Mesterséges Intelligencia 1
|
|
- Renáta Hegedüsné
- 7 évvel ezelőtt
- Látták:
Átírás
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. a farkas ne falja fel a kecskét, 2. a kecske ne egye meg a kápostát? (bekövetkene, ha eek felügyelet nélkül együtt maradnának) Repreentáljuk a feladatot keresési feladatként. Aa:. építsük meg a feladat állapotterét; 2. adjuk meg a elfogadható állapotokat; 3. írjuk fel a operátorokat (műveleteket) és építsük fel a gráfot; 4. határounk meg egy utat aa megoldást a feladatra. Adott a mellékelt gráf. A A csomópontból seretnénk eljutni a H csomópontba. Írjuk fel a meglátogatott csomópontokat sorrendben, ha a keresési stratégia a. sélességi keresés, és csomópontokat balról jobbra terjestünk ki; 2. sélességi keresés, és csomópontokat jobbról balra terjestünk ki; 3. mélységi keresés, és csomópontokat balról jobbra terjestünk ki. A B C D E F G H I J Javaslat: kiárással vagy logikai formulával.
2 Mesterséges Intelligencia 2 Adott a mellékelt gráf. Milyen sorrendben járja be a mélységi keresési stratégiával a B-ből a H-t kereső algoritmus a gráfot, ha a. keresés során a aonos sinten lévő csomópontok köül mindig a 2-től induló, óramutató járásával ellenkeő irányba haladunk? A B C D 2. Mi les a bejárási sorrend, ha a irányt a óramutató járásának megfelelőre váltotatjuk? E F G H I J
3 Mesterséges Intelligencia 3 Feladat. Legyen egy éró-össegű játék nyereségmátrixa a követkeő: Állapítsuk meg a X játékos tista stratégiáját; v 3 Írjuk fel a játék értékét a játékosok kevert stratégiájának a függvényében; x y 5x 2 y + y + 5x y 2 + 3x 2 y 2 2y 2 2x + x 2 + Keressük meg a X játékos optimális stratégiáját; Sámítsuk ki a játék értékét; x = /4; x 2 = /4; x 3 = 2/4 Keressük meg a Y játékos optimális stratégiáját; 3/4 y = /28; y 2 = 9/28; y 3 = 8/28 Ellenőriük a játék értékének a helyességét a Y serinti újrasámolással.
4 Mesterséges Intelligencia 4 Feladat. Legyen egy éró-össegű játék nyereségmátrixa a követkeő: Állapítsuk meg a X játékos tista stratégiáját; v 3 Írjuk fel a játék értékét a játékosok kevert stratégiájának a függvényében; 6x y 0x 2 y + 6y + 2x y 2 2x 2 y 2 + 3x 2 Keressük meg a X játékos optimális stratégiáját; Sámítsuk ki a játék értékét; x = 3/8; x 2 = 3/8; x 3 = 2/8 Keressük meg a Y játékos optimális stratégiáját; /8 y = 3/6; y 2 = 9/6; y 3 = 4/6 Ellenőriük a játék értékének a helyességét a Y serinti újrasámolással.
5 Mesterséges Intelligencia 5 Feladat. Legyen egy éró-össegű játék nyereségmátrixa a követkeő: Állapítsuk meg a X játékos tista stratégiáját; v 3 Írjuk fel a játék értékét a játékosok kevert stratégiájának a függvényében; 3x y x 2 y + 5x 2 y 2 + 3x y 2 2x x 2 y 2y 2 + Keressük meg a X játékos optimális stratégiáját; Sámítsuk ki a játék értékét; x = 7/8; x 2 = 3/8; x 3 = 8/8 Keressük meg a Y játékos optimális stratégiáját; /8 y = 7/8; y 2 = 5/8; y 3 = 6/8 Ellenőriük a játék értékének a helyességét a Y serinti újrasámolással.
