Lista zagadnień na egzamin - Systemy Sztucznej Inteligencji 2016
Transkrypt
Lista zagadnień na egzamin - Systemy Sztucznej Inteligencji 2016
Lista zagadnień na egzamin - Systemy Sztucznej Inteligencji 2016 αω Na egzaminie mogą się pojawić pytania zarówno czysto teoretyczne jak również praktyczne. Spodziewamy się pięciu losowych pytań z poniższych zagadnień. 1) Zastosowania metod sztucznej inteligencji w dziedzinach: Medycyna, Ekonomia, Przemysł, WWW, Militaria, Rozrywka. 2) Dylematy dotyczące rozwoju metod Sztucznej Inteligencji i Robotyki: w tym zagadnienia filozoficzne takie jak, Idea Chińskiego pokoju i jej kontr przykład, Test Turing’a, Mózg w naczyniu, Zmiana paradygmatu, Argument symulacji, Maszyna przeżyć. 3) Podstawowa teoria dotycząca Zbiorów Przybliżonych w tym: pojęcie zbioru przybliżonego, redukty systemu informacyjnego, redukty systemu decyzyjnego (względne oraz algorytm Johnsona). 4) Podstawowa teoria dotycząca Zbiorów Rozmytych - pojęcie zbioru rozmytego, podstawowe operacje na zbiorach rozmytych. 5) Wybrane pojęcia związane z algorytmami ewolucyjnymi: krzyżowanie, mutacja, selekcja w kontekście systemów decyzyjnych. Działanie algorytmu wczesnego stopu podczas uczenia operacjami genetycznymi. Metoda Michigan. Metoda Pittsburg. 6) Zagadnienia dotyczące Sztucznych Sieci Neuronowych - inspiracja biologiczna budowy sztucznego neuronu, neuron McCullocha-Pittsa, reguła Hebba, perceptron jednowarstwowy Rosenblatta, funkcja aktywacji unipolarna, bipolarna, sigmoidalna unipolarna, sigmoidalna bipolarna oraz liniowa, perceptron wielowarstwowy (Rosenblatta), zastosowanie sieci neuronowych, uczenie sieci neuronowych z nauczycielem i bez, algorytm Widrowa Hoffa, błąd średnio-kwadratowy, przeuczenie sieci, działanie algorytmu wczesnego stopu podczas uczenia sieci neuronowej, uczenie konkurencyjne, sieci rekurencyjne, algorytm wstecznej propagacji błędu, jednowarstwowa sieć neuronowa Hopfielda, sieć neuronowa Hamminga, możliwości perceptronu jednoneuronowego w wyuczaniu funkcji logicznych AND, OR, oraz dodawania bitowego XOR, separacja liniowa XOR na podstawie perceptronu dwu-neuronowego. 7) Podstawowe zagadnienia dotyczące systemów decyzyjnych i informacyjnych: Pojęcie deskryptora, system informacyjny, system decyzyjny, reguła decyzyjna. Pojęcie klasyfikacji oraz regresji. Metody oceny jakości klasyfikacji: Train & Test, Cross Validation, Leave One Out, Bootstrap, Bagging, Monte Carlo Cross Validation. Problem przeuczenia, przedopasowania (overlearning, overfitting). Komitety klasyfikatorów: Boosting na przykładzie AdaBoost, Bagging, Stacking, Arcing, Random forests. Parametry mówiące o jakości przeprowadzonej klasyfikacji lub regresji: Dokładność(Accuracy), Dokładność zbalansowana (Balanced Accuracy) Pokrycie(Coverage), Region pozytywny(True Positive Rate), Index Youdena, Indeks Matthew, Root Mean Square Error, Average Fscore definiowany za pomocą Preci- sion i Recall. Typy algorytmów generacji reguł i ich charakterystyczne cechy w tym: algorytm Exhaustive, algorytm LEM2, algorytm Covering pokrywający obiekty i pokrywający deskryptory systemu decyzyjnego. Klasyfikator k-NN, w konceptach decyzyjnych i całym systemie, budowanie Confusion Matrix jako raportu z klasyfikacji. Metryki: Minkowskiego, Euklidesa, Manhattan, Cosinus, Canberra, Bezwzględny współczynnik korelacji Pearsona, Centrum, Mahalanobisa, Chi square, Czebyszewa. Naiwny Klasyfikator Bayesa - dla danych symbolicznych i numerycznych. Pojęcie zbioru cięć (dyskretyzacji). Problem koszyka zakupowego: Algorytm Apriori i wyliczanie Reguł Asocjacyjnych. Zastosowanie Support Vector Machine (SVM). Metoda k-średnich (k-means) - teoria i zastosowania. Wybrane idee selekcji cech systemów decyzyjnych, w tym metoda Fishera oraz metody bazującej na użyciu statystyki F. 8) Drzewa decyzyjne: Drzewa binarne - metody przeszukiwania. Mini-maxowe drzewo gry, zastosowanie przycinania α β pruning. Różnica między post-pruningiem i pre-pruningiem. Budowanie drzewa gry o sumie zerowej na przykładzie gry kółko i krzyżyk 3 x 3. Algorytm ID3.