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.