych
przyblizen, gdzie punkt o najwiekszej wartosci jest
symetrycznie „odbijany” od naprzeciwległej sciany.
Jednoczesnie moze nastapic rozszerzenie lub
zawezenie simplexu. Warunkiem zakonczenia jest
jego zmniejszenie ponizej wartosci progowej.
3.3. Czym różnią się deterministyczne i
stochastyczne metody szukania minimum
globalnego?
Metody deterministyczne gwarantują znalezienie
minimum globalnego w przeciwieństwie do metod
stochastycznych. Te pierwsze stosuje się do
specyficznych i względnie prostych problemów
natomiast te drugie używane są do złożonych
problemów. Do metod deterministycznych często
wymagana jest specjalna postać lub szczególne
własności badanej funkcji natomiast do metody
stochastycznej są potrzebne mniejsze wymagania
3.4. Proszę podać przykłady dwóch metod
szukania minimum globalnego. Proszę krótko
opisać działanie jednej z nich.
- Metoda bisekcji ( „ Złoty Podział „)
- Metoda Simplex
3.5. Na czym polegają metody Monte Carlo?
Proszę podać przykłady wykorzystania.
W optymalizacji nazwę Monte Carlo zwykle stosuje
się do metody wykorzystującej tzw. kryterium
Metropolisa.
Oparte o zmodyfikowane błądzenie losowe:
– Jeżeli nowy stan jest lepszy od starego, jest
akceptowany
– Jeżeli nowy stan jest gorszy od starego, jest
akceptowany z prawdopodobieństwem zależnym
od różnicy stanów.
Stosowane do modelowania matematycznego
bardzo złożonych procesów (np. w fizyce, chemii,
biologii).
3.6. Proszę krótko opisać zasadę działania
algorytmu „Symulowanego wyżarzania”.
Adresuje problem parametrów M-C
– Zbyt duże prawd. akceptacji – błądzenie losowe
– Zbyt małe prawd. akceptacji – algorytm
wspinaczkowy
● Metoda SA wprowadza dodatkowy parametr –
temperaturę (T).
● Stopniowe obniżanie T „zamraża” układ.
3.7. Proszę krótko opisać zasadę działania
algorytmu „Ant colony”.
Algorytm oparty na obserwacji kolonii mrówek.
Mrówki losowo poszukują pożywienia. Mrówka,
która pierwsza znalazła pożywienie, wraca do
mrowiska pozostawiając po sobie ślad w postaci
feromonów. Inne mrówki podążają
pozostawionym śladem do znalezionego wcześniej
pożywienia. Każda kolejna mrówka podążająca tym
śladem wzmacnia go ponieważ pozostawione ślady
bez wzmocnienia zanikają.
3.8. Proszę krótko opisać zasadę działania
algorytmu „Particle swarm”.
Ogólna rodzina algorytmów oparta o tzw. Swarm
intelligence”. System złożony z osobników i
interakcji zachodzących między nimi. Osobniki
poszukują przestrzeni rozwiązań w celu znalezienia
rozwiązań optymalnych. Koncepcja inspirowana
zachowaniem stada ptaków lub ławicy ryb. Metoda
dobrze radzi sobie z optymalizacją kosztowych
funkcji w obecności wielu minimów lokalnych.
3.9 Proszę krótko opisać problem „podróżującego
sprzedawcy” (TSP).
*Klasyczny problem optymalizacji
kombinatorycznej.
*Sprzedawca ma odwiedzić N map rozrzuconych
na mapie tak, aby każde miasto odwiedzić tylko raz
i odbyć jak najkrótsza drogę.
*Jak znaleźć najlepsze rozwiązanie?
4.1. Proszę krótko opisać zasadę działania
algorytmu genetycznego.
*Inicjujemy pewną początkową populację
osobników
*Podajemy każdego z nich ocenie
*Wybieramy z populacji osobniki najlepiej do tego
przystosowane
*Za pomocą operacji genetycznych ( krzyżowanie
oraz mutacja ) tworzymy nowe pokolenie.
4.2.Na czym polega dobór według „reguły
ruletki”?
Na kole ruletki przydzielono sektory
proporcjonalne do wartości przystosowania.
Większa wartość przystosowanie równa się
częstszemu wyborowi do populacji rodzicielskiej.
Lepiej przystosowana populacja może być
wybierana wielokrotnie. Skutkiem będzie
zajmowanie miejsc słabszej populacji przez
populacji mocniejszej.
4.3. Co to jest krzyżowanie? Proszę podać
przykłady.
Krzyżowanie proste – cross-over
– Osobniki z puli rodzicielskiej dobierane są w pary
– Dla każdej pary wybierana jest pozycja przecięcia
– Fragmenty ciągów kodowych osobników są
zamieniane – tworzą się dwa nowe osobniki. Np.
1010 | 1101  1010 | 0101
1100 | 0101  1100 | 1101
4.4. Proszę podać i krótko scharakteryzować dwie
różne metody selekcji.
*Wybór deterministyczny
Każdy osobnik otrzymuje tyle kopii ile wynika z
jego prawdopodobieństwa reprodukcji
*Wybór losowy wg resztJ.w. ale w przypadku
części ułamkowej prawdopodobieństw używana
jest metoda ruletki
*Turnieje losowe
Po obliczeniu prawdopodobieństwa reprodukcji
następuje losowanie par. Zwycięzca zostaje
wybrany
4.5. Proszę krótko wyjaśnić mechanizm dominacji
genów.
