1. AZ MI FOGALMA. I. Bevezetés. Ers mesterséges intelligencia (EMI) Gyenge mesterséges intelligencia. MI története. Els szakasz (60-as évek)
|
|
- Flóra Júlia Péter
- 5 évvel ezelőtt
- Látták:
Átírás
1 1. AZ MI FOGALMA I. Bevezetés 1. A mesterséges intelligencia (MI) fogalma 2. Probléma modellezés 3. Keres rendszerek az MI-ben 1956 nyár. Darthmouth College-i konferencia Kezdeti cél: Az emberi gondolkodás számítógép segítségével történ reprodukálása. 1 2 Ers mesterséges intelligencia (EMI) Gyenge mesterséges intelligencia szélsséges redukcionizmus Church-Turing tézis Neumann-elv számítógép Az emberi gondolkodás reprodukálható egy mköd programmal Cél: Az MI az emberi gondolkodás számítógépes reprodukálása szempontjából hasznos elveket, módszereket, technikákat kutatja, rendszerezi, fejleszti. Az MI az informatikának a gondolkodási-tudományos elrse. 3 4 MI története 60-as évek: általános feladatok, általános technikák 70-es évek: feladatosztályok, speciális módszerek 80-as évek: konkrét feladatok, szakért rendszerek 90-es évek: újrafelfedezett módszerek, hibrid rendszerek, matematikai háttér Els szakasz (60-as évek) Eredmények: kétszemélyes játékok (dáma, sakk), beszélget program (ELIZA,1966) 5 6 1
2 ELIZA Els szakasz (60-as évek) Illesztési szabályok <a> ön <b> engem <c>. Miért gondolja, hogy ön <a> én <b> <c>? Úgy érzem, hogy ön mostanában engem un. Miért gondolja, hogy ön úgy érzi, hogy én mostanában unom? Emlékezési szabályok Folytatási szabályok Eredmények: kétszemélyes játékok (dáma, sakk), beszélget program (ELIZA,1966) Módszerek, eszközök: GPS, rezolúció (1966), LISP(1958), mesterséges neuronhálózatok (1969), evolúciós algoritmusok (1959) Kudarcok: DOCTOR-PARRY, nyelvi fordítók, kombinatorikus robbanás 7 8 Második szakasz (70-es évek) Eredmények: SHRDLU (1972), BACON, AM, EURISKO Módszerek, eszközök: Prolog, heurisztikus keresési technikák, tudásábrázolási módszerek (kognitív modellek) Kudarcok: MI fejldési trendje, meseíró program Harmadik szakasz (80-as évek) Eredmények: DENDRAL ( ), MYCIN(1976), PROSPECTOR(1979), XCON (1982) Módszerek, eszközök: tudásalapú szakért rendszerek, shell-ek, módszertanok, nem klasszikus logikák, bizonytalanság kezelése Kudarcok: rendszerek elkészítése lassabb, mint a gyorsan változó programozási környezet 9 10 Negyedik szakasz (90-as évektl) Eredmények: logisztika, rkutatás, Deep Blue, döntés támogató rendszerek, nyelvi fordítók, robotika (beszélgetés, gépi látás, tervgenerálás, gépi tanulás) Módszerek, eszközök: elosztott tudás reprezentálása (mesterséges neuron háló, evolúciós algoritmus, ágens szemlélet), döntéselmélet (valószínségi hálók), beszédfelismerés (rejtett Markov modellek) A MI egy mszaki tudomány: adott mködés minél jobb minség számítógépes reprodukálása. MI helye Az MI-vel szemben a kognitív pszichológia: emberi gondolkodás természetének megismeréséhez tervez számítógépes modelleket
3 A megoldandó feladatról Mirl ismerhet fel a mesterséges intelligencia? A számítógéppel nem megoldható feladatokat akarunk számítógéppel megoldani Példa: orvosi diagnózis, sakk játék, természetes nyelv megértése Ellenpélda: telefonkönyv nyilvántartó program A megoldó algoritmusról Turing teszt 13 MI tárgya Azon feladatok számítógépes megoldása, amelyek megoldása nehéz az embertl is kell szakértelmet, kreativitást és intuíciót kíván (szemléletmód váltások) megoldásukban ma többnyire az ember a jobb /medve/ 14 a probléma tere (lehetséges válaszok száma) nagy, az összes lehetség kipróbálása szisztematikus úton nem lehetséges, /n-királyn/ a válasz sokszor elemi tevékenységek sorozatával írható le, amely elre nem rögzíthet, hanem több lehetséges sorozat közül kell kiválasztani. irányított keresésre van szükség. / Rubik kocka / PROBLÉMA MODELLEZÉS Problématér: összes lehetséges válasz halmaza Cél: a problémára adható helyes választ (megoldást) kell megtalálni a problématérben A keresés a problématérben problématér szkítése hasznos válaszok kijelölésével - a válaszok közötti szomszédsági kapcsolatok megadásával egy sajátos szerkezetet kap a problématér - kiinduló pont (kiinduló válasz) rögzítése - Adott lépésben választható válaszok rangsorolása Keresés a lehetséges válaszok között Keresés különféle szerkezet problématerekben: véletlenszer egyértelm, de hosszú választani kell a lehetségek között
4 Általános útkeresési probléma A problématér megfeleltethet egy irányított gráfnak: lehetséges válaszok ~ irányított gráf csúcsai kiinduló válasz ~ startcsúcs helyes válasz ~ célcsúcs szomszédsági kapcsolatok ~ irányított élek A helyes válasz megadása annak az irányított útnak a megkeresése, amelyik a kiinduló választól a helyes válaszig vezet. a helyes válasz nem az irányított út, hanem az út végpontja. Az út a helyes válasz megtalálását szimbolizálja. 