blogbook.hu · mesterséges intelligencia 1 csató lehel tudnivalók bevezet˝o fejlodés˝...
TRANSCRIPT
![Page 1: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/1.jpg)
MesterségesIntelligencia
Csató Lehel
Mesterséges Intelligencia
Csató Lehel
Magyar Matematika-Informatika IntézetBabes–Bolyai Tudományegyetem, Kolozsvár
2015/2016
1/370
![Page 2: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/2.jpg)
MesterségesIntelligencia
1Csató Lehel
Tudnivalók
Bevezeto
Fejlodés
Könyvészet
Eredmények
Az Eloadások Témái
Bevezeto: mi a mesterséges intelligencia 1
„Tudás”–reprezentáció 2
Gráfkeresési stratégiák 3
Szemantikus hálók / Keretrendszerek 4
Játékok modellezése 5
Bizonytalanság kezelése 6
Grafikus modellek és a D.S. modell 7
Fuzzy rendszerek 8
Tanuló rendszerek 9
Szimulált kifutés, Genetikus algoritmusok 10
Neurális hálók, a perceptron modell 11
Többrétegu hálók, Önszervezodés 12 , 13
Gépi tanulás 14
2/370
![Page 3: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/3.jpg)
MesterségesIntelligencia
1Csató Lehel
Tudnivalók
Bevezeto
Fejlodés
Könyvészet
Eredmények
Admin ... ... trívia
Vizsga
Szóbeli (60%) + Gyakorlat (40%)
Laborgyakorlatok:1 Gráfok ábrázolása - dedukciós algoritmus 18%2 Játékelmélet 10%3 Matlab - tanulási algoritmus 12%4 Opcionális feladatok - max. 3/személy sok%
Bemutatók (5–20 pont)Alkalmazások bemutatása, melyek adaptív, gépitanulásos vagy mestint módszereket alkalmaznak.
3/370
![Page 4: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/4.jpg)
MesterségesIntelligencia
1Csató Lehel
Tudnivalók
Bevezeto
Fejlodés
Könyvészet
Eredmények
A „mesterséges intelligencia”
Nincs pontos definíció.
Cog.Bot.Lab – München
J. Schmidthuber
„Elvárások”intelligens viselkedésracionális viselkedésgondolkodó rendszercselekvo rendszer
4/370
![Page 5: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/5.jpg)
MesterségesIntelligencia
1Csató Lehel
Tudnivalók
Bevezeto
Fejlodés
Könyvészet
Eredmények
Turing-teszt
Egy megfigyelo tesztel egyrendszert, melyrol nemtudja, hogyember vagy gép.Feladat, hogy a feltettkérdések nyomán találjukki, hogy a rendszertgép vagy ember vezérli.
M.I. rendszer
?
Kérdésfelvetés:
Alan Turing Képessé teheto – programozható – aszámítógép a gondolkodás muveletére?
Neumann János A fogalmak eléggé pontosspecifikálása esetén a gép „intelligens” lesz.
5/370
![Page 6: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/6.jpg)
MesterségesIntelligencia
1Csató Lehel
Tudnivalók
Bevezeto
Fejlodés
Könyvészet
Eredmények
Turing-teszt
Egy megfigyelo tesztel egyrendszert, melyrol nemtudja, hogyember vagy gép.Feladat, hogy a feltettkérdések nyomán találjukki, hogy a rendszertgép vagy ember vezérli.
M.I. rendszer
?
Kérdésfelvetés:
Alan Turing Képessé teheto – programozható – aszámítógép a gondolkodás muveletére?
Neumann János A fogalmak eléggé pontosspecifikálása esetén a gép „intelligens” lesz.
5/370
![Page 7: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/7.jpg)
MesterségesIntelligencia
1Csató Lehel
Tudnivalók
Bevezeto
Fejlodés
Könyvészet
Eredmények
Bevezeto fogalmak
Mesterséges Intelligencia – „A.I.”
Emberhez hasonlóan gondolko-dó rendszerekBellman:döntéshozatal,problémamegoldás,tanulás automatizálása.
Racionálisan gondolkodó rend-szerekCharniak:Mentális képességek tanulmá-nyozása.
Emberhez hasonlóan cselekvorendszerekRich:Végeztetni dolgokat, melyeketaz emberek jobban tudnak.
Racionálisan cselekvo rendsze-rekSchalkoff:Utánozni és magyarázni az in-telligens viselkedést.
Russell, 1996
6/370
![Page 8: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/8.jpg)
MesterségesIntelligencia
1Csató Lehel
Tudnivalók
Bevezeto
Fejlodés
Könyvészet
Eredmények
Az M.I. fejlodése
1956 – elso M.I. konferencia Darthmouth-ban.„Alapítók”:
Minsky (Logo, Neurális háló),McCarthy (Lisp),Shannon (információ-elmélet)
Fejlodési területek:szimbolikus M.I.
szakértoi rendszerekdedukciós algoritmusok
„konnekcionista” megközelítésekneurális hálókBoltzmann gépekevolúciós algoritmusok
Ezekkel párhuzamosan:kognitív tudományok - cognitive neuroscience (CNS)Fuzzy algoritmusok
7/370
![Page 9: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/9.jpg)
MesterségesIntelligencia
1Csató Lehel
Tudnivalók
Bevezeto
Fejlodés
Könyvészet
Eredmények
M.I. fejlodésgrafikon
Fejlodésigrafikoncikkek száma,konferenciáklátogatottsága ...
’56 ’0082–88
Bonyolultságelmélet
kezdetek - elméleti háttér: dedukciós algoritmusok,feladatok meghatározása,’80-as években – nagyon nagy a támogatottsága,késobb az érdeklodés csökkent, de1997-ben a DEEP BLUE nyer a sakk-világbajnokellen
8/370
![Page 10: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/10.jpg)
MesterségesIntelligencia
1Csató Lehel
Tudnivalók
Bevezeto
Fejlodés
Könyvészet
Eredmények
M.I. fejlodése évszámokban
’50 Turing: „Computing Machinery andIntelligence”;
’56 Dartmouth: „Mesterséges Intelligencia”;’52–’69 „Look, Ma, no hands!”1;
’50– Sakk – Samuel, logika – Newell & Simon,„Geometry Engine” – Gelernter;
’65 logikai következteto algoritmus – Robinson;’66–’73 Bonyolultságelmélet – csökkeno
támogatottság;’69–’79 Tudásalapú rendszerek;
’80– M.I. ipari ágazat;’86– Neurális háló modellek újra népszeruek;’87– M.I. tudományág;
1vicc utolsó elotti sora. Utolsó: „Look, Ma, no teeth!”9/370
![Page 11: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/11.jpg)
MesterségesIntelligencia
1Csató Lehel
Tudnivalók
Bevezeto
Fejlodés
Könyvészet
Eredmények
M.I. jelen idoben I
‡„Modern AI focuses on practical engineering tasks”
Egy pragmatikus megközelítés.
Tudományterületek, melyek kiváltak:Felismero rendszerek: minta-, beszéd-, OCR;Szakértoi rendszerek;Gépi fordítás;Robotika;Játékelmélet;Dedukciós algoritmusok – Maple, Mathematicaa Fermat–tétel bizonyítása, stb.
‡ http://wikipedia.org
10/370
![Page 12: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/12.jpg)
MesterségesIntelligencia
1Csató Lehel
Tudnivalók
Bevezeto
Fejlodés
Könyvészet
Eredmények
M.I. – jelen idoben II
Cinikusan: M.I. feladat= egyelore jó megoldás nem ismert;= bizonyított, hogy a megoldáshoz nagyon
hosszú ido kell.
Sikerek:
Deep Blue, 1997 – Gary Kasparov-ot legyozi(rendszerek, melyek legyozik a Deep Blue-t),Robbins sejtés bizonyítása,tervezés – ütemezés az 1991-es iraki háborúban:50.000 egység koordinálása,Proverb – keresztrejtvények megfejtése.
11/370
![Page 13: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/13.jpg)
MesterségesIntelligencia
1Csató Lehel
Tudnivalók
Bevezeto
Fejlodés
Könyvészet
Eredmények
Könyvészet I
S.J. Russell, P. NorvigMesterséges intelligencia modern közelítésben.(második kiadás) Panem, 2005.
I. Futó (szerk)Mesterséges intelligencia. Aula, 1999.
S.J. Russell, P. NorvigArtificial Intelligence: a Modern Approach. PrenticeHall, 1995.
T.M. MitchellMachine Learning. McGraw-Hill, 1997.
C.M. BishopPattern Recognition and Machine Learning.Springer Verlag, 2006.
12/370
![Page 14: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/14.jpg)
MesterségesIntelligencia
1Csató Lehel
Tudnivalók
Bevezeto
Fejlodés
Könyvészet
Eredmények
Könyvészet II
C.M. BishopNeural Networks for Pattern Recognition. OxfordUniversity Press, 1995.
M.A. ArbibThe Handbook of Brain Theory and Neural Networks.The MIT Press, 2003.
Könyvészet olvasása kötelezoAz eloadás anyaga csupán útmutató a tanuláshoz éssegít a jegyzetelés megkönnyítésében.
Könyvészet olvasása kötelezo IIA vetített anyag nem elégséges a vizsgához.
13/370
![Page 15: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/15.jpg)
MesterségesIntelligencia
1Csató Lehel
Tudnivalók
Bevezeto
Fejlodés
Könyvészet
Eredmények
M.I. algoritmusok gyakorlatban I
Index - ’05 okt. 2 – Nyelveket tanul a szoftverAutomatic DIstillation Of Structures (ADIOS)
„Cél az agyban lévo szintaktikus és szemantikusismeretek ... számítógépes modellezése.”
„A rendszer nyers adatokból (szöveg, beszéd, aminósav,hangjegy) SZABÁLYOKAT határoz meg.”
http://adios.tau.ac.il
14/370
![Page 16: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/16.jpg)
MesterségesIntelligencia
1Csató Lehel
Tudnivalók
Bevezeto
Fejlodés
Könyvészet
Eredmények
M.I. algoritmusok gyakorlatban II
www.agent.ai – ’05 szept. 19 – Pontosan utánoz amukéz
A Southampton-i Egyetem mesterséges végtagja
A „Remedi-Hand” (Rehabilitationand Medical Research Trust)parányi feldolgozó egységenkeresztül kapcsolódik akarizmokkal.A készüléket a csuklót mozgatóizmok összehúzódásai vezérlik.
15/370
![Page 17: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/17.jpg)
MesterségesIntelligencia
1Csató Lehel
Tudnivalók
Bevezeto
Fejlodés
Könyvészet
Eredmények
M.I. algoritmusok gyakorlatban III
www.agent.ai – ’05 szept. 16 – Tökéletes ujjlenyomatok
Genetikus algoritmusok a bunüldözésben
Ujjlenyomatokrólkészült képektömörítésekor nagyonóvatosan kell eljárni:a legcsekélyebbtorzulás ishasznavehetetlennéteheti az ujjlemyonatképét.
16/370
![Page 18: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/18.jpg)
MesterségesIntelligencia
1Csató Lehel
Tudnivalók
Bevezeto
Fejlodés
Könyvészet
Eredmények
M.I. algoritmusok gyakorlatban IV
yahoo.com – ’05 okt. 9 – Stanford Volkswagen Wins$2M Robot Race
Defense AdvancedResearch ProjectsAgency, DARPAdirector Dr. TonyTether, sets a medalon Stanford RacingTeam’s Stanley #03.
Sebastian Thrunhttp://robots.stanford.edu/
17/370
![Page 19: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/19.jpg)
MesterségesIntelligencia
1Csató Lehel
Tudnivalók
Bevezeto
Fejlodés
Könyvészet
Eredmények
Let’s Talk! The computer can translate V
mouthing words inMandarin11 electrodesattached on faceand neckcomputer programto figure out whathe was saying
http://www.post-gazette.com/pg/05301/596293.stm
Fontos kérdések az implementáció folyamán:
Milyen modellek , rendszerek , algoritmusok voltak használva.
18/370
![Page 20: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/20.jpg)
MesterségesIntelligencia
1Csató Lehel
Tudnivalók
Bevezeto
Fejlodés
Könyvészet
Eredmények
Feladat ?házi?
Találjatok a fentiekhez hasonló példákat, ahol a„mesterséges intelligens” eszközök sikeresek voltak.
+5 pont - kis bemutató
19/370
![Page 21: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/21.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Az Eloadások Témái
Bevezeto: mi a mesterséges intelligencia 1
„Tudás”–reprezentáció 2
Gráfkeresési stratégiák 3
Szemantikus hálók / Keretrendszerek 4
Játékok modellezése 5
Bizonytalanság kezelése 6
Grafikus modellek és a D.S. modell 7
Fuzzy rendszerek 8
Tanuló rendszerek 9
Szimulált kifutés, Genetikus algoritmusok 10
Neurális hálók, a perceptron modell 11
Többrétegu hálók, Önszervezodés 12 , 13
Gépi tanulás 14
20/370
![Page 22: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/22.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Admin ... ... trívia
Vizsga
Szóbeli (60%) + Gyakorlat (40%)
Laborgyakorlatok:1 Gráfok ábrázolása - dedukciós algoritmus 18%2 Játékelmélet 10%3 Matlab - tanulási algoritmus 12%4 Opcionális feladatok - max. 3/személy sok%
Bemutatók (5–20 pont)Alkalmazások bemutatása, melyek adaptív, gépitanulásos vagy mestint módszereket alkalmaznak.
21/370
![Page 23: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/23.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Hogyan írjunk jól angolul? I
A WhiteSmoke “szövegérto” szoftvere.
„Elofordul, hogy jól beszélünk angolul, ám fontos leveleinkbebecsúsznak hibák és a címzett az eredeti szándéktól különbözonekolvashatja mondandónkat. Egy izraeli szoftver a helyesíráson és anyelvtanon túlmutató megoldást kínál.”
Míg például a Word helyesírási és nyelvtani ellenorzoje csak e kétterületen hatékony, addig jelen szoftver lényegesen többet tud: aszöveget mesterséges intelligencia segítségével fürkészi át, majd aztpontosabbá, egyértelmubbé és folyékonyabbá tevo javaslatokkal állelo. (azaz ?kozmetikáz?)
agent.ai
22/370
![Page 24: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/24.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Hogyan írjunk jól angolul? II
23/370
![Page 25: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/25.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
„Tudás”reprezentáció
Ismeretek számítógépes formában való tárolása
vagy:Hanoi tornyok feladata
1 2 3
24/370
![Page 26: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/26.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
„Tudás”reprezentáció
Hanoi tornyok feladata
1 2 3 =⇒ 1 2 3kezdeti vég
Állapotok(3, 3, 3) =⇒ (1, 1, 1)
Szabály: nem helyezheto egy korong egy nála kisebbkorong tetejére.
Szabály =⇒ Állapottér
25/370
![Page 27: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/27.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
„Állapottér”
Állapottér: szabályos lépéseksorozata.
Ábrázolási mód:irányítatlan gráf,minden lépésmegfordítható.
Csúcs – állapot
Él – lépés
Gráf
(2,2,2)
(3,2,2)
(3,1,2)
(1,1,2)
(1,1,3)
(2,1,3)
(2,3,3)
(3,3,3)
(1,2,2)
(2,1,2)
(3,1,3)
(1,3,3)
(1,3,2)
(2,3,2)
(3,2,3)
(1,2,3)
(3,3,2)
(2,2,3)
(3,3,1)
(1,3,1)
(1,2,1)
(2,2,1)
(2,3,1)
(3,2,1)
(2,1,1)
(3,1,1)
(1,1,1)26/370
![Page 28: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/28.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
„Feladat”
Feladat:a kezdeti állapotból:(3, 3, 3)a cél-állapotba(1, 1, 1)eljutni.
(2,3,3)
(3,3,3)
(1,3,3)
(1,2,3)
(2,3,1)
(3,2,1)
(2,1,1)
(3,1,1)
(1,1,1)
Gráfkiterjesztés költséges
Kezdo
Cél
27/370
![Page 29: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/29.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Megoldáskeresés az állapottérben
Hegymászó módszer
Heurisztika: az állapotokhoz rendel egy numerikusfüggvényt, mely maximum a kezdeti állapotban ésminimum a vég állapotban.
