Mesterséges Intelligencia alapjai
|
|
- Árpád Fazekas
- 7 évvel ezelőtt
- Látták:
Átírás
1 Mesterséges Intelligencia alapjai Evolúciós algoritmusok - neurális hálózatok Istenes Zoltán Eötvös Loránd Tudományegyetem Informatikai Kar Programozáselmélet és Szoftvertechnológiai Tanszék 2010 / Budapest Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
2 Genetikus - evolúciós algoritmusok Genetikus - evolúciós algoritmusok... kromoszóma reprezentáció költség (fitnessz) függvény kezdeti populáció kiválasztás (szelekció) reprodukció (keresztezés) mutáció leállási feltétel Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
3 Tartalom Genetikus - evolúciós algoritmusok "Függvényanalízis" 1 Genetikus - evolúciós algoritmusok "Függvényanalízis" Térkép feliratozás Algoritmusok tanulása TSP Fogolydilemma Amőba "Rendező párok" 2 Neurális hálózat N.E.R.O. Hangya kolónia optimalizálás Framsticks Labirintus Autóvezetés tanulás... Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
4 Spektroszkópia... Genetikus - evolúciós algoritmusok "Függvényanalízis" a keresett csúcsok (maximális) száma adott normál (Gauss) eloszlások összegével közelítés Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
5 Tartalom Genetikus - evolúciós algoritmusok Térkép feliratozás 1 Genetikus - evolúciós algoritmusok "Függvényanalízis" Térkép feliratozás Algoritmusok tanulása TSP Fogolydilemma Amőba "Rendező párok" 2 Neurális hálózat N.E.R.O. Hangya kolónia optimalizálás Framsticks Labirintus Autóvezetés tanulás... Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
6 Genetikus - evolúciós algoritmusok Térkép feliratozás Genetikus algoritmusok használata térképek feliratozásában Adott n pont szerű elem egy térképen. Mindegyik ponthoz tartozik egy téglalap alakú címke, melynek a mérete előre rögzített, és négy alap pozícióba írhatóak. A feladat a címkék egymást nem metsző felhelyezése... Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
7 Tartalom Genetikus - evolúciós algoritmusok Algoritmusok tanulása 1 Genetikus - evolúciós algoritmusok "Függvényanalízis" Térkép feliratozás Algoritmusok tanulása TSP Fogolydilemma Amőba "Rendező párok" 2 Neurális hálózat N.E.R.O. Hangya kolónia optimalizálás Framsticks Labirintus Autóvezetés tanulás... Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
8 Genetikus - evolúciós algoritmusok Truck backing problem Algoritmusok tanulása A keresett függvény : u=g(x,y,cabt,trailert) PLUS(a,b) MINUS(a,b) MUL(a,b) DIV(a,b) ATG(a,b) IFLTZ(a,b,c) a+b a-b a*b a/b, if b <> 0, else 1 atan2(a,b), if a<> 0, else 0 b, if a<0, else returns c Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
9 Tartalom Genetikus - evolúciós algoritmusok TSP 1 Genetikus - evolúciós algoritmusok "Függvényanalízis" Térkép feliratozás Algoritmusok tanulása TSP Fogolydilemma Amőba "Rendező párok" 2 Neurális hálózat N.E.R.O. Hangya kolónia optimalizálás Framsticks Labirintus Autóvezetés tanulás... Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
10 Utazó ügynök Genetikus - evolúciós algoritmusok TSP kromoszóma 1 gén = 1 város (a látogatás sorszáma) annyi gén ahány város "városszámok permutációja" keresztezés permutáció megörzése pld. egypontos keresztezés nem jó... mutáció kromoszómán belüli sorrend felcserélése Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
11 Utazó ügynök Genetikus - evolúciós algoritmusok TSP kromoszóma 1 gén = 1 város (a látogatás sorszáma) annyi gén ahány város "városszámok permutációja" keresztezés permutáció megörzése pld. egypontos keresztezés nem jó... mutáció kromoszómán belüli sorrend felcserélése Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
12 Utazó ügynök Genetikus - evolúciós algoritmusok TSP kromoszóma 1 gén = 1 város (a látogatás sorszáma) annyi gén ahány város "városszámok permutációja" keresztezés permutáció megörzése pld. egypontos keresztezés nem jó... mutáció kromoszómán belüli sorrend felcserélése Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
13 Utazó ügynök Genetikus - evolúciós algoritmusok TSP kromoszóma 1 gén = 1 város (a látogatás sorszáma) annyi gén ahány város "városszámok permutációja" keresztezés permutáció megörzése pld. egypontos keresztezés nem jó... mutáció kromoszómán belüli sorrend felcserélése Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
14 Utazó ügynök Genetikus - evolúciós algoritmusok TSP kromoszóma 1 gén = 1 város (a látogatás sorszáma) annyi gén ahány város "városszámok permutációja" keresztezés permutáció megörzése pld. egypontos keresztezés nem jó... mutáció kromoszómán belüli sorrend felcserélése Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
15 Utazó ügynök Genetikus - evolúciós algoritmusok TSP kromoszóma 1 gén = 1 város (a látogatás sorszáma) annyi gén ahány város "városszámok permutációja" keresztezés permutáció megörzése pld. egypontos keresztezés nem jó... mutáció kromoszómán belüli sorrend felcserélése Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
16 Utazó ügynök Genetikus - evolúciós algoritmusok TSP kromoszóma 1 gén = 1 város (a látogatás sorszáma) annyi gén ahány város "városszámok permutációja" keresztezés permutáció megörzése pld. egypontos keresztezés nem jó... mutáció kromoszómán belüli sorrend felcserélése Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
17 Utazó ügynök Genetikus - evolúciós algoritmusok TSP kromoszóma 1 gén = 1 város (a látogatás sorszáma) annyi gén ahány város "városszámok permutációja" keresztezés permutáció megörzése pld. egypontos keresztezés nem jó... mutáció kromoszómán belüli sorrend felcserélése Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
18 Utazó ügynök Genetikus - evolúciós algoritmusok TSP kromoszóma 1 gén = 1 város (a látogatás sorszáma) annyi gén ahány város "városszámok permutációja" keresztezés permutáció megörzése pld. egypontos keresztezés nem jó... mutáció kromoszómán belüli sorrend felcserélése Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