19 Speciális útkeresési probléma Amikor egy lehetséges válasz elemi lépések sorozataként áll el. két ilyen sorozat között szomszédsági kapcsolatot definiál az, hogy a kezd lépéseik milyen hosszan egyeznek meg; az üres sorozat a keresés kezdpontja Ekkor egy olyan másféle irányított gráffal is szemléltethet a probléma, ahol az irányított élek elemi lépéseket szimbolizálnak. egy rögzített startcsúcsból kivezet utak jelölik a lehetséges válaszokat; a helyes választ szimbolizáló út hossza a megoldás minségére utal. 20 Gráf fogalmak 1. csúcsok, ir. élek N, A N N (számosság) él n-bl m-be (n,m) A (n,m N) n utódai, szülei Γ(n), Π(n), π(n) irányított gráf R=(N,A) σ-tulajdonság {(n,m) A m N} <σ n N élköltség c:a R, c(n,m) (n,m) A δ-tulajdonság c(n,m) δ > 0 (n,m) A δ-gráf δ, σ -tulajdonságú élsúlyozott irányított gráf 21 irányított út n-bl kiinduló utak ir. út hossza Gráf fogalmak 2. α=(n,n 1 ),(n 1,n 2 ),...,(n k-1,m) (n,n 1,n 2,...,n k-1,m), n α m, n m {n m}, {n M} α ir. út költsége c α (n,m):=σ i c(n i-1,n i ) opt. költség c * (n,m):=min α {n m} c α (n,m) opt. költség út n * m, n * M 22 irányított kör (n n) Gráf fogalmak 3. s gyöker irányított fa (olyan irányított gráf, amelynek s csúcsából minden más csúcs pontosan egy irányított út mentén érhet el) irányított gráf s gyöker irányított feszítfája (a gráf minden csúcsát és gráf nem feltétlenül összes élét tartalmazó s gyöker irányított fa) irányított gráf s gyöker optimális irányított feszítfája (amelynek bármelyik s n útjára az irányított gráfban teljesül, hogy c(s,n)=c * (s,n) 23 Gráfreprezentáció fogalma Egy útkeresési probléma gráfreprezentációja egy (R,s,T) hármas, amelyben R=(N,A,c) δ-gráf az un. reprezentációs gráf, amely a probléma teret szimbolizálja, az s N startcsúcs a kiinduló pont, a T N halmazbeli célcsúcsok. A feladat megoldása: többnyire egy s T, esetleg egy s * T optimális út megtalálása néha egy t T cél megtalálása 24 4
5 Reprezentációs modellek Állapottér-reprezentáció állapottér Általános probléma modell dekomp. útkeresési probléma játék logikai strukturált objektum alapú Ez egy széles körben (nemcsak a MI-ban) használt modell, amely segítségével egy problémát specifikálhatunk. Jellegzetessége, hogy a problémák megoldását mveletek sorozataként fogalmazza meg, ennél fogva az állapottér-reprezentáció alkalmazása egy útkeresési problémát (többnyire speciális útkeresési problémát) ad meg Állapottér-reprezentáció modellje n-királyn probléma 1. Állapottér (domináns típusérték-halmaz) invariáns Mveletek (elemi lépés az állapottérben) elfeltétel, hatás Kezd állapot(ok) vagy elfeltétel Célállapot(ok) vagy utófeltétel 27 általános állapot célfeltétel= Tábla = mátrix([1..n,1..n];{k, SZ}) invariáns: királynk száma = n Áthelyez(x,y,u,v):Tábla Tábla (a:tábla) HA (a[x,y]=k) és (a[u,v]=sz) AKKOR a[x,y] a[u,v] 28 állapot mvelet hatása mvelet költsége kezd állapot célállapotok mveletsorozat hatása Állapottér-reprezentáció állapot gráfja csúcs irányított él élköltség startcsúcs célcsúcsok irányított út 29 n-királyn probléma 2. kezdállapot célfeltétel = Tábla = mátrix([1..n,1..n];{k, SZ}) invariáns: királynk száma n Elhelyez(sor,oszlop):Tábla Tábla (a:tábla) HA a[sor,oszlop]=sz és királynk száma < n AKKOR a[sor,oszlop] K 30 5
6 Megjegyzés Mindkét eddig látott reprezentáció - az els egy általános, a második egy speciális - útkeresési problémát definiál: 1. reprezentáció 2. reprezentáció Célcsúcsot keresünk Célcsúcsba vezet utat Nincs megadva keresünk a startcsúcsból startcsúcs indulva problématér = problématér állapottér állapottér válasz = csúcs válasz = n hosszú út szomszéd = él szomszéd = közös kezd részút 31 n-királyn probléma 3a. Tábla = mátrix([1..n,1..n];{k, SZ}) invariáns: királynk száma n els valahány sorban, de egy sorban csak egy királyn Helyez(oszlop):Tábla Tábla (a:tábla) HA a sor az els olyan sor, ahol nincs K AKKOR a[sor,oszlop] K 32 n-királyn probléma 3b. Megjegyzés Tábla =rec( m:mátrix([1..n,1..n];{k, SZ}), sor:n) invariáns: sor n 1-tl sor-ig egy-egy királyn kezd állapotnál: sor = 0 Helyez(oszlop):Tábla Tábla (a:tábla) HA AKKOR a.sor < n a.sor a.sor+1 a.m[a.sor,oszlop] K 33 Sok modellje lehet ugyanannak a feladatnak. Mvelet elfeltételének (szomszédsági kapcsolatnak) megváltoztatásával csökken az állapottér mérete, azaz az utak (a megengedett válaszok) száma. A mveleti elfeltétel ellenrzése ügyesebb reprezentáció mellett - például az állapottér átalakításával - hatékonyabb lehet. 34 n-királyn probléma 4a. n-királyn probléma 4b. Tábla =rec( m:mátrix([1..n,1..n];{k, SZ}), sor:n) invariáns: nincs ütés és sor n 1-tl sor-ig egy-egy királyn kezdáll.: sor = 0 céláll.: sor = n Helyez(oszlop):Tábla Tábla (a:tábla) HA AKKOR a.sor < n és az új királyn nem üt a.sor a.sor+1 a.m[a.sor,oszlop] K 35 Tábla= rec(m:mátrix([1..n,1..n];{k, Ü, SZ }), sor:n) invariáns: nincs ütés és sor n 1-tl sor-ig egy-egy királyn kezdáll.: sor = 0 céláll.: sor = n Helyez(oszlop):Tábla Tábla (a:tábla) HA a. sor < n és a.m[a.sor+1, oszlop]=sz AKKOR a.sor a.sor+1 a.m[a.sor,oszlop] K minden megfelel i,j -re: a.m[i,j] Ü 36 6
7 class Table { int n; int** matrix; // 0-Sz; 1-K; 2-Ü int row; public: }; Table(); n-királyn probléma C++ osztálya // matrix=0, row=-1 // copy constructor, destructor, etc. bool Put(const int col); bool Goal() const {return row==n-1;} 37 n-királyn probléma mveletének C++ metódusa bool Table::Put(const int col){ if(!(col>=0 && col<=n-1 && row<n-1 && matrix[row+1][col]==0 ) )return false; row++; matrix[row][col] = 1; for(int i=row+1;i<n;i++) matrix[i][col] = 2; for(int i=row+1;i<n && col-row+i<n;i++) matrix[i][col-row+i] = 2; for(int i=row+1;i<n && col-(i-row)>=0;i++) matrix[i][col-(i-row)] = 2; return true; } 38 Állapot gráf Tologató játék Tábla=rec(mátrix, üreshely pozíciója) Tol(irány):Tábla Tábla (a:tábla) HA a.üreshely+irány egy érvényes pozíció AKKOR a.mátrix[a.üreshely] a.mátrix[a.üreshely+irány] a.üreshely a.üreshely+irány 40 Megjegyzés Az útkeresés hatékonysága a reprezentációs gráf (itt állapot gráf) bonyolultságát (csúcsok, élek számát, körök gyakoriságát, körök hosszát) meghatározó reprezentáción múlik. A reprezentációs gráfnak csak a startcsúcsból elérhet része érdekel bennünket. Ha egy keresés nem végez körfigyelést, csak a megelz csúcsba történ visszalépést zárja ki, akkor tulajdonképpen nem az eredeti gráfon, hanem annak úgynevezett fává egyenesített változatában dolgozik. 41 Irányított gráf fává egyenesítése Elméletben el is készíthetjük ezt a fát, amely a startcsúcsból kivezet utakat tartalmazza Oda-vissza irányuló élek közül a start csúcs felé irányulót elhagyjuk. (kett hosszú körök törldnek). Egy több úton is elérhet csúcsot megsokszorozzuk, így a körök végtelen hosszú úttá egyenesednek ki. (Véges gráf végtelen fa) a d a d c b b c b c c b a 42 7