Val(CS) =∑k
Pozk
kezdeti = 9
vég = 3
28/370
![Page 30: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/30.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Megoldás a hegymászó módszerrel
Hegymászó módszer(Hill climbing)
Hegymászó:
ÁLLAPOT⇐ kezdoállapot
Amíg ÁLLAPOT 6= CÉLÁLLAPOT
Válassz ÚJ_ÁLLAPOT-otÁLLAPOT⇐ ÚJ_ÁLLAPOT
A következo lépés:A Val(CS) legkisebb –szülotol különbözo –csúcs.
(2,3,3)
(3,3,3)
(1,3,3)
(3,2,3)
(1,2,3)
(2,2,3)
(3,3,1)
(1,3,1)
(1,2,1)
(2,2,1)
(2,3,1)
(3,2,1)
(2,1,1)
(3,1,1)
(1,1,1)29/370
![Page 31: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/31.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Hegymászó módszer
Jellemzok:
Heurisztikanem bizonyíthatóa konvergencia,Nem kerüli el a ciklusokat,függ a paraméterezéstol:például a (2, 2, 2)-be nemírható algoritmus.
(–)
(–)
(–)
(–)
(–)
(–)
(–)
(–)
(–)
(–)
(–)
(–)
(–)
(–)
(–)
(–)
(–)
(–)30/370
![Page 32: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/32.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Backtracking I
Visszalépéses keresés
Visszalép:
ÚT←− kezdoállapot
Amíg ÚT–vég nem CÉL
Válassz SZaz út végére alkalmazhatómuveletek v. visszalépÚT←− SZ(ÚT)
A választásnál lehet adefiniált célfüggvényt használni.
SZ = szabály
(2,3,3)
(3,3,3)
(1,3,3)
(3,2,3)
(1,2,3)
(3,3,2)
(2,2,3)
(3,3,1)
(1,3,1)
(1,2,1)
(2,2,1)
(2,3,1)
(3,2,1)
(2,1,1)
(3,1,1)
(1,1,1)31/370
![Page 33: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/33.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Backtracking Összefoglaló
Visszalépéses keresés
Fontos:a heurisztika→ hatékonyság,maximális úthossz korlátozás,jobb megoldás de nem optimális.
(2,3,3)
(3,3,3)
(1,3,3)
(3,2,3)
(1,2,3)
(3,3,2)
(2,2,3)
(3,3,1)
(1,3,1)
(1,2,1)
(2,2,1)
(2,3,1)
(3,2,1)
(2,1,1)
(3,1,1)
(1,1,1)32/370
![Page 34: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/34.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Gráfkeresés I
Keresés gráfban
Algoritmus:
GRÁF←− kezdoállapot
Amíg GRÁF3 CÉL
Válassz SZGRÁF-ra alkalmazhatómuveletekGRÁF←− SZ(GRÁF)
A választásnál lehet a definiáltcélfüggvényt használni.
SZ = szabály
(2,3,3)
(3,3,3)
(1,3,3)
(3,2,3)
(1,2,3)
(2,2,3)
(3,3,1)
(1,3,1)
(1,2,1)
(2,2,1)
(2,3,1)
(3,2,1)
(2,1,1)
(3,1,1)
(1,1,1)
1
2
3
4
5
6
7
8
9
33/370
![Page 35: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/35.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Gráfkeresés II
Keresés gráfban
Felépíti a gráfot,A legköltségesebb,nem találja meg a legrövidebbutat;Elérhetjük a célcsúcsot úgy is, hogyolyan csúcso(ka)t hagyunk ki,melyek a legrövidebb út részeilennének.
(2,3,3)
(3,3,3)
(1,3,3)
(3,2,3)
(1,2,3)
(2,2,3)
(3,3,1)
(1,3,1)
(1,2,1)
(2,2,1)
(2,3,1)
(3,2,1)
(2,1,1)
(3,1,1)
(1,1,1)
1
2
3
4
5
6
7
8
9
34/370
![Page 36: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/36.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Feladat dekompozíció I
Rekurzív függvényhívás iskolapéldája
Jelölje: 〈n, i, j, k〉 a muveletet, melybena legfelso n korongotaz i-edik rúdróla j-edik rúdra helyezzüka k-adik rúd segítségével
A feladat dekomponálható:
〈n, i, j, k〉 −→ 〈n− 1, i, k, j〉 〈1, i, j, k〉 〈n− 1, k, j, i〉ha n > 1
n = 1 – nem kell tovább bontani a feladatot
35/370
![Page 37: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/37.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Feladat dekompozíció II
〈3, 3, 1, 2〉
〈2, 3, 2, 1〉 〈2, 2, 1, 3〉
〈1, 3, 1, _〉 〈1, 3, 2, _〉 〈1, 1, 2, _〉
〈1, 3, 1, _〉
〈1, 2, 3, _〉 〈1, 2, 1, _〉 〈1, 3, 1, _〉
ÉS/VAGY gráf:
csúcs = problémaköteg - a részfeladatok, melyeket meg kell oldani afeladat megoldásához.Itt nincs VAGY csúcs.megoldás = részgráf, melyben minden részproblémacsupa megoldható problémára vezetheto vissza.
36/370
![Page 38: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/38.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Predikátumkalkulus I
Szabályalapú következtetést(i, j) – legfelso korong i⇒ j mozgatása.
A feladat megoldása mozgatások sorozata⇒ lista
Lista: a.b.c.nil
Lista axiómái: A(·, ·, ·) – append
(1) A(nil, r, r)
(2) A(u, v,w) → A(s.u, v, s.w)
(1) – Üres lista nem változtat az eredményen(2) – Ha w az u és v összetétele, ez érvényes egy s elotaggalis.
37/370
![Page 39: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/39.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Predikátumkalkulus II
Hanoi tornyai axiómái:
(3) H(1, i, j, k, t(i, j).nil)
(4) H(n− 1, i, k, j, y)∧H(1, i, j, k, t(i, j).nil)∧
H(n− 1, k, j, i, z)∧A(y, t(i, j).z, x)→ H(n, i, j, k, x)
(3) – 1 elemet átteszünk: t(i, j)(4) – n elem áttételéhez elobb n− 1 elemet mozgatunk ysorozattal, egy elemet t(i, j)-vel, majd n− 1-et vissza.
Kérdés: (5) (∃x) H(2, 1, 2, 3, x)
(5) – azon mozgatások, melyek megvalósítják 2 korongmozgatását.
38/370
![Page 40: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/40.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Predikátumkalkulus III
Algoritmus:
GRÁF⇐= célállításAmíg GRÁF-ban nincsellentmondásmentes levezetésVálassz SZa GRÁF-hoz alkalmazható illesztésekvagy visszalépésGRÁF⇐= SZ(GRÁF)
Egy ÉS/VAGY gráfot járunk be és keresünk egy gráfot,mely tényekben végzodik és nem ellentmondóak azillesztések.
39/370
![Page 41: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/41.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Rezolúció I
Két elemu Hanoi-toronyra a kérdés:
(∃x) H(2, 1, 2, 3, x)
Rezolúció: bizonyítani, hogy az axiómákból következik acélállítás.Módszer: Tagadjuk a kijelentést és bizonyítjuk, hogy ezutóbbi hamis.
A→ B ⇔ A∨ B ⇔ A∧ B
⇐⇒ (1)∧ (2)∧ (3)∧ (4)∧ (5) kielégíthetetlen
(5) = (∀x) H(2, 1, 2, 3, x)40/370
![Page 42: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/42.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Rezolúció II
Bizonyítás: ellentmondásos axiómarendszer:
(1) (∀r) A(nil, r, r)
(2) (∀ . . .) A(u, v,w)∨A(s.u, v, s.w)
(3) (∀ . . .) H(1, i, j, k, t(i, j).nil)
(4) (∀ . . .) H(n− 1, i, k, j, y)∨H(1, i, j, k, t(i, j).nil)∨
H(n− 1, k, j, i, z)∨A(y, t(i, j).z, x)∨H(n, i, j, k, x)
(5) (∀x) H(2, 1, 2, 3, x)
Cáfolati gráf: létezik út, melyre fennáll az (1) − (4) és (5).Figyeljük meg az univerzális kvantorokat!
41/370
![Page 43: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/43.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Rezolúció Példa
H(2, 1, 2, 3, x)
H(n, i, j, k, x)
H(1, 1, 3, 2, y) H(1, 1, 2, 3, t(1, 2).nil) H(1, 3, 2, 1, z)A(y, t(1, 2).z, x)
H(1, i, j, k, t(i, j).nil)H(1, i, j, k, t(i, j).nil)
H(1, i, j, k, t(i, j).nil)
y=t(1,3).nil z=t(3,2).nil
A(nil, r, r)
A(s.u, v, s.w)
A(nil, t(1, 2).z, w)
s=t(1,3)v=t(1,2).z
A(nil, r, r)
w=t(1,2).z
x=y.t(1,2).z
x=t(1,3).t(1,2).t(3,2).nil
42/370
![Page 44: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/44.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Rezolúció Példa
H(2, 1, 2, 3, x)
H(n, i, j, k, x)
H(1, 1, 3, 2, y) H(1, 1, 2, 3, t(1, 2).nil) H(1, 3, 2, 1, z)A(y, t(1, 2).z, x)
H(1, i, j, k, t(i, j).nil)H(1, i, j, k, t(i, j).nil)
H(1, i, j, k, t(i, j).nil)
y=t(1,3).nil z=t(3,2).nil
A(nil, r, r)
A(s.u, v, s.w)
A(nil, t(1, 2).z, w)
s=t(1,3)v=t(1,2).z
A(nil, r, r)
w=t(1,2).z
x=y.t(1,2).z
x=t(1,3).t(1,2).t(3,2).nil
42/370
![Page 45: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/45.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Rezolúció Példa
H(2, 1, 2, 3, x)
H(n, i, j, k, x)
H(1, 1, 3, 2, y) H(1, 1, 2, 3, t(1, 2).nil) H(1, 3, 2, 1, z)A(y, t(1, 2).z, x)
H(1, i, j, k, t(i, j).nil)H(1, i, j, k, t(i, j).nil)
H(1, i, j, k, t(i, j).nil)
y=t(1,3).nil z=t(3,2).nil
A(nil, r, r)
A(s.u, v, s.w)
A(nil, t(1, 2).z, w)
s=t(1,3)v=t(1,2).z
A(nil, r, r)
w=t(1,2).z
x=y.t(1,2).z
x=t(1,3).t(1,2).t(3,2).nil
42/370
![Page 46: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/46.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Rezolúció Példa
H(2, 1, 2, 3, x)
H(n, i, j, k, x)
H(1, 1, 3, 2, y) H(1, 1, 2, 3, t(1, 2).nil) H(1, 3, 2, 1, z)A(y, t(1, 2).z, x)
H(1, i, j, k, t(i, j).nil)H(1, i, j, k, t(i, j).nil)
H(1, i, j, k, t(i, j).nil)
y=t(1,3).nil z=t(3,2).nil
A(nil, r, r)
A(s.u, v, s.w)
A(nil, t(1, 2).z, w)
s=t(1,3)v=t(1,2).z
A(nil, r, r)
w=t(1,2).z
x=y.t(1,2).z
x=t(1,3).t(1,2).t(3,2).nil
42/370
![Page 47: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/47.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Rezolúció Példa
H(2, 1, 2, 3, x)
H(n, i, j, k, x)
H(1, 1, 3, 2, y) H(1, 1, 2, 3, t(1, 2).nil) H(1, 3, 2, 1, z)A(y, t(1, 2).z, x)
H(1, i, j, k, t(i, j).nil)H(1, i, j, k, t(i, j).nil)
H(1, i, j, k, t(i, j).nil)
y=t(1,3).nil z=t(3,2).nil
A(nil, r, r)
A(s.u, v, s.w)
A(nil, t(1, 2).z, w)
s=t(1,3)v=t(1,2).z
A(nil, r, r)
w=t(1,2).z
x=y.t(1,2).z
x=t(1,3).t(1,2).t(3,2).nil
42/370
![Page 48: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/48.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Rezolúció Példa
H(2, 1, 2, 3, x)
H(n, i, j, k, x)
H(1, 1, 3, 2, y) H(1, 1, 2, 3, t(1, 2).nil) H(1, 3, 2, 1, z)A(y, t(1, 2).z, x)
H(1, i, j, k, t(i, j).nil)H(1, i, j, k, t(i, j).nil)
H(1, i, j, k, t(i, j).nil)
y=t(1,3).nil z=t(3,2).nil
A(nil, r, r)
A(s.u, v, s.w)
A(nil, t(1, 2).z, w)
s=t(1,3)v=t(1,2).z
A(nil, r, r)
w=t(1,2).z
x=y.t(1,2).z
x=t(1,3).t(1,2).t(3,2).nil
42/370
![Page 49: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/49.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Rezolúció Példa
H(2, 1, 2, 3, x)
H(n, i, j, k, x)
H(1, 1, 3, 2, y) H(1, 1, 2, 3, t(1, 2).nil) H(1, 3, 2, 1, z)A(y, t(1, 2).z, x)
H(1, i, j, k, t(i, j).nil)H(1, i, j, k, t(i, j).nil)
H(1, i, j, k, t(i, j).nil)
y=t(1,3).nil z=t(3,2).nil
A(nil, r, r)
A(s.u, v, s.w)
A(nil, t(1, 2).z, w)
s=t(1,3)v=t(1,2).z
A(nil, r, r)
w=t(1,2).z
x=y.t(1,2).z
x=t(1,3).t(1,2).t(3,2).nil
42/370
![Page 50: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/50.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Rezolúció Példa
H(2, 1, 2, 3, x)
H(n, i, j, k, x)
H(1, 1, 3, 2, y) H(1, 1, 2, 3, t(1, 2).nil) H(1, 3, 2, 1, z)A(y, t(1, 2).z, x)
H(1, i, j, k, t(i, j).nil)H(1, i, j, k, t(i, j).nil)
H(1, i, j, k, t(i, j).nil)
y=t(1,3).nil z=t(3,2).nil
A(nil, r, r)
A(s.u, v, s.w)
A(nil, t(1, 2).z, w)
s=t(1,3)v=t(1,2).z
A(nil, r, r)
w=t(1,2).z
x=y.t(1,2).z
x=t(1,3).t(1,2).t(3,2).nil
42/370
![Page 51: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/51.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Rezolúció Példa
H(2, 1, 2, 3, x)
H(n, i, j, k, x)
H(1, 1, 3, 2, y) H(1, 1, 2, 3, t(1, 2).nil) H(1, 3, 2, 1, z)A(y, t(1, 2).z, x)
H(1, i, j, k, t(i, j).nil)H(1, i, j, k, t(i, j).nil)
H(1, i, j, k, t(i, j).nil)
y=t(1,3).nil z=t(3,2).nil
A(nil, r, r)
A(s.u, v, s.w)
A(nil, t(1, 2).z, w)
s=t(1,3)v=t(1,2).z
A(nil, r, r)
w=t(1,2).z
x=y.t(1,2).z
x=t(1,3).t(1,2).t(3,2).nil
42/370
![Page 52: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/52.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Keresorendszerek I
Keresorendszerek (Production systems)
Különválasztják afeladat adatait ;az adatokon értelmezett muveleteket ;a vezérlést, mely a muveleteket algoritmussászervezi.
Keresorendszer: (Adat,Szabály,Vezérlés)
43/370
![Page 53: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/53.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Keresorendszerek II
Általános stratégia:ADAT← Kezdeti adatbázisAMÍG ADAT nem terminálisVálassz SZ az ADAT-ra alkalmazható szabályokközül,ADAT← SZ(ADAT)
Keresési stratégia: az alkalmazható szabályok közülegyet kiválaszt.
Keresési stratégia:elorehaladó – hegymászó, visszalépés, gráf
visszafelé haladó – szabályalapú
kétirányú – bidirectional44/370
![Page 54: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/54.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Keresorendszerek II
Általános stratégia:ADAT← Kezdeti adatbázisAMÍG ADAT nem terminálisVálassz SZ az ADAT-ra alkalmazható szabályokközül,ADAT← SZ(ADAT)
Keresési stratégia: az alkalmazható szabályok közülegyet kiválaszt.
