Mesterséges Intelligencia 1

Hasonló dokumentumok
Mesterséges Intelligencia Feladatok 1

7. feladatsor: Laplace-transzformáció (megoldás)

Mesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2007/2008

Mesterséges intelligencia 2. laborgyakorlat

Problémamegoldás kereséssel. Mesterséges intelligencia március 7.

Intelligens Rendszerek Elmélete IRE 4/32/1

Mesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 1/363

Adatszerkezetek 7a. Dr. IványiPéter

A feladatsorok összeállításánál felhasználtuk a Nemzeti Tankönyvkiadó RT. Gyakorló és érettségire felkészítő feladatgyűjtemény I III. példatárát.

Dinamikus modellek szerkezete, SDG modellek

Mesterséges intelligencia 3. laborgyakorlat

Logikai ágensek. Mesterséges intelligencia március 21.

Intelligens irányítások

Dunaújvárosi Főiskola Informatikai Intézet

A félév során előkerülő témakörök

Mesterséges Intelligencia MI

Felsőbb Matematika Informatikusoknak D házi feladatok a Sztochasztika 2 részhez 2013 tavasz

Kétszemélyes játékok Gregorics Tibor Mesterséges intelligencia

Keresés képi jellemzők alapján. Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék

V. Kétszemélyes játékok




Mesterséges Intelligencia MI

1. Alapfogalmak Algoritmus Számítási probléma Specifikáció Algoritmusok futási ideje

Kereső algoritmusok a diszkrét optimalizálás problémájához

Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék. Neurális hálók. Pataki Béla

Egzakt következtetés (poli-)fa Bayes-hálókban

FÜGGVÉNYEK. 2. a) Írj fel olyan lineáris függvényt, amely illeszkedik a ( 2 ; 1) és (2 ; 3) pontokra!

Számítógépes képelemzés 7. előadás. Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék

Totális Unimodularitás és LP dualitás. Tapolcai János

Regresszió. Csorba János. Nagyméretű adathalmazok kezelése március 31.

Intelligens Rendszerek Gyakorlata. Neurális hálózatok I.

2.2. A z-transzformált

Gépi tanulás a Rapidminer programmal. Stubendek Attila

2. Visszalépéses keresés

Kereső algoritmusok a diszkrét optimalizálás problémájához

Mit látnak a robotok? Bányai Mihály Matemorfózis, 2017.

Feladatok Oktatási segédanyag

ÍTÉLETKALKULUS (NULLADRENDŰ LOGIKA)

Térinformatikai algoritmusok Elemi algoritmusok

Tanulás az idegrendszerben. Structure Dynamics Implementation Algorithm Computation - Function

Modellezés és szimuláció. Szatmári József SZTE Természeti Földrajzi és Geoinformatikai Tanszék

Mesterséges Intelligencia MI

Mesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 1/363

2) Tervezzen Stibitz kód szerint működő, aszinkron decimális előre számlálót! A megvalósításához

Térinformatikai algoritmusok Elemi algoritmusok

A logikai következmény

Tartalom Keresés és rendezés. Vektoralgoritmusok. 1. fejezet. Keresés adatvektorban. A programozás alapjai I.

angolul: greedy algorithms, románul: algoritmi greedy

Algoritmusok helyességének bizonyítása. A Floyd-módszer

Mesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2007/2008

Keresés és rendezés. A programozás alapjai I. Hálózati Rendszerek és Szolgáltatások Tanszék Farkas Balázs, Fiala Péter, Vitéz András, Zsóka Zoltán

SZÁLLÍTÁSI FELADAT KÖRUTAZÁSI MODELL WINDOWS QUANTITATIVE SUPPORT BUSINESS PROGRAMMAL (QSB) JEGYZET Ábragyűjtemény Dr. Réger Béla LÉPÉSRŐL - LÉPÉSRE

Algoritmuselmélet. Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem. 13.

Melykeres(G) for(u in V) {szin(u):=feher Apa(u):=0} for(u in V) {if szin(u)=feher then MBejar(u)}

Navigáci. stervezés. Algoritmusok és alkalmazásaik. Osváth Róbert Sorbán Sámuel

I. Gondolkodási módszerek: (6 óra) 1. Gondolkodási módszerek, a halmazelmélet elemei, a logika elemei. 1. Számfogalom, műveletek (4 óra)

Ellenőrző kérdések. 36. Ha t szintű indexet használunk, mennyi a keresési költség blokkműveletek számában mérve? (1 pont) log 2 (B(I (t) )) + t

Kétszemélyes játékok

Fizika A2E, 5. feladatsor

KOMPLEX KOMMUNIKÁCIÓS ÉS TERMÉSZETTUDOMÁNYI CSOMAG MATEMATIKA TÁMOP /1-2F MATEMATIKA A MINDENNAPI ÉLETBEN 9.

