Kordamisküsimused

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?
2. Üldine iteratiivne puuotsingu algoritm, selle seos reaalse ülesande olekutega (olekuruumiga).
3. Pimeotsing (laiuti-, sügavuti-). Laiutiotsingu ja sügavutiotsingu ajaline ja ruumiline keerukus. Kui mul on hargnemistegur b ja otsing toimub sügavuseni d, mitu tsüklit algoritm teeb?
4. Heuristiline otsing. Ahne otsingu ja A* hindamisfunktsioon (i.k. evaluation function). f(n) = ?
5. A* optimaalsuse tingimus. Kaugus linnulennult ja Manhattan distance. Kas maakaardil on mõlemad optimaalsed?
6. Lokaalne otsing. Otsinguruum, mäeronimine, lokaalsed ja globaalsed maksimumid. Mis on mäeronimise lõpetamise tingimus? Ruumiline keerukus? Ajaline keerukus?
7. Stohhastiline lokaalne otsing (simulated annealing). Miks peaks lokaalses otsingus kasutama juhuslikkust?
8. Strateegia otsing intelligentse vastase vastu. Minimax puu. Kuidas jõuavad seisu väärtused puu lehtedest algseisu? Kuidas käik valitakse?
9. Monte Carlo puuotsing (MCTS). Kuidas leitakse käigu võiduprotsent ja valitakse käik?
10. Teadmusbaasil põhineva agendi arhitektuur.
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.
12. Forward chaining algoritm.
13. Resolutsioonimeetod lausearvutuses. Kuidas toimib resolutsioonireegel? Mismoodi saab sellest ühest reeglist teha järeldamise algoritmi?
14. 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
15. Tinglik tõenäosus. P(a,b,c|d,e,f)
16. Diskreetsete juhuslike suuruste ühisjaotus, lausete tõenäosuse arvutamine selle kaudu. Kui on antud ühisjaotus, kuidas ma arvutan P(mingi lause)?
17. Juhuslike suuruste iseseisvus. Bayesi võrk.
18. Tõenäosuste statistiline hindamine. Kuidas tekivad tõenäosused Naiivse Bayesi valemisse?
19. Naiivne Bayesi mudelil arvutamine. Tõenäosusjaotuste alusel NB hüpoteesi arvutamine. Normaliseerimine tõenäosuste leidmiseks
20. Õppimine - mingile tundmatule funktsioonile lähendi leidmine.
21. Informatsiooni koguse hindamine entroopia kaudu. Entroopia arvutus ja selle tähendus
22. Klassifitseerimine otsustuspuu abil. Otsustuspuu ehitamine DTL (tuntud ka ID3 nime all) algoritmiga. Otsustuspuu konstrueerimine, kasutamine otsuse tegemiseks.
23. Lineaarne regressioon. Milleks on vaja kaofunktsiooni? Ühe muutujaga lineaarse regressiooni arvutamine.
24. Tehisneuroni tööpõhimõte. Sisendid, väljundid, nende vaheline seos
25. Tehisnärvivõrkude treenimise põhimõtted. Mismoodi saame väljundi veast paranduse närvivõrgu kaaludele?
26. Q-learning. Käitumise õppimine. Q tabeli sisu. Kuidas sinna uusi väärtusi arvutada?