19 Tartalom Genetikus - evolúciós algoritmusok Fogolydilemma 1 Genetikus - evolúciós algoritmusok "Függvényanalízis" Térkép feliratozás Algoritmusok tanulása TSP Fogolydilemma Amőba "Rendező párok" 2 Neurális hálózat N.E.R.O. Hangya kolónia optimalizálás Framsticks Labirintus Autóvezetés tanulás... Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
20 Fogolydilemma Genetikus - evolúciós algoritmusok Fogolydilemma Fogolydilemma - Prisoner s dilemma Egy súlyos bűntény kapcsán két gyanúsítottat letartóztat a rendőrség. Mivel nem áll rendelkezésre elegendő bizonyíték a vádemeléshez, ezért elkülönítik őket egymástól és mindkettejüknek ugyanazt az ajánlatot teszik. Amennyiben az első fogoly vall és társa hallgat, akkor az előbbi büntetés nélkül elmehet, míg a a másik, aki nem vallott, 10 év börtönt kap. Ha az első tagadja meg a vallomást és a második vall, akkor az másodikat fogják elengedni és az első kap 10 évet. Ha egyikük sem vall, akkor egy kisebb bűntényért 6 hónapot kapnak mindketten. Ha mindketten vallanak, mindegyikük 6 évet kap. Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
21 Fogolydilemma Genetikus - evolúciós algoritmusok Fogolydilemma Másik tagad Másik vall Egyik tagad Egyik vall (Cooperate) (Defect) Mindketten Egyik szabad, 6 hónapot kapnak másik 10 évet kap Egyik 10 évet kap, Mindkettő másik szabad 6 évet kap Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
22 Fogolydilemma Genetikus - evolúciós algoritmusok Fogolydilemma Cooperate Defect Cooperate 3, 3 0, 5 Defect 5, 0 1, 1 A, B = a két "játékos" C = Cooperate (tagadás), D = Defect (beárulás, vallomás) PA, PB = "jó pontok" A B PA PB megjegyzés D D 1 1 büntetés a közös beárulásért D C 5 0 jó beárulni a tagadót... C D rossz beárulva lenni C C 3 3 közös tagadás Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
23 Fogolydilemma Genetikus - evolúciós algoritmusok Fogolydilemma Mit tegyek, ha nem akarok börtönben ülni? 1 ha a másik kooperál (hallgat), akkor érdemes vallani (beárulni) (5:0 a "javamra") 2 ha a másik vall (beárul), akkor érdemes nekem is vallani (1:1 mindkettőnknek) Bármit dönt a másik, nekem érdemesebb vallani (beárulni)!... És ha mégis mindketten kooperálnánk?... Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
24 Genetikus - evolúciós algoritmusok Ismételt fogolydilemma Fogolydilemma ismételt fogolydilemma : 1950-ben Merrill Flood és Melvin Drescher 1979-ben egy amerikai politológus, Robert Axelrod verseny 14 versenyző győztes a szociálpszichológus, Anatol Rapoport programja 1982-ben egy második versenyt, amelyen az összes résztvevő tisztában volt az elöző eredményével. Anatol Rapoport ismét ugyanazt a pályázatot küldte be (Tit for Tat névre keresztelte), és ismét nyert vele. Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
25 Genetikus - evolúciós algoritmusok Fogolydilemma Ismételt fogolydilemma stratégia Genetikus algoritmus? játék stratégia? reprezentáció (kromoszóma)? Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
26 Genetikus - evolúciós algoritmusok Fogolydilemma Ismételt fogolydilemma stratégia Tit for Tat stratégia: Ha "előző játékban", akkor "ebben a körben"... Ha C C, akkor C (kooperáljunk...) Ha C D, akkor D (ha beárultál, akkor most én is...) Ha D C, akkor C (kooperálásra hajlok...) Ha D D, akkor D (tartom a beárulást...) Első játékban kooperálok... fegyverkezési verseny "aranyszabály" nemek harca Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
27 Genetikus - evolúciós algoritmusok Fogolydilemma Ismételt fogolydilemma stratégia - kromoszóma Egy stratégia: Emlékezzünk a 3 előző játékra, és lépjünk az alapján... Ha CC, CC, CC, akkor "C vagy D" Ha CC, CC, CD, akkor Ha DD, DD, DD, akkor... kromoszóma : 64 bit ( ) + pár bit az első játékokra Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
28 Genetikus - evolúciós algoritmusok Fogolydilemma Ismételt fogolydilemma - költségfüggvény Hogyan lehet egy stratégiáról megtudni hogy mennyire jó? mindegyik stratégiával (egyeddel) játszunk több játékot (ismételt fogolydilemmát) a játékokban elért eredménye mutatja a "jóságát" a stratégiák játszhatnak egymás ellen, "különféle környezetben"... Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
29 Tartalom Genetikus - evolúciós algoritmusok Amőba 1 Genetikus - evolúciós algoritmusok "Függvényanalízis" Térkép feliratozás Algoritmusok tanulása TSP Fogolydilemma Amőba "Rendező párok" 2 Neurális hálózat N.E.R.O. Hangya kolónia optimalizálás Framsticks Labirintus Autóvezetés tanulás... Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
30 Genetikus - evolúciós algoritmusok Amőba Amőba játékállás-kiértékelő mószerek összehasonlító vizsgálata kétszemélyes játékok gépi játékosának gyakori megvalósítási módszere a játékfarészlet elkészítése és kiértékelése fontos része a játékállások "pontos" kiértékelése több különböző játékállás kiértékelő függvény paraméter beállítás, mint egy populáció egyedei ezek az egyedek (paraméter beállítások) egymással versenyeznek, a paraméter beállításokat egy-egy amőbát játszó program használja a programok egymás ellen játszanak. az egyedek körmérkőzése megmutatta a sikeresebb, jobb paraméter beállításokat, amelyeket felhasználva, keresztezés és mutáció után, egy újabb populáció, generáció kapható több generáció után egyre jobb amőba játékállás kiértékelő függvény paraméterek kaphatók Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
31 Tartalom Genetikus - evolúciós algoritmusok "Rendező párok" 1 Genetikus - evolúciós algoritmusok "Függvényanalízis" Térkép feliratozás Algoritmusok tanulása TSP Fogolydilemma Amőba "Rendező párok" 2 Neurális hálózat N.E.R.O. Hangya kolónia optimalizálás Framsticks Labirintus Autóvezetés tanulás... Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
