Kordamisküsimused: erinevus redaktsioonide vahel

Allikas: Lambda
Mine navigeerimisribale Mine otsikasti
← Vanem muudatus
PriitJ (arutelu | kaastöö)
1416 muudatust
Resümee puudub
PriitJ (arutelu | kaastöö)
1416 muudatust
Resümee puudub
 
(ei näidata sama kasutaja 10 vahepealset redaktsiooni)
1. rida: 1. rida:


Eksamiks valmistudes arvesta, et '''eksamil võib küsida kõike seda, millest on räägitud loengutes'''.
Eksamiks valmistudes arvesta, et eksami raskusaste eeldab loengute kuulamist, viidatud õpiku osade lugemist ja harjutusülesannete tegemist.


S.t. allolev nimekiri ei ole lõplik ega täielik.
Allolev nimekiri võib veel täieneda ja muutuda.


<!-- # Intelligentne agent. Agendi ülesande PEAS-kirjeldus. -->
<!-- # Intelligentne agent. Agendi ülesande PEAS-kirjeldus. -->
# Algoritmi ajaline keerukus. Suure "O" notatsioon. ''Mis on keerulisem, kas O(n<sup>2</sup>) või O(2<sup>n</sup>)?''
<!--# Algoritmi ajaline keerukus. Suure "O" notatsioon. ''Mis on keerulisem, kas O(n<sup>2</sup>) või O(2<sup>n</sup>)?''-->
# Ülesande keerukus. NP-keerukad ülesanded. ''Miks meid huvitab ülesande keerukusklass?''
# Ülesande keerukus. NP-keerukad ülesanded. ''Miks meid huvitab ülesande keerukusklass?'' ([http://lambda.ee/wiki/Iti0210w1 1] + kogu kursus)
# Üldine iteratiivne puuotsingu algoritm, selle seos reaalse ülesande olekutega (olekuruumiga).
# Intelligentne agent. Kuidas optimeerida ja mõõta agendi kasulikkust. ([http://lambda.ee/wiki/Iti0210w1 1])
# Pimeotsing (laiuti-, sügavuti-). Laiutiotsingu ja sügavutiotsingu ajaline ja ruumiline keerukus. ''Kui mul on hargnemistegur b ja otsing toimub sügavuseni d, mitu tsüklit algoritm teeb?''
# Üldine iteratiivne puuotsingu algoritm, selle seos reaalse ülesande olekutega (olekuruumiga). ([http://lambda.ee/wiki/Iti0210w3 3])
# Heuristiline otsing. Ahne otsingu ja A* hindamisfunktsioon (i.k. ''evaluation function''). ''f(n) = ?''
# Pimeotsing (laiuti-, sügavuti-). Laiutiotsingu ja sügavutiotsingu ajaline ja ruumiline keerukus. ''Kui mul on hargnemistegur b ja otsing toimub sügavuseni d, mitu tsüklit algoritm teeb?'' ([http://lambda.ee/wiki/Iti0210w3 3])
# A* optimaalsuse tingimus. ''Kaugus linnulennult ja Manhattan distance. Kas maakaardil on mõlemad optimaalsed?''
# Heuristiline otsing. Ahne otsingu ja A* hindamisfunktsioon (i.k. ''evaluation function''). ''f(n) = ?'' ([http://lambda.ee/wiki/Iti0210w3 3])
# Lokaalne otsing. Otsinguruum, mäeronimine, lokaalsed ja globaalsed maksimumid. ''Mis on mäeronimise lõpetamise tingimus? Ruumiline keerukus? Ajaline keerukus?''
# A* optimaalsuse tingimus. ''Kaugus linnulennult ja Manhattan distance. Kas maakaardil on mõlemad optimaalsed?'' ([http://lambda.ee/wiki/Iti0210w3 3])
# Stohhastiline lokaalne otsing (''simulated annealing''). ''Miks peaks lokaalses otsingus kasutama juhuslikkust?''
# Lokaalne otsing. Otsinguruum, mäeronimine, lokaalsed ja globaalsed maksimumid. ''Mis on mäeronimise lõpetamise tingimus? Ruumiline keerukus? Ajaline keerukus?'' ([http://lambda.ee/wiki/Iti0210w45 4] ja mõtle ise)
# Stohhastiline lokaalne otsing (''simulated annealing''). ''Miks peaks lokaalses otsingus kasutama juhuslikkust?'' ([http://lambda.ee/wiki/Iti0210w45 4])
<!--
