Mesterséges Intelligencia előadás
Alább egy részletet találtok a "régebbi" előadások tartalmából. Kérlek, hogy az új rendszert használjátok!
Tartalomjegyzék:
A mesterséges intelligencia számítógépes algoritmusok
gyűjteménye.
Ahhoz, hogy algoritmust lehessen írni, szükségesek adatok, melyekre
futtatni lehet az illető programot. Az algoritmusok írását megelőző
modellezési lépés tehát az ábrázolás, vagyis a
reprezentáció kérdése. Azaz: "tudás"-halmazt számítógépesen
feldolgozható formába átalakítani.
További - az algoritmus működését részletező - kérdések a tudáshalmazban
való kereséssel foglalkoznak.
Nagyon gyakran az adatok numerikusak, tehát az ábrázolás
kérdése nem tevődik fel, az megoldott. Itt a feladat a jelenség
modelljének a definíciója. A keresés a lehetséges modell
családjában történik és a megfigyelt adatokhoz legjobban illeszkedő
modell az "intelligens" rendszer válasza a bemeneti adatokra.
A feladat típusától függetlenül szükséges a számítógép által visszaadott
eredmények vizualizálása vagy értelmezése.
Az előadás bemutat algoritmusokat mesterséges intelligencia
témaköréből és igyekszik e terület iránt felkelteni az érdeklődést. Az
előadás három részre oszlik, a következők szerint
- Egy klasszikus - a gráfkereséseken alapuló - rész, ahol a
hangsúlyt a feladatok megfogalmazására, a
paramétertér specifikációjára, illetve a megírt algoritmusok
visszatérési adatainak az értelmezésére tesszük.
(az első hat előadás)
-
Egy rész, ahol a minket körülvevő - adatok- és megfigyelésbeli -
bizonytalanság kezelésével foglalkozunk. Bemutatunk különböző
modelleket, melyek ezt a bizonytalanságot figyelembe veszik.
(a hetedik előadás)
-
Egy adatbányász - adatmodellező - rész. Itt a célunk egy megfigyelt
adathalmazból való következtetés egy-egy új megfigyeléshez tartozó
kimenet értékeit tekintve. A feladat lehet:
- a tőzsde predikciója,
- egy internetes dokumentum osztályozása,
- beszélők azonosítása kevert és zajos felvételből.
(a nyolcadik előadástól a félév végéig)
- Bevezető fogalmak
- Tudásreprezentáció
- Gráfkeresési algoritmusok
- Szemantikus hálók/Keretrendszerek
- Játékmodellezés,
mi_06.pdf,
Egy maple program a játékok egyensúly helyzetének a kiszámítására:
A program nem
ellenőrzi, hogy a nyeregpont a szimplex belsejében
van-e, a számok választásánál kell ezt figyelembe vegyük.
Angol jegyzet:
Wayne Bialas,
- Bizonytalanság kezelése és reprezentációja,
-
Bayes-modell és grafikus modell;
-
Fuzzy modell és a Dempster-Schafer modell
- Grafikus modellek,
- Tanuló rendszerek, indukció/dedukció, döntési fák,
- Szimulált kifűtés / genetikus algoritmusok,
- Neurális hálózat modellek
- Gépi tanulás / mintafelismerés,
- Nemparametrikus módszerek,
- Vizsgatételek.
Az előadások letölthetők:
Más előadások PDF forrásai az
irodalomnál.
A szemináriumok során dolgozatokat mutatunk be és tárgyalunk meg. A
dolgozatok egy-egy, a mesterséges intellligencia egy algoritmusát
tárgyalják illetve alkalmazzák adatokra.
A bemutatók értékelésénél szempont, hogy
- legyen megírva az algoritmus (amennyiben algoritmust mutatunk be);
- legyen bemutatva úgy, hogy a mások - a többi diák és én - megértsék;
- legyen alkalmazás a valós adatok elemzésére;
Szemináriumok témái
A szemináriumok témái a félév első három hetében vannak kijelölve. Aki
szeretne ETDK-s dolgozatot írni, annak javasolt a
szemináriumokon való bemutatás.
A témaválasztásnál a saját ötletek részesülnek előnyben. Javasolt azokat
levélben megbeszélni, hogy ne legyen se nagyon sok se nagyon
kevés. Amennyiben ketten vállaltok témát, akkor természetszerűen
több munkát várok el - nem több anyagot, hanem programot illetve a
program(ok) eredményeinek egy módszeresebb értékelését.
A témaválasztásnál tekintsétek meg a korábbi előadásokat is, ezek alább
találhatóak.
-
Gráfkereső feladatok (18 pont).
A feladatok megoldását komment-elni kell olyan szinten, hogy a
megoldás érthető legyen. Egy megoldott példa a puzzle, ami a puzzle_prolog.pdf-ben mutatunk be.
- "Intelligens" játékok: keresési stratégiák implementálása. (10 pont +5 opcionális).
-
Gépi tanulás feladat (12 pont +5 opcionális).
A gépi tanulásos feladat esetén egy kis
dokumentációt is kell írni, ahol a feladat megoldásához használt
paradigmákat definiáljuk illetve vizsgáljuk a megoldó
algoritmus működését a paraméterek változtatása esetén.
A feladatokat tartalmazó állomány
ITT.
A félév során kitűzött opcionális feladatok:
A félév előadásai során érdekes feladatokat beszélünk meg,
melyekre lehet alkalmazni különböző mestint módszereket.
A határidőn belül megoldott első öt önálló feladatleadót pontozzuk.
A félév-végi jegy írásbeli vizsga eredménye. A vizsgához
szükséges a két feladatsor leadása.
A szemináriumokon bemutatót tartó diákok maximum 20 pontot
kaphatnak, mely a vizsgán beszámít a jegybe. A laborfeladatot, valamint az egyik
elméleti tételt és a feladatot nekik is be kell mutatniuk.
- Futó Iván (szerk): Mesterséges Intelligencia jegyzet,
Aula kiadó, 1999
A jegyzet a könyvtárban megtalálható.
- Stuart J. Russell, Peter Norvig: Artificial Intelligence - a
modern approach, Prentice Hall, 1995
A könyv elérhető DJVU formátumban. Levél küldése
esetén küldöm a link-et.
Fejezetek a könyvből (új/átdolgozott változat)
Előadások a könyv alapján:
- Tom Mitchell: Machine Learning,
McGraw-Hill, 1997
Internetes források
Levélcím: Lehel _dot_ Csato _at_ cs _dot_ ubbcluj _dot_ ro