32 Rendezés Genetikus - evolúciós algoritmusok "Rendező párok" Rendezés összehasonlítás-csere párokkal A cél fix hosszúságú számsorozatok rendezése előre meghatározott összehasonlítás-csere párok alapján. Kérdés a minimális összehasonlítás csere párok. Példák 4 hosszú számsorra : buborék : 1-2, 2-3, 3-4, 1-2, 2-3, 1-2 (6 pár) 1-2, 3-4, 1-3, 2-4 (4 pár) Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
33 Genetikus - evolúciós algoritmusok "Rendező párok" Rendezés - összehasonlítás-csere párok reprezentációja (11,5) (7,9) (2,7) (14,4) (3,12) (10,9) azonos kromoszóma részlet : homozigóta különböző kromoszóma részlet : heterozigóta Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
34 Genetikus - evolúciós algoritmusok Rendezés - keresztezés "Rendező párok" szülő 1. (diploid) szülő 2. (diploid) keresztezés gaméta 1. (haploid) gaméta 2. (haploid) ivadék (diploid) Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
35 Genetikus - evolúciós algoritmusok Rendezés - költségfüggvény "Rendező párok" kevés, mindig változó rendezendő számsorozat rendezésének a sikeressége probléma : az elég jó rendezések nem fejlődnek tovább... "evolúciós nyomás kell... ötlet : a teszt esetek (rendezendő számsorozatok) is fejlődjenek egy számsorozat akkor "sikeres" ha nehéz rendezni... "gazdák és paraziták" Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
36 Genetikus - evolúciós algoritmusok Rendezés - költségfüggvény "Rendező párok" kevés, mindig változó rendezendő számsorozat rendezésének a sikeressége probléma : az elég jó rendezések nem fejlődnek tovább... "evolúciós nyomás kell... ötlet : a teszt esetek (rendezendő számsorozatok) is fejlődjenek egy számsorozat akkor "sikeres" ha nehéz rendezni... "gazdák és paraziták" Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
37 Genetikus - evolúciós algoritmusok Rendezés - költségfüggvény "Rendező párok" kevés, mindig változó rendezendő számsorozat rendezésének a sikeressége probléma : az elég jó rendezések nem fejlődnek tovább... "evolúciós nyomás kell... ötlet : a teszt esetek (rendezendő számsorozatok) is fejlődjenek egy számsorozat akkor "sikeres" ha nehéz rendezni... "gazdák és paraziták" Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
38 Genetikus - evolúciós algoritmusok Rendezés - költségfüggvény "Rendező párok" kevés, mindig változó rendezendő számsorozat rendezésének a sikeressége probléma : az elég jó rendezések nem fejlődnek tovább... "evolúciós nyomás kell... ötlet : a teszt esetek (rendezendő számsorozatok) is fejlődjenek egy számsorozat akkor "sikeres" ha nehéz rendezni... "gazdák és paraziták" Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
39 Genetikus - evolúciós algoritmusok Rendezés - költségfüggvény "Rendező párok" kevés, mindig változó rendezendő számsorozat rendezésének a sikeressége probléma : az elég jó rendezések nem fejlődnek tovább... "evolúciós nyomás kell... ötlet : a teszt esetek (rendezendő számsorozatok) is fejlődjenek egy számsorozat akkor "sikeres" ha nehéz rendezni... "gazdák és paraziták" Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
40 Genetikus - evolúciós algoritmusok Rendezés - költségfüggvény "Rendező párok" kevés, mindig változó rendezendő számsorozat rendezésének a sikeressége probléma : az elég jó rendezések nem fejlődnek tovább... "evolúciós nyomás kell... ötlet : a teszt esetek (rendezendő számsorozatok) is fejlődjenek egy számsorozat akkor "sikeres" ha nehéz rendezni... "gazdák és paraziták" Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
41 Neurális hálózat Neurális hálózat Tanulási paradigmák: felügyelt tanulás (pld. karakter felismerés) felügyelet nélküli tanulás (pld. csoportosítás) megerősítéses tanulás (pld. játékok) Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
42 Tartalom Neurális hálózat N.E.R.O. 1 Genetikus - evolúciós algoritmusok "Függvényanalízis" Térkép feliratozás Algoritmusok tanulása TSP Fogolydilemma Amőba "Rendező párok" 2 Neurális hálózat N.E.R.O. Hangya kolónia optimalizálás Framsticks Labirintus Autóvezetés tanulás... Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
43 NERO Neurális hálózat N.E.R.O. Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
44 Neurális hálózat N.E.R.O. Neuro-Evolving Robotic Operatives 1/3 "ágensek" (robotok) 3D fizikai szimulációs környezet tanítható ágensek két játékfázis tanítás, "próbakörnyezetben" "harc"... Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
45 Neurális hálózat N.E.R.O. Neuro-Evolving Robotic Operatives 2/3 tanítás egyre komplexebb környezetekben Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
46 Neurális hálózat N.E.R.O. Neuro-Evolving Robotic Operatives 3/3 Real-time Neuroevolution (rtneat) ágens "agy": neurális hálózat szenzorok a neurális háló bemenetei genetikus algoritmus, megerősítéses tanulás: egy populáció legjobbjai jutalmat, a legroszabbak büntetést kapnak a "jóságot" a felhasználó állítja be: különböző szempontoknak megfelelés (ellenfél megközelítése, célbatalálás, távolságok...) az "agy"at az életciklusa végén az algoritmus "kiértékeli"... N.E.R.O Neuro-Evolving Robotic Operatives : Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
47 Tartalom Neurális hálózat Hangya kolónia optimalizálás 1 Genetikus - evolúciós algoritmusok "Függvényanalízis" Térkép feliratozás Algoritmusok tanulása TSP Fogolydilemma Amőba "Rendező párok" 2 Neurális hálózat N.E.R.O. Hangya kolónia optimalizálás Framsticks Labirintus Autóvezetés tanulás... Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