<!--
# Itereeritud kohaliku otsingu (i.k. ''ILS'') algoritm.
# Itereeritud kohaliku otsingu (i.k. ''ILS'') algoritm.
-->
-->
# Strateegia otsing intelligentse vastase vastu. Minimax puu. ''Kuidas jõuavad seisu väärtused puu lehtedest algseisu? Kuidas käik valitakse?''
# Strateegia otsing intelligentse vastase vastu. Minimax puu. ''Kuidas jõuavad seisu väärtused puu lehtedest algseisu? Kuidas käik valitakse?'' ([http://lambda.ee/wiki/Iti0210w6 5])
<!--
<!--
# ''Alpha/beta'' otsing.
# ''Alpha/beta'' otsing.
22. rida: 23. rida:
# Kitsendusülesande lahendamine rekursiivse otsinguga. Optimeerimise tehnikad (''MRV'' jne).
# Kitsendusülesande lahendamine rekursiivse otsinguga. Optimeerimise tehnikad (''MRV'' jne).
-->
-->
# Teadmusbaasil põhineva agendi arhitektuur.
# Monte Carlo puuotsing (MCTS). ''Kuidas leitakse käigu võiduprotsent ja valitakse käik?''  ([http://lambda.ee/wiki/Iti0210w6 5])
# Teadmusbaasi realiseerimine loogikat kasutades. Järeldumine. ''Kui KB-st järeldub a, mis peavad olema nende tõeväärtused kõigis võimalikes maailmates? KB|-a, KB->a, KB & -a seos.''
<!--# Teadmusbaasil põhineva agendi arhitektuur.-->
# ''Forward chaining'' algoritm.
# Teadmusbaasi realiseerimine loogikat kasutades. Järeldumine. ''Kui KB-st järeldub a, mis peavad olema nende tõeväärtused kõigis võimalikes maailmates? KB|-a, KB->a, KB & -a seos.'' ([http://lambda.ee/wiki/Iti0210w7 6])
# Resolutsioonimeetod lausearvutuses. ''Kuidas toimib resolutsioonireegel? Mismoodi saab sellest ühest reeglist teha järeldamise algoritmi?''
# ''Forward chaining'' algoritm. ([http://lambda.ee/wiki/Iti0210w72 7])
# Resolutsioonimeetod lausearvutuses. ''Kuidas toimib resolutsioonireegel? Mismoodi saab sellest ühest reeglist teha järeldamise algoritmi?'' ([http://lambda.ee/wiki/Iti0210w72 7])
# Predikaatloogika (i.k. ''first order logic'') teadmusbaas. Faktide ja reeglite kirja panek lihtsas süntaksis (nagu logictools). ([http://lambda.ee/wiki/Iti0210w8 8] ja kodutööd)
<!--
<!--
# Predikaatloogika (i.k. ''first order logic'') teadmusbaas.
# Prologi kasutamine predikaatloogika reeglite ja faktide kirjapanekuks. ''Kui on antud Prologi reegel a(X):- b(X), siis mida see tähendab? Pane mingi teadmus kirja Prologis''
-->
-->
# Prologi kasutamine predikaatloogika reeglite ja faktide kirjapanekuks. ''Kui on antud Prologi reegel a(X):- b(X), siis mida see tähendab? Pane mingi teadmus kirja Prologis''
# Tinglik tõenäosus. ''P(a,b,c|d,e,f)'' ([http://lambda.ee/wiki/Iti0210w9 9])
# Tinglik tõenäosus. ''P(a,b,c|d,e,f)''
# Diskreetsete juhuslike suuruste ühisjaotus, lausete tõenäosuse arvutamine selle kaudu. ''Kui on antud ühisjaotus, kuidas ma arvutan P(mingi lause)?'' ([http://lambda.ee/wiki/Iti0210w9 9])
# Diskreetsete juhuslike suuruste ühisjaotus, lausete tõenäosuse arvutamine selle kaudu. ''Kui on antud ühisjaotus, kuidas ma arvutan P(mingi lause)?''
<!--
# Juhuslike suuruste iseseisvus. Bayesi võrk.
# Juhuslike suuruste iseseisvus. Bayesi võrk.
# Naiivne Bayesi mudel. ''Kuidas tekivad tõenäosused NB valemisse?''
-->