Mechanizm dominacji genów to mechanizm
służący do wyboru między dwoma allelami tzn. Że
jeden za alleli ( zwany dominującym ) zajmujący
ten sam locus ( pozycję ) ma pierwszeństwo przed
odmianą alternatywną ( allelem recesywnym ).
4.6. Podać przykłady trzech różnych operatorów
genetycznych. Opisać ich działanie.
Krzyżowanie - Jest łączenie osobników w pary. Dla
każdej pary wybierana jest pozycja przecięcia.
Fragmenty ciągów kodowych osobników są
zamieniane w ten sposób tworzą się dwa nowe
osobniki.
Mutacja – Losowa zamiana pojedynczego bitu w
ciągu kodowanym. Mutacja ma znaczenie
drugorzędne – częstość rzędu 0.01%. Odpowiada
błądzeniu przypadkowemu. Może pomóc w
uniknięciu pułapki lokalnego minimum i
wprowadzić nowe schematy do populacji.
Inwersja – polega na odwróceniu fragmentu ciągu
kodowego ma zastosowanie w przypadku gdy
funkcja alleli nie zależy od ich położenia. Zmienia
sposób kodowania informacji wpływając na
poprawienie jakości schematów.
4.7. Co oznacza pojęcie specjacji gatunku?
Proces gatunkotwórczy, zasadniczy, powszechny
proces w ewolucji organizmów, prowadzący do
powstania nowych gatunków z gatunków
wcześniej ukształtowanych.
4.8. Proszę wyjaśnić efektywność działania
algorytmu genetycznego za pomocą pojęcia
schematu i hipotezy cegiełek.
Brak odp.
5.1. Co to jest system informacyjny? Jak się go
opisuje?
System informacyjny SI zdefiniowany jest jako
dwójka:
SI = (U,A) gdzie
U jest niepustym, skończonym zbiorem obiektów,
A jest niepustym, skończonym zbiorem atrybutów.
5.2. Co to jest górna i dolna aproksymacja zbioru
przybliżonego?
*dolna a. zbioru X – zbiór elementów, o których
można z całą pewnością powiedzieć, że są
elementami zbioru X.Obiekt x jest elementem
dolnej aproksymacji X jeżeli cała klasa abstrakcji,
do której należy, jest podzbiorem X.
*górna a. zbioru X – zbiór elementów, o których
nie można z całą pewnością powiedzieć, że nie są
elementami zbioru X.Obiekt x jest elementem
górnej aproksymacji X jeżeli cała klasa abstrakcji,
do której należy, ma niepustą część wspólną ze
zbiorem X.
5.3. Co to jest pozytywny, negatywny i brzegowy
obszar zbioru rozmytego?
Pozytywny obszar zbioru X jest tożsamy z jego
dolną aproksymacją. Brzegowy obszar zbioru X to
różnica zbiorów będących górną i dolną
aproksymacją zbioru X.Negatywny obszar zbioru X
to zbiór obiektów x należących do U które z całą
pewnością nie należą do zbioru X.
5.4. Co to jest zbiór niedefiniowalny? Proszę
wymienić rodzaje.
Zbiór niedefiniowalny jest to zbiór którego nie
można scharakteryzować przez własności jego
elementów. Taki zbiór nazywany jest jako zbiór
przybliżony. Dlatego w teorii zbiorów przybliżone
zostały wprowadzone pojęcia dolnego i górnego
przybliżenia zbioru, które pozwalają zbiór
niedefiniowalny scharakteryzować za pomocą
dwóch zbiorów definiowalnych – jego dolnego i
górnego przybliżenia.
Rodzaje zbiorów niedefiniowalnych :
*zbiór w przybliżeniu definiowalny
*zbiór wewnętrznie niedefiniowalny
*zbiór zewnętrznie niedefiniowalny
*zbiór całkowicie niedefiniowalny
5.5. Co to jest dokładność aproksymacji zbioru
przybliżonego?
Dokładność aproksymacji = liczba elementów
należących do dolnej aproksymacji przez liczbę
elementów należy do górnej aproksymacji.
5.6. Czym różnią się deterministyczne i
niedeterministyczne reguły tablicy decyzyjnej?
Reguła w tablicy decyzyjnej TD jest
deterministyczna, gdy równość atrybutów
warunkowych implikuje równość atrybutów
decyzyjnych.
W przeciwnym wypadku reguły określa się jako
reguły niedeterministyczne.
Reguła w tablicy decyzyjnej TD jest
niedeterministyczna, gdy równość atrybutów
warunkowych nie implikuje równości atrybutów
decyzyjnych
5.7. Co oznacza określenie, że tablica decyzyjna
jest źle określona?
Oznacza to, że tablica zawiera reguły
niedeterministyczne.
5.8. Proszę podać dwa sposoby poprawienia źle
określonej tablicy decyzyjnej.
Źle określoną tablicę decyzyjną można naprawić
poprzez:
– Usunięcie reguł niedeterministycznych
– Rozszerzenie zbiorów atrybutów warunkowych.
5.9. Co to jest redukt zbioru przybliżonego?
Redukty to minimalne podzbiory atrybutów
zachowujących charakterystykę całego zbioru
atrybutów.
W teorii zbiorów przybliżonych, istnieją co
najmniej 2 pojęcia reduktów: informacyjne i
decyzyjne.
5.10. Co to jest rdzeń zbioru przybliżonego?
Zbiór wszystkich atrybutów nieusuwalnych ze
zbioru P nazywa się rdzeniem P
6.1.krótko opisać różnicę między zbiorem
klasycznym a rozmytym.
Zbiór rozmyty to obiekt matematyczny ze
zdefiniowaną funkcją przynależności, która
przybiera wartości z ciągłego przedziału <0, 1>.