Keresési stratégia:elorehaladó – hegymászó, visszalépés, gráf
visszafelé haladó – szabályalapú
kétirányú – bidirectional44/370
![Page 55: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/55.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Keresorendszerek II
Általános stratégia:ADAT← Kezdeti adatbázisAMÍG ADAT nem terminálisVálassz SZ az ADAT-ra alkalmazható szabályokközül,ADAT← SZ(ADAT)
Keresési stratégia: az alkalmazható szabályok közülegyet kiválaszt.
Keresési stratégia:elorehaladó – hegymászó, visszalépés, gráf
visszafelé haladó – szabályalapú
kétirányú – bidirectional44/370
![Page 56: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/56.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Ismeretábrázolás
Ismeretek osztályozása:
deklaratív ismeret állapot,részprobléma,axiómák
procedurális ismeret muvelet, dekompozíció
vezérlési ismeret VAL függvény
Közös vonás: gráf =⇒ gráfreprezentáció.
ADAT = a reprezentációs gráf egy részgráfja.= „Ablak”, melyet a szabályok módosítanak,
egy csúcs, egy részgráf.
45/370
![Page 57: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/57.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Keresési stratégiák
Gráfkeresési stratégiák:
Elsodleges stratégianem-módosítható stratégia (hegymászó, rezolúció)módosítható stratégia (szabályok választása)
másodlagos stratégia – figyelembe veszi az adottreprezentációt.
Módosítható stratégiák:visszalépéses keresés – BackTrackinggráfkereso – GraphSearch
46/370
![Page 58: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/58.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
A heurisztika szerepe
Információ
Köl
tség
Futási ido
Szabályalkalm
azás Vála
sztá
skö
ltség
e
No free lunch. Nehéz a futási idot optimizálni.Közelíto megoldások „javasoltak”.
47/370
![Page 59: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/59.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Gráfkereso stratégiák
Egy korai M.I. terület - külön tudományággá fejlodött
Nagyon sok feladatot lehet gráfokkal reprezentálni: agráfreprezentáció az algoritmusok keresési tere.
1 irányított gráfok2 ÉS/VAGY gráfok
Példák:
Hanoi tornyok reverzibilis lépések – irányítatlan gráfIrányított gráf?
48/370
![Page 60: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/60.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Irányított GRÁFOK
Jelölés:N – csúcsok (nodes)A – élek A ⊂ N×N
(adjacency)szülo – 1 a 2-nekutód – . . .
c(n,m) – költség
111
222
333
444
555
666
777
Tulajdonságok:
σ-tulajdonság: ∃σ ∀n |m|(n,m) ∈ A| ≤ σ
δ-tulajdonság: ∃δ > 0 ∀(n,m) ∈ A c(n,m) ≥ δ
hyper
49/370
![Page 61: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/61.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Gráfok ábrázolása
δ-gráfok = a δ és σ tulajdonsággal rendelkezo gráfok.
× 1 2 3 4 5 6 7
1 . 1 . . . . .
2 . . 1 . . . .
3 . . . 1 . . .
4 . . 1 . . . 1
5 1 . . . . . 1
6 1 . . . 1 . .
7 1 . 1 . . . .
111
222
333
444
555
666
777
Konvenció: amennyiben nem specifikáljuk, az élekbejárásának a költsége 1.
50/370
![Page 62: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/62.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Irányított utak
Irányított út – út: az n-bol az m-be
Ha ∃ n1, . . . , nk úgy hogy (n,n1), . . . , (nk,m) ∈ A.
Út: α = (n =n0, n1, . . . , nk = m)
Út költsége
cα(n,m) =
k∑j=1
c(nj−1, nj)
111
222
333
444
555
666
777
Példa: α = (6, 5, 7, 3, 4, 3, 4, 7, 5, 1, 2) költsége 10.51/370
![Page 63: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/63.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Irányított utak
Irányított út – út: az n-bol az m-be
Ha ∃ n1, . . . , nk úgy hogy (n,n1), . . . , (nk,m) ∈ A.
Út: α = (n =n0, n1, . . . , nk = m)
Út költsége
cα(n,m) =
k∑j=1
c(nj−1, nj)
111
222
333
444
555
666
777
Példa: α = (6, 5, 7, 3, 4, 3, 4, 7, 5, 1, 2) költsége 10.51/370
![Page 64: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/64.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Optimális út
Optimális költség: az n-bol az m-be
c∗(n,m) = minα∈n→m
cα(n,m)
Optimális út: az n-bol az m-be
α∗(n,m) = arg minα∈n→m
cα(n,m)
?Létezik mindig – optimális – út? nem. Ekkor az út hossza ∞Amennyiben igen, egyedi? nem
52/370
![Page 65: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/65.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Optimális út
Optimális költség: az n-bol az m-be
c∗(n,m) = minα∈n→m
cα(n,m)
Optimális út: az n-bol az m-be
α∗(n,m) = arg minα∈n→m
cα(n,m)
?Létezik mindig – optimális – út? nem. Ekkor az út hossza ∞Amennyiben igen, egyedi? nem
52/370
![Page 66: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/66.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Optimális út
Optimális költség: az n-bol az m-be
c∗(n,m) = minα∈n→m
cα(n,m)
Optimális út: az n-bol az m-be
α∗(n,m) = arg minα∈n→m
cα(n,m)
?Létezik mindig – optimális – út? nem. Ekkor az út hossza ∞Amennyiben igen, egyedi? nem
52/370
![Page 67: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/67.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Optimális út
Optimális költség: az n-bol az m-be
c∗(n,m) = minα∈n→m
cα(n,m)
Optimális út: az n-bol az m-be
α∗(n,m) = arg minα∈n→m
cα(n,m)
?Létezik mindig – optimális – út? nem. Ekkor az út hossza ∞Amennyiben igen, egyedi? nem
52/370
![Page 68: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/68.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Irányított Fa
Irányított fa: gráf, melyben egy kitüntetett csúcsból - agyökérbol – minden más csúcsba csak egy út vezet.
A gyökérbe nem vezet él.
Levél – csúcs, melybol nem vezet ki él.
Tulajdonságok:Bejárása egyszeru;Nem minden feladat ábrázolható faként.
53/370
![Page 69: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/69.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
ÉS/VAGY gráfok
ÉS/VAGY gráfok
Olyan irányított hipergráfok, melyekben egy hiperél egycsúcsból egy csúcshalmazba vezet.
R(N,A) ahol A ⊆ (n,M) ∈ N× 2N |0 6= |M| ≤∞
Hiperélek:(1, 2, 3) (1, 4)(2, 5, 6) (3, 7)(4, 6, 7) (7, 6)
Élköltség: c(n,M)
Kérdés: σ és δ tulajdonságokG
111
222 333 444
555 666 777
54/370
![Page 70: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/70.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Hiperutak ÉS/VAGY gráfokban
Irányított hiperút (n,M) között
Részgráf, melyben mindegyik csúcsból legfeljebb egyhiperél indul ki.M-bol nem indul hiperél.
Hiperutak 1→ 5, 6:
(1, 2, 3), (2, 5, 6)
(1, 2, 3), (3, 6),
(1, 4), (4, 5)
111
222 333 444
555 666 777
55/370
![Page 71: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/71.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
ÉS/VAGY gráfok átalakítása
ÉS/VAGY gráfok kezelése nehézkes.
Utak keresése esetén átalakíthatóak irányított gráfokká.
Új csúcsok bevezetése: utódcsúcs = átalakítandóhiperél utódainak halmaza.
A fenti muveletet kiterjesszük a kezdocsúcstól a célig.
Feladat: az 1→ 5, 6
egy hiperútjánakmegfelelográfátalakítás.
111
222 333 444
555 666 777
56/370
![Page 72: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/72.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
8-as kirakós játék I
3
7
1 2
6 5
48
3
7
2
1 4
8
56
Kódolás: 9 hely – 9! = 362880 lehetoség.Üres hely mozgatása – meghatároz egyállapotgráfot.
57/370
![Page 73: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/73.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
8-as kirakós játék II
3
7
2
1 4
8
56
3
7
2
4
8
56
13
7
2
1 4
56
8
3
7
2
1
8
56
4
3
7
1 4
56
8
2
7
2
1 4
56
8
3
3
7
1 2
6 5
48
7
2
1
56
8
3 4
7
2
1
56
3 4
8
7
2
1
6
8
3 4
5
31 2
6 5
487
3
7
2
1 4
8
5
6
3
7
2
1
8
6
4 5
7
2
1
8
56
4 3
3
7
1 2
6 5
48
31 2
5
487
6
58/370
![Page 74: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/74.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
4 királyno
4× 4-es táblán 4 királynotelhelyezni.Állapottér: sakk–állások1− 4 királynovel.Muvelet: egy királyno egymezore helyezése.Kezdoállapot: üressakktábla.Célállapot: 4 királynottartalmazó sakktábla.
59/370
![Page 75: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/75.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Gráfkereso algoritmusok I
Nem-módosítható keresések:Egy lépést – szabályt – nem lehet visszavonni.
1 Hegymászó algoritmus (hill-climbing)
kritérium-függvény, mely „vezérli” az algoritmust.nem-determinisztikusgond a lokális minimum jelenléte
2 Kommutatív rendszerek (commutative systems)
a D-re alkalmazható szabályok alkalmazhatóak a Dleszármazottjaira is.a D-bol eloállított adatbázis független a muveleteksorrendjétol – felcserélheto.ha a D kielégíti a terminálási feltételt, akkor annakminden leszármazottja is.
Nincs bonyolult stratégia. Heurisztika =⇒ hatékonyság.60/370
![Page 76: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/76.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Visszalépés I
Egy utat tart nyilván a reprezentációs gráfból.
Induló érték: start-csúcs.
Vezérlési stratégia – visszalépés alkalmazása ha:
1 nincs több él – zsákutca;2 nincs több „jó út” – vágás;3 minden továbbvezeto útról visszaléptünk – torkolat;4 egy már bejárt csúcshoz jutunk – kör;5 túl hosszú a bejárt út – mélységi korlát.
61/370
![Page 77: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/77.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Visszalépés II
Visszalépés ha1 nincs több él – zsákutca;2 nincs több „jó út” – vágás;3 minden továbbvezeto útról visszaléptünk – torkolat;4 egy már bejárt csúcshoz jutunk – kör;5 túl hosszú a bejárt út – mélységi korlát.
TételA visszalépéses algoritmus az (1) és (2) feltételekkelterminál véges és körmentes gráfokon.
62/370
![Page 78: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/78.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Visszalépés II
Visszalépés ha1 nincs több él – zsákutca;2 nincs több „jó út” – vágás;3 minden továbbvezeto útról visszaléptünk – torkolat;4 egy már bejárt csúcshoz jutunk – kör;5 túl hosszú a bejárt út – mélységi korlát.
TételA visszalépéses algoritmus az (1)–(5) feltételekkel mindigterminál.Ha létezik a mélységi korlátnál nem hosszabb megoldás,megtalálja azt.
62/370
![Page 79: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/79.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Buvös négyzetek I 1. laborfeladat
Feladat: ábrázoljuk a buvös négyzetek keresésétgráf-kiterjesztési feladatként:
építsük fel a feladat állapotterét; defniáljunk egygráfot a helyes megoldásokat eredményezo kitöltésekfolyamataként;definiáljunk egy gráfkiterjesztési procedúrát;keressük meg az összes lehetséges megoldástgráfkereso (?backtracking?) módszerrel.
Buvös négyzet: az az N×N-es négyzet, melyben azelemek száma megegyezik sorok és oszlopok szerint.
Ssor =1
N
N2∑n=1
n =1
N·N2(N2 + 1
)2
=N(N2 + 1
)2
63/370
![Page 80: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/80.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Buvös négyzetek II 1. laborfeladat
Követelmények:
Dokumentáció, mely tartalmazza a1 paraméterterét a feladatnak,2 a gráfkiterjesztés lépéseit,3 a gráfbejárás sorrendjét.
Program, mely az N szám ismeretében kiírja (pl. egyTXT állományba) az összes megoldást valamint kiírjaa képernyore a megoldások számát.
. A bemutatás személyesen történik –valamely futtatási környezetben – úgy, hogy a
programban módosítani lehessen paramétereket.
(8 pont) Kötelezo feladat64/370
![Page 81: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/81.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Buvös négyzetek II Példa
Example:93 108 123 138 153 168 1 16 31 46 61 76 91
107 122 137 152 167 13 15 30 45 60 75 90 92
121 136 151 166 12 14 29 44 59 74 89 104 106
135 150 165 11 26 28 43 58 73 88 103 105 120
149 164 10 25 27 42 57 72 87 102 117 119 134
163 9 24 39 41 56 71 86 101 116 118 133 148
8 23 38 40 55 70 85 100 115 130 132 147 162
22 37 52 54 69 84 99 114 129 131 146 161 7
36 51 53 68 83 98 113 128 143 145 160 6 21
50 65 67 82 97 112 127 142 144 159 5 20 35
64 66 81 96 111 126 141 156 158 4 19 34 49
78 80 95 110 125 140 155 157 3 18 33 48 63
79 94 109 124 139 154 169 2 17 32 47 62 7765/370
![Page 82: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/82.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Sudoku 2. laborfeladat
A sudoku-ban számokat helyezünk el egy n2 × n2 méretunégyzetrácsban. Az 1, . . . , n2 számokat úgy helyezzük eln2-szer úgy, hogy egy oszlopban, egy sorban és minden kisebbnégyzetben egy szám egyszer szerepeljen (lásd ábra).
Az n = 2-re mi a paraméter–tér? 1p.
Jelenítsük meg „szépen” a megoldásokat azn = 2 és n = 3 esetekre. 1p.
Az n = 2 esetre generáljuk az összesmegoldást. 1p.
Találjuk meg egy részlegesen kitöltött feladat kitöltöttváltozatát. 3p.
× Generáljunk egy sudoku rejtvényt: egy részlegesenkitöltött feladat, melynek csak egy megoldása van. 4p.
(10 pont) Kötelezo feladat66/370
![Page 83: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/83.jpg)
MesterségesIntelligencia
2Csató Lehel
Állapot-repr
KeresésHill-climbing
Backtracking
Gráfkeresés
Dekompozíció
Predikátumkalkulus
Rezolúció
Keresorendszerek
GráfokIrányított gráfok
Irányított utak
Optimális út
Irányított fa
ÉS/VAGY gráfok
Példák
GráfkeresésVisszalépés
Feladatok
Négyes hanoi torony Opc. feladat
A háromoszlopos hanoi toronynál az elsooszlop korongjait kell egyenként áthelyezni amásodik oszlopra úgy, hogy mindháromoszlopon a korongok lentrol felfelecsökkeno sorrendben legyenek.
1 2 3 4
Három oszlop esetében N korong áthelyezéséhez szükséges lépésekszáma 2N − 1.
. 5 10 15 20 25 30 35
1e5
1e6
1e7
1e8
1e9
1e10
Negy oszlopos Hanoi torony
Hanoi 3
−−−−−−−−−−−−
Kettot leveszA feladatot módosítjuk úgy, hogy egynegyedik oszlopra is pakolhatunk. Ek-kor a lépések száma csökken.
Feladat
Írjunk programot mely a négy-oszloposHanoi tornyokat kevés lépésszámmaloldja meg.
(5 pont) Opcionális feladat67/370
![Page 84: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/84.jpg)
MesterségesIntelligencia
3Csató Lehel
Alapalgoritmus
Általánosalgoritmus
PéldákMélységi
Szélességi
Egyenletes
Eloretekinto
A alg
A* és Ac
Összefoglaló
Opcionális
Az Eloadások Témái
Bevezeto: mi a mesterséges intelligencia 1
„Tudás”–reprezentáció 2
Gráfkeresési stratégiák 3
Szemantikus hálók / Keretrendszerek 4
Játékok modellezése 5
Bizonytalanság kezelése 6
Grafikus modellek és a D.S. modell 7
Fuzzy rendszerek 8
Tanuló rendszerek 9
Szimulált kifutés, Genetikus algoritmusok 10
Neurális hálók, a perceptron modell 11
Többrétegu hálók, Önszervezodés 12 , 13
Gépi tanulás 14
68/370
![Page 85: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/85.jpg)
MesterségesIntelligencia
3Csató Lehel
Alapalgoritmus
Általánosalgoritmus
PéldákMélységi
Szélességi
Egyenletes
Eloretekinto
A alg
A* és Ac
Összefoglaló
Opcionális
Admin ... ... trívia
Vizsga
Szóbeli (60%) + Gyakorlat (40%)
Laborgyakorlatok:1 Gráfok ábrázolása - dedukciós algoritmus 18%2 Játékelmélet 10%3 Matlab - tanulási algoritmus 12%4 Opcionális feladatok - max. 3/személy sok%
Bemutatók (5–20 pont)Alkalmazások bemutatása, melyek adaptív, gépitanulásos vagy mestint módszereket alkalmaznak.