6 Mesterséges Intelligencia 6 Feladat. Legyen egy éró-össegű játék nyereségmátrixa a követkeő: Állapítsuk meg a X játékos tista stratégiáját; 3 Írjuk fel a játék értékét a játékosok kevert stratégiájának a függvényében; 2x y 8x 2 y + 4y + 6x y 2 y 2 2x + 2x 2 Keressük meg a X játékos optimális stratégiáját; Sámítsuk ki a játék értékét; x = 4/24; x 2 = /24; x 3 = 9/24 Keressük meg a Y játékos optimális stratégiáját; 7/2 y = 3/2; y 2 = 5/2; y 3 = 4/2 Ellenőriük a játék értékének a helyességét a Y serinti újrasámolással.
7 Mesterséges Intelligencia 7 Feladat. Legyen egy éró-össegű játék nyereségmátrixa a követkeő: Állapítsuk meg a X játékos tista stratégiáját; v 2 v 3 Írjuk fel a játék értékét a játékosok kevert stratégiájának a függvényében; 6x y + 4x y 2 + x 2 y + 4x 2 y 2 3x 2x 2 2y 3y Keressük meg a X játékos optimális stratégiáját; Sámítsuk ki a játék értékét; x = /4; x 2 = /2; x 3 = /4 Keressük meg a Y játékos optimális stratégiáját; /4 y = /5; y 2 = 9/20; y 3 = 7/20 Ellenőriük a játék értékének a helyességét a Y serinti újrasámolással.
8 Mesterséges Intelligencia Feladat. Legyen a alábbi fuy halmarendser µ µ alacsony µ koepes µ magas T - hőmérséklet és a követkeő fuy sabály-tábla X Y Alacsony Köepes Magas Alacsony Köepes Alacsony Köepes Alacsony Köepes Magas Köepes Magas Alacsony ahol nem megengedett állapot Határouk meg a X = 77.5 és Y = 68.0 pontoknak megfelelő fuy követketetést (magyaráuk meg a eredményt). Meghatárouk a bemeneti értékek hoátartoását a különböő halmaokho: X magas = 0.75 és X koepes = 0.25 Y koepes =.00 µ X k, Y k X m, Y k Határouk meg a X = 85.0 és Y = 68.0 pontoknak megfelelő fuy követketetést (magyaráuk meg a eredményt). Hasonlóan! Határouk meg a X = 57.5 és Y = 77.5 pontoknak megfelelő fuy követketetést (magyaráuk meg a eredményt). T Hasonlóan!
9 Mesterséges Intelligencia 2 Feladat: A modus ponens a klassikus logika követketetési sabálya, melynek formája } a b a b Aa a klassikus logikában a (a (a b)) b tautológia. A fuy logikában a lehetséges logikai értékek a [0, ] intervallumban vannak. Határouk meg a modus ponens sabály fuy µ MP (µ(a), µ(b)) függvényét a követkeő logikák esetében:. T (µ(a), µ(b)) = µ(a)µ(b) S (µ(a), µ(b)) = µ(a) + µ(b) µ(a)µ(b); egyserűsítő jelőlés: µ(a) def = a és µ(b) def = b; 2. T (µ(a), µ(b)) = min(µ(a), µ(b)) S (µ(a), µ(b)) = max(µ(a), µ(b)); µ MP (a, b) = ( 2 a( b)) 2 egyserűsítő jelőlés: µ(a) def = a és µ(b) def = b; µ MP (a, b) = max ( a, b, min (a, b)) 3. T (µ(a), µ(b)) = max(0, µ(a) + µ(b) ) S (µ(a), µ(b)) = min(, µ(a) + µ(b)); Gyakorlat! b a 0.8 b a () (2)
10 Mesterséges Intelligencia 3 Feladat. Egy bank fuy sakértői rendsert seretne kidolgoni hitelek kockáatának a megállapítására. A jelentkeők keresete (EUR), életkora és végettsége alapján seretne egy sabályrendsert kidolgoni, mely serint kis/köepes/magas kockáatú ostályba sorol be egy adott össegű hitelt.. Hány fuy váltoónk les? Specifikáljuk. 2. Építsünk egy fuy sabálytáblát, logikus működési értékekkel. Feladat. Találjuk meg a követkeő T-normákho tartoó S-konormákat 2 : T(a, b) = ab; T(a, b) = max(0, a + b ); b if a = T(a, b) = a if b = ; 0 otherwise 2 T(a, b) = S( a, b)