Natomiast przeciwdziedzina funkcji przynależności
klasycznego zbioru ma jedynie dwie wartości {0,1}.
6.2. Co to jest funkcja przynależności zbioru
rozmytego? Proszę podać 3 przykłady.
zwana też funkcją charakterystyczną zbioru
rozmytego), która przybiera wartości z przedziału
[0, 1]. Wartość funkcji przynależności – określa
stopień przynależności elementu x do zbioru
rozmytego A.
Typy funkcji przynależności:
*Singleton
*Funkcja Gaussa
*Funkcja typu dzwonowego
*Funkcja klasy s
6.3. Proszę wyjaśnić pojęcia bazy i jądra zbioru
rozmytego.
Baza – zbiór elementów przestrzeni X dla których
mA(x)>0
supp A = { xÎX;mA(x)>0}
Jądro zbioru rozmytego – zbiór elementów
przestrzeni X dla których mA(x)=1
core A = { xÎX;mA(x)=1}
6.4. Co to jest alfa przekrój zbioru rozmytego?
Jako przekrój alfa zbioru rozmytego rozumiemy
przedział wartości zbioru rozmytego A który
zawiera w sobie wszystkie wartości tego zbioru dla
których funkcja przynależności m ma wartość
większą bądź równą alfa.
6.5. Co to jest liczba rozmyta? Jakie warunki musi
spełniać?
Są to zbiory rozmyte zdefiniowane na osi liczb
rzeczywistych. Dodatkowo są normalne, wypukłe,
funkcja przynależności jest przedziałami ciągła.
6.6.Co to jest liczba rozmyta typu LP? Podać
definicję.
Liczba rozmyta AÍR jest liczbą rozmytą typu L-P
wtedy i tylko wtedy , gdy jej funkcja przynależności
ma postać
L(m-x/alfa) jeżeli x £ m
mA(x) = klamra
P(x-m/beta) jeżeli x ³ m
Gdzie:
m – liczba rzeczywista zwana wartością liczby
rozmytej A(mA(m)=1)
a – liczba rzeczywista dodatnia zwana rozrzutem
lewostronnym
b – liczba rzeczywista dodatnia zwana rozrzutem
prawostronnym
natomiast L i P są funkcjami odwzorowującymi (¥,¥)®[0,1]
oraz spełniającymi warunki :
L(-x)=L(x),P(-x)=P(x),
L(0)=I,P(0)=i,
L i P są funkcjami nierosnącymi w przedziale [0,+¥]
6.7. Proszę podać definicję płaskiej liczby
rozmytej typu LP.
Płaska liczba rozmyta definiuje przedział rozmyty,
jej definicja jest następująca:
𝑚1 − 𝑥
) , 𝑗𝑒ż𝑒𝑙𝑖 𝑥 ≤ 𝑚1 ,
𝐿(

A (x) = { 1, 𝑗𝑒ż𝑒𝑙𝑖 𝑚1 ≤ 𝑥 ≤ 𝑚2
𝐿(
𝑥 − 𝑚2

) , 𝑗𝑒ż𝑒𝑙𝑖 𝑥 ≥ 𝑚2 ,
Płaską liczbą rozmytą typu L-P nazywamy liczbę
rozmytą o funkcji przynależności
L(m-x/alfa) jeżeli x £ m1
mA(x) = klamra 1 jeżeli m1 £ x £ m2
P(x-m/beta) jeżeli x ³ m2
6.8. Co to jest trójkątna liczba rozmyta?
Liczba rozmyta dla której funkcja przynależności
opisywana jest funkcją klasy t.
A=(a1, AM, a2)
Trójkątna liczba rozmyta to liczba dla której
funkcja przynależności opisywana jest funkcją
klasy t.A=(a1, am, a2).
6.9. Proszę podać przykład wnioskowania modus
ponens i modus tollens.
Modus ponens
Modus tolens
Przesłanka: A
Implikacja: jeśli A to
B
Wniosek: B
Przesłanka: nie (B)
Implikacja: jeśli A to
B
Wniosek: nie (A)
6.10. Co to jest zmienna lingwistyczna?
Zmienna, której wartościami są słowa lub zdania
języka naturalnego:
np. „mały”, „średni”, „umiarkowanie wysoki” itd.
● Wartościom zmiennych lingwistycznych można
przyporządkować odpowiadające zbiory rozmyte
● Zmienna lingwistyczna może również
przyjmować wartości liczbowe.
6.11. Proszę krótko opisać elementy sterownika
rozmytego.
Baza reguł – nazywana czasami modelem
lingwistycznym, stanowi zbiór rozmytych reguł
Blok rozmywania – konkretna wartość
Blok wnioskowania – zakładamy, że na wejściu
bloku mamy zbiór rozmyty
Blok wyostrzania – wielkością bloku wnioskowania
jest bądź N zbiorów rozmytych, bądź jeden zbiór
rozmyty.
7.1. Proszę krótko opisać budowę naturalnego
neuronu.
Neuron podstawowy element układu nerwowego
*Ciało komórki (soma) zawierające jądro
komórkowe – element „obliczeniowy” neuronu
*Dendryty - „drzewiaste” wypustki odbierające
sygnały od innych komórek.
*Akson – przekazuje informację z ciała komórki do
innych neuronów lub komórek efektorowych
(mięśniowe, gruczołowe).
*Synapsa – miejsce komunikacji między aksonem
neuronu a błoną komórkową drugiej komórki.
7.2. Proszę krótko scharakteryzować podstawowe
założenia modelu neuronu MCP.