69/370
![Page 86: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/86.jpg)
MesterségesIntelligencia
3Csató Lehel
Alapalgoritmus
Általánosalgoritmus
PéldákMélységi
Szélességi
Egyenletes
Eloretekinto
A alg
A* és Ac
Összefoglaló
Opcionális
Bioinformatika
A számítástudomány és a molekuláris biológia között2
David Haussler & Judea PearlKifejlesztették az emberi genomot feltérképezoprogramokat. A lehetoséget a számítógép-technológia és a biokémia fejlodése biztosította.A genom biológiai összetevoinek felderítését éselemzését a tudós által kidolgozottvalószínuségi megközelítés alapozta meg.
Az emberi génállomány mintegy hárommilliárd alappárt képez: akettos spirál-alakú DNS négy alap-nukleotidból (A, C, G, T) épül fel;Minden egyes nukleotid része egy párnak. A mennyiség nagyon nagy,a munka csak számítógépes módszerekkel végezheto el.
agent.ai2
Pearl J (2000):Causality: Models, Reasoning, and Inference, The CUP Press70/370
![Page 87: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/87.jpg)
MesterségesIntelligencia
3Csató Lehel
Alapalgoritmus
Általánosalgoritmus
PéldákMélységi
Szélességi
Egyenletes
Eloretekinto
A alg
A* és Ac
Összefoglaló
Opcionális
Bioinformatika
2001. júliusában közölték a módszer vázlatait,majd az emberi és egyéb organizmusok (egér,patkány, stb.) génszekvenciáit elemzo,jegyzetekkel ellátott interaktív webalapúkeresoket fejlesztettek.Tudományos fórumot teremtettek, mígprogramjaikat gyakran használják különbözobiomedikális kutatásoknál, kísérleteknél.A gének evolúciójaA CBSE kutatásai az interdiszciplinárismegközelítés jegyében folynak. Biológia,információs és nanotechnológia fúziójára, minélkisebb szerkezetek létrehozására törekednek.Az emberi genom evolúciójának jobb megértéseaz egyik fo"irány: a cél érdekében permanensenfejlesztik az új statisztikai és algoritmikusmódszereket.
71/370
![Page 88: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/88.jpg)
MesterségesIntelligencia
3Csató Lehel
Alapalgoritmus
Általánosalgoritmus
PéldákMélységi
Szélességi
Egyenletes
Eloretekinto
A alg
A* és Ac
Összefoglaló
Opcionális
Gráfkereso alapalgoritmus
Feladatok:
egy megoldásmegtalálása
minimális út keresése
Módszerek:
Heurisztika
Visszalépés
A∗ algoritmus
111
222
333
444
555
666
777
72/370
![Page 89: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/89.jpg)
MesterségesIntelligencia
3Csató Lehel
Alapalgoritmus
Általánosalgoritmus
PéldákMélységi
Szélességi
Egyenletes
Eloretekinto
A alg
A* és Ac
Összefoglaló
Opcionális
„Alapalgoritmus∗” I
(∗ – Futó: Mesterséges Intelligencia, 73.o)
Visszalépés – backtracking – hátránya, hogy nem találjameg az optimális utat.
Gráfkereso algoritmus:a startcsúcsból indul s
feltárja a reprezentációs gráfot G
1 kiválaszt egy csúcsot, melynek utódai n ∈ NYILTnem ismertek,
2 kiterjeszti a választott csúcsot G← G⋃Γ(n)
NYILT ← NYILT \ n
NYILT ← NYILT⋃Γ(n)
addig keres, amíg egy célcsúcsot nem találés van kiterjesztheto csúcs.
73/370
![Page 90: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/90.jpg)
MesterségesIntelligencia
3Csató Lehel
Alapalgoritmus
Általánosalgoritmus
PéldákMélységi
Szélességi
Egyenletes
Eloretekinto
A alg
A* és Ac
Összefoglaló
Opcionális
Alapalgoritmus II
Kommutatív rendszer – a kiterjesztések bármilyensorrendben végrehajthatók.=⇒
A vezérlési stratégia nem informatív,Másodlagos stratégia⇒ továbblépés.
Módosítás:n← argmin
m∈NYILTf(m)
ahol f : NYILT → R kiértékelo függvény, amelyegy csúcs „jósága”,pl. az s-bol m-be vivo legkisebb út hossza.⇒ dinamikus függvény. (felületes def.)
74/370
![Page 91: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/91.jpg)
MesterségesIntelligencia
3Csató Lehel
Alapalgoritmus
Általánosalgoritmus
PéldákMélységi
Szélességi
Egyenletes
Eloretekinto
A alg
A* és Ac
Összefoglaló
Opcionális
Alapalgoritmus III
Bevezetjük:kitüntetett szülo csúcsot (parent) p : G→ G
(az s-bol egy utat specifikál). p(s) = nil
költségfüggvényt: g : G→ Rg(m) az s-bol m-be vivo út költsége.
Az n csúcs minden k utód-csúcsára ∀k ∈ Γ(n):Ha k új csúcs, vagy k 6∈ G
Ha nem új és g(k) > g(n) + c(n, k), akkor k ∈ G
p(k)← n
g(k)← g(n) + c(n, k)
75/370
![Page 92: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/92.jpg)
MesterségesIntelligencia
3Csató Lehel
Alapalgoritmus
Általánosalgoritmus
PéldákMélységi
Szélességi
Egyenletes
Eloretekinto
A alg
A* és Ac
Összefoglaló
Opcionális
Alapalgoritmus IV
Probléma:ha k zárt,korábban megkerestük utódjaités rövidebb utat találtunk,⇒a g,p függvények nem helyesek a k utódain;a feszítofa nem optimális.
Megoldások:1 k összes leszármazottját újraértékeljük;2 a k csúcsot visszatesszük a NYILT halmazba.
Hátrány:Nagyobb futási ido;p nem mindig optimális.
3 Olyan f választása, mely garantálja, hogy nem leszilyen k.
76/370
![Page 93: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/93.jpg)
MesterségesIntelligencia
3Csató Lehel
Alapalgoritmus
Általánosalgoritmus
PéldákMélységi
Szélességi
Egyenletes
Eloretekinto
A alg
A* és Ac
Összefoglaló
Opcionális
Alapalgoritmus IV
Probléma:ha k zárt,korábban megkerestük utódjaités rövidebb utat találtunk,⇒a g,p függvények nem helyesek a k utódain;a feszítofa nem optimális.
Megoldások:1 k összes leszármazottját újraértékeljük;2 a k csúcsot visszatesszük a NYILT halmazba.
Hátrány:Nagyobb futási ido;p nem mindig optimális.
3 Olyan f választása, mely garantálja, hogy nem leszilyen k.
76/370
![Page 94: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/94.jpg)
MesterségesIntelligencia
3Csató Lehel
Alapalgoritmus
Általánosalgoritmus
PéldákMélységi
Szélességi
Egyenletes
Eloretekinto
A alg
A* és Ac
Összefoglaló
Opcionális
Általános algoritmus
G← s, NYILT ← s, g(s)← 0, p(s)← nil.
While nem ures(NYILT),
n← arg minm∈NYILT f(m)
If cél(n) then kilép.
NYILT ← NYILT \ n
For ∀k ∈ Γ(n)If k 6∈ G or g(k) > g(n) + c(n, k)
p(k)← n
g(k)← g(n) + c(n, k)
NYILT ← NYILT ∪ k
endfor
G← G ∪ Γ(n)endwhile
77/370
![Page 95: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/95.jpg)
MesterségesIntelligencia
3Csató Lehel
Alapalgoritmus
Általánosalgoritmus
PéldákMélységi
Szélességi
Egyenletes
Eloretekinto
A alg
A* és Ac
Összefoglaló
Opcionális
Az általános algoritmus tulajdonságai
Tulajdonságok
Az általános gráfkereso algoritmusegy csúcsot véges sokszor terjeszt ki;véges gráfban mindig terminál;
mindegyik n ∈ NYILT csúcs kiterjesztése elott ∀s ∗→nvan m csúcs az optimális úton, mely
1 m ∈ NYILT ,2 g(m) = g∗(m),3 minden m-et elozo csúcs az úton zárt;
Egy véges gráfban, ha létezik megoldás, akkor azalgoritmus egy célcsúcs megtalálásával terminál.Csökkeno kiértékelofüggvény használata mellettoptimális és konzisztens a feszítofa.
Bizonyítás
78/370
![Page 96: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/96.jpg)
MesterségesIntelligencia
3Csató Lehel
Alapalgoritmus
Általánosalgoritmus
PéldákMélységi
Szélességi
Egyenletes
Eloretekinto
A alg
A* és Ac
Összefoglaló
Opcionális
Nevezetes gráfkereso algoritmusok
Futó: Mesterséges Intelligencia – pp. 83
Nem-informált gráfkeresések
1 Mélységi keresés
2 Szélességi keresés
3 Egyenletes keresés
Heurisztikus keresések
1 Eloretekinto keresés
2 A algoritmus
3 A∗ algoritmus
4 Ac algoritmus
79/370
![Page 97: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/97.jpg)
MesterségesIntelligencia
3Csató Lehel
Alapalgoritmus
Általánosalgoritmus
PéldákMélységi
Szélességi
Egyenletes
Eloretekinto
A alg
A* és Ac
Összefoglaló
Opcionális
Példa gráfkeresésre
k – nyílt csúcsok
l – zárt csúcsok
– p() szülo
1
2
3
4
56
7
8
80/370
![Page 98: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/98.jpg)
MesterségesIntelligencia
3Csató Lehel
Alapalgoritmus
Általánosalgoritmus
PéldákMélységi
Szélességi
Egyenletes
Eloretekinto
A alg
A* és Ac
Összefoglaló
Opcionális
Példa gráfkeresésre
k – nyílt csúcsok
l – zárt csúcsok
– p() szülo
1
2
3
4
56
7
8
80/370
![Page 99: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/99.jpg)
MesterségesIntelligencia
3Csató Lehel
Alapalgoritmus
Általánosalgoritmus
PéldákMélységi
Szélességi
Egyenletes
Eloretekinto
A alg
A* és Ac
Összefoglaló
Opcionális
Példa gráfkeresésre
k – nyílt csúcsok
l – zárt csúcsok
– p() szülo
1
2
3
4
56
7
8
80/370
![Page 100: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/100.jpg)
MesterségesIntelligencia
3Csató Lehel
Alapalgoritmus
Általánosalgoritmus
PéldákMélységi
Szélességi
Egyenletes
Eloretekinto
A alg
A* és Ac
Összefoglaló
Opcionális
Példa gráfkeresésre
k – nyílt csúcsok
l – zárt csúcsok
– p() szülo
1
2
3
4
56
7
8
80/370
![Page 101: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/101.jpg)
MesterségesIntelligencia
3Csató Lehel
Alapalgoritmus
Általánosalgoritmus
PéldákMélységi
Szélességi
Egyenletes
Eloretekinto
A alg
A* és Ac
Összefoglaló
Opcionális
Példa gráfkeresésre
k – nyílt csúcsok
l – zárt csúcsok
– p() szülo
1
2
3
4
56
7
8
80/370
![Page 102: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/102.jpg)
MesterségesIntelligencia
3Csató Lehel
Alapalgoritmus
Általánosalgoritmus
PéldákMélységi
Szélességi
Egyenletes
Eloretekinto
A alg
A* és Ac
Összefoglaló
Opcionális
Példa gráfkeresésre
k – nyílt csúcsok
l – zárt csúcsok
– p() szülo
1
2
3
4
567
8
80/370
![Page 103: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/103.jpg)
MesterségesIntelligencia
3Csató Lehel
Alapalgoritmus
Általánosalgoritmus
PéldákMélységi
Szélességi
Egyenletes
Eloretekinto
A alg
A* és Ac
Összefoglaló
Opcionális
Példa gráfkeresésre
k – nyílt csúcsok
l – zárt csúcsok
– p() szülo
1
2
3
4
567
8
80/370
![Page 104: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/104.jpg)
MesterségesIntelligencia
3Csató Lehel
Alapalgoritmus
Általánosalgoritmus
PéldákMélységi
Szélességi
Egyenletes
Eloretekinto
A alg
A* és Ac
Összefoglaló
Opcionális
Példa gráfkeresésre
k – nyílt csúcsok
l – zárt csúcsok
– p() szülo
1
2
3
4
567
8
A harmadik iteráció végén tehát
a zárt csúcsok halmaza 1, 4, 5;a nyílt csúcsok halmaza 2, 3, 6, 7, 8;a szülo-függvény (z, p(z)) párok:(2, 1), (3, 1), (4, 1), (5, 4), (6, 4), (7, 5), (8, 5)
80/370
![Page 105: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/105.jpg)
MesterségesIntelligencia
3Csató Lehel
Alapalgoritmus
Általánosalgoritmus
PéldákMélységi
Szélességi
Egyenletes
Eloretekinto
A alg
A* és Ac
Összefoglaló
Opcionális
Példa gráfkeresésre
k – nyílt csúcsok
l – zárt csúcsok
– p() szülo
1
2
3
4
567
8
A következo csúcs kiválasztása a nyílt halmazbólbármilyen kritérium alapján történhet. A kritérium alapjaaz f(·) függvény.
A függvény megválasztásával különbözo keresésistratégiákhoz jutunk.
80/370
![Page 106: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/106.jpg)
MesterségesIntelligencia
3Csató Lehel
Alapalgoritmus
Általánosalgoritmus
PéldákMélységi
Szélességi
Egyenletes
Eloretekinto
A alg
A* és Ac
Összefoglaló
Opcionális
Mélységi keresés
Mindig a legmélyebben fekvo nyílt csúcsot választjuk,
Ha minden él költsége ugyanannyi (pl. c(m,n) = 1),akkor a kiértékelo függvény:
f(n) = −g(n) ∀n ∈ NYILT,
Szükséges (? – mikor) a mélységi korlát bevezetése,
Az algoritmus nem mindig talál megoldást,
Iteratív növelése a mélységi korlátnak – megoldásttalál (?optimális?).
81/370
![Page 107: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/107.jpg)
MesterségesIntelligencia
3Csató Lehel
Alapalgoritmus
Általánosalgoritmus
PéldákMélységi
Szélességi
Egyenletes
Eloretekinto
A alg
A* és Ac
Összefoglaló
Opcionális
Mélységi keresés Példák
Kiterjesztési sorrend:111
222
333
444 555
666
777 888
999
101010 111111
121212
Ellenpélda:
AAA
BBB
DDD FFF
CCC EEE
GGG
Ha megjegyezzük acsúcsokat:A,B,D, F, E, C,G;Ha nem:A,B, F, E,A, B, . . .
http://en.wikipedia.org/wiki/Depth_first_search
82/370
![Page 108: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/108.jpg)
MesterségesIntelligencia
3Csató Lehel
Alapalgoritmus
Általánosalgoritmus
PéldákMélységi
Szélességi
Egyenletes
Eloretekinto
A alg
A* és Ac
Összefoglaló
Opcionális
Mélységi keresés Példák
Kiterjesztési sorrend:111
222
333
444 555
666
777 888
999
101010 111111
121212
Ellenpélda:
AAA
BBB
DDD FFF
CCC EEE
GGG
Ha megjegyezzük acsúcsokat:A,B,D, F, E, C,G;Ha nem:A,B, F, E,A, B, . . .
http://en.wikipedia.org/wiki/Depth_first_search
82/370
![Page 109: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/109.jpg)
MesterségesIntelligencia
3Csató Lehel
Alapalgoritmus
Általánosalgoritmus
PéldákMélységi
Szélességi
Egyenletes
Eloretekinto
A alg
A* és Ac
Összefoglaló
Opcionális
Szélességi keresés
A mélységi keresésellentettje,
Mindig alegmagasabbanfekvo nyílt csúcsotválasztjuk,
111
222
555
999 101010
666
333 444
777
111111 121212
888
Ha minden él költsége ugyanannyi (pl. c(m,n) = 1),akkor a kiértékelo függvény:
f(n) = g(n) ∀n ∈ NYILT
Az algoritmus mindig talál megoldást – amennyibenez létezik.