48 Neurális hálózat Hangya kolónia optimalizálás Hangya kolónia optimalizálás - ant colony optimization gráfban legrövidebb út keresés véletlenszerű vándorlás élelem találása esetén vissza a bolyba, közben feromon nyomok hagyása ha feromon nyomot talál, akkor (véletlen vándorlás helyett) inkább követi a feromon nyom idővel elpárolog a rövidebb úton jobban megmarad a feromon nyom... Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
49 Tartalom Neurális hálózat Framsticks 1 Genetikus - evolúciós algoritmusok "Függvényanalízis" Térkép feliratozás Algoritmusok tanulása TSP Fogolydilemma Amőba "Rendező párok" 2 Neurális hálózat N.E.R.O. Hangya kolónia optimalizálás Framsticks Labirintus Autóvezetés tanulás... Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
50 Framsticks Neurális hálózat Framsticks Lények evolúciós képességeinek a vizsgálata 3D környezet genotípus ábrázolja a lényeket: fizikai szerkezet ("test") neurális hálózat ("agy") környezet érzékelők agy beavatkozók környezet operátorok: mutáció, keresztezés, javítás energia követelmények irányított (fitnessz függvény), és spontán evolúció Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
51 Tartalom Neurális hálózat Labirintus 1 Genetikus - evolúciós algoritmusok "Függvényanalízis" Térkép feliratozás Algoritmusok tanulása TSP Fogolydilemma Amőba "Rendező párok" 2 Neurális hálózat N.E.R.O. Hangya kolónia optimalizálás Framsticks Labirintus Autóvezetés tanulás... Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
52 Neurális hálózat Labirintusból kitalálás... Labirintus kromoszóma? mit reprezentál? költség függvény? operátorok: szelekció, keresztezés, mutáció? evolúció műkdése? Egy adott labirintusból kromoszóma = útvonal... Általános algoritmus kromoszóma = "algoritmus"... Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
53 Neurális hálózat Labirintusból kitalálás... Labirintus kromoszóma? mit reprezentál? költség függvény? operátorok: szelekció, keresztezés, mutáció? evolúció műkdése? Egy adott labirintusból kromoszóma = útvonal... Általános algoritmus kromoszóma = "algoritmus"... Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
54 Tartalom Neurális hálózat Autóvezetés tanulás... 1 Genetikus - evolúciós algoritmusok "Függvényanalízis" Térkép feliratozás Algoritmusok tanulása TSP Fogolydilemma Amőba "Rendező párok" 2 Neurális hálózat N.E.R.O. Hangya kolónia optimalizálás Framsticks Labirintus Autóvezetés tanulás... Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
55 Autóvezetés tanulás Neurális hálózat Autóvezetés tanulás... a vezető érzékeli a környezetét ezek alapján irányítja az autót... mit érzékel a vezető (algoritmus)? mit tartalmaz a kromoszóma / neurális hálózat? mi az evolúciós algoritmus / neurális hálózat bemenete és kimenente (eredménye)? hogyan működik az evolúciós algoritmus / neurális hálózat?... Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
56 Neurális hálózat Autóvezetés tanulás... Előnyök - hátrányok, továbbfejlesztés Előnyök sok paraméterrel jól párhuzamosítható több jó megoldás Hátrányok ha kicsi / változó az állapottér ha kevés a paraméter ha bináris / drága költségfüggvény nincs "biztos" optimum Továbbfejlesztés új operátorok : pld. öregedés... pontosabb evolúciós modell : több populáció egymásra hatása... tanulás beépítése... adaptálódó kódolás, és paraméterek hierarchikus modell, meta... Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
57 Összefoglalás Neurális hálózat Autóvezetés tanulás... Istenes Zoltán (ELTE-IK-PSZT) Mesterséges Intelligencia alapjai / 43
Bevezetés 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.
RészletesebbenSzámítógépes döntéstámogatás. Genetikus algoritmusok
BLSZM-10 p. 1/18 Számítógépes döntéstámogatás Genetikus algoritmusok Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu BLSZM-10 p. 2/18 Bevezetés 1950-60-as
RészletesebbenKétszemélyes játékok
Mesterséges Intelligencia alapjai, gyakorlat Eötvös Loránd Tudományegyetem Informatikai Kar Programozáselmélet és Szoftvertechnológiai Tanszék 2010 / udapest Kétszemélyes teljes információjú játékok két
Részletesebbenértékel függvény: rátermettségi függvény (tness function)
Genetikus algoritmusok globális optimalizálás sok lehetséges megoldás közül keressük a legjobbat értékel függvény: rátermettségi függvény (tness function) populáció kiválasztjuk a legrátermettebb egyedeket
RészletesebbenIntelligens Rendszerek Elmélete. Párhuzamos keresés genetikus algoritmusokkal
Intelligens Rendszerek Elmélete Dr. Kutor László Párhuzamos keresés genetikus algoritmusokkal http://mobil.nik.bmf.hu/tantargyak/ire.html login: ire jelszó: IRE0 IRE / A természet általános kereső algoritmusa:
RészletesebbenAlgoritmusok Tervezése. 9. Előadás Genetikus Algoritmusok Dr. Bécsi Tamás
Algoritmusok Tervezése 9. Előadás Genetikus Algoritmusok Dr. Bécsi Tamás Biológiai háttér (nagyvonalúan) A sejt genetikai információit hordozó DNS általában kromoszómának nevezett makromolekulákba van
RészletesebbenKéprekonstrukció 9. előadás
Képrekonstrukció 9. előadás Balázs Péter Képfeldolgozás és Számítógépes Grafika Tanszék Szegedi Tudományegyetem hv-konvex összefüggő halmazok Mag-burok-szerű rekonstrukció: S. Brunetti, A. Del Lungo, F.
RészletesebbenGenetikus algoritmusok
Genetikus algoritmusok Zsolnai Károly - BME CS zsolnai@cs.bme.hu Keresőalgoritmusok osztályai Véletlent használó algoritmusok Keresőalgoritmusok Kimerítő algoritmusok Dinamikus programozás BFS DFS Tabu
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
RészletesebbenTartalomjegyzék. Tartalomjegyzék... 3 Előszó... 9
... 3 Előszó... 9 I. Rész: Evolúciós számítások technikái, módszerei...11 1. Bevezetés... 13 1.1 Evolúciós számítások... 13 1.2 Evolúciós algoritmus alapfogalmak... 14 1.3 EC alkalmazásokról általában...
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,
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
RészletesebbenTARTALOMJEGYZÉK. TARTALOMJEGYZÉK...vii ELŐSZÓ... xiii BEVEZETÉS A lágy számításról A könyv célkitűzése és felépítése...