Model neuronu MCP – prosty model umożliwiający
realizację układów logicznych
Założenia:
– Aktywność neuronu jest oparta na zasadzie
„wszystko albo nic” (tzn. binarna)
– Do wzbudzenia neuronu potrzebna jest pewna
liczba wzbudzeń na synapsach (>1)
– Neuron nie wprowadza opóźnień (poza
naturalnym propagacja sygnału)
– Aktywność synapsy hamującej blokuje aktywność
neuronu
– Struktura połączeń neuronów jest stała
7.3. Proszę krótko opisać zasadę działania
sztucznego neuronu.
Na wejściu neuronu podawane są sygnały
wejściowe, zostają one przemnożone przez
odpowiadające im wagi a następnie zsumowane,
uzyskana wartość nosi nazwę potencjału
membranowego. Potencjał membranowy
podawany jest na funkcje atywacji ( jest jej
argumentem ) i w ten sposób wyliczane jest wyjcie
neuronu.
7.4. Proszę podać 3 przykładowe funkcje
aktywacji. Proszę naszkicować wykresy
funkcje aktywacji:
● bipolarna
f(x)=-1, dla x<0
f(x)=1, dla x>=0
● niesymetryczna liniowa z nasyceniem
f(x)=0, dla x<0
f(x)=x, dla 0<=x<=1
f(x)=1, dla x>1
● symetryczna liniowa z nasyceniem
f(x)=-1, dla x<0
f(x)=x, dla 0<=x<=1
f(x)=1, dla x>1
● logarytmiczno-sigmoidalna
f(x)=1/(1+e-x)
● tangens hiperboliczny
f(x)=(ex-e-x)/(ex+e-x)
7.5. Na czym polega uczenie neuronu w wersji
nadzorowanej?
Metoda uczenia nadzorowanego
– Na wejściu podaje się sygnał, dla którego znamy
prawidłową odpowiedź
– Modyfikujemy wagi tak, aby zminimalizować błąd
między wyjściem a sygnałem wzorcowym
– Czynność powtarzamy dla kolejnych sygnałów
wzorcowych (ciąg uczący)
7.6. Czym różni się model neuronu ADALINE od
modelu Perceptronu?
Model ADALINE od modelu Perceptronu różni się
sposobem uczenia. Do uczenia wykorzystuje się nie
sygnał wyjściowy ale sygnał z sumatora. Dzięki
temu funkcja jest różniczkowalna i można
zastosować jeden z wielu algorytmów
optymalizacji.
7.7. Co to jest neuron sigmoidalny? Jakie ma
zalety w stosunku do Perceptronu?
Neuron sigmoidalny jako funkcję aktywacji stosuje
funkcję sigmoidalną unipolarną lub bipolarną
Zalety stosowania sigmoidalnej funkcji aktywacji
*Funkcja jest ciągła. W procesie uczenia można
wykorzystać sygnał wyjściowy a nie sygnał z
sumatora (net)
*Pochodne są łatwe do wyznaczenia. Można
stosować efektywne algorytmy uczenia sieci.
7.8. czym polega reguła Hebba? Jak można ją
wykorzystać do procesu uczenia neuronu?
Badania nad działaniem komórek nerwowych
● Hebb zauważył, że połączenie między komórkami
jest wzmacniane, jeżeli obie są w tym samym
czasie aktywne.
● Zgodnie z tą obserwacją można wprowadzić
model uczenia, w którym wzmocnienie wag jest
proporcjonalne do wejść i wyjścia neuronu.
● Specyfika tego modelu polega na metodzie
uczenia opartej o regułę Hebba
● W przypadku jednego neuronu polega ona na
wzmacnianiu wagi wi proporcjonalnie do sygnału
wyjściowego i sygnału wejściowego xi
● Uczenie może być realizowane bez nadzoru i z
nadzorem.
8.1. Co to jest jednokierunkowa wielowarstwowa
sieć neuronowa?
Sieć składająca się z przynajmniej dwóch warstw
neuronów- wejściowej i wyjściowej, oraz pewnej
liczby warstw ukrytych. Połączenia tworzone są
tylko między neuronami kolejnych warstw. Sygnały
przekazywane są tylko w jednym kierunku tzn, do
kolejnej warstwy
8.2. Co oznacza „efekt szczytu” w przypadku
projektowania sieci neuronowej?
Dodawanie neuronów do warstw ukrytych
początkowo zmniejsza błąd dla zbioru testowego,
później go zwiększa
8.3. Co to jest sieć MADALINE? Do czego się ją
wykorzystuje?
Sieć MADALINE jest to warstwa ukryta neuronów
typu ADELINE. Sieć ta chętnie jest stosowana w
filtrach adaptacyjnych(np. eliminacja efektu echa
w liniach telefonicznych ).
8.4. Co to jest rekurencyjna sieć neuronowa?
Proszę podać przykłady.
W sieci rekurencyjnej sygnał z wyjścia trafia
ponownie na wejście – występuje sprzężenie
zwrotne. W sieciach takich może występować
wiele zjawisk – tłumienia, oscylacje, chaos
deterministyczny itp. Sieci rekurencyjne mogą być
stosowane jako pamięci asocjacyjne.
Przykłady sieci rekurencyjnych:
– Sieć Hopfielda
– Sieć Hamminga
– RTRN
– Sieć Elmana
– Sieć BAM
8.5. Proszę krótko scharakteryzować budowę sieci
Hopfielda.
Jest to sieć jednowarstwowa, neurony połączone
są każdy z każdym. Symetryczne wagi, brak
sprzężenia w ramach jednego neuronu. Sygnał
wielokrotnie przechodzi przez sieć aż do
ustabilizowania odpowiedzi. Można wykazać, że
sieć zawsze osiągnie jakieś minimum.