83/370
![Page 110: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/110.jpg)
MesterségesIntelligencia
3Csató Lehel
Alapalgoritmus
Általánosalgoritmus
PéldákMélységi
Szélességi
Egyenletes
Eloretekinto
A alg
A* és Ac
Összefoglaló
Opcionális
Egyenletes keresés
Súlyozott változata a szélességi keresésnek,
A kiértékelo függvény (általános c(m,n) esetén):
f(n) = g(n) ∀n ∈ NYILT
Az algoritmus mindig talál megoldást – amennyibenez létezik,
Dijkstra algoritmusa (1959).
84/370
![Page 111: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/111.jpg)
MesterségesIntelligencia
3Csató Lehel
Alapalgoritmus
Általánosalgoritmus
PéldákMélységi
Szélességi
Egyenletes
Eloretekinto
A alg
A* és Ac
Összefoglaló
Opcionális
Eloretekinto keresés
Heurisztikus kereso algoritmus,A kiértékelo függvény csak a heurisztika:
f(n) = h(n) ∀n ∈ NYILT
h(n) – heurisztikus függvény.pl. f(n) =W(n) – a 8–as kirakójátékban;A keresográf kisebb, mint az egyenletes keresésesetében;A keresográf nem optimális;Erosen függ a választott keresofüggvénytol.
85/370
![Page 112: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/112.jpg)
MesterségesIntelligencia
3Csató Lehel
Alapalgoritmus
Általánosalgoritmus
PéldákMélységi
Szélességi
Egyenletes
Eloretekinto
A alg
A* és Ac
Összefoglaló
Opcionális
„A” algoritmus
Futó: Mesterséges Intelligencia – pp. 90„. . . ötvözi az egyenletes keresés óvatosságát az eloretekinto kereséscélratörésével, egyesítve elonyös tulajdonságaikat.”
Kiértékelo függvény:
f(n) = g(n) + h(n) ∀n ∈ NYILT
ahol h(n) > 0.
h(n) „becsüli” az n-bol a cél–csúcsba vivo optimálisút költségét.
86/370
![Page 113: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/113.jpg)
MesterségesIntelligencia
3Csató Lehel
Alapalgoritmus
Általánosalgoritmus
PéldákMélységi
Szélességi
Egyenletes
Eloretekinto
A alg
A* és Ac
Összefoglaló
Opcionális
„A” algoritmus tulajdonságai
Tulajdonságok
f∗(n) = g∗(n) + h∗(n) - a startból a célba az n-enkeresztül vivo optimális út költségének a becslése.
Ha az A algoritmus nem terminál, akkor mindenNYILT halmazba került csúcs véges sok lépés utánkiterjesztésre kerül.
Az A algoritmus mindig talál megoldást feltéve, hogylétezik megoldás.
87/370
![Page 114: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/114.jpg)
MesterségesIntelligencia
3Csató Lehel
Alapalgoritmus
Általánosalgoritmus
PéldákMélységi
Szélességi
Egyenletes
Eloretekinto
A alg
A* és Ac
Összefoglaló
Opcionális
„A*” algoritmus
A algoritmus kiértékelo függvénye, ahol
A heurisztikus függvény bármely csúcsban alulrólbecsüli a a célba vezeto optimális út költségét, azaz
h(n) < h∗(n) ∀n ∈ G
A fenti kritérium a heurisztika megengedhetosége.Egy gráfkereso algoritmus megengedheto, ha megoldás
létezése esetén megtalálja az optimális megoldást.
A∗ tulajdonságai
Bármely kiterjesztésre választott csúcsraf(n) ≤ f∗(n).Mindig optimális megoldással terminál, feltéve ha azlétezik.
88/370
![Page 115: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/115.jpg)
MesterségesIntelligencia
3Csató Lehel
Alapalgoritmus
Általánosalgoritmus
PéldákMélységi
Szélességi
Egyenletes
Eloretekinto
A alg
A* és Ac
Összefoglaló
Opcionális
„Ac” algoritmus
Korlátozás a heurisztikus függvényre:h(n) kielégíti a monoton megszorítás (monotonerestriction) feltételét, ha
h(n) − h(m) ≤ c(n,m) ∀(n,m) ∈ A
Egy n csúcs nem kedvezotlen, ha egy utód m csúcsnagyon kedvezo.
Ac algoritmus: az olyan A algoritmus, ahol h(n)monoton megszorításos és h(t) = 0 mindenterminális csúcsra.
89/370
![Page 116: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/116.jpg)
MesterségesIntelligencia
3Csató Lehel
Alapalgoritmus
Általánosalgoritmus
PéldákMélységi
Szélességi
Egyenletes
Eloretekinto
A alg
A* és Ac
Összefoglaló
Opcionális
„Ac” algoritmus tulajdonságai
Ac tulajdonságai
Ha teljesül a monoton megszorítás, akkor egy ncsúcsba vezeto optimális út mentén a g+ h növekvo.
Bármely n kiterjesztésre választott csúcshoz azoptimális út van megjelölve:
g(n) = g∗(n)
Mindig optimális megoldással terminál, feltéve ha azlétezik.
90/370
![Page 117: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/117.jpg)
MesterségesIntelligencia
3Csató Lehel
Alapalgoritmus
Általánosalgoritmus
PéldákMélységi
Szélességi
Egyenletes
Eloretekinto
A alg
A* és Ac
Összefoglaló
Opcionális
Gráfkereso összefoglaló
a heurisztika nagyon fontos – egy algoritmusalkalmazhatósága a választott heurisztikán áll vagybukik.
Heurisztikus Nem-informált
Mélységi
Szélességi
Egyenletes
Eloretekinto
ACACACA∗A∗A∗AAA
91/370
![Page 118: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/118.jpg)
MesterségesIntelligencia
3Csató Lehel
Alapalgoritmus
Általánosalgoritmus
PéldákMélységi
Szélességi
Egyenletes
Eloretekinto
A alg
A* és Ac
Összefoglaló
Opcionális
Opcionális feladatok
Gyakorló feladatok gráfokkalAz A∗ algoritmust használva jussunk el egy I1I2I3számból egy J1J2J3 számba.Keressük meg az 1, . . . ,N halmaz k részbe valófelosztását.Fejtsük meg a SEND+MORE =MONEY feladatot.
. (10 pont)
Írjunk programot, mely megoldja aháromszög-kirakós játékot.. (12 pont)
Rubik-kígyó megoldása.. (10 pont)
92/370
![Page 119: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/119.jpg)
MesterségesIntelligencia
4Csató Lehel
Szemantikushalok
Definiciós hálók
Keretrendszerek
Az Eloadások Témái
Bevezeto: mi a mesterséges intelligencia 1
„Tudás”–reprezentáció 2
Gráfkeresési stratégiák 3
Szemantikus hálók / Keretrendszerek 4
Játékok modellezése 5
Bizonytalanság kezelése 6
Grafikus modellek és a D.S. modell 7
Fuzzy rendszerek 8
Tanuló rendszerek 9
Szimulált kifutés, Genetikus algoritmusok 10
Neurális hálók, a perceptron modell 11
Többrétegu hálók, Önszervezodés 12 , 13
Gépi tanulás 14
93/370
![Page 120: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/120.jpg)
MesterségesIntelligencia
4Csató Lehel
Szemantikushalok
Definiciós hálók
Keretrendszerek
Admin ... ... trívia
Vizsga
Szóbeli (60%) + Gyakorlat (40%)
Laborgyakorlatok:1 Gráfok ábrázolása - dedukciós algoritmus 18%2 Játékelmélet 10%3 Matlab - tanulási algoritmus 12%4 Opcionális feladatok - max. 3/személy sok%
Bemutatók (5–20 pont)Alkalmazások bemutatása, melyek adaptív, gépitanulásos vagy mestint módszereket alkalmaznak.
94/370
![Page 121: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/121.jpg)
MesterségesIntelligencia
4Csató Lehel
Szemantikushalok
Definiciós hálók
Keretrendszerek
Blogbányászat
Ok-okozati viszonyokat tanul a gépAmerikai kutatók3 blogok elemzésére tanítják rendszerüket, melytörténetmesélésre összpontosítva, nyelvi jegyek alapján szelektálközülük. A gyujtött adatokból a kialakuló trendekre ésviselkedésformákra következtet a rendszer.
A „tanítás” menete:1 Blog-bejegyzéseket osztályoztak manuálisan a történet / nem
történet osztályokba. . Eredmény: a narratívák azonosítása.2 A történetek elemei között az oksági kapcsolatok keresése. Pl:
késo volt, lefeküdtem. . Eredmény: tények + oksági kapcsolatok.
A rendszer sosem unatkozikTávlati cél egy rendszer kidolgozása, mely napi rendszerességgel gyujt és rendszerez adatokat.Ez fontos,mert más forrásokból hozzáférhetetlen, muködése hasonló Google sertésinfluenza-követo programjához.Mire jó a blogbányászat?A blog-ok általában azonnali reagálást jelentenek, ezért garantált a gyujtött „bányászott” információaktualitása. Az élet legkülönbözobb területeit érintik: filmek, könyvek, termékek, nemzetiségi-, vallásiellentétek, kábítószer-kereskedelem...
3Andrew Gordon Kreatív Technológiák Intézete Link95/370
![Page 122: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/122.jpg)
MesterségesIntelligencia
4Csató Lehel
Szemantikushalok
Definiciós hálók
Keretrendszerek
Szemantikus hálók
Futó: Mesterséges Intelligencia, pp. 186
Szemantikus háló:az emberi információtárolás és keresés modellezése(Quillian & Collins);gyakori név az asszociatív háló.kognitív pszichológiai kísérletek az „alapjai”;
Tulajdonságok:objektumokhoz tulajdonságokat rendelünk;hierarchia az objektumok szintjén⇒ absztrakcióa tulajdonságok a legfelsobb szinten asszociálódnak.
96/370
![Page 123: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/123.jpg)
MesterségesIntelligencia
4Csató Lehel
Szemantikushalok
Definiciós hálók
Keretrendszerek
Quillian és Collins kísérlete:
Kísérlet: kérdések a madarakról és a reakcióidokmérése.
Kérdések:1 Tud-e a kanári énekelni? 1.3mp2 Tud-e a kanári repülni? 1.4mp3 Van-e a kanárinak bore? 1.5mp
Hosszabb asszociációs lánc az utolsó kérdésnél.
Magyarázat: egy szemantikus hálóban a bore és azénekel tulajdonságok nem egyforma távolságra vannak akanári-tól.
97/370
![Page 124: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/124.jpg)
MesterségesIntelligencia
4Csató Lehel
Szemantikushalok
Definiciós hálók
Keretrendszerek
Szemantikus hálók
Futó: Mesterséges Intelligencia, pp. 186
Szemantikus háló:az emberi információtárolás és keresés modellezése(Quillian & Collins);gyakori név az asszociatív háló.kognitív pszichológiai kísérletek az „alapjai”;
Tulajdonságok:objektumokhoz tulajdonságokat rendelünk;hierarchia az objektumok szintjén⇒ absztrakcióa tulajdonságok a legfelsobb szinten asszociálódnak.
98/370
![Page 125: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/125.jpg)
MesterségesIntelligencia
4Csató Lehel
Szemantikushalok
Definiciós hálók
Keretrendszerek
Kanári szemantikus háló
Szemantikus háló:
Irányított gráf, ahol
Csúcsok:objektumok,objektumosztályokés tulajdonságokértékei;
Élek: a csúcsokközötti kapcsolatneve.
Strucc
Madár
Állat
Kanári
méretnem_tudtudtud
egy egyvan
van
tud
tud
van
tud
egy
repülnirepülniénekelni nagy
tollazata
szárnya
repülni
mozogni
bõre
lélegezni
99/370
![Page 126: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/126.jpg)
MesterségesIntelligencia
4Csató Lehel
Szemantikushalok
Definiciós hálók
Keretrendszerek
Wordnet Nagy szemantikus háló
http://wordnetweb.princeton.edu
100/370
![Page 127: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/127.jpg)
MesterségesIntelligencia
4Csató Lehel
Szemantikushalok
Definiciós hálók
Keretrendszerek
Feladatmegoldás szemantikus hálókkal
Feladat: lekérdezés megválaszolása adott tárgyköritudással.
Tárgyköri tudás: egy taxonomikus hierarchia – azazegymásba ágyazott objektumok halmaza –számítógépes reprezentációja.
Adatbázis
Lekérdezés: egy célháló illesztése a szemantikus hálóba.Illesztés
101/370
![Page 128: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/128.jpg)
MesterségesIntelligencia
4Csató Lehel
Szemantikushalok
Definiciós hálók
Keretrendszerek
Milyen feladatokra megfelelo
Klasszikus logika nyelvén:
∀x(x ∈MADARAK⇒ x ∈ REPUL
)Kivételek kezelése (strucc)nehézkes. repülni
Madár
Állat
tud
van
tud
egymozogni
bõre
lélegezni
tud
Melyik alkalmazás modellezheto szemantikus hálóval:játékok, osztályozás,vízelemzo rendszerek, nyelvelemzésrendszerkonfigurálás
?.102/370
![Page 129: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/129.jpg)
MesterségesIntelligencia
4Csató Lehel
Szemantikushalok
Definiciós hálók
Keretrendszerek
Összefoglaló – szemantikus hálók
Fogalmak és kapcsolataik modellezése.
Asszociatív memóriák.
Információk egyszeru reprezentációja – !smiley!programozási paradigma jött létre.
Ezt használjuk információ reprezentálására?
Történelem Keretrendszerek
103/370
![Page 130: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/130.jpg)
MesterségesIntelligencia
4Csató Lehel
Szemantikushalok
Definiciós hálók
Keretrendszerek
Definíciós hálók Kitérohttp://www.jfsowa.com/pubs/semnet.htm
Porfirius (i.sz. 300 körül) - magyarázata Arisztotelész „Kategóriá”jához.
Típus és különbözoség szerint rajzolt egy definiciós hálót, ahol alá- ésfölérendelt kategóriákat különböztetett meg.
104/370
![Page 131: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/131.jpg)
MesterségesIntelligencia
4Csató Lehel
Szemantikushalok
Definiciós hálók
Keretrendszerek
Keretrendszerek
Keretalapú Ismeretreprezentáció Futó. pp.198
1975 Minsky - látás egy pszichológiai modelljének aleírása.A tanulmányozott világ fizikai vagy fogalmientitásainak egy strukturált szimbolikus modellje.hasonlít a szemantikus hálókhoz – annaktovábbfejlesztése.Új elem a procedurális reprezentáció.
Majdnem OOP - a különbség, hogy az OOP keretrendszercélja a kódolás és nem a tudásreprezentáció.
Level 5 Object
105/370
![Page 132: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/132.jpg)
MesterségesIntelligencia
4Csató Lehel
Szemantikushalok
Definiciós hálók
Keretrendszerek
FRAME-rendszerek I
a Frame egyadatstruktúra, mely információt tartalmaz egyobjektumról vagy entitásról;
keret, melyben egy objektum statikus és funkcionálistulajdonságait tároljuk;
Egy Frame-rendszer az egyedi Frame-ek kapcsoltrendszere.
Minsky definiálta 1975-ben. Az általa adott név:“Data-structures for representing stereotypedsituations”
106/370
![Page 133: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/133.jpg)
MesterségesIntelligencia
4Csató Lehel
Szemantikushalok
Definiciós hálók
Keretrendszerek
FRAME-rendszerek I
a Frame egyadatstruktúra, mely információt tartalmaz egyobjektumról vagy entitásról;
keret, melyben egy objektum statikus és funkcionálistulajdonságait tároljuk;
Egy Frame-rendszer az egyedi Frame-ek kapcsoltrendszere.