TARTALOMJEGYZÉK TARTALOMJEGYZÉK...vii ELŐSZÓ... xiii BEVEZETÉS...1 1. A lágy számításról...2 2. A könyv célkitűzése és felépítése...6 AZ ÖSSZETEVŐ LÁGY RENDSZEREK...9 I. BEVEZETÉS...10 3. Az összetevő
Részletesebbenértékel függvény: rátermettségi függvény (tness function)
Genetikus algoritmusok globális optimalizálás sok lehetséges megoldás közül keressük a legjobbat értékel függvény: rátermettségi függvény (tness function) populáció kiválasztjuk a legrátermettebb egyedeket
RészletesebbenHÁLÓZATSZERŰEN MŰKÖDŐ LOGISZTIKÁVAL INTEGRÁLT TERMELÉSÜTEMEZÉS MEGOLDÁSA GENETIKUS ALGORITMUS ALKALMAZÁSÁVAL. OLÁH Béla
HÁLÓZATSZERŰEN MŰKÖDŐ LOGISZTIKÁVAL INTEGRÁLT TERMELÉSÜTEMEZÉS MEGOLDÁSA GENETIKUS ALGORITMUS ALKALMAZÁSÁVAL OLÁH Béla A TERMELÉSÜTEMEZÉS MEGFOGALMAZÁSA Flow shop: adott n számú termék, melyeken m számú
RészletesebbenNem-kooperatív játékok
Nem-kooperatív játékok Versengő ágensek konfliktusai játékelmélet Cselekvéseivel mások cselekvéseinek hatását befolyásolják. Ettől a cselekvések (mind) várható haszna meg fog változni. A változás az én
RészletesebbenA genetikus algoritmus, mint a részletes modell többszempontú és többérdekű "optimálásának" általános és robosztus módszere
A genetikus algoritmus, mint a részletes modell többszempontú és többérdekű "optimálásának" általános és robosztus módszere Kaposvári Egyetem, Informatika Tanszék I. Kaposvári Gazdaságtudományi Konferencia
RészletesebbenIntelligens Rendszerek Elmélete. Párhuzamos keresés genetikus algoritmusokkal. A genetikus algoritmus működése. Az élet információ tárolói
Intelligens Rendszerek Elmélete dr. Kutor László Párhuzamos keresés genetikus algoritmusokkal http://mobil.nik.bmf.hu/tantargyak/ire.html login: ire jelszó: IRE07 IRE 5/ Természetes és mesterséges genetikus
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Problémamegoldás kereséssel - csak lokális információra alapozva Pataki Béla BME I.E. 414, 463-26-79 pataki@mit.bme.hu, http://www.mit.bme.hu/general/staff/pataki Lokálisan
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Problémamegoldás kereséssel - lokális információval Pataki Béla Bolgár Bence BME I.E. 414, 463-26-79 pataki@mit.bme.hu, http://www.mit.bme.hu/general/staff/pataki Rugó tervezése
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
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
RészletesebbenSzámítógépes képelemzés 7. előadás. Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék
Számítógépes képelemzés 7. előadás Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék Momentumok Momentum-alapú jellemzők Tömegközéppont Irányultáság 1 2 tan 2 1 2,0 1,1 0, 2 Befoglaló
RészletesebbenKeresés képi jellemzők alapján. Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék
Keresés képi jellemzők alapján Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék Lusta gépi tanulási algoritmusok Osztályozás: k=1: piros k=5: kék k-legközelebbi szomszéd (k=1,3,5,7)
Részletesebben2015/ Szegedi Tudományegyetem Informatikai Intézet
Operációkutatás I. 2015/2016-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 9. Előadás Egy példa Adott két TV csatorna (N1, N2), melyek 100 millió nézőért versenyeznek.
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
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.
RészletesebbenInformatikai Rendszerek Tervezése
Sapientia - Erdélyi Magyar TudományEgyetem (EMTE) Csíkszereda IRT.- 5. kurzus 1 Informatikai Rendszerek Tervezése 4. Előadás: Genetikus algoritmusok Illyés László 1 Tartalom Bevezető A kanonikus genetikus
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
RészletesebbenFelvételi tematika INFORMATIKA
Felvételi tematika INFORMATIKA 2016 FEJEZETEK 1. Természetes számok feldolgozása számjegyenként. 2. Számsorozatok feldolgozása elemenként. Egydimenziós tömbök. 3. Mátrixok feldolgozása elemenként/soronként/oszloponként.
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
RészletesebbenGépi tanulás a gyakorlatban. Kiértékelés és Klaszterezés
Gépi tanulás a gyakorlatban Kiértékelés és Klaszterezés Hogyan alkalmazzuk sikeresen a gépi tanuló módszereket? Hogyan válasszuk az algoritmusokat? Hogyan hangoljuk a paramétereiket? Precízebben: Tegyük
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
RészletesebbenUniversität M Mis is k k olol cic, F Eg a y kultä etem t, für Wi Gazda rts ságcha tudfts o w máis n s yen i scha Kar, ften,
8. Előadás Speciális optimalizációs eljárások Genetikus algoritmusok OPTIMALIZÁLÁSI ELJÁRÁSOK Gradiens alapú módszerek Véletlent használó módszerek Kimerítő keresésen alapuló módszerek Direkt módszerek
RészletesebbenKéprekonstrukció 6. előadás
Képrekonstrukció 6. előadás Balázs Péter Képfeldolgozás és Számítógépes Grafika Tanszék Szegedi Tudományegyetem Diszkrét tomográfia (DT) A CT-hez több száz vetület szükséges időigényes költséges károsíthatja
RészletesebbenMesterséges intelligencia 3. laborgyakorlat
Mesterséges intelligencia 3. laborgyakorlat Kétszemélyes játékok - Minimax A következő típusú játékok megoldásával foglalkozunk: (a) kétszemélyes, (b) determinisztikus, (c) zéróösszegű, (d) teljes információjú.
RészletesebbenNeurális hálózatok bemutató
Neurális hálózatok bemutató Füvesi Viktor Miskolci Egyetem Alkalmazott Földtudományi Kutatóintézet Miért? Vannak feladatok amelyeket az agy gyorsabban hajt végre mint a konvencionális számítógépek. Pl.:
RészletesebbenRegresszió. Csorba János. Nagyméretű adathalmazok kezelése március 31.
