Kordamisküsimused: erinevus redaktsioonide vahel
Mine navigeerimisribale
Mine otsikasti
Resümee puudub |
Resümee puudub |
||
| 22. rida: | 22. rida: | ||
# Kitsendusülesande lahendamine rekursiivse otsinguga. Optimeerimise tehnikad (''MRV'' jne). | # Kitsendusülesande lahendamine rekursiivse otsinguga. Optimeerimise tehnikad (''MRV'' jne). | ||
--> | --> | ||
# Monte Carlo puuotsing (MCTS). ''Kuidas leitakse käigu võiduprotsent ja valitakse käik?'' | |||
# Teadmusbaasil põhineva agendi arhitektuur. | # Teadmusbaasil põhineva agendi arhitektuur. | ||
# 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.'' | # 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.'' | ||
| 34. rida: | 35. rida: | ||
# Juhuslike suuruste iseseisvus. Bayesi võrk. | # Juhuslike suuruste iseseisvus. Bayesi võrk. | ||
# Naiivne Bayesi mudel. ''Kuidas tekivad tõenäosused NB valemisse?'' | # Naiivne Bayesi mudel. ''Kuidas tekivad tõenäosused NB valemisse?'' | ||
<!--# 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 teeb forward algoritmi üks samm?''--> | ||
<!-- | <!-- | ||
# Juhuslike suuruste iseseisvus. Bayesi reegel. | # Juhuslike suuruste iseseisvus. Bayesi reegel. | ||
| 42. rida: | 43. rida: | ||
# Õppimine - mingile tundmatule funktsioonile lähendi leidmine. | # Õppimine - mingile tundmatule funktsioonile lähendi leidmine. | ||
# Klassifitseerimine otsustuspuu abil. Otsustuspuu ehitamine ''DTL'' (tuntud ka ''ID3'' nime all) algoritmiga. Informatsiooni entroopia. ''Otsustuspuu konstrueerimine, kasutamine otsuse tegemiseks.'' | # Klassifitseerimine otsustuspuu abil. Otsustuspuu ehitamine ''DTL'' (tuntud ka ''ID3'' nime all) algoritmiga. Informatsiooni entroopia. ''Otsustuspuu konstrueerimine, kasutamine otsuse tegemiseks.'' | ||
# Lineaarne regressioon. ''Milleks on vaja kaofunktsiooni? Ühe muutujaga lineaarse regressiooni arvutamine.'' | # (?) Lineaarne regressioon. ''Milleks on vaja kaofunktsiooni? Ühe muutujaga lineaarse regressiooni arvutamine.'' | ||
# Tehisneuroni tööpõhimõte. ''Sisendid, väljundid, nende vaheline seos'' | # Tehisneuroni tööpõhimõte. ''Sisendid, väljundid, nende vaheline seos'' | ||
# Tehisnärvivõrkude treenimise põhimõtted. ''Mismoodi saame väljundi veast paranduse närvivõrgu kaaludele?'' | # Tehisnärvivõrkude treenimise põhimõtted. ''Mismoodi saame väljundi veast paranduse närvivõrgu kaaludele?'' | ||
Redaktsioon: 28. november 2019, kell 14:14
Eksamiks valmistudes arvesta, et eksamil võib küsida kõike seda, millest on räägitud loengutes.
S.t. allolev nimekiri ei ole lõplik ega täielik.
- Algoritmi ajaline keerukus. Suure "O" notatsioon. Mis on keerulisem, kas O(n2) või O(2n)?
- Ülesande keerukus. NP-keerukad ülesanded. Miks meid huvitab ülesande keerukusklass?
- Üldine iteratiivne puuotsingu algoritm, selle seos reaalse ülesande olekutega (olekuruumiga).
- Pimeotsing (laiuti-, sügavuti-). Laiutiotsingu ja sügavutiotsingu ajaline ja ruumiline keerukus. Kui mul on hargnemistegur b ja otsing toimub sügavuseni d, mitu tsüklit algoritm teeb?
- Heuristiline otsing. Ahne otsingu ja A* hindamisfunktsioon (i.k. evaluation function). f(n) = ?
- A* optimaalsuse tingimus. Kaugus linnulennult ja Manhattan distance. Kas maakaardil on mõlemad optimaalsed?
- Lokaalne otsing. Otsinguruum, mäeronimine, lokaalsed ja globaalsed maksimumid. Mis on mäeronimise lõpetamise tingimus? Ruumiline keerukus? Ajaline keerukus?
- Stohhastiline lokaalne otsing (simulated annealing). Miks peaks lokaalses otsingus kasutama juhuslikkust?
- Strateegia otsing intelligentse vastase vastu. Minimax puu. Kuidas jõuavad seisu väärtused puu lehtedest algseisu? Kuidas käik valitakse?
- Monte Carlo puuotsing (MCTS). Kuidas leitakse käigu võiduprotsent ja valitakse käik?
- Teadmusbaasil põhineva agendi arhitektuur.
- 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.
- Forward chaining algoritm.
- Resolutsioonimeetod lausearvutuses. Kuidas toimib resolutsioonireegel? Mismoodi saab sellest ühest reeglist teha järeldamise algoritmi?
- 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)
- Diskreetsete juhuslike suuruste ühisjaotus, lausete tõenäosuse arvutamine selle kaudu. Kui on antud ühisjaotus, kuidas ma arvutan P(mingi lause)?
- Juhuslike suuruste iseseisvus. Bayesi võrk.
- Naiivne Bayesi mudel. Kuidas tekivad tõenäosused NB valemisse?
- Õppimine - mingile tundmatule funktsioonile lähendi leidmine.
- Klassifitseerimine otsustuspuu abil. Otsustuspuu ehitamine DTL (tuntud ka ID3 nime all) algoritmiga. Informatsiooni entroopia. Otsustuspuu konstrueerimine, kasutamine otsuse tegemiseks.
- (?) Lineaarne regressioon. Milleks on vaja kaofunktsiooni? Ühe muutujaga lineaarse regressiooni arvutamine.
- Tehisneuroni tööpõhimõte. Sisendid, väljundid, nende vaheline seos
- Tehisnärvivõrkude treenimise põhimõtted. Mismoodi saame väljundi veast paranduse närvivõrgu kaaludele?
- Q-learning. Käitumise õppimine. Q tabeli sisu. Kuidas sinna uusi väärtusi arvutada?