8.6. Do czego można zastosować sieć BAM?
Sieć BAM umożliwia zakodowanie zbiorów 2
wektorów wzajemnie stowarzyszonych.
Można ją zastosować w :
*systemach obrony przeciw lotniczej
*w zapytaniach do baz danych
8.7. Co oznacza pojęcie samoorganizującej się
sieci neuronowej?
Sieci samoorganizujące się wykorzystują algorytmy
uczenia bez nauczyciela (bez
nadzoru). W uczeniu bez nadzoru ciąg uczący to
jedynie wartości wejściowe – bez sygnału
wyjściowego
8.8.Czym różni się proces uczenia sieci typu WTA
od sieci WTM?
Różnica polega na korekcie wag, w sieci typu WTA
polega na modyfikacji wag zwycięzcy natomiast w
sieci WTM korekta wag dotyczy nie tylko
zwycięzcy, ale również i sąsiednich neurownów
8.9.Do czego stosuje się sieci Kohonena? Proszę
krótko opisać zasadę.
Stosowana jest do kompresji obrazów. Obraz dzieli
się na ramki – każda z nich stanowi wektor
wejściowy. Każdej ramce odpowiada neuron
„zwycięzca” a jego wagi określają parametry ramki
(jasność punktów). Numery kolejnych neuronów
„zwycięzców” stanowią zakodowany obraz. Sieć
uczy się tak, aby zminimalizować błąd
kwantowania. Górne obrazy to obraz oryginalny i
obraz odtworzony, zastosowane do uczenia sieci.
Obrazy dolne wykorzystują nauczoną wcześniej
sieć.
8.10. Do czego można zastosować sieć ART? Czym
się ona charakteryzuje?
Sieci oparte o Adaptacyjną Teorię Rezonansu.
Stosowana do rozpoznawania obrazów binarnych.
Klasyfikuje obrazy zgodnie z zapamiętanymi
wzorcami (zależnie od ustawionej czułości). Potrafi
również zapamiętać obraz jako nowy wzorzec jeżeli
stopień podobieństwa do zapamiętanych wzorców
jest zbyt mały.
8.11.Co to są sieci radialne? Proszę podać
przykład funkcji radialnej.
Sieć radialna jest odmianą iteracyjnej sztucznej
sieci neuronowej. W radialnych sztucznych sieciach
neuronowych odwzorowanie zbioru wejściowego
w wyjściowy jest realizowane przez dopasowanie
wielu pojedynczych funkcji aproksymujących do
wartości zadanych, ważne jedynie w wąskim
obszarze przestrzeni wielowymiarowej.
Przykłady :*liniowa r(r)=r
*sześcienna r(r)=r3
8.12.Proszę podać i krótko scharakteryzować trzy
różne obszary zastosowań sieci neuronowych.
Obszary zastosowań:
● Klasyfikacja – sieć uczy się rozpoznawać wzorce i
na ich podstawie klasyfikować wektory wejściowe
do różnych klas. Faza uczenia – sieć otrzymuje
wektory wzorcowe i informacje o ich
zaklasyfikowaniu. Faza odtwarzania – sieć
otrzymuje wektory danych i klasyfikuje je do
określonej klasy
● Predykcja – ocena zachowania systemu na
podstawie jego historii. Faza uczenia – sieć
otrzymuje zbiór danych określających zachowanie
systemu w przeszłości. Faza odtwarzania – sieć
przewiduje przyszłe zachowanie systemu.
● Sterowanie procesami dynamicznymi -Zwykle
połączenie kilku funkcji. Sieć stanowi nieliniowy
model procesu. Pozwala identyfikować
podstawowe parametry procesu, śledzić
zachowanie procesu. Sieć może również służyć
jako neuroregulator. Przykład: sterowanie
robotów.
9.1. Proszę wymienić charakterystyczne cechy
paradygmatu programowania agentowego.
Paradygmat programowania o dużym poziomie
abstrakcji. Polega na tworzeniu systemów
składających się z dużej liczby tzw. „agentów”.
● Programowanie agentowe – rozwinięcie
podejścia obiektowego (agent jako obiekt,
działania jako metody – komunikaty)
● Nacisk na wielozadaniowość i architektury
rozproszone.
● Według prognoz programowanie agentowe
zastąpi programowanie i projektowanie
zorientowane obiektowo.
9.2. Proszę podać podstawowe podobieństwa i
różnice między programowaniem obiektowym i
agentowym.
OOP – kolekcja obiektów przekazujących
komunikaty. Mogą być one uruchomione w
środowisku rozproszonym.
OOP – System złożony z dopasowanych „klocków”.
Poszczególne elementy wykonują określone
zadania. Awaria „klocka” może prowadzić do
uszkodzenia całego systemu.
OOP – Zakłada określoną „strukturę” informacji.
Praca z informacją niepewną wymaga
dodatkowych działań
● AOP – kolekcja agentów mogących się ze sobą
komunikować. W sposób naturalny działają one w
środowisku rozproszonym. Reagują na zmiany
środowiska.
● AOP – System złożony z grupy współpracujących
elementów. Poszczególne czynności mogą być
dublowane (weryfikacja, redundancja). Awaria
elementu nie prowadzi do uszkodzenia całego
systemu.
● AOP – Może korzystać z niestrukturalizowanych
źródeł informacji (np. język naturalny). Dopuszcza
niekompletność informacji lub jej przekłamania.
9.3. Co to jest agent racjonalny i agent
wszechwiedzący?