# Juhuslike suuruste iseseisvus ja tinglik iseseisvus. ''Mis kasu on iseseisvusest tõenäosusmudelite juures?'' ([http://lambda.ee/wiki/Iti0210w10 10])
# Tõenäosuste statistiline hindamine. ''Kuidas tekivad tõenäosused Naiivse Bayesi valemisse?'' ([http://lambda.ee/wiki/Iti0210ex9 ülesanne])
# Naiivse Bayesi mudelil arvutamine. ''Tõenäosusjaotuste alusel NB hüpoteesi arvutamine.'' ([http://lambda.ee/wiki/Iti0210w10 10])
<!--# Tõenäosuste arvutamine Bayesi võrgul, kasutades juhuslikkusel põhinevat simulatsiooni (''Gibbs sampling'').-->
<!--# Tõenäosuste arvutamine Bayesi võrgul, kasutades juhuslikkusel põhinevat simulatsiooni (''Gibbs sampling'').-->
# Peidetud Markovi mudel. ''Kuidas 1st järku Markovi mudel töötab? Mida teeb forward algoritmi üks samm?''
# Peidetud Markovi mudel. ''Kuidas 1st järku Markovi mudel töötab? Mida teevad "smoothing" algoritmi edasi- ja tagasi sammud?'' ([http://lambda.ee/wiki/Iti0210w101 11])
# EM-algoritmi põhimõte. ''Mis on E ja M sammud?'' ([http://lambda.ee/wiki/Iti0210w101 11])
<!--
<!--
# Juhuslike suuruste iseseisvus. Bayesi reegel.
# Bayesi võrgu koostamine.
# Bayesi võrgu koostamine.
# Õppimine - mingile tundmatule funktsioonile lähendi leidmine.
-->
-->
# Õppimine - mingile tundmatule funktsioonile lähendi leidmine.
# Tehisneuroni tööpõhimõte. ''Sisendid, väljundid, nende vaheline seos'' ([http://lambda.ee/wiki/Iti0210w12 12], [http://lambda.ee/wiki/Iti0210ex12 ülesanne])
# Klassifitseerimine otsustuspuu abil. Otsustuspuu ehitamine ''DTL'' (tuntud ka ''ID3'' nime all) algoritmiga. Informatsiooni entroopia. ''Otsustuspuu konstrueerimine, kasutamine otsuse tegemiseks.''
# Tehisnärvivõrkude treenimise põhimõtted. ''Mismoodi saame väljundi veast paranduse närvivõrgu kaaludele?'' ([http://lambda.ee/wiki/Iti0210w121 13])
# Lineaarne regressioon. ''Milleks on vaja kaofunktsiooni? Ühe muutujaga lineaarse regressiooni arvutamine.''
# ''Q-learning''. Käitumise õppimine. ''Q tabeli sisu. Kuidas sinna uusi väärtusi arvutada?'' ([http://lambda.ee/wiki/Iti0210w13 14])
# Tehisneuroni tööpõhimõte. ''Sisendid, väljundid, nende vaheline seos''
# k lähima naabri klassifikaator. ''Kuidas leiab k-NN algoritm punktile (andmeobjektile) klassi?'' ([http://lambda.ee/wiki/Iti0210w15 15])
# Tehisnärvivõrkude treenimise põhimõtted. ''Mismoodi saame väljundi veast paranduse närvivõrgu kaaludele?''
# Klassifitseerimine otsustuspuu abil. ''Otsustuspuu konstrueerimine, kasutamine otsuse tegemiseks.'' ([http://lambda.ee/wiki/Iti0210w15 15])
# ''Q-learning''. Käitumise õppimine. ''Q tabeli sisu. Kuidas sinna uusi väärtusi arvutada?''
# Informatsiooni koguse hindamine entroopia kaudu. ''Entroopia arvutus ja selle tähendus'' ([http://lambda.ee/wiki/Iti0210w15 15],[https://moodle.taltech.ee/mod/quiz/view.php?id=380451 ülesanne])
# Lineaarne regressioon. ''Milleks on vaja kaofunktsiooni? Ühe muutujaga lineaarse regressiooni arvutamine.'' ([http://lambda.ee/wiki/Iti0210w15 15])
<!--
<!--
# Eksistentsiaalne risk. Tehisintellekti eetika.
# Eksistentsiaalne risk. Tehisintellekti eetika.
-->
-->
[[Category:Iti0210]]