Minsky definiálta 1975-ben. Az általa adott név:“Data-structures for representing stereotypedsituations”
106/370
![Page 134: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/134.jpg)
MesterségesIntelligencia
4Csató Lehel
Szemantikushalok
Definiciós hálók
Keretrendszerek
FRAME-rendszerek I
a Frame egyadatstruktúra, mely információt tartalmaz egyobjektumról vagy entitásról;
keret, melyben egy objektum statikus és funkcionálistulajdonságait tároljuk;
Egy Frame-rendszer az egyedi Frame-ek kapcsoltrendszere.
Minsky definiálta 1975-ben. Az általa adott név:“Data-structures for representing stereotypedsituations”
106/370
![Page 135: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/135.jpg)
MesterségesIntelligencia
4Csató Lehel
Szemantikushalok
Definiciós hálók
Keretrendszerek
FRAME-rendszerek I
a Frame egyadatstruktúra, mely információt tartalmaz egyobjektumról vagy entitásról;
keret, melyben egy objektum statikus és funkcionálistulajdonságait tároljuk;
Egy Frame-rendszer az egyedi Frame-ek kapcsoltrendszere.
Minsky definiálta 1975-ben. Az általa adott név:“Data-structures for representing stereotypedsituations”
106/370
![Page 136: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/136.jpg)
MesterségesIntelligencia
4Csató Lehel
Szemantikushalok
Definiciós hálók
Keretrendszerek
FRAME-reprezentáció II
frame Személy frame Kosárcsapatinstance-of: Class instance-of: Classazonosító: személyi edzo: Személyvezetéknév: játékosok: collection-of Személykeresztnév: end
endframe Foiskolás-kosárcsapat
frame Foiskolás instance-of: Kosárcsapatis-a: Személy edzo: Oktatóközös-cím: ’[email protected]’ játékosok: collection-of Foiskoláslevél-cím:
end frame Szöcskékinstance-of: Foiskolás-kosárcsapat
frame Kosarazó játékosok: Péter, Tamás, ...is-a: Személy endhavi-juttatás:
end frame Péterinstance-of: Foiskolás
frame Kosár-center instane-of: Kosár-centeris-a: Kosárlabdázó levél-cím: ’[email protected]’
end magasság: 193havi-juttatás: 10000
end107/370
![Page 137: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/137.jpg)
MesterségesIntelligencia
4Csató Lehel
Szemantikushalok
Definiciós hálók
Keretrendszerek
Démonok
DémonokEljárások, melyeket osztályokhoz illetve azokattribútumaihoz lehet hozzárendelni.„paraméterezés”: mikor lépjenek muködésbe (milyenesemény bekövetkeztekor).
when-needed-demonwhen-changed-demonwhen-deleted-demonwhen-added-demon
Frame-rendszer muködése: rendszer összes démonánakegyüttes muködése
(pl. útkeresztezodés muködtetése).
108/370
![Page 138: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/138.jpg)
MesterségesIntelligencia
4Csató Lehel
Szemantikushalok
Definiciós hálók
Keretrendszerek
FRAME-ek tulajdonságai
Egy keret vagy osztály vagy példány. Különbség azis-a illetve az instance-of között.Többszörös öröklodés - amikor egy osztály lehet többosztálynak az utóda.Példányok a hierarchia alján - nem lehet továbbpéldányosítani.
Mi történik egy hiányos osztályleírás esetén?A rendszer a megszorítások alapján
kiegészítivagy nem
a hiányzó információkat (pl. Péter nem foiskolás).
109/370
![Page 139: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/139.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Az Eloadások Témái
Bevezeto: mi a mesterséges intelligencia 1
„Tudás”–reprezentáció 2
Gráfkeresési stratégiák 3
Szemantikus hálók / Keretrendszerek 4
Játékok modellezése 5
Bizonytalanság kezelése 6
Grafikus modellek és a D.S. modell 7
Fuzzy rendszerek 8
Tanuló rendszerek 9
Szimulált kifutés, Genetikus algoritmusok 10
Neurális hálók, a perceptron modell 11
Többrétegu hálók, Önszervezodés 12 , 13
Gépi tanulás 14
110/370
![Page 140: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/140.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Admin ... ... trívia
Vizsga
Szóbeli (60%) + Gyakorlat (40%)
Laborgyakorlatok:1 Gráfok ábrázolása - dedukciós algoritmus 18%2 Játékelmélet 10%3 Matlab - tanulási algoritmus 12%4 Opcionális feladatok - max. 3/személy sok%
Bemutatók (5–20 pont)Alkalmazások bemutatása, melyek adaptív, gépitanulásos vagy mestint módszereket alkalmaznak.
111/370
![Page 141: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/141.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
JátékelméletFutó, pp. 215
... problems arising when we try to plan ahead in presence ofhostile agents ... Russell&Norvig, pp. 122
Babbage (1846) - gépet tervez, mely Tic-tac-toe-tjátszik,Leonardo Torres y Quevedo (1890) - sakk végjáték,von Neumann & Morgenstern (1944) - Theory ofgames and Economic BehaviourShannon és Turing (1950) - sakkprogram, mert
1 „intelligencia” szükséges a játékhoz,2 egyszeru szabályok,3 teljes informáltság,
McCarthy (1956) - vágások.
112/370
![Page 142: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/142.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Játékok és keresés
„Ismeretlen” ellenfél:Nem ismerjük a lépéseit,Feltételezzük, hogy nyerni akar.
Válasz: egy stratégia, mely az ellenfél minden lehetségeslépését figyelembe veszi.
Sakk-program esetében: nincs lehetoség az összeslehetoség vizsgálatára⇒ szükségesek a közelítések,heurisztikák.
Mit közelítünk?
113/370
![Page 143: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/143.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Játékok típusai
Determinisztikus Valószínuségi
Teljesinformációs
Sakk, Go, Dá-ma
Table, Mono-poly
Részlegesinformáci-ós
battleship bridge, póker
?? Kupacos játék - Maya.
114/370
![Page 144: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/144.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Kétszemélyes játékok I
Kétszemélyes teljes információs játékok:két játékos lép felváltva, adott szabályok szerint;a játékosok minden információval rendelkeznek;minden állapotban véges számú lépés létezik;véges a játszma ideje;az egyik játékos mindig nyer (esetenként lehetségesdöntetlen...)
Ezzel a játékosztállyal foglalkozunk.
115/370
![Page 145: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/145.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Kétszemélyes játékok II
Formális definíció:
Két játékos, legyen MAX illetve MIN;
MAX kezd;
ismert kezdoállapot;
muveletek, melyek leírják a lehetséges lépéseket;
játék végének a tesztje;
nyereség-függvény;
Stratégia: szabály az egyik – MAX – játékos optimálislépéseinek megadására.
116/370
![Page 146: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/146.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Nim játék
Nim = „nip” + „muster”
Játék:gyufaszálak több sorban; m
adott gyufaszál minden sorban; [n1, . . . , nm]
lépés = egy sorból i
valahány gyufaszál elvétele; 0 ≤ n ′i < nijáték vége: elfogynak a gyufaszálak; ∀i; ni = 0veszít az a játékos, mely már nem tud gyufaszálatfelvenni.
Változatok: vesztes az utolsó gyufaszálat felvevo; nemlehet tetszoleges számú elemet felvenni, etc.
117/370
![Page 147: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/147.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Nim játék
A játék állásai:Nyero – ha a játékos tud úgy lépni,hogy az ellenfél lépéseitol függetlenülnyer;Veszto – ha nincs nyero lépés.
Nyero stratégia:
0 0 1 1 = 3
0 1 0 1 = 5
1 0 0 0 = 8
1 1 1 0 (XOR)
Állítás: azon állások vesztok, melyekre azXOR csupa nullát eredményez.
118/370
![Page 148: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/148.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Nim játék tulajdonságai
Állítás: azon állások vesztok, melyekre az XOR csupanullát eredményez.
1. LemmaHa egy állásban az XOR nem csupa nullát eredményez,akkor van lépés, mely az XOR szerint nullát eredményez.
2. LemmaHa egy állapotban az XOR csupa nulla, akkor nincs lépés,mely eredményeként az XOR nulla lesz.
Nyero stratégia
Ha XOR nem nulla, akkor le tudjuk nullázni és az ellenfélnem tud olyat lépni, hogy számunkra megint nulla legyen.
=⇒ nyero stratégia.119/370
![Page 149: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/149.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Nim játék tulajdonságai
Állítás: azon állások vesztok, melyekre az XOR csupanullát eredményez.
1. LemmaHa egy állásban az XOR nem csupa nullát eredményez,akkor van lépés, mely az XOR szerint nullát eredményez.
2. LemmaHa egy állapotban az XOR csupa nulla, akkor nincs lépés,mely eredményeként az XOR nulla lesz.
Nyero stratégia
Ha XOR nem nulla, akkor le tudjuk nullázni és az ellenfélnem tud olyat lépni, hogy számunkra megint nulla legyen.
=⇒ nyero stratégia.119/370
![Page 150: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/150.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Nim játék tulajdonságai
Állítás: azon állások vesztok, melyekre az XOR csupanullát eredményez.
1. LemmaHa egy állásban az XOR nem csupa nullát eredményez,akkor van lépés, mely az XOR szerint nullát eredményez.
2. LemmaHa egy állapotban az XOR csupa nulla, akkor nincs lépés,mely eredményeként az XOR nulla lesz.
Nyero stratégia
Ha XOR nem nulla, akkor le tudjuk nullázni és az ellenfélnem tud olyat lépni, hogy számunkra megint nulla legyen.
=⇒ nyero stratégia.119/370
![Page 151: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/151.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Nim játék példa
Kezdeti állapot:
0 0 1 1 = 3
0 1 0 1 = 5
1 0 0 0 = 8
1 1 1 0 (XOR)
Válasszuk az utolsó (8 elemes) sort.Ahhoz, hogy mindenhol 0 legyen
0 1 1 0 = 6
kell maradjon, tehát 2 elemet kell elvenni.
Az új pozíció vesztes.
120/370
![Page 152: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/152.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Nim játék gráfja
játék gráfja véges mélységu;
Nyero stratégia:mindig van legalább egy olyanlépés, melybol gyozni tud;függetlenül attól, hogy azellenfél mit lép;
111, 222A lép
000, 222B lép
111, 111B lép
111, 000B lép
000, 111A lép
000, 000A lép
111, 000A lép
000, 000B lép
121/370
![Page 153: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/153.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Tic-Tac-Toe – amoba
MIN(O)
MAX(X)
MIN(O)
Vég
MAX(X)
Jutalom: −1 0 1
A játék gráfja
122/370
![Page 154: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/154.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Nyero stratégia létezése
TételEgy teljes információjúkétszemélyes játék eseténmindig létezik egy játékosszámára nyero stratégia (hanincs döntetlen).
Bizonyítás:Az élek címkézése lentrolfelfelé. Ha B lép,∃ ág, mely B-vel vancímkézve, akkor B,ellenkezo esetben A.
MAX
MIN
MAXB B A B A A
. . .
.
123/370
![Page 155: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/155.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Majdnem NIM Példa
Kuglizás – ahol az összes bábú egy sorban van, tehátcsak egy vagy két – egymásmelletti – bábút tudunk leütni.Vesztes, akinek eloször nem marad bábúja.
Feladat:
Határozzuk meg a játék állapotterét k = 3szomszédos bábúra;
Határozzuk meg, hogy az kezdo játékos nyer vagyveszít.
Számítsuk ki, hogy a kezdo játékos nyertes-e k = 5egymás-melletti bábú esetén.
Írjunk programot, mely meghatározza, hogy a kezdojátékos nyer-e tetszoleges konfigurációnál.
124/370
![Page 156: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/156.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Stratégiák keresése
Stratégia nem keresheto mert a teljes gráf nem fér ela memóriában;
túl sok állapot.
Sakk:≈ 45 lépés tehát 90 mélységu fa,≈ 35 lehetoség;3590 = 10139 levél. 1080 összes elektron
Deep Blue – 32CPU× 8 dedikált sakk-processzor(13-30 mélységig; 30 milliárd lépés/perc)
125/370
![Page 157: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/157.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Minimax algoritmus
Minimax algoritmus:
bonyolultabb játékok esetén használják;
nem építheto meg a teljes játékfa;
nem talál biztosan nyero stratégiát;
„eros” vagy „elég jó” lépés;
Közelítéseket adunk a nyero/vesztes értékelés helyett.
126/370
![Page 158: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/158.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Minimax algoritmus játékfákon
Játékfa építése adottmélységig;Levelek címkézése:kiértékelo függvényÉrtékekvisszaterjesztéselásd Nyero stratégia ;A gyökér-címkeértéku lépésmegtétele;
MAX
MIN
MAX3 12 8 2 4 6 14 5 2
3 2 2
3
127/370
![Page 159: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/159.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Minimax algoritmus játékfákon
Játékfa építése adottmélységig;Levelek címkézése:kiértékelo függvényÉrtékekvisszaterjesztéselásd Nyero stratégia ;A gyökér-címkeértéku lépésmegtétele;
MAX
MIN
MAX3 12 8 2 4 6 14 5 2
3 2 2
3
127/370
![Page 160: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/160.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Minimax algoritmus játékfákon
Játékfa építése adottmélységig;Levelek címkézése:kiértékelo függvényÉrtékekvisszaterjesztéselásd Nyero stratégia ;A gyökér-címkeértéku lépésmegtétele;
MAX
MIN
MAX3 12 8 2 4 6 14 5 2
3 2 2
3
127/370
![Page 161: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/161.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Minimax algoritmus játékfákon
Játékfa építése adottmélységig;Levelek címkézése:kiértékelo függvényÉrtékekvisszaterjesztéselásd Nyero stratégia ;A gyökér-címkeértéku lépésmegtétele;
MAX
MIN
MAX3 12 8 2 4 6 14 5 2
3 2 2
3
127/370
![Page 162: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/162.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Negamax algoritmus
A minimax algoritmusnál a különbözo játékosoklépéseinél minimumot vagy maximumot kerestünk;
A negamax algoritmus egyesíti a kétfajta optimálislépést:
minden lépésben maximumot számol,
ellenben az elozo szint negált értékei szerint.