8 Hanoi tornyai probléma célállapot duplikált állapot C BA A B C [3,3,3] [1,1,1] Állás=vektor( [A,B,C];{1,2,3}) Rak(honnan, hová):állás Állás (a:állás) HA a-ban a honnan nem üres, és a hová üres vagy a hová fels korongja nagyobb, mint honnan fels korongja AKKOR a[honnan fels korongja] hová 44 Implementáció [3,3,3] Állapot gráf [2,3,3] [1,3,3] Rak(honnan, hová):állás Állás (a:állás) l1,i=linker(a..c, a[i]=honnan) i-t akarjuk mozgatni l2,j=linker(a..c, a[j]=hová) j-re akarunk rakni HA l1 és ( l2 vagy i<j) AKKOR a[ i] hová [2,1,3] [1,2,3] [1,1,3] [2,2,3] [3,1,3] [3,2,3] [1,1,2] [2,2,1] [3,1,2] [2,1,2] [1,2,1] [3,2,1] [3,2,2] [2,3,2] [1,3,1] [3,1,1] 45 [2,2,2] [1,2,2] [1,3,2] [3,3,2] [3,3,1] [2,3,1] [2,1,1] [1,1,1] 3. KERES RENDSZEREK útkeresési probléma Gráfreprezentáció A különféle megoldó algoritmusok egy közös algoritmus-sémából származtathatók, hiszen a problémák többnyire ugyanarra az alapfeladatra vezethetk vissza: keresünk egy irányított utat a reprezentációs gráfban A f különbség az egyes keres algoritmusok között az, hogy általános vagy speciális útkeresési problémát oldanak-e meg, illetve hogy a keresett megoldást optimalizálják-e valamilyen szempontból. 47 állapottér keres alg. Konkrét reprezentációs modellek dekomp. játék logikai Modell specifikus megoldó algoritmusok alfabéta alg. Keres rendszer rezolúció strukt. obj. szabalapú követk. 8
9 Keres rendszer sémája A KR részei Procedure KR 1. ADAT kezdeti érték 2. while terminálási feltételt(adat) loop 3. select SZ from alkalmazható szabályok 4. ADAT SZ(ADAT) 5. endloop end globális munkaterület ADAT keres rendszer szabályai SZ a keresés során megszerzett és megrzött (deklaratív) ismeret kezdeti érték, terminálási feltétel globális munkaterületet megváltoztató operátorok (procedurális ismeret) hatás, értelmezési tartomány A reprezentációs gráf feletti keresés, amely a gráf egy részét (ADAT) látja, azt változtatja meg (SZ) az általa meghatározott (select) módon. 49 vezérlési stratégia select végrehajtható szabályt kiválasztó általános elv + a konkrét feladattól származó vezérlési ismeret 50 Vezérlési vagy keresési stratégia Elsdleges stratégiák osztályozása Elsdleges stratégia: teljesen független a feladattól. Másodlagos stratégia: a reprezentációs modelltl függ, de a modellben rögzített konkrét ismeretektl nem. Vezérlési ismeret (heurisztika): A feladattal kapcsolatos, a reprezentációban nem rögzített konkrét ismeret, amelytl a jó eredményt, és a megfelel hatékonyságot várjuk. Sorrendi: alkalmazható szabályok közül választ Vágó: alkalmazható szabályok számát szkíti Elsdleges vezérlési stratégiák nemmódosítható visszalépéses módosítható gráfkeres A heurisztika hatása a KR mködésére A KR futási ideje heurisztika költség eredmény futási id hatékonyság memóriaigény 53 alkalmazott szabályok száma futási id szabály kiválasztásának ideje informáltság teljes 54 9
1. AZ MI FOGALMA. I. Bevezetés. Tulajdonságok. Kezdet ELIZA. Első szakasz (60-as évek)
1. AZ MI FOGALMA I. Bevezetés Nincs pontos definíció Emberi gondolkodás számítógépes reprodukálása Intelligens viselkedésű programok Az ember számára is nehéz problémák számítógépes megoldása Intellektuálisan
RészletesebbenMesterséges intelligencia. Gregorics Tibor people.inf.elte.hu/gt/mi
people.inf.elte.hu/gt/mi Szakirodalom Könyvek Fekete István - - Nagy Sára: Bevezetés a mesterséges intelligenciába, LSI Kiadó, Budapest, 1990, 1999. ELTE-Eötvös Kiadó, Budapest, 2006. Russel, J. S., Norvig,
Részletesebben2. Visszalépéses stratégia
2. Visszalépéses stratégia A visszalépéses keres rendszer olyan KR, amely globális munkaterülete: út a startcsúcsból az aktuális csúcsba (ezen kívül a még ki nem próbált élek nyilvántartása) keresés szabályai:
RészletesebbenModellezés Gregorics Tibor Mesterséges intelligencia
Modellezés 1. Állapottér-reprezentáció Állapottér: a probléma leírásához szükséges adatok által felvett érték-együttesek (azaz állapotok) halmaza az állapot többnyire egy összetett szerkezetű érték gyakran
RészletesebbenII. Állapottér-reprezentáció
Állapottér-reprezentáció elemei II. Állapottér-reprezentáció Állapottér: a feladat homlokterében álló adat (objektum) lehetséges értékeinek (állapotainak) halmaza lényegében egyetlen típusérték-halmaz
RészletesebbenII. Állapottér-reprezentáció
II. Állapottér-reprezentáció 1 Állapottér-reprezentáció elemei Állapottér: a feladat homlokterében álló adategyüttes (objektum) lehetséges értékeinek (állapotainak) halmaza lényegében egyetlen típusérték-halmaz
RészletesebbenMesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2007/2008
Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 007/008 Az Előadások Témái Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció i stratégiák Szemantikus hálók / Keretrendszerek
Részletesebben2. Visszalépéses keresés
2. Visszalépéses keresés Visszalépéses keresés A visszalépéses keresés egy olyan KR, amely globális munkaterülete: egy út a startcsúcsból az aktuális csúcsba (az útról leágazó még ki nem próbált élekkel
RészletesebbenKeresések Gregorics Tibor Mesterséges intelligencia
Keresések ADAT := kezdeti érték while terminálási feltétel(adat) loop SELECT SZ FROM alkalmazható szabályok ADAT := SZ(ADAT) endloop KR vezérlési szintjei vezérlési stratégia általános modellfüggő heurisztikus
RészletesebbenMesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2007/2008
Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2007/2008 Az Előadások Témái Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció Gráfkeresési stratégiák Szemantikus hálók
RészletesebbenMesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 1/363
1/6 Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 Az Előadások Témái 46/6 Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció stratégiák Szemantikus hálók
RészletesebbenV. Kétszemélyes játékok
Teljes információjú, véges, zéró összegű kétszemélyes játékok V. Kétszemélyes játékok Két játékos lép felváltva adott szabályok szerint. Mindkét játékos ismeri a maga és az ellenfele összes választási
Részletesebben1. Milyen hatással van a heurisztika általában a keresõ rendszerek mûködésére?
2012. 06. 20. 1. Milyen hatással van a heurisztika általában a keresõ rendszerek mûködésére? A heurisztika olyan, a feladathoz kapcsolódó ötlet, amelyet közvetlenül építünk be egy algoritmusba, azért,
RészletesebbenÖSSZEFOGLALÁS a Bsc záróvizsga mesterséges intelligenciáról szóló témaköréhez
ÖSSZEFOGLALÁS a Bsc záróvizsga mesterséges intelligenciáról szóló témaköréhez Az MI az informatikának az a területe, amelyik az intelligens gondolkodás számítógépes reprodukálása szempontjából hasznos
RészletesebbenBevezetés az informatikába
Bevezetés az informatikába 9. előadás Dr. Istenes Zoltán Eötvös Loránd Tudományegyetem Informatikai Kar Programozáselmélet és Szoftvertechnológiai Tanszék Matematikus BSc - I. félév / 2008 / Budapest Dr.
RészletesebbenGráfkeresések A globális munkaterületén a startcsúcsból kiinduló már feltárt utak találhatók (ez az ún. kereső gráf), külön megjelölve az utak azon
ÖSSZEFOGLALÁS Az MI az intelligens gondolkodás számítógépes reprodukálása szempontjából hasznos elveket, módszereket, technikákat kutatja, fejleszti, rendszerezi. Miről ismerhető fel az MI? Megoldandó
RészletesebbenEvolúciós algoritmusok
Evolúciós algoritmusok Evolúció, mint kereső rendszer A problémára adható néhány lehetséges választ, azaz a problématér több egyedét tároljuk egyszerre. Ez a populáció. Kezdetben egy többnyire véletlen
Részletesebben3. Gráfkeres stratégia
3. Gráfkeres stratégia A gráfkeres rendszer olyan KR, amelynek globális munkaterülete a startcsúcsból kiinduló már feltárt utakat (részgráfot) tárolja kiinduló értéke: a startcsúcs, terminálási feltétel:
RészletesebbenMesterséges intelligencia
Mesterséges intelligencia Problémák és az útkeresések kapcsolata Az MI problémái, hogy a megoldandó feladatai nehezek, hatalmas a lehetséges válaszok tere (problématér), a helyes válaszok megtalálása intuíciót,
RészletesebbenGráfkeresések A globális munkaterületén a startcsúcsból kiinduló már feltárt utak találhatók (ez az ún. kereső gráf), külön megjelölve az utak azon
ÖSSZEFOGLALÁS Az MI az intelligens gondolkodás számítógépes reprodukálása szempontjából hasznos elveket, módszereket, technikákat kutatja, fejleszti, rendszerezi. Miről ismerhető fel az MI? Megoldandó
RészletesebbenKétszemélyes játékok Gregorics Tibor Mesterséges intelligencia
Kétszemélyes játékok Kétszemélyes, teljes információjú, véges, determinisztikus,zéró összegű játékok Két játékos lép felváltva adott szabályok szerint, amíg a játszma véget nem ér. Mindkét játékos ismeri
RészletesebbenKereső algoritmusok a diszkrét optimalizálás problémájához
Kereső algoritmusok a diszkrét optimalizálás problémájához A. Grama, A. Gupta, G. Karypis és V. Kumar: Introduction to Parallel Computing, Addison Wesley, 2003. könyv anyaga alapján A kereső eljárások
RészletesebbenBevezetés az informatikába
Bevezetés az informatikába 6. előadás Dr. Istenes Zoltán Eötvös Loránd Tudományegyetem Informatikai Kar Programozáselmélet és Szoftvertechnológiai Tanszék Matematikus BSc - I. félév / 2008 / Budapest Dr.
RészletesebbenKereső algoritmusok a diszkrét optimalizálás problémájához
Kereső algoritmusok a diszkrét optimalizálás problémájához A. Grama, A. Gupta, G. Karypis és V. Kumar: Introduction to Parallel Computing, Addison Wesley, 2003. könyv anyaga alapján A kereső eljárások
RészletesebbenMesterséges intelligencia 2. laborgyakorlat
Mesterséges intelligencia 2. laborgyakorlat Keresési módszerek A legtöbb feladatot meg lehet határozni keresési feladatként: egy ún. állapottérben, amely tartalmazza az összes lehetséges állapotot fogjuk
RészletesebbenIntelligens Rendszerek Elmélete IRE 4/32/1
Intelligens Rendszerek Elmélete 4 IRE 4/32/1 Problémamegoldás kereséssel http://nik.uni-obuda.hu/mobil IRE 4/32/2 Egyszerű lények intelligenciája? http://www.youtube.com/watch?v=tlo2n3ymcxw&nr=1 IRE 4/32/3
RészletesebbenProblémamegoldás kereséssel. Mesterséges intelligencia március 7.