11 Mesterséges Intelligencia 4 Feladat. Legyen a alábbi perceptron-modell, ahol a {x n } D bemenetei, {w n } D a súlyok, y a kimeneti érték. a perceptron x w x 0 = x 2 w 2 D k=0 w 0 = b y x D w D írjuk fel a sereplő mennyiségek típusait (logikai vagy valós) illetve a transformációs függvényt a nem-valós adatok valóssá tételéhe. x k { T, F } k D A átalakító függvény: g : { T, F } {, } { if x = F g(x) = if x = T Építsünk egy perceptron modellt a a b logikai műveletre. a b 2 k=0 y
12 Mesterséges Intelligencia 5 Feladat. Legyen a alábbi perceptron-modell, ahol a {x n } D bemenetei, {w n } D a súlyok, y a kimeneti érték. a perceptron x w x 0 = x 2 w 2 D k=0 w 0 = b y x D w D írjuk fel a sereplő mennyiségek típusait (logikai vagy valós) illetve a transformációs függvényt a nem-valós adatok valóssá tételéhe. x k { T, F } k D A átalakító függvény: g : { T, F } {, } { if x = F g(x) = if x = T Építsünk egy perceptron modellt a a b logikai műveletre. a b 2 k=0 y
13 Mesterséges Intelligencia 6 Feladat. Legyen a alábbi perceptron-modell, ahol a {x n } D bemenetei, {w n } D a súlyok, y a kimeneti érték. a perceptron x w x 0 = x 2 w 2 D k=0 w 0 = b y x D w D írjuk fel a sereplő mennyiségek típusait (logikai vagy valós) illetve a transformációs függvényt a nem-valós adatok valóssá tételéhe. x k { T, F } k D A átalakító függvény: g : { T, F } {, } { if x = F g(x) = if x = T Magyaráuk meg, hogy a logikai XOR feladatot egy perceptron miért nem tudja megoldani (magyaráuk meg a fogalmakat). mert a négy pont nem separálható lineárisan. Építsünk egy többrétegű perceptron modellt a XOR logikai műveletre. a XOR b = ( a b ) (a b) A kétsintes perceptron rejtett sintjein implementáljuk a a b illetve a a b műveleteket, a második sinten a logikai vagy műveletet. a b f() f() f() y
Mesterséges Intelligencia Feladatok 1
Mesterséges Intelligencia Feladatok. Egy ember kecskét, farkast és káposztát szeretne átvinni egy folyón, de csak egy csónakot talál, amelybe rajta kívül csak egy tárgy fér. Hogyan tud a folyón úgy átkelni,
Részletesebben7. feladatsor: Laplace-transzformáció (megoldás)
Matematika Ac gyakorlat Vegyésmérnöki, Biomérnöki, Környeetmérnöki sakok, 017/18 ős 7. feladatsor: Laplace-transformáció (megoldás) 1. A definíció alapján sámoljuk ki a követkeő függvények Laplace-transformáltját.
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 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
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
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
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
RészletesebbenAdatszerkezetek 7a. Dr. IványiPéter
Adatszerkezetek 7a. Dr. IványiPéter 1 Fák Fákat akkor használunk, ha az adatok között valamilyen alá- és fölérendeltség van. Pl. könyvtárszerkezet gyökér () Nincsennek hurkok!!! 2 Bináris fák Azokat a
RészletesebbenA feladatsorok összeállításánál felhasználtuk a Nemzeti Tankönyvkiadó RT. Gyakorló és érettségire felkészítő feladatgyűjtemény I III. példatárát.
Oros Gyula, 00. november Emelt sintű érettségi feladatsor Össeállította: Oros Gyula; dátum: 00. október A feladatsorok össeállításánál felhasnáltuk a Nemeti Tankönyvkiadó RT. Gyakorló és érettségire felkésítő
RészletesebbenDinamikus modellek szerkezete, SDG modellek
Diagnosztika - 3. p. 1/2 Modell Alapú Diagnosztika Diszkrét Módszerekkel Dinamikus modellek szerkezete, SDG modellek Hangos Katalin PE Villamosmérnöki és Információs Rendszerek Tanszék Diagnosztika - 3.