a javasolt lépés a csúcs negált értéku utódjábatörténo lépés;
128/370
![Page 163: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/163.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Negamax algoritmus muködése
-MAX
-MAX
-MAX3 12 8 2 4 6 14 5 2
-3 -2 -2
3
129/370
![Page 164: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/164.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Negamax algoritmus muködése
-MAX
-MAX
-MAX3 12 8 2 4 6 14 5 2
-3 -2 -2
3
129/370
![Page 165: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/165.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Negamax algoritmus muködése
-MAX
-MAX
-MAX3 12 8 2 4 6 14 5 2
-3 -2 -2
3
129/370
![Page 166: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/166.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Negamax algoritmus muködése
-MAX
-MAX
-MAX3 12 8 2 4 6 14 5 2
-3 -2 -2
3
129/370
![Page 167: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/167.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Minimax/Negamax tulajdonságok
Tulajdonságok:
Teljesség – megtalálja az optimális lépést, ha ilyenlétezik?Ha a játékfa véges. igen
Optimalitás – a legjobb lépést találja meg?Ha az ellenfél is racionális. igen
Bonyolultság: O(bm) kimeno élek – bkiértékelés mélysége – m
Memóriaigény: O(bm)
Sakk-program: b ≈ 35, m ≈ 100,⇒ 3590
3590 = 10139 levél v.ö: 1080 összes elektron
Hatékonyság növelése: VÁGÁSOK130/370
![Page 168: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/168.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Minimax/Negamax tulajdonságok
Tulajdonságok:
Teljesség – megtalálja az optimális lépést, ha ilyenlétezik?Ha a játékfa véges. igen
Optimalitás – a legjobb lépést találja meg?Ha az ellenfél is racionális. igen
Bonyolultság: O(bm) kimeno élek – bkiértékelés mélysége – m
Memóriaigény: O(bm)
Sakk-program: b ≈ 35, m ≈ 100,⇒ 3590
3590 = 10139 levél v.ö: 1080 összes elektron
Hatékonyság növelése: VÁGÁSOK130/370
![Page 169: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/169.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Minimax/Negamax tulajdonságok
Tulajdonságok:
Teljesség – megtalálja az optimális lépést, ha ilyenlétezik?Ha a játékfa véges. igen
Optimalitás – a legjobb lépést találja meg?Ha az ellenfél is racionális. igen
Bonyolultság: O(bm) kimeno élek – bkiértékelés mélysége – m
Memóriaigény: O(bm)
Sakk-program: b ≈ 35, m ≈ 100,⇒ 3590
3590 = 10139 levél v.ö: 1080 összes elektron
Hatékonyság növelése: VÁGÁSOK130/370
![Page 170: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/170.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Minimax/Negamax tulajdonságok
Tulajdonságok:
Teljesség – megtalálja az optimális lépést, ha ilyenlétezik?Ha a játékfa véges. igen
Optimalitás – a legjobb lépést találja meg?Ha az ellenfél is racionális. igen
Bonyolultság: O(bm) kimeno élek – bkiértékelés mélysége – m
Memóriaigény: O(bm)
Sakk-program: b ≈ 35, m ≈ 100,⇒ 3590
3590 = 10139 levél v.ö: 1080 összes elektron
Hatékonyság növelése: VÁGÁSOK130/370
![Page 171: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/171.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Minimax/Negamax tulajdonságok
Tulajdonságok:
Teljesség – megtalálja az optimális lépést, ha ilyenlétezik?Ha a játékfa véges. igen
Optimalitás – a legjobb lépést találja meg?Ha az ellenfél is racionális. igen
Bonyolultság: O(bm) kimeno élek – bkiértékelés mélysége – m
Memóriaigény: O(bm)
Sakk-program: b ≈ 35, m ≈ 100,⇒ 3590
3590 = 10139 levél v.ö: 1080 összes elektron
Hatékonyság növelése: VÁGÁSOK130/370
![Page 172: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/172.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Minimax/Negamax tulajdonságok
Tulajdonságok:
Teljesség – megtalálja az optimális lépést, ha ilyenlétezik?Ha a játékfa véges. igen
Optimalitás – a legjobb lépést találja meg?Ha az ellenfél is racionális. igen
Bonyolultság: O(bm) kimeno élek – bkiértékelés mélysége – m
Memóriaigény: O(bm)
Sakk-program: b ≈ 35, m ≈ 100,⇒ 3590
3590 = 10139 levél v.ö: 1080 összes elektron
Hatékonyság növelése: VÁGÁSOK130/370
![Page 173: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/173.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Alfa-béta vágás I
Minimax/negamax algoritmus költséges mertnagyon sok csúcsot kell generálni; azonbanTudjuk, hogy az értékelés a minimax szabály szerinttörténik;Az alfa-béta vágások módszere figyelembe veszi amár kiszámított csúcsok értékét (McCarthy 1956 –sakk)és csak olyan csúcsokat nem értékel ki, ahovaracionális játék során nem jutunk el.
Kiértékelés során bevezetett változók:α – MAX szint utódjainak maximuma;
csak növekedhet.
β – MIN szint utódjainak minimuma;csak csökkenhet.
131/370
![Page 174: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/174.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Alfa-béta vágás II
Vágás: muvelet, melynek eredményeként nem értékeljükki egy csúcshoz tartozó többi utódcsúcsot.
Vágási kritériumok:MIN csúcs alatt vágunk, ha az egyik oséhez rendelt
α érték nagyobb, mint a csúcsβ értéke.alfa vágás
MAX csúcs alatt vágunk, ha az egyik oséhez rendelt
β érték kisebb, mint a csúcsα értéke.béta vágás
Egy kiértékelést abba lehet hagyni, ha:
α ≥ β132/370
![Page 175: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/175.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Alfa-béta vágás – példa
MAX
MIN
MAX3 12 8
3
≥ 3
2
2 2 < 3
X X 14 5 2
133/370
![Page 176: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/176.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Alfa-béta vágás – példa
MAX
MIN
MAX3 12 8
3
≥ 3
2
2 2 < 3
X X 14 5 2
133/370
![Page 177: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/177.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Alfa-béta vágás – példa
MAX
MIN
MAX3 12 8
3
≥ 3
2
2 2 < 3
X X 14 5 2
133/370
![Page 178: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/178.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Alfa-béta vágás – példa
MAX
MIN
MAX3 12 8
3
≥ 3
2
2 2 < 3
X X 14
< 14
5 2
133/370
![Page 179: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/179.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Alfa-béta vágás – példa
MAX
MIN
MAX3 12 8
3
≥ 3
2
2 2 < 3
X X 14 5
< 5
2
133/370
![Page 180: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/180.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Alfa-béta vágás – példa
MAX
MIN
MAX3 12 8
3
≥ 3
2
2 2 < 3
X X 14 5
2
2
133/370
![Page 181: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/181.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Alfa-béta vágás – példa
MAX
MIN
MAX3 12 8
3
3 ≥ 3
2
2 2 < 3
X X 14
< 14
5
2 < 5
2
133/370
![Page 182: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/182.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Alfa-béta algoritmus tulajdonságai
a vágások nem módosítják a megoldások minoségét;
hatékony vágások (elso eset) megvalósítása acsúcsok rendezésével: ido-komplexitás: O(bm/2)
Fontos a tudás – hol lehet „jó csúcsokat” találni –kódolása.
134/370
![Page 183: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/183.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Létezo játékprogramok:
Dáma – Chinook program 40 éves nyerési sorozatotszakított meg ...Sakk – Deep Blue 1997-ben megverte Kasparov-ot.Reversi – nem játszanak: gép ... mindig nyer.Go – nem játszanak: gép ... mindig veszít.
135/370
![Page 184: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/184.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Játékelmélet Neumann János
Jellemzok:két játékos van: a sor illetve az oszlop játékos.a sor-játékos a számára elérheto m stratégia közülpontosan egyet választ.az oszlop-játékos a számára elérheto n stratégiaközül pontosan egyet választ.A választások egymástól függetlenek.Ha a sor játékos az i opciót, az oszlop játékos a jopciót választotta, a sor játékos nyeresége aij.
Stratégia: szabályrendszer, mely eloírja, hogy egyjátékos mit kell lépjen.
Neumann János tétele - kevert stratégiákra null-összegujátékokon.
136/370
![Page 185: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/185.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Stratégia játékokban Példa
Két játékos, mindegyiknek van valahány stratégiája,melyek közül választhat (A→ 3, illetve B→ 4).
Nyereségmátrix az A számára; veszteség B-nek.
B.1 B.2 B.3 B.4A.1 −1 3 2 9
A.2 5 4 −2 6
A.3 8 −2 6 −2
? Ha A nem tudja, hogy B mit fog lépni, melyik a legjobblépés?
137/370
![Page 186: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/186.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Minimax tulajdonság
Nyereségmátrix: (a sor játékos számára)
−1 3 2 9
5 4 −2 6
8 −2 6 −2
Azon stratégiát válassza, mely a legkisebb nyereségekmaximumát adja.
Minimax játékos:maxi
(minjMij
)≤ min
j
(maxiMij
)azaz: az A legalább min max-ot nyer.
A sor-játékos az elso sort választja −1 nyereséggel
138/370
![Page 187: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/187.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Minimax tulajdonság
Nyereségmátrix: (a sor játékos számára)
−1 3 2 9 − 15 4 −2 6 − 28 −2 6 −2 − 2
Azon stratégiát válassza, mely a legkisebb nyereségekmaximumát adja.
Minimax játékos:maxi
(minjMij
)≤ min
j
(maxiMij
)azaz: az A legalább min max-ot nyer.
A sor-játékos az elso sort választja −1 nyereséggel
138/370
![Page 188: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/188.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Kevert stratégia
Nyereségmátrix:
−1 3 2 9 −15 4 −2 6 −28 −2 6 −2 −2
De: vannak a nyereségmátrixnak sokkal nagyobbelemei is, tehát kell legyen jobb választás;Kevert stratégiával játszunk: a sorjátékos válassza:x1 valószínuséggel az elso sort;x2 valószínuséggel a második sort;x3 valószínuséggel a harmadik sort (x3 = 1− x1 − x2);
Az oszlop játékos ugyanígy választhat.
Feltételezzük, hogy sokszor játsszuk ugyanazon mátrix szerint.
139/370
![Page 189: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/189.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Kevert stratégia létezési tétele
Neumann-tételMinden nulla-összegu játék esetén létezik egy olyankeveréke a stratégiáknak, mely minimax tulajdonsággalrendelkezik.
Bizonyítás: xxx = [x1, . . . , xn] ∈ ΠΠΠn yyy ∈ ΠΠΠmÁtlagnyereség: xxxTMyyy
maxx∈Πn
minm∈Πm
xxxTMyyy = V = V︸ ︷︷ ︸ = minm∈Πm
maxx∈Πn
xxxTMyyy
teljes biz. Finta - operációs kutatások
140/370
![Page 190: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/190.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Kevert stratégia létezési tétele
Neumann-tételMinden nulla-összegu játék esetén létezik egy olyankeveréke a stratégiáknak, mely minimax tulajdonsággalrendelkezik.
Bizonyítás: xxx = [x1, . . . , xn] ∈ ΠΠΠn yyy ∈ ΠΠΠmÁtlagnyereség: xxxTMyyy
maxx∈Πn
minm∈Πm
xxxTMyyy = V = V︸ ︷︷ ︸ = minm∈Πm
maxx∈Πn
xxxTMyyy
teljes biz. Finta - operációs kutatások
140/370
![Page 191: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/191.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Minimax tétel
Példa:0 1
2 0Arányokkal:
[x
1− x
]TM
[y
1− y
]XMAPLE KÓD
A nyeresége maximális, ha 2/3 valószínuséggel az elso,1/3-dal a második stratégia szerint játszik.
141/370
![Page 192: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/192.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Olló – papír – ko
Szabályok:két játékos játszikegyszerre mutatnak egy ...
papírtkövetollót
papír: becsomagolja a követ;ko: kicsorbítja az ollót;olló: elvágja a papírt
0 1 −1
−1 0 1
1 −1 0
Teljes szimmetria⇒ nincs optimális stratégia.
„Optimális” kevert stratégia: [1/3, 1/3, 1/3].
142/370
![Page 193: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/193.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Egy paradoxon – StratégiákSzékely J.G.: Paradoxonok a véletlen matematikájában.
Ketten játszanak: Q és R.
Egy vagy két ujjat mutatnak fel;Páros ujj-szám esetén Q fizet R-nek, ellenkezoesetben fordítva;annyit nyernek/veszítenek, ahány ujjat felmutattak.
Ismételt játékok esetén mi a nyero stratégia?
Nyereség–mátrix:Q.1 Q.2
R.1 2 −3R.2 −3 4
rrrTMMM qqq = 2r1q1 − 3r1q2 − 3r2q1 + 4r2q2
Mindegyik játékos úgy játszik, hogy az eredmény ne függjön amásik játékostól, valamint tudva, hogy p2 = 1 − p1 ésq2 = 1 − q1, a játék értéke:V = (12r1 − 7)q1 + (4 − 7r1)R választása: 12r1 − 7 = 0.A megoldás:r1 = 7/12, r2 = 5/12, q1 = 7/12, q2 = 5/12
Átlagnyereség: −1/12
143/370
![Page 194: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/194.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Tizenegyes-rúgások Példa
Tizenegyes–rúgásn: a játékos rúg, a kapus véd.
A kapus a lövés elott elmozdul.
A játékos szintén a lövés elott dönt.
B K JB 5 8 9
K 8 4 8
J 9 8 5
Milyen stratégiát kövessenek?A buntetot Balra, Középre, vagy Jobbra lehet loni, a kapus is errevetodhet.Kevert stratégiákat keresünk. Játékos xxx = [x1, x2, 1− x1 − x2]és kapus yyy = [y1, y2, 1− y1 − y2].
xxxT MMMyyy =
−8y1x1 − 4y1x2 + 4y1 − 7y2x2 + 3y2 + 4x1 − 4x1y2 + 3x2 + 5
= −x1 (8y1 + 4y2 − 4) − x2 (4y1 + 7y2 − 3) + 4y1 + 3y2 + 5
Innen: y1 = 2/5 ; y2 = 1/5 ⇒ y3 = 2/5.(szimmetria okán a kapus ugyanígy kell eljárjon.)
144/370
![Page 195: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/195.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Tizenegyes-rúgások Példa
Tizenegyes–rúgásn: a játékos rúg, a kapus véd.
A kapus a lövés elott elmozdul.
A játékos szintén a lövés elott dönt.
B K JB 5 8 9
K 8 4 8
J 9 8 5
Milyen stratégiát kövessenek?A buntetot Balra, Középre, vagy Jobbra lehet loni, a kapus is errevetodhet.Kevert stratégiákat keresünk. Játékos xxx = [x1, x2, 1− x1 − x2]és kapus yyy = [y1, y2, 1− y1 − y2].
xxxT MMMyyy =
−8y1x1 − 4y1x2 + 4y1 − 7y2x2 + 3y2 + 4x1 − 4x1y2 + 3x2 + 5
= −x1 (8y1 + 4y2 − 4) − x2 (4y1 + 7y2 − 3) + 4y1 + 3y2 + 5
Innen: y1 = 2/5 ; y2 = 1/5 ⇒ y3 = 2/5.(szimmetria okán a kapus ugyanígy kell eljárjon.)
144/370
![Page 196: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/196.jpg)
MesterségesIntelligencia
5Csató Lehel
JatekelmeletKétszemélyes játékok
NIM
Tic–Tac–Toe
Nyero Stratégia
Strat. keresése
Minimax alg.
Negamax
Alfabéta
Játékprogramok
Ismétlodo játékok
Null-összegu játékok
Neumann tétel
Példa
Összefoglaló
Játékok – összefoglaló
Játékok – fontos szemlélteto eszközök:Nincs tökéletes megoldás, tehát közelítenünk kell;
Formalizálás: „jó ötlet azon gondolkodni, hogy minkell gondolkodni”;
Játékok: mint a Formula 1 az autók számára.
145/370
![Page 197: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/197.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Az Eloadások Témái
Bevezeto: mi a mesterséges intelligencia 1
„Tudás”–reprezentáció 2
Gráfkeresési stratégiák 3
Szemantikus hálók / Keretrendszerek 4
Játékok modellezése 5
Bizonytalanság kezelése 6
Grafikus modellek és a D.S. modell 7
Fuzzy rendszerek 8
Tanuló rendszerek 9
Szimulált kifutés, Genetikus algoritmusok 10
Neurális hálók, a perceptron modell 11
Többrétegu hálók, Önszervezodés 12 , 13
Gépi tanulás 14
146/370
![Page 198: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/198.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Admin ... ... trívia
Vizsga
Szóbeli (60%) + Gyakorlat (40%)
Laborgyakorlatok:1 Gráfok ábrázolása - dedukciós algoritmus 18%2 Játékelmélet 10%3 Matlab - tanulási algoritmus 12%4 Opcionális feladatok - max. 3/személy sok%
Bemutatók (5–20 pont)Alkalmazások bemutatása, melyek adaptív, gépitanulásos vagy mestint módszereket alkalmaznak.
147/370
![Page 199: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/199.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Fellendüloben az MI
MI-divat? 2007.09.12.Az MI célja, hogy a gépek emberre jellemzotulajdonságokkal rendelkezzenek: nyelvhasználat,fogalomalkotás, elvonatkoztatás, nem triviálisproblémák megoldása, öntökéletesítés. (McCarthy,Minsky, Shannon)
MI a mindennapokban„A kifejezetten mérnöki munka és alkalmazott tudományok terén elérteredményeket figyelembe véve, a gépi tanulás technikáinak különbözoproblémákra (webes keresés, pénzügyek, molekuláris rendszerekmegértése) történt alkalmazása a legsikeresebb MI–részterület.” –Terry Winograd szerint. „Ezek az eredmények, és más területek,például a robotika fejlodése intelligensebb gépekhez vezetnek.”http://www.agent.ai Winograd home
148/370
![Page 200: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/200.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
BizonytalanságRussell & Norvig, 1995, 415. o.