Problémamegoldás kereséssel Mesterséges intelligencia 2014. március 7. Bevezetés Problémamegoldó ágens Kívánt állapotba vezető cselekvéseket keres Probléma megfogalmazása Megoldás megfogalmazása Keresési
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Problémamegoldás kereséssel ha sötétben tapogatózunk Dobrowiecki Tadeusz Eredics Péter, és mások BME I.E. 437, 463-28-99 dobrowiecki@mit.bme.hu, http://www.mit.bme.hu/general/staff/tade
RészletesebbenBevezetés az informatikába
Bevezetés az informatikába 8. előadás Dr. Istenes Zoltán Eötvös Loránd Tudományegyetem Informatikai Kar Programozáselmélet és Szoftvertechnológiai Tanszék Matematikus BSc - I. félév / 2008 / Budapest Dr.
Részletesebben22. GRÁFOK ÁBRÁZOLÁSA
22. GRÁFOK ÁBRÁZOLÁSA A megoldandó feladatok, problémák modellezése során sokszor gráfokat alkalmazunk. A gráf fogalmát a matematikából ismertnek vehetjük. A modellezés során a gráfok több változata is
RészletesebbenINFORMATIKA javítókulcs 2016
INFORMATIKA javítókulcs 2016 ELMÉLETI TÉTEL: Járd körbe a tömb fogalmát (Pascal vagy C/C++): definíció, egy-, két-, több-dimenziós tömbök, kezdőértékadás definíciókor, tömb típusú paraméterek átadása alprogramoknak.
RészletesebbenA félév során előkerülő témakörök
A félév során előkerülő témakörök rekurzív algoritmusok rendező algoritmusok alapvető adattípusok, adatszerkezetek, és kapcsolódó algoritmusok dinamikus programozás mohó algoritmusok gráf algoritmusok
RészletesebbenVisszalépéses keresés
Visszalépéses keresés Backtracking előadás http://nik.uni-obuda.hu/prog2 Szénási Sándor szenasi.sandor@nik.uni-obuda.hu Óbudai Egyetem,Neumann János Informatikai Kar Alapvető működése Továbbfejlesztési
RészletesebbenDebreceni Egyetem Matematikai és Informatikai Intézet. 13. Védelem
13. Védelem A védelem célja Védelmi tartományok Hozzáférési mátrixok (access matrix, AM) A hozzáférési mátrixok implementációja A hozzáférési jogok visszavonása Képesség-alapú rendszerek Nyelvbe ágyazott
Részletesebben9. előadás. Programozás-elmélet. Programozási tételek Elemi prog. Sorozatszámítás Eldöntés Kiválasztás Lin. keresés Megszámolás Maximum.
Programozási tételek Programozási feladatok megoldásakor a top-down (strukturált) programtervezés esetén három vezérlési szerkezetet használunk: - szekvencia - elágazás - ciklus Eddig megismertük az alábbi
RészletesebbenTuesday, March 6, 12. Hasító táblázatok
Hasító táblázatok Halmaz adattípus U (kulcsuniverzum) K (aktuális kulcsok) Függvény adattípus U (univerzum) ÉT (értelmezési tartomány) ÉK (érték készlet) Milyen az univerzum? Közvetlen címzésű táblázatok
RészletesebbenA programozás alapjai előadás. Amiről szólesz: A tárgy címe: A programozás alapjai
A programozás alapjai 1 1. előadás Híradástechnikai Tanszék Amiről szólesz: A tárgy címe: A programozás alapjai A számítógép részegységei, alacsony- és magasszintű programnyelvek, az imperatív programozási
RészletesebbenElőfeltétel: legalább elégséges jegy Diszkrét matematika II. (GEMAK122B) tárgyból
ÜTEMTERV Programozás-elmélet c. tárgyhoz (GEMAK233B, GEMAK233-B) BSc gazdaságinformatikus, programtervező informatikus alapszakok számára Óraszám: heti 2+0, (aláírás+kollokvium, 3 kredit) 2019/20-es tanév
RészletesebbenFunkcionális és logikai programozás. { Márton Gyöngyvér, 2012} { Sapientia, Erdélyi Magyar Tudományegyetem }
Funkcionális és logikai programozás { Márton Gyöngyvér, 2012} { Sapientia, Erdélyi Magyar Tudományegyetem } http://www.ms.sapientia.ro/~mgyongyi ` 1 Jelenlét: Követelmények, osztályozás Az első 4 előadáson
RészletesebbenMestInt gyakorlat visszalépéses keresés
MestInt gyakorlat visszalépéses keresés Probléma leírása N királynő probléma Az n királynő probléma, azt a kérdést veti fel, hányféleképpen lehet lerakni n darab királynőt egy n n-es táblán úgy, hogy a
RészletesebbenSzámítógép és programozás 2
Számítógép és programozás 2 6. Előadás Problémaosztályok http://digitus.itk.ppke.hu/~flugi/ Emlékeztető A specifikáció egy előfeltételből és utófeltételből álló leírása a feladatnak Léteznek olyan feladatok,
RészletesebbenMesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2007/2008
Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2007/2008 Az Előadások Témái Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció stratégiák Szemantikus hálók / Keretrendszerek
Részletesebben1. Alapfogalmak Algoritmus Számítási probléma Specifikáció Algoritmusok futási ideje
1. Alapfogalmak 1.1. Algoritmus Az algoritmus olyan elemi műveletekből kompozíciós szabályok szerint felépített összetett művelet, amelyet megadott feltételt teljesítő bemeneti adatra végrehajtva, a megkívánt
RészletesebbenIII. Szabályalapú logikai következtetés
Speciális szabályalapú következtetés III. Szabályalapú logikai következtetés Ismeretek (tények, szabályok, cél) elsőrendű logikai formulák. Ezek az állítások eredeti formájukat megőrzik, ami másodlagos
RészletesebbenSzámítógép és programozás 2
Számítógép és programozás 2 11. Előadás Halmazkeresések, dinamikus programozás http://digitus.itk.ppke.hu/~flugi/ A keresési feladat megoldása Legyen a lehetséges megoldások halmaza M ciklus { X legyen
RészletesebbenJava II. I A Java programozási nyelv alapelemei
Java II. I A Java programozási nyelv alapelemei Miskolci Egyetem Általános Informatikai Tanszék Utolsó módosítás: 2008. 02. 19. Java II.: Alapelemek JAVA2 / 1 A Java formalizmusa A C, illetve az annak
RészletesebbenPROGRAMOZÁS tantárgy. Gregorics Tibor egyetemi docens ELTE Informatikai Kar
PROGRAMOZÁS tantárgy Gregorics Tibor egyetemi docens ELTE Informatikai Kar Követelmények A,C,E szakirány B szakirány Előfeltétel Prog. alapismeret Prog. alapismeret Diszkrét matematika I. Óraszám 2 ea
RészletesebbenMESTERSÉGES INTELLIGENCIA DR. KOVÁSZNAI GERGELY JEGYZETE. Verziószám: 1.0 2008. május 19.