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.
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
RészletesebbenIntelligens irányítások
Intelligens irányítások Fuzzy halmazok Ballagi Áron Széchenyi István Egyetem Automatizálási Tsz. Arisztotelészi szi logika 2 Taichi Yin-Yang Yang logika 3 Hagyományos és Fuzzy halmaz Egy hagyományos halmaz
RészletesebbenDunaújvárosi Főiskola Informatikai Intézet
Dunaújvárosi Főiskola Informatikai Intézet Bizonytalanságkezelés Dr. Seebauer Márta főiskolai tanár seebauer.marta@szgti.bmf.hu Bizonytalan tudás forrása A klasszikus logikában a kijelentések vagy igazak
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
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
RészletesebbenFelsőbb Matematika Informatikusoknak D házi feladatok a Sztochasztika 2 részhez 2013 tavasz
Felsőbb Matematika Informatikusoknak D hái feladatok a Stochastika réshe tavas Minden héten össesen egy pontot érnek a kitűött feladatok HF: (Beadási határidő: 4) HF Egy kétsemélyes internetes vetélkedő-játékban
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
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)
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
RészletesebbenÖ Á Í Í ű ű ú ű ű ű ű ú ú ú ú ű ű ű ű ű ű ű ű ű ú ű ú ú ú ű ú Á ú ű ű Ó ú ű ű ű ú Ó ú ű ú É ú ú ú ű ű ú ű ú Ú Á ú É ú Ó ú ú ú ú ű ű ű ú É Á É É ű ű Í ú ú Ó Í ű Í ű ű ú ű ű ű É ű ú Á ű ű ú Í ű Á ű ú ú É
Részletesebbenö ö ö ö ö ö ö ű ű ö ö ö ö ö Ő ö Ó Ú ö Ö ö ö ö ö Ö Ő ö ö Í Ó Ó Ő ö ö ö ö ö Ő Ő Ó Ő É ö Ú ö ö Ő ö ö ö ö ö ö ö Ő ö Ő É ö Ő ö ö Ő ö ö ö Ó ű ö ö ö Ő ö ö ö Í Ő Ó Í ö ö ö ö Ő Ő Ő Ő Í Ó Ő Ő Í Ő ö ö ö ö ö Ő Ő ö
RészletesebbenÚ ű ü ü Ü ű É É Ö Ö Á ü ü ü ű É ú Á Ö Ü ü ü ű É Á É Ű ű Ü Ü ű ü ű ü ű ü Ü ü ü Ű Á Á Á ű ú ű Á Ó Ó É Á Ó Á Ó ű ü ü ű ű ü ú ú ü ü ü ű ü ű Ü ű ü ü ú ü Ö ü ú ú ü ü ü ü ű ú ü Ó ü Ó Ó ü ü Ó ü ü Ó ű ű ú ű ű ü
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
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
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
RészletesebbenBudapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék. Neurális hálók. Pataki Béla
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék Neurális hálók Előadó: Előadás anyaga: Hullám Gábor Pataki Béla Dobrowiecki Tadeusz BME I.E. 414, 463-26-79
RészletesebbenEgzakt következtetés (poli-)fa Bayes-hálókban
gakt követketetés pol-fa Baes-hálókban Outlne Tpes of nference B method: exact, stochastc B purpose: dagnostc sngle-step, sequental DSS, explanaton generaton Hardness of exact nference xact nference n
RészletesebbenFÜGGVÉNYEK. 2. a) Írj fel olyan lineáris függvényt, amely illeszkedik a ( 2 ; 1) és (2 ; 3) pontokra!