Agent racjonalny – decyzja podejmowana na bazie
dostępnych (niekompletnych, niekoniecznie
poprawnych) informacji
Agent wszechwiedzący – dostęp do wszystkich
danych określających które działanie jest
najbardziej efektywne.
– W realnych systemach założenie wszechwiedzy
jest niemożliwe do spełnienia.
9.4. Jakie elementy składają się na
charakterystykę agenta? Co oznacza skrót PAGE?
Charakterystyka agenta
– P – Percepts – Receptory, sygnały z otoczenia
– A – Actions – Czynności dostępne dla agenta
– G – Goals – Ocena efektywności agenta
– E – Environment – Otoczenie agenta.
9.5. Proszę wymienić i krótko opisać dwa rodzaje
agentów.
Agent reaktywny z pamięcią Agent przechowuje
wewnętrzny model otoczenia. Wewnętrzny stan
agenta odzwierciedla historię sygnałów z
otoczenia.
Przykład
– Obraz z przedniej kamery pojazdu.
– Kolejne ramki wskazują na zbliżanie się pojazdu z
przodu.
– Konieczność zahamowania.
Niektóre decyzje agenta nie mogą być podjęte
tylko na podstawie wiedzy o aktualnym otoczeniu
(np. którą drogę ma wybrać kierowca). Dodatkową
informacją dostępną dla jest cel działania (może
być odległy). Połączenie reaktywności z dążeniem
do celu może wymagać skomplikowanego procesu
decyzyjnego (szukanie rozwiązań, planowanie
działań)
Agent z funkcją użyteczności - Często dany cel
może być osiągnięty na wiele sposobów (np.
dojazd na określone miejsce) Funkcja użyteczności
(utility) pozwala określić która z sekwencji działań
jest najlepsza (najbardziej użyteczna)
Wartość funkcji użyteczności dla danego stanu =
stopień „zadowolenia” agenta
9.6. Co to jest agent reaktywny?
Agent reaktywny (simple reflex agent)
Prosty rodzaj agenta. Działanie agenta
warunkowane aktualnym sygnałem z receptorów.
Procedura decyzyjna oparta o zbiór reguł typu
akcja-reakcja (if-then)
Przykład:
* Sygnał: Obraz z przedniej kamery samochodu
*Reguła: Jeżeli pojazd z przodu hamuje to hamuj.
Program agenta – czynności:
*Interpretuj sygnał wejściowy jako stan
* Dopasuj regułę do stanu
*Wykonaj działanie wynikające z reguły
Agent reaktywny jest prosty w implementacji ale
ma ograniczone zastosowanie.
9.7. Podać i krótko opisać cztery różne własności
środowiska agenta.
● Gra w szachy – dostępne, deterministyczne,
nieepizodyczne, statyczne, dyskretne.
● Gra w szachy z zegarem – dostępne,
deterministyczne, nieepizodyczne,
semidynamiczne (upływ czasu), dyskretne.
● Gra w pokera – niedostępne,
niedeterministyczne, nieepizodyczne, statyczne,
dyskretne.
● Kierowca taksówki – niedostępne,
niedeterministyczne, nieepizodyczne, dynamiczne,
ciągłe.
● System diagnostyki medycznej – niedostępne,
niedeterministyczne, nieepizodyczne, dynamiczne,
ciągłe.
● Robot sortujący – niedostępne,
niedeterministyczne, epizodyczne, dynamiczne,
ciągłe
9.8. Podać przynajmniej trzy różne cechy
środowiska agenta grającego w szachy.
Dostępne, deterministyczne, nieepizodyczne,
statyczne, dyskretne
9.9. Podać przynajmniej trzy różne cechy
środowiska agenta grającego w pokera.
Niedostępne, niedeterministyczne,
nieepizodyczne, statyczne, dyskretne
10.1. Proszę krótko opisać różnicę między typem
problemu jedno – i wielostanowego.
Jednostanowy – Agent ma pełną informację o
otoczeniu i rezultacie swoich działań.
Wielostanowy – Agent nie ma pełnej informacji o
stanie otoczenia.
10.2. Jakie są kryteria oceny rozwiązania
znalezionego przez agenta?
*Czy rozwiązanie zostało znalezione?
*Jak dobre jest rozwiązanie?
* Jaki był koszt jego znalezienia?
10.3. Proszę podać trzy przykłady praktycznych
problemów, w których występuje problem
przeszukiwania.
Problemy o znaczeniu praktycznym:
*Problem wyznaczania trasy (routing)
* Problemy logistyczne (problemy typu TSP)
* Programowanie układów scalonych
*Sterowanie robotami
10.4. Proszę podać i krótko scharakteryzować 3
różne strategie poszukiwania rozwiązań.
● Poszukiwanie wszerz
Algorytm: Odwiedzamy wszystkie węzły połączone
z początkowym. Później odwiedzamy wszystkie
węzły połączone z tymi węzłami itd. Duża
złożoność pamięciowa – konieczność
przechowywania wszystkich odwiedzonych
węzłów. Złożoność czasowa – proporcjonalna do
liczby węzłów i gałęzi. Gwarantuje znalezienie
rozwiązania.
● Strategia iteracyjnego pogłębiania
Algorytm: Rozwinięcie algorytmu poszukiwania w
głąb z ograniczeniem. Jako ograniczenie wybierane
są kolejno wartości 0, 1, 2, itd... Łączy zalety
poszukiwania wszerz i w głąb. Dodatkowy narzut w
wyniku wielokrotnego przeglądania węzłów nie
jest duży ze względu na specyfikę drzewa
(większość węzłów jest na jego dole).