MESTERSÉGES INTELLIGENCIA DR. KOVÁSZNAI GERGELY JEGYZETE Verziószám: 1.0 2008. május 19. 1 Tartalomjegyzék 1. A mesterséges intelligencia története...4 1.1. Korai lelkesedés, nagy elvárások (az 1960-as
RészletesebbenKétszemélyes játékok
Mesterséges Intelligencia alapjai, gyakorlat Eötvös Loránd Tudományegyetem Informatikai Kar Programozáselmélet és Szoftvertechnológiai Tanszék 2010 / udapest Kétszemélyes teljes információjú játékok két
RészletesebbenBánsághi Anna 2014 Bánsághi Anna 1 of 68
IMPERATÍV PROGRAMOZÁS Bánsághi Anna anna.bansaghi@mamikon.net 3. ELŐADÁS - PROGRAMOZÁSI TÉTELEK 2014 Bánsághi Anna 1 of 68 TEMATIKA I. ALAPFOGALMAK, TUDOMÁNYTÖRTÉNET II. IMPERATÍV PROGRAMOZÁS Imperatív
RészletesebbenInformatika 1 2. el adás: Absztrakt számítógépek
Informatika 1 2. el adás: Budapesti M szaki és Gazdaságtudományi Egyetem 2015-09-08 1 2 3 A egy M = Q, Γ, b, Σ, δ, q 0, F hetes, ahol Q az 'állapotok' nem üres halmaza, Γ a 'szalag ábécé' véges, nem üres
RészletesebbenProgramozási módszertan
1 Programozási módszertan 1. Alapfogalmak Feldhoffer Gergely 2012 Féléves tananyag terve 2 Program helyességének bizonyítása Reprezentáció Logikai-matematikai eszköztár Programozási tételek bizonyítása
RészletesebbenMesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2007/2008
Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2007/2008 Az Előadások Témái Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció Gráfkeresési stratégiák Szemantikus hálók
Részletesebben1. AZ MI FOGALMA. I. Bevezetés ELIZA. Első szakasz (60-as évek) Második szakasz (70-es évek) Harmadik szakasz (80-as évek)
1. AZ MI FOGALMA I. Bvztés 1956 nyár. Darthmouth Collg-i konfrncia Kzdti cél: Az mbri gondolkodás számítógép sgítségévl történő rprodukálása. Grgorics Tibor Bvztés a mstrségs intllignciába 1 Grgorics Tibor
RészletesebbenProgramozási módszertan. Mohó algoritmusok
PM-08 p. 1/17 Programozási módszertan Mohó algoritmusok Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu PM-08 p. 2/17 Bevezetés Dinamikus programozás
RészletesebbenIványi Antal alkotó szerkeszt INFORMATIKAI ALGORITMUSOK
Iványi Antal alkotó szerkeszt INFORMATIKAI ALGORITMUSOK mondat Kiadó Vác, 2013 A könyv a Nemzeti Kulturalis Alap támogatásával készült. Alkotó szerkeszt : Iványi Antal Szerz k: Mira-Cristiana Anisiu (35.
RészletesebbenA SIKER KOVÁCSA, VAGY A KUDARC KÓDJA?
A SIKER KOVÁCSA, VAGY A KUDARC KÓDJA? A döntéshozatali tudatosság hiányosságai és lehetőségei a projekt menedzsmentben Török L. Gábor PhD Sikeres és sikertelen projektek arányai PMI nemzetközi felmérés
RészletesebbenMesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 1/363
1/363 Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 Az Előadások Témái 69/363 Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció Gráfkeresési stratégiák
RészletesebbenGONDOLKODÁS ÉS NYELV
GONDOLKODÁS ÉS NYELV GONDOLKODÁS A. Propozicionális B. Képzeleti Propozicionális gondolkodás Propozíció kijelentés, amely egy tényállásra vonatkozik, meghatározott viszonyban összekombinált fogalmakból
RészletesebbenA MESTERSÉGES INTELLIGENCIA KÉRDÉSEI A KÖZÉPISKOLAI OKTATÁSBAN
Eszterházy Károly Főiskola Matematikai és Informatikai Intézet A MESTERSÉGES INTELLIGENCIA KÉRDÉSEI A KÖZÉPISKOLAI OKTATÁSBAN DR. KOVÁSZNAI GERGELY ÉS DR. KUSPER GÁBOR JEGYZETE Tartalomjegyzék 1. Bevezetés...4
RészletesebbenDiszkrét matematika 2. estis képzés
Diszkrét matematika 2. estis képzés 2018. tavasz 1. Diszkrét matematika 2. estis képzés 11. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék
RészletesebbenSZOFTVERES SZEMLÉLTETÉS A MESTERSÉGES INTELLIGENCIA OKTATÁSÁBAN _ Jeszenszky Péter Debreceni Egyetem, Informatikai Kar jeszenszky.peter@inf.unideb.
