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.