● Szukanie dwukierunkowe
Szukanie dwukierunkowe polega na jednoczesnym
rozpoczęciu poszukiwania z punktu początkowego i
końcowego (celu). Wymaga określenia węzłów
poprzedzających dany węzeł, odwracalności
działań, oraz sprawdzania czy znaleziony został
punkt „spotkania”.
10.5. Proszę porównać wady i zalety strategii
poszukiwania w głąb i wszerz.
● Poszukiwanie wszerz
Algorytm: Odwiedzamy wszystkie węzły połączone
z początkowym. Później odwiedzamy wszystkie
węzły połączone z tymi węzłami itd. Duża
złożoność pamięciowa – konieczność
przechowywania wszystkich odwiedzonych
węzłów. Złożoność czasowa – proporcjonalna do
liczby węzłów i gałęzi. Gwarantuje znalezienie
rozwiązania.
● Poszukiwanie w głąb
Algorytm: Z węzła początkowego wybieramy jedną
gałąź i odwiedzamy położony na niej węzeł. W ten
sposób dochodzimy do samego dołu drzewa.
Cofamy się do poprzedniego poziomu i wybieramy
kolejną gałąź. Złożoność pamięciowa – mała gdyż
przechowujemy tylko aktualną ścieżkę. Złożoność
czasowa – proporcjonalna do liczby węzłów i
gałęzi. Gwarantuje znalezienie rozwiązania tylko
dla drzew
skończonych.
10.6. Na czym polega strategia poszukiwania
poprzez iteracyjne pogłębianie?
Algorytm: Rozwinięcie algorytmu poszukiwania w
głąb z ograniczeniem. Jako ograniczenie wybierane
są kolejno wartości 0, 1, 2, itd... Łączy zalety
poszukiwania wszerz i w głąb. Dodatkowy narzut w
wyniku wielokrotnego przeglądania węzłów nie
jest duży ze względu na specyfikę drzewa
(większość węzłów jest na jego dole).
10.7. Co to są heurystyczne metody
poszukiwania?
Poszukiwanie oparte na wiedzy Metody
stosowane, gdy dostępne są dodatkowe
informacje pozwalające ocenić stany.
Przykład: Podróżując z miasta A do B wybieramy
miasta zgodnie z określonym kierunkiem
geograficznym.
Metody wykorzystują tzw. funkcje heurystyczne.
10.8.Proszę krótko opisać strategię minimaksu
stosowaną w teorii gier.
Każdy węzeł drzewa gry ma przypisaną ocenę
szansy wygranej gry.Poszukiwanie:
*Ruch gracza – wybór maksymalizujący szansę
wygrania gry
*Ruch przeciwnika – wybór minimalizujący szansę
wygrania gry
10.9.Proszę podać trzy różne zastosowania
systemów wieloagentowych.
– W wielu sytuacjach efektywność agentów można
zwiększyć łącząc je w grupy.
– Grupa współdziałających agentów – system
wieloagentowy (multi-agent system – MAS)
– Efekt współdziałania agentów opiera się na ich
wzajemnej komunikacji
11.1. Co oznacza w teorii gier pojęcie „gracza
racjonalnego”?
Modele teorii gier zakładają że gracz zachowuje się
racjonalnie, tzn.
– Gracz zna zasady gry i reguły wypłat (w granicach
określonych przez grę)
– Gracz jest w stanie określić który z wyników jest
lepszy
– Gracz zdaje sobie sprawę że inni gracze też są
racjonalni i potrafi określić strategie jakie mogą
wybrać
Przykład „nieracjonalnego gracza” – przypadki
losowe.
11.2.Proszę podać i krótko opisać trzy
przykładowe kryteria klasyfikacji gier.
● Liczba graczy
--Gry dwuosobowe
– Gry wieloosobowe (N-osobowe)
– Przypadek szczególny – gry jednoosobowe
● Suma wypłat
– Gra o stałej sumie wypłat – wypadek szczególny,
gra o sumie zerowej
–Gra o zmiennej sumie wypłat (ekonomia)
*Moment podejmowania decyzji
– Gra symultaniczna – gracze podejmują decyzję
jednocześnie.
– Gracze podejmują decyzję kolejno.
11.3. Co to jest gra strategiczna?
● W grze uczestniczy N graczy.
● Każdy z graczy może podjąć określoną decyzję
● Decyzje podejmowane są jednorazowo
● Decyzje graczy są jednoczesne
● Każda decyzja związana jest z określonym
wynikiem.
11.4. Proszę podać przykład prostej gry i
narysować macierz wypłat.
Analiza gry – macierz wypłat
Wiersze i kolumny – strategie każdego z graczy
Komórki macierzy – wypłaty gracza zależnie od
strategii wybranej przez niego oraz oponenta.
Dla przykładu:
– Gracze: Jaś,Małgosia
– Strategie: Pokój, Kuchnia
Macierz wypłat – Jaś
J
Pokój
a
Kuchnia
ś
Macierz wypłat – Małgosia
Jaś
Pokój
Kuchnia
Pokój
C
–
Małgosia
Kuchnia
–
C
Pokój
–
C
Małgosia
Kuchnia
C
–
11.5. Co to jest strategia dominująca i strategia
zdominowana w teorii gier?
Strategia dominująca – strategia przynosząca
graczowi najwyższą wypłatę niezależnie od
zachowania drugiego gracza
Strategia zdominowana – strategia dla której
istnieje lepsza strategia niezależnie od strategii
drugiego gracza
11.6. Co to jest równowaga Nasha w teorii gier?
Strategie graczy tworzą równowagę graczy jeżeli
maksymalizują wypłatę gracza przy danym
wyborze drugiego gracza. Każdy z graczy dokonał
wyboru maksymalizującego jego wypłatę.