SZOFTVERES SZEMLÉLTETÉS A MESTERSÉGES INTELLIGENCIA OKTATÁSÁBAN _ Jeszenszky Péter Debreceni Egyetem, Informatikai Kar jeszenszky.peter@inf.unideb.hu Mesterséges intelligencia oktatás a DE Informatikai
RészletesebbenFormális módszerek GM_IN003_1 Program verifikálás, formalizmusok
Formális módszerek GM_IN003_1 Program verifikálás, formalizmusok Program verifikálás Konkurens programozási megoldások terjedése -> verifikálás szükséges, (nehéz) logika Legszélesebb körben alkalmazott
RészletesebbenMesterséges Intelligencia. Csató Lehel. Csató Lehel. Magyar Matematika-Informatika Intézet Babeş Bolyai Tudományegyetem, Kolozsvár 2015/2016 1/370
1/370 Magyar Matematika-Informatika Intézet Babeş Bolyai Tudományegyetem, Kolozsvár 2015/2016 Az Előadások Témái 1 Tudnivalók Bevezető Fejlődés Könyvészet Eredmények Bevezető: mi a mesterséges intelligencia
RészletesebbenAlgoritmizálás, adatmodellezés tanítása 7. előadás
Algoritmizálás, adatmodellezés tanítása 7. előadás Oszd meg és uralkodj! Több részfeladatra bontás, amelyek hasonlóan oldhatók meg, lépései: a triviális eset (amikor nincs rekurzív hívás) felosztás (megadjuk
RészletesebbenProgramozás Minta programterv a 2. házi feladathoz 1.
Programozás Minta programterv a. házi feladathoz 1. Gregorics Tibor. beadandó/0.feladat 01. január 11. EHACODE.ELTE gt@inf.elte.hu 0.csoport Feladat Egy szöveges állományban bekezdésekre tördelt szöveg
RészletesebbenJava II. I A Java programozási nyelv alapelemei
Java2 / 1 Java II. I A Java programozási nyelv alapelemei Miskolci Egyetem Általános Informatikai Tanszék Utolsó módosítás: 2009. 02. 09. Java II.: Alapelemek JAVA2 / 1 A Java formalizmusa A C, illetve
RészletesebbenMit látnak a robotok? Bányai Mihály Matemorfózis, 2017.
Mit látnak a robotok? Bányai Mihály Matemorfózis, 2017. Vizuális feldolgozórendszerek feladatai Mesterséges intelligencia és idegtudomány Mesterséges intelligencia és idegtudomány Párhuzamos problémák
RészletesebbenZH feladatok megoldásai
ZH feladatok megoldásai A CSOPORT 5. Írja le, hogy milyen szabályokat tartalmazhatnak az egyes Chomskynyelvosztályok (03 típusú nyelvek)! (4 pont) 3. típusú, vagy reguláris nyelvek szabályai A ab, A a
RészletesebbenAlgoritmusok Tervezése. 6. Előadás Algoritmusok 101 Dr. Bécsi Tamás
Algoritmusok Tervezése 6. Előadás Algoritmusok 101 Dr. Bécsi Tamás Mi az algoritmus? Lépések sorozata egy feladat elvégzéséhez (legáltalánosabban) Informálisan algoritmusnak nevezünk bármilyen jól definiált
Részletesebbenangolul: greedy algorithms, románul: algoritmi greedy
Mohó algoritmusok angolul: greedy algorithms, románul: algoritmi greedy 1. feladat. Gazdaságos telefonhálózat építése Bizonyos városok között lehet direkt telefonkapcsolatot kiépíteni, pl. x és y város
RészletesebbenMegerősítéses tanulás 2. előadás
Megerősítéses tanulás 2. előadás 1 Technikai dolgok Email szityu@eotvoscollegium.hu Annai levlista http://nipglab04.inf.elte.hu/cgi-bin/mailman/listinfo/annai/ Olvasnivaló: Sutton, Barto: Reinforcement
RészletesebbenBánsághi Anna 2014 Bánsághi Anna 1 of 33
IMPERATÍV PROGRAMOZÁS Bánsághi Anna anna.bansaghi@mamikon.net 7. ELŐADÁS - ABSZTRAKT ADATTÍPUS 2014 Bánsághi Anna 1 of 33 TEMATIKA I. ALAPFOGALMAK, TUDOMÁNYTÖRTÉNET II. IMPERATÍV PROGRAMOZÁS Imperatív
RészletesebbenFeladat. Ternáris fa. Típusspecikáció. Reprezentáció. Absztrakt implementáció. Érdi Gerg EAF II. 4/3.
Feladat djuk meg, hogy egy ternáris fa INORDER bejárás szerint sorozatba f zött értékei között mekkora a leghosszabb csupa pozitív számot tartalmazó részsorozat. Ternáris fa Típusspecikáció z alaphalmaz
RészletesebbenRasmusen, Eric: Games and Information (Third Edition, Blackwell, 2001)
Játékelmélet szociológusoknak J-1 Bevezetés a játékelméletbe szociológusok számára Ajánlott irodalom: Mészáros József: Játékelmélet (Gondolat, 2003) Filep László: Játékelmélet (Filum, 2001) Csontos László
RészletesebbenMesterséges intelligencia Gergely Kovásznay Gábor Kusper
Mesterséges intelligencia Gergely Kovásznay Gábor Kusper Mesterséges intelligencia Gergely Kovásznay Gábor Kusper Publication date 2011 Copyright 2011 Hallgatói Információs Központ Copyright 2011, Felhasználási
RészletesebbenProgramozási nyelvek a közoktatásban alapfogalmak I. előadás
Programozási nyelvek a közoktatásban alapfogalmak I. előadás Szempontok Programozási nyelvek osztályozása Felhasználói kör (amatőr, professzionális) Emberközelség (gépi nyelvektől a természetes nyelvekig)
RészletesebbenAlgoritmizálás és adatmodellezés tanítása 1. előadás
Algoritmizálás és adatmodellezés tanítása 1. előadás Algoritmus-leíró eszközök Folyamatábra Irányított gráf, amely csomópontokból és őket összekötő élekből áll, egyetlen induló és befejező éle van, az
RészletesebbenALAPFOGALMAK 1. A reláció az program programfüggvénye, ha. Azt mondjuk, hogy az feladat szigorúbb, mint az feladat, ha
ALAPFOGALMAK 1 Á l l a p o t t é r Legyen I egy véges halmaz és legyenek A i, i I tetszőleges véges vagy megszámlálható, nem üres halmazok Ekkor az A= A i halmazt állapottérnek, az A i halmazokat pedig
RészletesebbenDiszkrét matematika 1. estis képzés
Diszkrét matematika 1. estis képzés 2019. tavasz 1. Diszkrét matematika 1. estis képzés 11. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Mérai László diái alapján
RészletesebbenSztöchiometriai egyenletrendszerek minimális számú aktív változót tartalmazó megoldásainak meghatározása a P-gráf módszertan alkalmazásával
Sztöchiometriai egyenletrendszerek minimális számú aktív változót tartalmazó megoldásainak meghatározása a P-gráf módszertan alkalmazásával * Pannon Egyetem, M szaki Informatikai Kar, Számítástudomány
RészletesebbenAutomatikus tesztgenerálás modell ellenőrző segítségével
Méréstechnika és Információs Rendszerek Tanszék Automatikus tesztgenerálás modell ellenőrző segítségével Micskei Zoltán műszaki informatika, V. Konzulens: Dr. Majzik István Tesztelés Célja: a rendszerben
RészletesebbenKriptográfia 0. A biztonság alapja. Számítás-komplexitási kérdések
Kriptográfia 0 Számítás-komplexitási kérdések A biztonság alapja Komplexitás elméleti modellek független, egyenletes eloszlású véletlen változó értéke számítással nem hozható kapcsolatba más információval
RészletesebbenProgramozási nyelvek 6. előadás
Programozási nyelvek 6. előadás Szempontok Programozási nyelvek osztályozása Felhasználói kör (amatőr, professzionális) Emberközelség (gépi nyelvektől a természetes nyelvekig) Számítási modell (hogyan
Részletesebben8. Komponens elvű programfejlesztés. Ágens, akció, cél, kontraktus.
