Kordamisküsimused

Eksamiks valmistudes arvesta, et eksamil võib küsida kõike seda, millest on räägitud loengutes.

S.t. allolev nimekiri ei ole lõplik ega täielik.

1. Algoritmi ajaline keerukus. Suure "O" notatsioon. Mis on keerulisem, kas O(n²) või O(2ⁿ)?
2. Ülesande keerukus. NP-keerukad ülesanded. Miks meid huvitab ülesande keerukusklass?
3. Üldine iteratiivne puuotsingu algoritm, selle seos reaalse ülesande olekutega (olekuruumiga).
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?
5. Heuristiline otsing. Ahne otsingu ja A* hindamisfunktsioon (i.k. evaluation function). f(n) = ?
6. A* optimaalsuse tingimus. Kaugus linnulennult ja Manhattan distance. Kas maakaardil on mõlemad optimaalsed?
7. Lokaalne otsing. Otsinguruum, mäeronimine, lokaalsed ja globaalsed maksimumid. Mis on mäeronimise lõpetamise tingimus? Ruumiline keerukus? Ajaline keerukus?
8. Stohhastiline lokaalne otsing (simulated annealing). Miks peaks lokaalses otsingus kasutama juhuslikkust?
9. Strateegia otsing intelligentse vastase vastu. Minimax puu. Kuidas jõuavad seisu väärtused puu lehtedest algseisu? Kuidas käik valitakse?
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. Naiivne Bayesi mudel. Kuidas tekivad tõenäosused NB valemisse?
19. Peidetud Markovi mudel. Kuidas 1st järku Markovi mudel töötab? Mida teeb forward algoritmi üks samm?
20. Õppimine - mingile tundmatule funktsioonile lähendi leidmine.
21. Klassifitseerimine otsustuspuu abil. Otsustuspuu ehitamine DTL (tuntud ka ID3 nime all) algoritmiga. Informatsiooni entroopia. Otsustuspuu konstrueerimine, kasutamine otsuse tegemiseks.
22. Lineaarne regressioon. Milleks on vaja kaofunktsiooni? Ühe muutujaga lineaarse regressiooni arvutamine.
23. Tehisneuroni tööpõhimõte. Sisendid, väljundid, nende vaheline seos
24. Tehisnärvivõrkude treenimise põhimõtted. Mismoodi saame väljundi veast paranduse närvivõrgu kaaludele?
25. Q-learning. Käitumise õppimine. Q tabeli sisu. Kuidas sinna uusi väärtusi arvutada?