Regresszió Csorba János Nagyméretű adathalmazok kezelése 2010. március 31. A feladat X magyarázó attribútumok halmaza Y magyarázandó attribútumok) Kérdés: f : X -> Y a kapcsolat pár tanítópontban ismert
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
RészletesebbenULTIMATE TIC TAC TOE. Serfőző Péter
ULTIMATE TIC TAC TOE Serfőző Péter 2016.05.02. ULTIMATE TIC TAC TOE Amőba alapján Két változat, az első könnyű, a második nehéz A játék keletkezéséről nincsenek információk, de a játékelmélet elkezdett
RészletesebbenZenegenerálás, majdnem természetes zene. Bernád Kinga és Roth Róbert
Zenegenerálás, majdnem természetes zene Bernád Kinga és Roth Róbert Tartalom 1. Bevezető 2. Eddigi próbálkozások 3. Módszerek 4. Algoritmus bemutatása 5. Összefoglaló (C) Bernád Kinga, Roth Róbert 2 1.
RészletesebbenFELÜGYELT ÉS MEGERŐSÍTÉSES TANULÓ RENDSZEREK FEJLESZTÉSE
FELÜGYELT ÉS MEGERŐSÍTÉSES TANULÓ RENDSZEREK FEJLESZTÉSE Dr. Aradi Szilárd, Fehér Árpád Mesterséges intelligencia kialakulása 1956 Dartmouth-i konferencián egy maroknyi tudós megalapította a MI területét
RészletesebbenStratégiák tanulása az agyban
Statisztikai tanulás az idegrendszerben, 2019. Stratégiák tanulása az agyban Bányai Mihály banyai.mihaly@wigner.mta.hu http://golab.wigner.mta.hu/people/mihaly-banyai/ Kortárs MI thispersondoesnotexist.com
RészletesebbenGépi tanulás a gyakorlatban. Lineáris regresszió
Gépi tanulás a gyakorlatban Lineáris regresszió Lineáris Regresszió Legyen adott egy tanuló adatbázis: Rendelkezésünkre áll egy olyan előfeldolgozott adathalmaz, aminek sorai az egyes ingatlanokat írják
RészletesebbenDr. habil. Maróti György
infokommunikációs technológiák III.8. MÓDSZER KIDOLGOZÁSA ALGORITMUSOK ÁTÜLTETÉSÉRE KIS SZÁMÍTÁSI TELJESÍTMÉNYŰ ESZKÖZÖKBŐL ÁLLÓ NÉPES HETEROGÉN INFRASTRUKTÚRA Dr. habil. Maróti György maroti@dcs.uni-pannon.hu
RészletesebbenMesterséges neurális hálózatok II. - A felügyelt tanítás paraméterei, gyorsító megoldásai - Versengéses tanulás
Mesterséges neurális hálózatok II. - A felügyelt tanítás paraméterei, gyorsító megoldásai - Versengéses tanulás http:/uni-obuda.hu/users/kutor/ IRE 7/50/1 A neurális hálózatok általános jellemzői 1. A
RészletesebbenAdatbányászati szemelvények MapReduce környezetben
Adatbányászati szemelvények MapReduce környezetben Salánki Ágnes salanki@mit.bme.hu 2014.11.10. Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Felügyelt
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
RészletesebbenMegerősítéses tanulás
Megerősítéses tanulás elméleti kognitív neurális Introduction Knowledge representation Probabilistic models Bayesian behaviour Approximate inference I (computer lab) Vision I Approximate inference II:
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
RészletesebbenSimon Károly Babes Bolyai Tudományegyetem ksimon@cs.ubbcluj.com
Evolúciósalgoritmusokalkalmazása azadatelemzésben SimonKároly Babes BolyaiTudományegyetem ksimon@cs.ubbcluj.com 1 Evolúciósszámítástechnikaimodellek Evolúciósszámítástechnika:biológiaiinspirációjúkeresésiés
RészletesebbenKözgazdaságtan I. 11. alkalom
Közgazdaságtan I. 11. alkalom 2018-2019/II. 2019. Április 24. Tóth-Bozó Brigitta Tóth-Bozó Brigitta Általános információk Fogadóóra szerda 13-14, előzetes bejelentkezés szükséges e-mailben! QA218-as szoba
RészletesebbenTartalom Keresés és rendezés. Vektoralgoritmusok. 1. fejezet. Keresés adatvektorban. A programozás alapjai I.
Keresés Rendezés Feladat Keresés Rendezés Feladat Tartalom Keresés és rendezés A programozás alapjai I. Hálózati Rendszerek és Szolgáltatások Tanszék Farkas Balázs, Fiala Péter, Vitéz András, Zsóka Zoltán
RészletesebbenGépi tanulás. Neurális hálók, genetikus algoritmus. Közlekedési informatika MSc. Földes Dávid St. 405.
Gépi tanulás Neurális hálók, genetikus algoritmus Közlekedési informatika MSc Földes Dávid foldes.david@mail.bme.hu St. 405. Tartalom Mesterséges intelligencia - bevezetés Neurális hálózatok Evolúciós
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
RészletesebbenLogikai ágensek. Mesterséges intelligencia március 21.
Logikai ágensek Mesterséges intelligencia 2014. március 21. Bevezetés Eddigi példák tudásra: állapotok halmaza, lehetséges operátorok, ezek költségei, heurisztikák Feltételezés: a világ (lehetséges állapotok
RészletesebbenKeresés és rendezés. A programozás alapjai I. Hálózati Rendszerek és Szolgáltatások Tanszék Farkas Balázs, Fiala Péter, Vitéz András, Zsóka Zoltán
Keresés Rendezés Feladat Keresés és rendezés A programozás alapjai I. Hálózati Rendszerek és Szolgáltatások Tanszék Farkas Balázs, Fiala Péter, Vitéz András, Zsóka Zoltán 2016. november 7. Farkas B., Fiala
Részletesebbenf B B 1 B 2 A A 2 0-1
az előadáson tárgyalt példák-1 Fogolydilemma A játék 2 2-es, nem-kooperatív, kétszemélyes és szimmetrikus. A játékos lehetőségei: A 1 : elismeri a bankrablást B játékos lehetőségei: B 1 : elismeri a bankrablást
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
RészletesebbenAlgoritmuselmélet 7. előadás
Algoritmuselmélet 7. előadás Katona Gyula Y. Budapesti Műszaki és Gazdaságtudományi Egyetem Számítástudományi Tsz. I. B. 137/b kiskat@cs.bme.hu 2002 Március 11. ALGORITMUSELMÉLET 7. ELŐADÁS 1 Múltkori
RészletesebbenHÁZI FELADAT PROGRAMOZÁS I. évf. Fizikus BSc. 2009/2010. I. félév
1. feladat (nehézsége:*****). Készíts C programot, mely a felhasználó által megadott függvényt integrálja (numerikusan). Gondosan tervezd meg az adatstruktúrát! Tervezz egy megfelelő bemeneti nyelvet.