8. Komponens elvű programfejlesztés. Ágens, akció, cél, kontraktus. Ágens rendszer definíciója. Példák. Fairness. (Fair tulajdonság). Gyenge fair követelmény. A fair nem determinisztikus szemantika definíciója
RészletesebbenStruktúra nélküli adatszerkezetek
Struktúra nélküli adatszerkezetek Homogén adatszerkezetek (minden adatelem azonos típusú) osztályozása Struktúra nélküli (Nincs kapcsolat az adatelemek között.) Halmaz Multihalmaz Asszociatív 20:24 1 A
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Keresés ellenséges környezetben Dobrowiecki Tadeusz Eredics Péter, és mások BME I.E. 437, 463-28-99 dobrowiecki@mit.bme.hu, http://www.mit.bme.hu/general/staff/tade Ellenség
RészletesebbenEloadó: Dr. Várterész Magdolna
Eloadó: Dr. Várterész Magdolna Tartalomjegyzék: 1. Bevezetés 1.1. A jegyzet megtekintéséhez ajánlott környezet 1.2. Információ a mesterséges intelligencia kurzusról 1.3. Röviden a mesterséges intelligenciáról
RészletesebbenA MESTERSÉGES INTELLIGENCIA KÉRDÉSEI A KÖZÉPISKOLAI OKTATÁSBAN DR. KOVÁSZNAI GERGELY GÁBOR ÉS DR. KUSPER JEGYZETE
A MESTERSÉGES INTELLIGENCIA KÉRDÉSEI A KÖZÉPISKOLAI OKTATÁSBAN DR. KOVÁSZNAI GERGELY ÉS DR. KUSPER GÁBOR JEGYZETE Tartalomjegyzék 1. Bevezetés...4 2. A mesterséges intelligencia története...7 2.1. Korai
RészletesebbenMegerősítéses tanulási módszerek és alkalmazásaik
MISKOLCI EGYETEM GÉPÉSZMÉRNÖKI ÉS INFORMATIKAI KAR Megerősítéses tanulási módszerek és alkalmazásaik Tompa Tamás tanársegéd Általános Informatikai Intézeti Tanszék Miskolc, 2017. szeptember 15. Tartalom
RészletesebbenMesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 1/363
1/33 Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 Az Előadások Témái 110/33 Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció Gráfkeresési stratégiák Szemantikus
RészletesebbenSZTE Eötvös Loránd Kollégium. 2. Móra György: Információkinyerés természetes nyelvű szövegekből
2010/2011 tavaszi félév SZTE Eötvös Loránd Kollégium 1. Dombi József: Fuzzy elmélet és alkalmazásai 2011. március 3. 19:00 2. Móra György: Információkinyerés természetes nyelvű szövegekből 2011. március
RészletesebbenNavigáci. stervezés. Algoritmusok és alkalmazásaik. Osváth Róbert Sorbán Sámuel
Navigáci ció és s mozgástervez stervezés Algoritmusok és alkalmazásaik Osváth Róbert Sorbán Sámuel Feladat Adottak: pálya (C), játékos, játékos ismerethalmaza, kezdőpont, célpont. Pálya szerkezete: akadályokkal
RészletesebbenKorlátos modellellenőrzés. dr. Majzik István BME Méréstechnika és Információs Rendszerek Tanszék
Korlátos modellellenőrzés dr. Majzik István BME Méréstechnika és Információs Rendszerek Tanszék 1 Hol tartunk most? Alacsony szintű formalizmusok (KS, LTS, KTS) Magasabb szintű formalizmusok Temporális
RészletesebbenDiszkrét matematika 2.C szakirány
Diszkrét matematika 2.C szakirány 2017. tavasz 1. Diszkrét matematika 2.C szakirány 4. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék 2017.
RészletesebbenSpecifikáció alapú teszttervezési módszerek
Szoftverellenőrzési technikák Specifikáció alapú teszttervezési módszerek Majzik István, Micskei Zoltán http://www.inf.mit.bme.hu/ 1 Klasszikus tesztelési feladat A tesztelendő program beolvas 3 egész
RészletesebbenMesterséges intelligencia 1 előadások
VÁRTERÉSZ MAGDA Mesterséges intelligencia 1 előadások 2006/07-es tanév Tartalomjegyzék 1. A problémareprezentáció 4 1.1. Az állapottér-reprezentáció.................................................. 5
RészletesebbenVisszalépéses felsoroló
Visszalépéses felsoroló Gregorics Tibor gt@inf.elte.hu ELTE IK Absztrakt. A visszalépéses keresésnek több változata is ismert. Ebben a cikkben azon feladatokat megoldó visszalépéses algoritmusokra fókuszálunk,
RészletesebbenMesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 1/364
1/364 Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 Az Előadások Témái 1 Tudnivalók Bevezető Fejlődés Könyvészet Eredmények 2/364 Bevezető: mi a mesterséges intelligencia...
RészletesebbenSpecifikáció alapú teszttervezési módszerek
Szoftverellenőrzési technikák Specifikáció alapú teszttervezési módszerek Majzik István, Micskei Zoltán http://www.inf.mit.bme.hu/ 1 Klasszikus tesztelési feladat A tesztelendő program beolvas 3 egész
Részletesebben