Viimane redaktsioon: 12. mai 2021, kell 07:30

Eksamiks valmistudes arvesta, et eksami raskusaste eeldab loengute kuulamist, viidatud õpiku osade lugemist ja harjutusülesannete tegemist.

Allolev nimekiri võib veel täieneda ja muutuda.

  1. Ülesande keerukus. NP-keerukad ülesanded. Miks meid huvitab ülesande keerukusklass? (1 + kogu kursus)
  2. Intelligentne agent. Kuidas optimeerida ja mõõta agendi kasulikkust. (1)
  3. Üldine iteratiivne puuotsingu algoritm, selle seos reaalse ülesande olekutega (olekuruumiga). (3)
  4. Pimeotsing (laiuti-, sügavuti-). Laiutiotsingu ja sügavutiotsingu ajaline ja ruumiline keerukus. Kui mul on hargnemistegur b ja otsing toimub sügavuseni d, mitu tsüklit algoritm teeb? (3)
  5. Heuristiline otsing. Ahne otsingu ja A* hindamisfunktsioon (i.k. evaluation function). f(n) = ? (3)
  6. A* optimaalsuse tingimus. Kaugus linnulennult ja Manhattan distance. Kas maakaardil on mõlemad optimaalsed? (3)
  7. Lokaalne otsing. Otsinguruum, mäeronimine, lokaalsed ja globaalsed maksimumid. Mis on mäeronimise lõpetamise tingimus? Ruumiline keerukus? Ajaline keerukus? (4 ja mõtle ise)
  8. Stohhastiline lokaalne otsing (simulated annealing). Miks peaks lokaalses otsingus kasutama juhuslikkust? (4)
  9. Strateegia otsing intelligentse vastase vastu. Minimax puu. Kuidas jõuavad seisu väärtused puu lehtedest algseisu? Kuidas käik valitakse? (5)
  10. Monte Carlo puuotsing (MCTS). Kuidas leitakse käigu võiduprotsent ja valitakse käik? (5)
  11. Teadmusbaasi realiseerimine loogikat kasutades. Järeldumine. Kui KB-st järeldub a, mis peavad olema nende tõeväärtused kõigis võimalikes maailmates? KB|-a, KB->a, KB & -a seos. (6)
  12. Forward chaining algoritm. (7)
  13. Resolutsioonimeetod lausearvutuses. Kuidas toimib resolutsioonireegel? Mismoodi saab sellest ühest reeglist teha järeldamise algoritmi? (7)
  14. Predikaatloogika (i.k. first order logic) teadmusbaas. Faktide ja reeglite kirja panek lihtsas süntaksis (nagu logictools). (8 ja kodutööd)
  15. Tinglik tõenäosus. P(a,b,c|d,e,f) (9)
  16. Diskreetsete juhuslike suuruste ühisjaotus, lausete tõenäosuse arvutamine selle kaudu. Kui on antud ühisjaotus, kuidas ma arvutan P(mingi lause)? (9)
  17. Juhuslike suuruste iseseisvus ja tinglik iseseisvus. Mis kasu on iseseisvusest tõenäosusmudelite juures? (10)
  18. Tõenäosuste statistiline hindamine. Kuidas tekivad tõenäosused Naiivse Bayesi valemisse? (ülesanne)
  19. Naiivse Bayesi mudelil arvutamine. Tõenäosusjaotuste alusel NB hüpoteesi arvutamine. (10)
  20. Peidetud Markovi mudel. Kuidas 1st järku Markovi mudel töötab? Mida teevad "smoothing" algoritmi edasi- ja tagasi sammud? (11)
  21. EM-algoritmi põhimõte. Mis on E ja M sammud? (11)
  22. Tehisneuroni tööpõhimõte. Sisendid, väljundid, nende vaheline seos (12, ülesanne)
  23. Tehisnärvivõrkude treenimise põhimõtted. Mismoodi saame väljundi veast paranduse närvivõrgu kaaludele? (13)
  24. Q-learning. Käitumise õppimine. Q tabeli sisu. Kuidas sinna uusi väärtusi arvutada? (14)
  25. k lähima naabri klassifikaator. Kuidas leiab k-NN algoritm punktile (andmeobjektile) klassi? (15)
  26. Klassifitseerimine otsustuspuu abil. Otsustuspuu konstrueerimine, kasutamine otsuse tegemiseks. (15)
  27. Informatsiooni koguse hindamine entroopia kaudu. Entroopia arvutus ja selle tähendus (15,ülesanne)
  28. Lineaarne regressioon. Milleks on vaja kaofunktsiooni? Ühe muutujaga lineaarse regressiooni arvutamine. (15)
Pärit leheküljelt "http://www.lambda.ee/w/index.php?title=Kordamisküsimused&oldid=18897"