RészletesebbenIntelligens Rendszerek Elmélete. Versengéses és önszervező tanulás neurális hálózatokban
Intelligens Rendszerek Elmélete : dr. Kutor László Versengéses és önszervező tanulás neurális hálózatokban http://mobil.nik.bmf.hu/tantargyak/ire.html Login név: ire jelszó: IRE07 IRE 9/1 Processzor Versengéses
RészletesebbenHibadetektáló rendszer légtechnikai berendezések számára
Hibadetektáló rendszer légtechnikai berendezések számára Tudományos Diákköri Konferencia A feladatunk Légtechnikai berendezések Monitorozás Hibadetektálás Újrataníthatóság A megvalósítás Mozgásérzékelő
RészletesebbenINFORMATIKA tétel 2019
INFORMATIKA tétel 2019 ELIGAZÍTÁS: 1 pont hivatalból; Az 1-4 feladatokban (a pszeudokód programrészletekben): (1) a kiír \n utasítás újsorba ugratja a képernyőn a kurzort; (2) a / operátor osztási hányadost
RészletesebbenMikroökonómia I. B. ELTE TáTK Közgazdaságtudományi Tanszék. 12. hét STRATÉGIAI VISELKEDÉS ELEMZÉSE JÁTÉKELMÉLET
MIKROÖKONÓMIA I. B ELTE TáTK Közgazdaságtudományi Tanszék Mikroökonómia I. B STRATÉGIAI VISELKEDÉS ELEMZÉSE JÁTÉKELMÉLET K hegyi Gergely, Horn Dániel, Major Klára Szakmai felel s: K hegyi Gergely 2010.
RészletesebbenBevezetés az informatikába
Bevezetés az informatikába 4. előadás Dr. Istenes Zoltán Eötvös Loránd Tudományegyetem Informatikai Kar Programozáselmélet és Szoftvertechnológiai Tanszék Matematikus BSc - I. félév / 2008 / Budapest Dr.
RészletesebbenKÖZGAZDASÁGTAN I. Készítette: Bíró Anikó, K hegyi Gergely, Major Klára. Szakmai felel s: K hegyi Gergely. 2010. június
KÖZGAZDASÁGTAN I. Készült a TÁMOP-4.1.2-08/2/a/KMR-2009-0041 pályázati projekt keretében Tartalomfejlesztés az ELTE TáTK Közgazdaságtudományi Tanszékén az ELTE Közgazdaságtudományi Tanszék az MTA Közgazdaságtudományi
RészletesebbenKutatás-fejlesztési eredmények a Számítógépes Algoritmusok és Mesterséges Intelligencia Tanszéken. Dombi József
Kutatás-fejlesztési eredmények a Számítógépes Algoritmusok és Mesterséges Intelligencia Tanszéken Dombi József Mesterséges intelligencia Klasszikus megközelítés (A*, kétszemélyes játékok, automatikus tételbizonyítás,
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
RészletesebbenGráfalgoritmusok és hatékony adatszerkezetek szemléltetése
Gráfalgoritmusok és hatékony adatszerkezetek szemléltetése Készítette: Bognár Gergő Témavezető: Veszprémi Anna Eötvös Loránd Tudományegyetem Informatikai Kar Algoritmusok és Alkalmazásaik Tanszék Budapest,
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
RészletesebbenProgramozás alapjai C nyelv 7. gyakorlat. Függvények. Függvények(2)
Programozás alapjai C nyelv 7. gyakorlat Szeberényi Imre BME IIT Programozás alapjai I. (C nyelv, gyakorlat) BME-IIT Sz.I. 2005.11.05. -1- Függvények C program egymás mellé rendelt függvényekből
RészletesebbenSzámítógépes alapismeretek
Számítógépes alapismeretek 0. (meta) előadás Dr. Istenes Zoltán Eötvös Loránd Tudományegyetem Informatikai Kar Programozáselmélet és Szoftvertechnológiai Tanszék Programtervező Informatikus BSc 2008 /
RészletesebbenCARE. Biztonságos. otthonok idős embereknek CARE. Biztonságos otthonok idős embereknek 2010-09-02. Dr. Vajda Ferenc Egyetemi docens
CARE Biztonságos CARE Biztonságos otthonok idős embereknek otthonok idős embereknek 2010-09-02 Dr. Vajda Ferenc Egyetemi docens 3D Érzékelés és Mobilrobotika kutatócsoport Budapesti Műszaki és Gazdaságtudományi
RészletesebbenMegerősítéses tanulás 7. előadás
Megerősítéses tanulás 7. előadás 1 Ismétlés: TD becslés s t -ben stratégia szerint lépek! a t, r t, s t+1 TD becslés: tulajdonképpen ezt mintavételezzük: 2 Akcióértékelő függvény számolása TD-vel még mindig
RészletesebbenTotális Unimodularitás és LP dualitás. Tapolcai János
Totális Unimodularitás és LP dualitás Tapolcai János tapolcai@tmit.bme.hu 1 Optimalizálási feladat kezelése NP-nehéz Hatékony megoldás vélhetően nem létezik Jó esetben hatékony algoritmussal közelíteni
RészletesebbenMesterséges Intelligencia 1
Mesterséges Intelligencia Egy ember kecskét, farkast és kápostát seretne átvinni egy folyón, de csak egy kis csónakot talál, amelybe rajta kívül csak egy tárgy fér. Hogyan tud a folyón úgy átkelni, hogy.
RészletesebbenÚjfajta, automatikus, döntési fa alapú adatbányászati módszer idősorok osztályozására
VÉGZŐS KONFERENCIA 2009 2009. május 20, Budapest Újfajta, automatikus, döntési fa alapú adatbányászati módszer idősorok osztályozására Hidasi Balázs hidasi@tmit.bme.hu Konzulens: Gáspár-Papanek Csaba Budapesti
RészletesebbenFüggvények. Programozás alapjai C nyelv 7. gyakorlat. LNKO függvény. Függvények(2) LNKO függvény (2) LNKO függvény (3)
Programozás alapjai C nyelv 7. gyakorlat Szeberényi Imre BME IIT Függvények C program egymás mellé rendelt függvényekből áll. A függvény (alprogram) jó absztrakciós eszköz a programok
RészletesebbenPIACI JÁTSZMÁK. Bevezető Közgazdaságtan Tanszék
PIACI JÁTSZMÁK Bevezető 2018. 09. 03 Közgazdaságtan Tanszék banhidiz@kgt.bme.hu Általános információk Piaci játszmák (BMEGT30V200) Oktatók és témakörök: Bánhidi Zoltán (banhidiz@kgt.bme.hu) Bevezető témakörök
RészletesebbenIntelligens Rendszerek Gyakorlata. Neurális hálózatok I.
