Kordamisküsimused
Eksamiks valmistudes arvesta, et eksami raskusaste eeldab loengute kuulamist, viidatud õpiku osade lugemist ja harjutusülesannete tegemist.
Allolev nimekiri võib veel täieneda ja muutuda.
- 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?
- Predikaatloogika (i.k. first order logic) teadmusbaas. Faktide ja reeglite kirja panek lihtsas süntaksis (nagu logictools).
- 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 ja tinglik iseseisvus. Mis kasu on iseseisvusest tõenäosusmudelite juures?
- Tõenäosuste statistiline hindamine. Kuidas tekivad tõenäosused Naiivse Bayesi valemisse?
- Naiivse Bayesi mudelil arvutamine. Tõenäosusjaotuste alusel NB hüpoteesi arvutamine.
- Peidetud Markovi mudel. Kuidas 1st järku Markovi mudel töötab? Mida teeb forward algoritmi üks samm?
- EM-algoritmi põhimõte. Mis on E ja M sammud?
- 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?
- k lähima naabri klassifikaator. Kuidas leiab k-NN algoritm punktile (andmeobjektile) klassi?
- Klassifitseerimine otsustuspuu abil. Otsustuspuu konstrueerimine, kasutamine otsuse tegemiseks.
- Informatsiooni koguse hindamine entroopia kaudu. Entroopia arvutus ja selle tähendus
- Lineaarne regressioon. Milleks on vaja kaofunktsiooni? Ühe muutujaga lineaarse regressiooni arvutamine.