Lista zagadnień na egzamin - Sztuczna Inteligencja
Transkrypt
Lista zagadnień na egzamin - Sztuczna Inteligencja
Lista zagadnień na egzamin - Sztuczna Inteligencja - WNT αω 1) Zastosowania sztucznej inteligencji w dziedzinach: Medycyna, Ekonomia, Przemysł, Sieć WWW, Rozrywka. 2) Podstawowe problemy napotykane w paradygmatach: Robotyka, Uczenie maszynowe (Machine Learning), Zbiory rozmyte (Fuzzy Sets), Data Mining. 3) Zagadnienia filozoficzne: Idea Chińskiego pokoju i jej kontr przykład, Test Turinga, Mózg w naczyniu, ograniczenia zmysłów, zmiana paradygmatu, argument symulacji, maszyna przeżyć. 4) Podstawowe pojęcia: deskryptor, reguła decyzyjna, system informacyjny, system decyzyjny, overfitting, overlearning, dyskretyzacja (pojęcie zbioru cięć). 5) Pojęcia związane z algorytmami genetycznymi, krzyżowanie i mutacja, działanie algorytmu wczesnego stopu podczas uczenia operacjami genetycznymi. 6) Sieci Neuronowe - biologiczna budowa neuronu, neuron McCullocha-Pittsa, Reguła Hebba, Perceptron jednowarstwowy (Rosenblatta), funkcja aktywacji unipolarna, bipolarna i sigmoidalna unipolarna, sigmoidalna bipolarna,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 jedno-neuronowego w wyuczaniu funkcji logicznych AND, OR, oraz dodawania bitowego XOR. Separacja liniowa XOR na podstawie perceptronu dwu-neuronowego. 7) Metody oceny jakości klasyfikacji: Train & Test, Cross Validation, Leave One Out, Bootstrap, Bagging, Monte Carlo Cross Validation. 8) Komitety klasyfikatorów: Boosting na przykładzie AdaBoost, Bagging, Stacking, Arcing, Random forests. 9) Drzewa decyzyjne: Mini-maxowe drzewo gry, zastosowanie przycinania α β pruning. Metody przeszukiwania drzew binarnych. Różnica między post-pruningiem i pre-pruningiem. Budowanie drzewa gry o sumie zerowej na przykładzie gry kółko i krzyżyk 3 x 3. 10) Algorytm A* szukania najkrótszej ścieżki w grafie w drzewie decyzyjnym lub w siatce kwadratów pól (gridzie). Przykład heurystyki dopuszczalnej oraz niedopuszczalnej. 11) 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 Precision i Recall. 12) Metoda klasteryzacji k-średnich (k-means). Zastosowanie k-means w procesie tworzenia reprezentacji obrazów w postaci słów wizualnych (Bag of visual words). 13) Algorytm Johnsona - do wyliczania reduktów systemu decyzyjnego. 14) Algorytm ID3 - entropia Quinlana, budowanie drzewa decyzyjnego. 15) Reguła Bayesa, sieci Bayesa i prawdopodobieństwo całkowite - zastosowania w sztucznej inteligencji i robotyce.