2017/ Szegedi Tudományegyetem Informatikai Intézet

Elsőrendű logika. Mesterséges intelligencia március 28.

Algoritmizálás, adatmodellezés tanítása 6. előadás

Állapottér reprezentáció/level1

Gráfok, definíciók. Gráfok ábrázolása. Az adott probléma megoldásához ténylegesen mely műveletek szükségesek. Ábrázolások. Példa:

2. FELADATOK MARÁSHOZ

Edényrendezés. Futási idő: Tegyük fel, hogy m = n, ekkor: legjobb eset Θ(n), legrosszabb eset Θ(n 2 ), átlagos eset Θ(n).

Mesterséges Intelligencia MI

Lánctalpas szerkezetek különböző típusú irányváltó mechanizmusának kinematikai tárgyalása. Kari Tudományos Diákköri Konferencia

TARTÓSZERKETETEK III.

Bánsághi Anna 2014 Bánsághi Anna 1 of 68

Bevezetés az informatikába

Ugrólisták. RSL Insert Example. insert(22) with 3 flips. Runtime?

Valószínűségi modellellenőrzés Markov döntési folyamatokkal

Programozási nyelvek 6. előadás

Algoritmuselmélet. Mélységi keresés és alkalmazásai. Katona Gyula Y.

A Szekszárdi I. Béla Gimnázium Helyi Tanterve

MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉPSZINT Függvények

Alkalmazott modul: Programozás. Programozási tételek, rendezések. Programozási tételek Algoritmusok és programozási tételek

x = 1 egyenletnek megoldása. Komplex számok Komplex számok bevezetése

Algoritmusok bonyolultsága

Megerősítéses tanulás

Gépi tanulás. Hány tanítómintára van szükség? VKH. Pataki Béla (Bolgár Bence)

Stratégiák tanulása az agyban

HÁZI FELADAT PROGRAMOZÁS I. évf. Fizikus BSc. 2009/2010. I. félév

Opkut deníciók és tételek

Számítógép és programozás 2

Algoritmizálás és adatmodellezés tanítása 1. előadás

Intelligens technikák k a

Összetett hajtómű fogszámainak meghatározása a fordulatszám ábra alapján és összeállítási rajz segédlet

Programozás I. Egyszerű programozási tételek. Sergyán Szabolcs

TARTALOMJEGYZÉK. TARTALOMJEGYZÉK...vii ELŐSZÓ... xiii BEVEZETÉS A lágy számításról A könyv célkitűzése és felépítése...

Fuzzy halmazok jellemzői

Mágneses momentum mérése vibrációs magnetométerrel

MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK KÖZÉP SZINT Függvények

Megerősítéses tanulási módszerek és alkalmazásaik

Algoritmusok Tervezése. 6. Előadás Algoritmusok 101 Dr. Bécsi Tamás

Euler tétel következménye 1:ha G összefüggő síkgráf és legalább 3 pontja van, akkor: e 3

Átírás:

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.

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

Mesterséges Intelligencia 3 Feladat. Legyen egy éró-össegű játék nyereségmátrixa a követkeő: 2 2 3 2 2 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.

Mesterséges Intelligencia 4 Feladat. Legyen egy éró-össegű játék nyereségmátrixa a követkeő: 2 0 2 5 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.

Mesterséges Intelligencia 5 Feladat. Legyen egy éró-össegű játék nyereségmátrixa a követkeő: 0 2 3 0 0 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.

Mesterséges Intelligencia 6 Feladat. Legyen egy éró-össegű játék nyereségmátrixa a követkeő: 0 3 2 2 2 4 0 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.

Mesterséges Intelligencia 7 Feladat. Legyen egy éró-össegű játék nyereségmátrixa a követkeő: 3 0 0 0 2 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 2 + 2 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.

Mesterséges Intelligencia Feladat. Legyen a alábbi fuy halmarendser µ µ alacsony µ koepes µ magas 40 45 50 55 60 65 70 75 80 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 40 45 50 55 60 65 70 75 80 85 90 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!

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) = 3 4 + ( 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! 0.95 0.9 0.9 0.85 0.8 0.8 0.75 0.8 0.7 0.6 0.8 b 0.4 0.6 0.20.65 0.4 0.2 00 a 0.8 b 0.6 0.4 0.2 0.7 0.6 0.5 0 0 0.2 0.4 0.6 0.8 a () (2)

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)

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

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

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