FÜGGVÉNYEK. Döntsd el, hogy melyik állítás iga, illetve melyik hamis! a Minden absolutérték függvénynek van sigorúan monoton csökkenő sakasa b Minden absolutérték függvénynek van maimuma c Minden másodfokú
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
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
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
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
Részletesebben2.2. A z-transzformált
22 MAM2M előadásjegyet, 2008/2009 2. A -transformált 2.. Egy információátviteli probléma Legyen adott egy üenetátviteli rendserünk, amelyben a üeneteket két alapjel mondjuk a és b segítségével kódoljuk
RészletesebbenGépi tanulás a Rapidminer programmal. Stubendek Attila
Gépi tanulás a Rapidminer programmal Stubendek Attila Rapidminer letöltése Google: download rapidminer Rendszer kiválasztása (iskolai gépeken Other Systems java) Kicsomagolás lib/rapidminer.jar elindítása
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
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
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
RészletesebbenFeladatok Oktatási segédanyag
VIK, Műsaki Informatika ANAÍZIS () Komplex függvénytan Feladatok Oktatási segédanyag A Villamosmérnöki és Informatikai Kar műsaki informatikus hallgatóinak tartott előadásai alapján össeállította: Frit
RészletesebbenÍTÉLETKALKULUS (NULLADRENDŰ LOGIKA)
ÍTÉLETKALKULUS SZINTAXIS ÍTÉLETKALKULUS (NULLADRENDŰ LOGIKA) jelkészlet elválasztó jelek: ( ) logikai műveleti jelek: ítéletváltozók (logikai változók): p, q, r,... ítéletkonstansok: T, F szintaxis szabályai
RészletesebbenTérinformatikai algoritmusok Elemi algoritmusok
Cserép Máté Analóg programozásnak nevezzük azt, amikor egy feladat megoldásához egy már ismert és megoldott feladat megoldását használjuk fel. Általában nem pontosan ugyanazt a feladatot oldottuk meg korábban,
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,
RészletesebbenModellezés és szimuláció. Szatmári József SZTE Természeti Földrajzi és Geoinformatikai Tanszék
Modellezés és szimuláció Szatmári József SZTE Természeti Földrajzi és Geoinformatikai Tanszék Kvantitatív forradalmak a földtudományban - geográfiában 1960- as évek eleje: statisztika 1970- as évek eleje:
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
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 262/363 Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció Gráfkeresési stratégiák
Részletesebben2) Tervezzen Stibitz kód szerint működő, aszinkron decimális előre számlálót! A megvalósításához
XIII. szekvenciális hálózatok tervezése ) Tervezzen digitális órához, aszinkron bináris előre számláló ciklus rövidítésével, 6-os számlálót! megvalósításához negatív élvezérelt T típusú tárolót és NN kaput
RészletesebbenTérinformatikai algoritmusok Elemi algoritmusok
Cserép Máté 2016. szeptember 14. Analóg programozásnak nevezzük azt, amikor egy feladat megoldásához egy már ismert és megoldott feladat megoldását használjuk fel. Általában nem pontosan ugyanazt a feladatot
RészletesebbenA logikai következmény
Logika 3 A logikai következmény A logika egyik feladata: helyes következtetési sémák kialakítása. Példa következtetésekre : Minden veréb madár. Minden madár gerinces. Minden veréb gerinces 1.Feltétel 2.Feltétel
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
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
RészletesebbenAlgoritmusok helyességének bizonyítása. A Floyd-módszer
Algoritmusok helyességének bizonyítása A Floyd-módszer Algoritmusok végrehajtása Egy A algoritmus esetében a változókat három változótípusról beszélhetünk, melyeket az X, Y és Z vektorokba csoportosítjuk
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
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
RészletesebbenSZÁLLÍTÁSI FELADAT KÖRUTAZÁSI MODELL WINDOWS QUANTITATIVE SUPPORT BUSINESS PROGRAMMAL (QSB) JEGYZET Ábragyűjtemény Dr. Réger Béla LÉPÉSRŐL - LÉPÉSRE
SZÁLLÍTÁSI FELADAT KÖRUTAZÁSI MODELL WINDOWS QUANTITATIVE SUPPORT BUSINESS PROGRAMMAL (QSB) JEGYZET Ábragyűjtemény Dr. Réger Béla LÉPÉSRŐL - LÉPÉSRE KÖRUTAZÁSI MODELL AVAGY AZ UTAZÓÜGYNÖK PROBLÉMÁJA Induló
RészletesebbenAlgoritmuselmélet. Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem. 13.