Żadnemu nie opłaca się odstępstwo. Gra może
posiadać wiele równowag Nasha, lub nie mieć
żadnej.
12.1 Na czym polega znany z teorii gier „dylemat
więźnia”?
Najbardziej znany przykład z teorii gier. Dwóch
podejrzanych umieszczono w osobnych celach i
przesłuchano. Jeżeli obaj się przyznają – otrzymają
obniżoną karę, jeżeli jeden się przyzna to będzie
wolny a drugi odbędzie karę, jeżeli żaden się nie
przyzna to obaj otrzymają niewielką karę.
12.2. Co to jest „iterowany dylemat więźnia”?
● Wersja gry w której jest ona powtarzana
wielokrotnie przez tych samych graczy
● Gracze ustalają strategię na bazie poprzednich
wyników gry
● Przy skończonej liczbie tur optymalną dla gracza
strategią jest zdrada
● W przypadku nieznanej liczby tur zaczyna się
pojawiać współpraca
● W 1984 roku – turniej programów grających w
iterowany dylemat więźnia
● Różne strategie – egoistyczne, altruistyczne
12.3. Co w teorii gier oznacza pojęcie „strategia
mieszana”?
● Strategia mieszana domyślnie zakłada że gra
będzie powtarzana (lub jest wiele „kopii” gry) –
gdyż wprowadza do wyboru strategii
prawdopodobieństwo.
● Strategia mieszana określa prawdopodobieństwa
z jakimi gracz wybierze swoje strategie
● Można wykazać że dla każdej gry o sumie stałej
istnieje optymalna strategia mieszana
● Wypłata w przypadku strategii mieszanej będzie
sumą elementów określających
prawdopodobieństwa wyborów określonych
strategii graczy mnożonych przez odpowiedni
element macierzy wypłat
● Strategia czysta – przypadek szczególny – jedna
ze strategii ma prawdopodobieństwo 1, pozostałe
– 0.
12.4. Proszę podać charakterystyczne cechy gry
ekstensywnej o pełnej informacji.
Charakterystyka gry
– Zbiór sekwencji decyzji graczy
– Gracze decydują po kolei
– Gracze znają całą historię poprzednich decyzji
Terminologia
● Historia – element zbioru sekwencji
● Akcja – pojedynczy element historii
● Gra skończona – skończony zbiór historii
● Skończona najdłuższa historia – gra ma
skończony horyzont
Pusta historia jest początkowym elementem gry
Reprezentacja gry
● Wygodną reprezentacją gry ekstensywnej
(pozycyjnej) jest drzewo.
● Wierzchołek drzewa reprezentuje początek gry
● Gałęzie reprezentują możliwe decyzje
poszczególnych graczy
● Przy każdej pozycji końcowej umieszczone są
wartości wypłaty
12.5. Proszę krótko opisać znaną z teorii gier „grę
na wejście”.
Gra na Wejście (Entry Game) – często stosowana w
teorii gier.
● Założenia:
– „rezydent” zajmuje pewną pozycję
– „konkurent” chciałby ją zająć.
● Przykłady praktyczne
– wejście firmy na rynek monopolisty
– wybory na stanowiska (np. kierownicze)
– walka o partnera/partnerkę
● Możliwości konkurenta: wejść do gry (I) lub z niej
zrezygnować (R).
● Możliwości rezydenta jeżeli konkurent wszedł do
gry: zrezygnować (R) lub walczyć (F).
● Możliwe historie: (R), (I,R), (I,F)
● Przykładowe wypłaty:
– Rezydent: (R) - 2, (I,R) – 1, (I,F) – 0
– Konkurent: (R) – 1, (I,R) – 2, (I,F) – 0
12.6. Co w teorii gier oznacza pojęcie „strategii
ewolucyjnej”? Jaka jest jej biologiczna analogia?
● Ekosystem jako zbiór osobników
● Osobniki wchodzą w interakcje między sobą
● Interakcje można rozpatrywać jako „gry” między
osobnikami.
● Osobniki stosują w trakcie tych gier różne
strategie.
Pytanie: Które ze strategii są korzystne dla całej
populacji?
Przykład: zbiór osobników dwóch gatunków
rywalizujących o zasoby.
W sytuacji spotkania osobnik może zdecydować się
na walkę lub ucieczkę (zachowanie
Jastrzębia/Gołębia). Zachowanie osobnika będzie
warunkowane macierzą wypłat – zyski i straty
osobnika dla każdego zachowania. Z punktu
widzenia ewolucji wypłata = liczba potomstwa.
Potomstwo dziedziczy strategie wybrane przez
rodziców. Różne strategie będą różnie ewoluowały
w populacji.
12.7. Co oznacza pojęcie „strategia ewolucyjnie
stabilna”?
● Załóżmy populację osobników stosujących
określoną strategię.
● W populacji pojawia się grupa „mutantów” stosujących inną strategię.
● Strategia ewolucyjnie stabilna – „mutanci” nie
uzyskają przewagi i nie zmieni się strategia
większości.
Zastosowania
● Badania zachowań zwierząt i ludzi.
● Badania zachowań „trudnych” do wyjaśnienia
innymi teoriami – np. altruizm.
● Ekonomia, polityka – analiza decyzji
ekonomicznych i politycznych.
● Badania nad ewolucją zachowań, wierzeń i
informacji kulturowej (R. Dawkins, „Samolubny
gen”)