: Intelligens Rendszerek Gyakorlata Neurális hálózatok I. dr. Kutor László http://mobil.nik.bmf.hu/tantargyak/ir2.html IRG 3/1 Trend osztályozás Pnndemo.exe IRG 3/2 Hangulat azonosítás Happy.exe IRG 3/3
RészletesebbenAdaptív dinamikus szegmentálás idősorok indexeléséhez
Adaptív dinamikus szegmentálás idősorok indexeléséhez IPM-08irAREAE kurzus cikkfeldolgozás Balassi Márton 1 Englert Péter 1 Tömösy Péter 1 1 Eötvös Loránd Tudományegyetem Informatikai Kar 2013. november
RészletesebbenAlgoritmuselmélet 18. előadás
Algoritmuselmélet 18. előadás Katona Gyula Y. Budapesti Műszaki és Gazdaságtudományi Egyetem Számítástudományi Tsz. I. B. 137/b kiskat@cs.bme.hu 2002 Május 7. ALGORITMUSELMÉLET 18. ELŐADÁS 1 Közelítő algoritmusok
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
RészletesebbenHeurisztikák algoritmusok ütemezési problémákra. 1. Állapottér és a megoldások kezelése
Heurisztikák algoritmusok ütemezési problémákra 1. Állapottér és a megoldások kezelése Számos nehéz ütemezési probléma esetén az exponenciális idejű optimális megoldást adó algoritmusok rendkívül nagy
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.
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
RészletesebbenAlgoritmuselmélet. Bonyolultságelmélet. Katona Gyula Y.
Algoritmuselmélet Bonyolultságelmélet Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem 12. előadás Katona Gyula Y. (BME SZIT) Algoritmuselmélet
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
RészletesebbenProgramozási segédlet
Programozási segédlet Programozási tételek Az alábbiakban leírtam néhány alap algoritmust, amit ismernie kell annak, aki programozásra adja a fejét. A lista korántsem teljes, ám ennyi elég kell legyen
RészletesebbenTanulás az idegrendszerben. Structure Dynamics Implementation Algorithm Computation - Function
Tanulás az idegrendszerben Structure Dynamics Implementation Algorithm Computation - Function Tanulás pszichológiai szinten Classical conditioning Hebb ötlete: "Ha az A sejt axonja elég közel van a B sejthez,
RészletesebbenÖsszefoglalás és gyakorlás
Összefoglalás és gyakorlás High Speed Networks Laboratory 1 / 28 Hálózatok jellemző paraméterei High Speed Networks Laboratory 2 / 28 Evolúció alkotta adatbázis Önszerveződő adatbázis = (struktúra, lekérdezés)
RészletesebbenBizonytalanságok melletti következtetés
Bizonytalanságok melletti következtetés Mesterséges Intelligencia I. Valószínűségi alapfogalmak (ismétlés) A, B,C események esetén a priori valószínűség: feltételes (a posteiori) valószínűség: Bayes-formula
RészletesebbenAdatszerkezetek. Nevezetes algoritmusok (Keresések, rendezések)
Adatszerkezetek Nevezetes algoritmusok (Keresések, rendezések) Keresések A probléma általános megfogalmazása: Adott egy N elemű sorozat, keressük meg azt az elemet (határozzuk meg a helyét a sorozatban),
RészletesebbenAdatszerkezetek 2. Dr. Iványi Péter
Adatszerkezetek 2. Dr. Iványi Péter 1 Fák Fákat akkor használunk, ha az adatok között valamilyen alá- és fölérendeltség van. Pl. könyvtárszerkezet gyökér (root) Nincsennek hurkok!!! 2 Bináris fák Azokat
RészletesebbenAPI-MÁGIA MILLIÓ SORNYI ADAT ÚJRARENDEZÉSE. Előadó: Jaksa Zsombor, drungli.com
API-MÁGIA MILLIÓ SORNYI ADAT ÚJRARENDEZÉSE Előadó: Jaksa Zsombor, drungli.com MIRŐL FOG SZÓLNI AZ ELŐADÁS? Hogyan működik a drungli.com?# Adatok gyűjtése, stratégiák# Ha marad időm még mesélek HOGYAN MŰKÖDIK
RészletesebbenA kibontakozó új hajtóerő a mesterséges intelligencia
5. Magyar Jövő Internet Konferencia» Okos város a célkeresztben «A kibontakozó új hajtóerő a mesterséges intelligencia Dr. Szűcs Gábor Budapesti Műszaki és Gazdaságtudományi Egyetem Távközlési és Médiainformatikai
RészletesebbenMegerősítéses tanulás 9. előadás
Megerősítéses tanulás 9. előadás 1 Backgammon (vagy Ostábla) 2 3 TD-Gammon 0.0 TD() tanulás (azaz időbeli differencia-módszer felelősségnyomokkal) függvényapproximátor: neuronháló 40 rejtett (belső) neuron
RészletesebbenHAMILTON KÖR: minden csúcson PONTOSAN egyszer áthaladó kör. Forrás: (
HAMILTON KÖR: minden csúcson PONTOSAN egyszer áthaladó kör Teljes gráf: Páros gráf, teljes páros gráf és Hamilton kör/út Hamilton kör: Minden csúcson áthaladó kör Hamilton kör Forrás: (http://www.math.klte.hur/~tujanyi/komb_j/k_win_doc/g0603.doc
RészletesebbenVáltozók. Mennyiség, érték (v. objektum) szimbolikus jelölése, jelentése Tulajdonságai (attribútumai):
Python Változók Mennyiség, érték (v. objektum) szimbolikus jelölése, jelentése Tulajdonságai (attribútumai): Név Érték Típus Memóriacím A változó értéke (esetleg más attribútuma is) a program futása alatt
Részletesebben