Algoritmuselmélet NP-teljes problémák Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem 13. előadás Katona Gyula Y. (BME SZIT) Algoritmuselmélet
RészletesebbenMelykeres(G) for(u in V) {szin(u):=feher Apa(u):=0} for(u in V) {if szin(u)=feher then MBejar(u)}
Mélységi keresés Ez az algoritmus a gráf pontjait járja be, eredményképpen egy mélységi feszítőerdőt ad vissza az Apa függvény által. A pontok bejártságát színekkel kezeljük, fehér= érintetlen, szürke=meg-
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
RészletesebbenI. Gondolkodási módszerek: (6 óra) 1. Gondolkodási módszerek, a halmazelmélet elemei, a logika elemei. 1. Számfogalom, műveletek (4 óra)
MATEMATIKA NYEK-humán tanterv Matematika előkészítő év Óraszám: 36 óra Tanítási ciklus 1 óra / 1 hét Részletes felsorolás A tananyag felosztása: I. Gondolkodási módszerek: (6 óra) 1. Gondolkodási módszerek,
RészletesebbenEllenőrző kérdések. 36. Ha t szintű indexet használunk, mennyi a keresési költség blokkműveletek számában mérve? (1 pont) log 2 (B(I (t) )) + t
Ellenőrző kérdések 2. Kis dolgozat kérdései 36. Ha t szintű indexet használunk, mennyi a keresési költség blokkműveletek számában mérve? (1 pont) log 2 (B(I (t) )) + t 37. Ha t szintű indexet használunk,
RészletesebbenKétszemélyes játékok
Mesterséges Intelligencia alapjai, gyakorlat Eötvös Loránd Tudományegyetem Informatikai Kar Programozáselmélet és Szoftvertechnológiai Tanszék 2010 / udapest Kétszemélyes teljes információjú játékok két
RészletesebbenFizika A2E, 5. feladatsor
Fiika A2E, 5. feladatsor Vida György Jósef vidagyorgy@gmail.com. feladat: Mi a homogén E térer sség potenciálja? A potenciál deníciója: E(x,y, = U(x,y,, amely kifejtve a három komponensre: Utolsó módosítás:
RészletesebbenKOMPLEX KOMMUNIKÁCIÓS ÉS TERMÉSZETTUDOMÁNYI CSOMAG MATEMATIKA TÁMOP-2.2.3-07/1-2F-2008-0011 MATEMATIKA A MINDENNAPI ÉLETBEN 9.
KOMPLEX KOMMUNIKÁCIÓS ÉS TERMÉSZETTUDOMÁNYI CSOMAG MATEMATIKA TÁMOP-2.2.3-07/1-2F-2008-0011 MATEMATIKA A MINDENNAPI ÉLETBEN 9. ÉVFOLYAM TANÁRI KÉZIKÖNYV MAT9_TK.indd 1 2009.11.05. 13:40:27 A kiadvány a
Részletesebben2017/ Szegedi Tudományegyetem Informatikai Intézet
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 8. Előadás Bevezetés Egy olyan LP-t, amelyben mindegyik változó egészértékű, tiszta egészértékű
RészletesebbenElsőrendű logika. Mesterséges intelligencia március 28.
Elsőrendű logika Mesterséges intelligencia 2014. március 28. Bevezetés Ítéletkalkulus: deklaratív nyelv (mondatok és lehetséges világok közti igazságrelációk) Részinformációkat is kezel (diszjunkció, negáció)
RészletesebbenAlgoritmizálás, adatmodellezés tanítása 6. előadás
Algoritmizálás, adatmodellezés tanítása 6. előadás Tesztelési módszerek statikus tesztelés kódellenőrzés szintaktikus ellenőrzés szemantikus ellenőrzés dinamikus tesztelés fekete doboz módszerek fehér
RészletesebbenÁllapottér reprezentáció/level1
Állapottér reprezentáció/level1 kecske káposzta A tutajosnak át kell szállítani a folyó másik partjára egy farkast, egy kecskét és egy káposztát. A csónakban egyszerre csak az egyiket viheti át a három
RészletesebbenGráfok, definíciók. Gráfok ábrázolása. Az adott probléma megoldásához ténylegesen mely műveletek szükségesek. Ábrázolások. Példa:
Gráfok, definíciók Irányítatlan gráf: G = (V,E), ahol E rendezetlen (a,b),a,b V párok halmaza. Irányított gráf: G = (V,E) E rendezett (a,b) párok halmaza; E V V. Címkézett (súlyozott) gráf: G = (V,E,C)
Részletesebben2. FELADATOK MARÁSHOZ
2. ELADATOK MARÁSHOZ 2.1. orgácsolási adatok meghatároása 2.1.1. Előtolás, ogásmélység meghatároása Határoa meg a percenkénti előtolás értékét. eladat = n = 2.1.1.1. 15 = 0.15 mm 50 1/min 2.1.1.2. 12 =
RészletesebbenEdényrendezés. Futási idő: Tegyük fel, hogy m = n, ekkor: legjobb eset Θ(n), legrosszabb eset Θ(n 2 ), átlagos eset Θ(n).
Edényrendezés Tegyük fel, hogy a rendezendő H = {a 1,...,a n } halmaz elemei a [0,1) intervallumba eső valós számok. Vegyünk m db vödröt, V [0],...,V [m 1] és osszuk szét a rendezendő halmaz elemeit a
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
RészletesebbenLánctalpas szerkezetek különböző típusú irányváltó mechanizmusának kinematikai tárgyalása. Kari Tudományos Diákköri Konferencia
Sapientia Erdélyi Magyar Tudományegyetem Műsaki és Humántudományok Kar Marosvásárhely Lánctalpas serkeetek különböő típusú irányváltó mechanimusának kinematikai tárgyalása Kari Tudományos Diákköri Konferencia
RészletesebbenTARTÓSZERKETETEK III.
TARTÓSZERKETETEK III. KERESZTETSZETEK ELLENÁLLÁSA + STABILITÁSI ELLENÁLLÁS 1 KERESZTETSZETEK ELLENÁLLÁSA 1.1 Csavarlukkal gengített köpontosan húott rúd 1. Egik sárán kapsolt köpontosan húott sögaél 1.
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
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.
RészletesebbenUgrólisták. RSL Insert Example. insert(22) with 3 flips. Runtime?
Ugrólisták Ugrólisták Ugrólisták Ugrólisták RSL Insert Example insert(22) with 3 flips 13 8 29 20 10 23 19 11 2 13 22 8 29 20 10 23 19 11 2 Runtime? Ugrólisták Empirical analysis http://www.inf.u-szeged.hu/~tnemeth/alga2/eloadasok/skiplists.pdf
RészletesebbenValószínűségi modellellenőrzés Markov döntési folyamatokkal
Valószínűségi modellellenőrzés Markov döntési folyamatokkal Hajdu Ákos Szoftver verifikáció és validáció 2015.12.09. Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek
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
RészletesebbenAlgoritmuselmélet. Mélységi keresés és alkalmazásai. Katona Gyula Y.
Algoritmuselmélet Mélységi keresés és alkalmazásai Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem 9. előadás Katona Gyula Y. (BME SZIT) Algoritmuselmélet
RészletesebbenA Szekszárdi I. Béla Gimnázium Helyi Tanterve
A Szekszárdi I. Béla Gimnázium Helyi Tanterve Négy évfolyamos gimnázium Informatika Készítette: a gimnázium reál munkaközössége 2015. Tartalomjegyzék Alapvetés...3 Egyéb kötelező direktívák:...6 Informatika
RészletesebbenMATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉPSZINT Függvények
MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉPSZINT Függvények A szürkített hátterű feladatrészek nem tartoznak az érintett témakörhöz, azonban szolgálhatnak fontos információval az érintett feladatrészek
RészletesebbenAlkalmazott modul: Programozás. Programozási tételek, rendezések. Programozási tételek Algoritmusok és programozási tételek
Eötvös Loránd Tudományegyetem Informatikai Kar Alkalmazott modul: Programozás, rendezések 2015 Giachetta Roberto groberto@inf.elte.hu http://people.inf.elte.hu/groberto Algoritmusok és programozási tételek
Részletesebbenx = 1 egyenletnek megoldása. Komplex számok Komplex számok bevezetése
Komplex sámok Komplex sámok beveetése A valós sámok körét a követkeőképpen építettük fel. Elősör a termésetes sámokat veettük be. Itt két művelet volt, a össeadás és a sorás (ismételt össeadás A össeadás
RészletesebbenAlgoritmusok bonyolultsága
Algoritmusok bonyolultsága 5. előadás http://www.ms.sapientia.ro/~kasa/komplex.htm 1 / 27 Gazdaságos faváz Kruskal-algoritmus Joseph Kruskal (1928 2010) Legyen V = {v 1, v 2,..., v n }, E = {e 1, e 2,...,
RészletesebbenMegerősítéses tanulás
Megerősítéses tanulás elméleti kognitív neurális Introduction Knowledge representation Probabilistic models Bayesian behaviour Approximate inference I (computer lab) Vision I Approximate inference II:
RészletesebbenGépi tanulás. Hány tanítómintára van szükség? VKH. Pataki Béla (Bolgár Bence)
Gépi tanulás Hány tanítómintára van szükség? VKH Pataki Béla (Bolgár Bence) BME I.E. 414, 463-26-79 pataki@mit.bme.hu, http://www.mit.bme.hu/general/staff/pataki Induktív tanulás A tanítás folyamata: Kiinduló
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
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.
RészletesebbenOpkut deníciók és tételek
Opkut deníciók és tételek Készítette: Bán József Deníciók 1. Deníció (Lineáris programozási feladat). Keressük meg adott lineáris, R n értelmezési tartományú függvény, az ún. célfüggvény széls értékét
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,
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
RészletesebbenIntelligens technikák k a
Intelligens technikák k a döntéstámogatásban Döntések fuzzy környezetben Starkné Dr. Werner Ágnes 1 Példa: Alternatívák: a 1,a 2,a 3 Kritériumok: k 1,k 2, k 3,k 4 Az alternatívák értékelését az egyes kritériumok
RészletesebbenÖsszetett hajtómű fogszámainak meghatározása a fordulatszám ábra alapján és összeállítási rajz segédlet
Óbudai Egyetem Bánki Donát Gépés és Bitonságtechnikai Mérnöki Kar Anyagtudományi és Gyártástechnológiai Intéet Össetett hajtómű fogsámainak meghatároása a fordulatsám ábra alapján és össeállítási raj segédlet
RészletesebbenProgramozás I. Egyszerű programozási tételek. Sergyán Szabolcs
Programozás I. 3. előadás Egyszerű programozási tételek Sergyán Szabolcs sergyan.szabolcs@nik.uni-obuda.hu Óbudai Egyetem Neumann János Informatikai Kar Alkalmazott Informatikai Intézet 2015. szeptember
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
RészletesebbenFuzzy halmazok jellemzői
A Fuzzy rendszerek, számítási intelligencia gyakorló feladatok megoldása Fuzzy halmazok jellemzői A fuzzy halmaz tartója az alaphalmaz azon elemeket tartalmazó részhalmaza, melyek tagsági értéke 0-nál
RészletesebbenMágneses momentum mérése vibrációs magnetométerrel
Beveetés Mágneses momentum mérése vibrációs magnetométerrel A mérés célja megismerkedni egy makroskopikus minta mágneses dipólmomentumának mérésével, valamint megvisgálni egy lágymágneses anyag momentumának
RészletesebbenMATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK KÖZÉP SZINT Függvények
MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK KÖZÉP SZINT Függvények A szürkített hátterű feladatrészek nem tartoznak az érintett témakörhöz, azonban szolgálhatnak fontos információval az érintett feladatrészek
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
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
RészletesebbenEuler tétel következménye 1:ha G összefüggő síkgráf és legalább 3 pontja van, akkor: e 3
Síkgráfok Kuratowski-tétel: egy gráf akkor és csak akkor síkba rajzolható gráf, ha nincs olyan részgráfja, ami a K 5 -el, vagy a K 3,3 -altopologikusan izomorf (homeomorf). Euler síkgráfokra vonatkozó
Részletesebben