„In which we see what an agent should do when not all iscrystal clear.” Futó et.al. 321–372
Ezidáig: következtetések olyan esetekben, aholtudtuk egy esemény – tény – bekövetkezését.ismertük az események közötti kapcsolatrendszert:ok–okozat
Problémamegoldás során a tudásunk:hiányos – nem tudunk/akarunk válaszolni;nem megbízható – tudjuk, hogy max. 70%...nem precíz – nincs megfelelo formalizmus a leíráshoz;ellentmondásos – több forrás⇒ konfliktus;
149/370
![Page 201: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/201.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Bizonytalanság típusai
Hiányzó adat Rosszul kitöltött kér-doív
Bizonytalanadat
A betegség csak való-színusítheto
Bizonytalan fo-galmak
Pl. „gyorsan hajtott”
Ellentmondások Összegzésnél egy-másnak ellentmondóadatok
150/370
![Page 202: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/202.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Bizonytalanság kezelése
Numerikus modellek
Bayes-modell,
Bayes-hálók,
Dempster–Shafer:megbízhatóságelmélet,
Fuzzy modell
Szimbolikus modellek
nem-monotonrendszerek
151/370
![Page 203: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/203.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Cardano és Galilei
Gerolamo Cardano (1501–1576): Liber de ludo aleae - 1663„Olasz matematikus, természettudós, csillagász éshazárdjátékos.”Eloször írja le a tífuszt.Legismertebbek az algebrában elért eredményei: megoldotta aharmad- és negyedfokú egyenleteket – Ars Magna – és amegoldás során felismerte az imaginárius rész szükségességét.Termodinamikai megfontolások alapján tagadta az örökmozgóklétezését.Mindig pénzszukében volt – ?⇒? – sakkozott és kockázott. Azjátékokról írt könyve eloször foglalkozik a valószínuségfogalmával.
Cardano wiki
Galileo Galilei (1564–1642)Olasz természettudós, matematikus, csillagász és filozófus, atudományos forradalom úttöroje.S. Hawking: „Galileo a modern tudományok úttöroje.”Javított a teleszkópok képességein, tökéletesítette a körzot,bevezette a kinematikát, az asztronómiát, eloször írta le aVénusz fázisait.
Kijelentette, hogy a természet törvényei matematikai jelleguek,valamint azt, hogy a Föld forog a Nap körül, (majdnemmegégett). Galileo wiki
152/370
![Page 204: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/204.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Bayes modell I
A legrégebbi modell, legjobban definiált technika(kockajáték);Alapja a valószínuségszámítás;Elso modellt Cardano4 alkotta; illetve Galilei 1660körül, majd Borel és Kolmogorov a XX. században;
Valószínuségszámítás: véletlen kísérletek;Kísérletek eredményei: elemi események;Eseménytér: összes eseményΩ
teljes esemény T = Ω,üres esemény T = ∅,ellentett esemény A = Ω \A,egymást kizáró események ha A ∩ B = ∅,
4Gerolamo Cardano (1501–1576): De Ludo Aleae (1663)153/370
![Page 205: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/205.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Thomas Bayes presbiteriánus lelkész
Thomas Bayes (1702–1761): angol matematikus és lelkész, a nevérolelnevezett tétel egy specifikus alakját alkotta meg.
Muve:An Essay towards solving a Problem inthe Doctrine of Chances – halála után,1763-ban jelent meg.
Neve után:Bayes-módszer – a valószínuségszámításkeretei között – megalapozottan – hozottkövetkeztetések alkalmazása döntésirendszereknél. A Bayes-alapúvalószínuségi döntések nagyon pontosak,a döntési algoritmusok nagyon sikeresek.
Bayes wiki
154/370
![Page 206: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/206.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Bayes modell II
Valószínuség: P : 2Ω −→ [0, 1] függvény, melyre
P(T) = 1 T teljes esemény;
P(F) = 0 F üres esemény;
P(A ∪ B) = P(A) + P(B)ha A és B egymást kizáró események.
P(A) – az A esemény bekövetkeztének a valószínuségeha semmi információ nem áll rendelkezésünkre másesemények bekövetkeztérol.
Tulajdonság: P(A) + P(A) = 1.155/370
![Page 207: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/207.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Bayes modell III
Teljes eseményrendszer azon A1, . . . , AN, N > 0halmazok, melyekre
A1 ∪A2 ∪ · · · ∪AN = Ω és Ai ∩Aj = ∅ ∀i 6= j
Tétel: minden A1, . . . , AN teljes eseményrendszeresetén
P(A1)+P(A2)+· · ·+P(AN) = P(A1∪A2∪· · ·∪AN) = P(Ω) = 1
Jelölés: A ∩ B def= AB és P(A ∩ B) def
= P(AB).
Feltételes valószínuség:B esemény hatása az A-ra: P(A|B)
156/370
![Page 208: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/208.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Bayes modell IV
Bayes szabály: feltételes valószínuség szabálya
azaz P(A|B) =P(AB)
P(B)ha P(B) 6= 0
Tipikus felírás:
P(A|B) =P(B|A)P(A)
P(B|A)P(A) + P(B|A)P(A)ha P(B) 6= 0
Általános Bayes-szabály
Egy A1, . . . , AN teljes eseményrendszer esetén
P(Ai|B) =P(B|Ai)P(Ai)∑j P(B|Aj)P(Aj)
ha P(B) 6= 0
157/370
![Page 209: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/209.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Bayes modell V
P(Ai|B) =P(B|Ai)P(Ai)∑j P(B|Aj)P(Aj)
ha P(B) 6= 0
A B eseménybol következtetünk az Ai esemény feltételesvalószínuségére.
Ismernünk kell az elsodleges valószínuségeket– a–priori valószínuségeket:
P(Aj);P(B|Aj) feltételes valószínuségeket.
158/370
![Page 210: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/210.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Bayes modell példa
Adott a következo szabály:Ha a beteg megfázott, akkor lázas. (75%)
Kérdés: Ha a beteg lázas, akkor megfázott. ??%Jelölés: M – a beteg megfázott
L – a beteg lázas
Szükségesek:P(M) = 0.2 – megfázottP(L|M) = 0.75 – lázas, feltéve, hogy megfázottP(L|M) = 0.2 – lázas, feltéve, hogy nem fázott meg
Ekkor:
P(M|L) =P(L|M)P(M)
P(L|M)P(M) + P(L|M)P(M)ha P(L) 6= 0
Azaz P(M|L) = 0.15/0.31 = 0.483159/370
![Page 211: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/211.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Bayes modell összefoglaló
Alkalmazható, ha minden információvalrendelkezünk.
Gyakorlatban az egymást kizáró eseményrendszerritka...
Elonyök:
Elméleti alap,
Jól definiált szemantika;
Hátrányok:
nagyon sok valószínuséget kell megadni,
valószínuséget megadása nehéz,
változ(tat)ások követése nehéz.160/370
![Page 212: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/212.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Bayes hálók I
Bayes–modell hátránya a nagy valószínuségi táblaspecifikálása,Bayes–háló (vélekedésháló, belief network)egyszerusíti ezt a feladatot,Eszköze az oksági kapcsolatok leírása.
Bayes–hálóEgy adott feladat változóinak oksági struktúráját leíróirányított körmentes gráf.
Csomópontok az állítások, élek a kapcsolatok.
Élekhez rendelünk feltételes valószínuségi táblákat:összegzik a szülo változó hatását.
161/370
![Page 213: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/213.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Bayes hálók II
M L
P(M)
0.2 M P(L|M)
0 0.20
1 0.75
Fordítva:
M L
P(L)
0.31L P(M|L)
0 0.07246
1 0.48387
Kiegészítheto:T - tüdogyulladásos a beteg
M T
L
P(M)
0.2P(T)
0.03
MT P(L|M,T)
0 0 0.10
0 1 0.60
1 0 0.75
1 1 1.00
162/370
![Page 214: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/214.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Bayes hálók II
M L
P(M)
0.2 M P(L|M)
0 0.20
1 0.75
Fordítva:
M L
P(L)
0.31L P(M|L)
0 0.07246
1 0.48387
Kiegészítheto:T - tüdogyulladásos a beteg
M T
L
P(M)
0.2P(T)
0.03
MT P(L|M,T)
0 0 0.10
0 1 0.60
1 0 0.75
1 1 1.00
162/370
![Page 215: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/215.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Bayes hálók II
M L
P(M)
0.2 M P(L|M)
0 0.20
1 0.75
Fordítva:
M L
P(L)
0.31L P(M|L)
0 0.07246
1 0.48387
Kiegészítheto:T - tüdogyulladásos a beteg
M T
L
P(M)
0.2P(T)
0.03
MT P(L|M,T)
0 0 0.10
0 1 0.60
1 0 0.75
1 1 1.00
162/370
![Page 216: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/216.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Bayes hálók III
Bayes–háló – egy adott terület teljes köru leírása.
„Algoritmus”:
1 A területet leíró változók meghatározása;
2 Írjuk fel a többi változótól független csomópontokat –tehát gyökérváltozók;
3 Amíg vannak csomópont nélküli változók:
1 Válasszunk egy olyant, mely csak a már leírtváltozóktól függ.
2 Képezzük azt a minimális halmazt, melyek mindközvetlenül hatnak az új csomópontra;
3 Rajzoljuk be az új éleket és töltsük ki a felt.val. táblát;
163/370
![Page 217: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/217.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Bayes hálók IV
Háló építésének az alapja
P(v1, v2, . . . , vN) = P(v1|v2, . . . , vN)P(v2, . . . , vN)
Az indirekt függoségek kiesnek.
A felt.val. törvénye érvényes bármely rendezésre:
P(vπ1 , vπ2 , . . . , vπN) = P(vπ1 |vπ2 , . . . , vπN)P(vπ2 , . . . , vπN)
ahol π egy permutáció.
Jó – könnyen értelmezheto – Bayes–hálónál fontos azépítés sorrendje.
164/370
![Page 218: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/218.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Bayes hálók Példa I
Russell & Norvig pp. 437
Betörés Földrengés
Riasztó
János hívás Mária hívás
P(B)
0.01
P(F)
0.02
BF P(R|B, F)
00 0.001
01 0.30
10 0.94
11 0.95
R P(J|R)
0 0.05
1 0.90
R P(M|R)
0 0.01
1 0.70
Sorrend a háló építésénél: B, F, R, M, J .
165/370
![Page 219: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/219.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Bayes hálók Példa II
János hívás
Mária hívás
Riasztó
Betörés
Földrengés
Sorrend: J, M, R, B, F .
János hívás
Mária hívás
Földrengés
Riasztó
Betörés
Sorrend: J, M, F, B, R .
166/370
![Page 220: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/220.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Bayes hálók Példa II
János hívás
Mária hívás
Riasztó
Betörés
Földrengés
Sorrend: J, M, R, B, F .
János hívás
Mária hívás
Földrengés
Riasztó
Betörés
Sorrend: J, M, F, B, R .
166/370
![Page 221: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/221.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Bayes hálók Felhasználások
Diagnosztizáló: hatásokból az okokra;
Oksági kapcsolatokat vizsgáló;
Kölcsönös kapcsolatokat vizsgáló;
Egyszeru muveletek, ha a háló egyszeresen összekötött.
Példa: Számoljuk ki a betörés (B) valószínuségét haJános hívott (J): P(B|J)illetve akkor, ha hallottuk, hogy földmozgás is volt (F):
P(B|J, F)Grafikus modelleknél visszatérünk
167/370
![Page 222: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/222.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Bayes hálók Felhasználások
Diagnosztizáló: hatásokból az okokra;
Oksági kapcsolatokat vizsgáló;
Kölcsönös kapcsolatokat vizsgáló;
Egyszeru muveletek, ha a háló egyszeresen összekötött.
Példa: Számoljuk ki a betörés (B) valószínuségét haJános hívott (J): P(B|J)illetve akkor, ha hallottuk, hogy földmozgás is volt (F):
P(B|J, F)Grafikus modelleknél visszatérünk
167/370
![Page 223: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/223.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Bayes hálók Felhasználások
Diagnosztizáló: hatásokból az okokra;
Oksági kapcsolatokat vizsgáló;
Kölcsönös kapcsolatokat vizsgáló;
Egyszeru muveletek, ha a háló egyszeresen összekötött.
Példa: Számoljuk ki a betörés (B) valószínuségét haJános hívott (J): P(B|J)illetve akkor, ha hallottuk, hogy földmozgás is volt (F):
P(B|J, F)Grafikus modelleknél visszatérünk
167/370
![Page 224: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/224.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Bayes hálók Felhasználások
Diagnosztizáló: hatásokból az okokra;
Oksági kapcsolatokat vizsgáló;
Kölcsönös kapcsolatokat vizsgáló;
Egyszeru muveletek, ha a háló egyszeresen összekötött.
Példa: Számoljuk ki a betörés (B) valószínuségét haJános hívott (J): P(B|J)illetve akkor, ha hallottuk, hogy földmozgás is volt (F):
P(B|J, F)Grafikus modelleknél visszatérünk
167/370
![Page 225: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/225.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Esettanulmány – PathFinder I
Russell & Norvig, pp. 457
PATHFINDER:
szakértoi rendszernyirokmirigy-gyulladásokdiagnosztizálására;Fejlesztoje D. Heckermann;Stanford Medical ComputerScience ’80-as években;> 60 betegségtípus és > 100szimptóma illetveteszt-eredmények.
http://research.microsoft.com/~heckerman
168/370
![Page 226: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/226.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Esettanulmány – PathFinder II
Verziók:
I – szabályalapú rendszer, bizonytalanság beépítésenélkül;
II – kísérletek különbözo modellekkel: Bayes háló alegjobb (10%).
III – Az „alig-valószínu” események.
IV – Valószínuségi háló – Belief Net – használata.
8 óra – szótár meghatározása;
35 óra – háló meghatározása;
40 óra – val.-ek becslése (1400 val.g).
PATHFINDER IV – „jobb”, mint az azt alkotó szakértok.169/370
![Page 227: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/227.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Grafikus modellek I
Grafikus modellek(probabilistic graphical models - PGM) Kevin Murphy
A gráfelmélet és a valószínuségszámítás ötvözése.
gráf, mely egy rendszer függoségeit ábrázolja;csúcsokhoz rendelt függvények, melyek a változókközötti kapcsolatot írják le;
„Minden grafikus modell” szemléletmód 5
Bayes–háló – irányított aciklikus gráfú PGM;Markov modell – irányítatlan PGM.
5„minden feladat szeg”, ha egy kalapácsot tartunk a kezünkben . . .170/370
![Page 228: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/228.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Grafikus modellek (GM) II
Irányított GM
X Y
Z
feltételes függetlenség;kauzális relációk;
X ⊥ Y
(láttuk)
Irányítatlan GM
W
X Y
Z
feltételes függetlenség;szimmetrikus;
X ⊥ Y | W,Z
W ⊥ Z | X, Y
171/370
![Page 229: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/229.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
GM feladattípusok I
Feladatok – adott GM struktúrára:események (felt.) val.-nek kiszámítása;állapítsuk meg két csúcs (feltételes) függetlenségét;adatok alapján építsünk optimális gráfot (indukció).
Inferencia P(X13|X7, X8, X9, X16)X1 X2 X3 X4
X5 X6 X7 X8 X9 X10
X11 X12 X13
X14 X15
X16
X17 X18
Optimálisstruktúrakeresése
172/370
![Page 230: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/230.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
GM feladattípusok I
Feladatok – adott GM struktúrára:események (felt.) val.-nek kiszámítása;állapítsuk meg két csúcs (feltételes) függetlenségét;adatok alapján építsünk optimális gráfot (indukció).
Inferencia P(X13|X7, X8, X9, X16)X1 X2 X3 X4
X5 X6 X7 X8 X9 X10
X11 X12 X13
X14 X15
X16
X17 X18
Optimálisstruktúrakeresése
Inference
D
172/370
![Page 231: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/231.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Irányított GM I
Bayes–labda algoritmus: feltételes függetlenség–teszt.
d-szeparáltság
Egy grafikus modellben X az Y-tól d-szeparált a Zismeretében, ha minden X-et és Y-t összeköto irányítatlanúton létezik w úgy, hogy:vagy → w← és a w vagy utódai nincsenek a Z-ben;vagy w nem→ w← és w ∈ Z.
X Y
Z
X ⊥ Y
X Y
Z
X 6⊥ Y173/370
![Page 232: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/232.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Irányított GM Példa
X1 X2 X3 X4
X5 X6 X7 X8 X9 X10
X11 X12 X13
X14 X15
Kérdések? X1 ⊥ X10 | X7, X8, X9 nem? X1 ⊥ X10 | ∅ igen? X1 ⊥ X15 | X5, X6, X13 igen
174/370
![Page 233: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/233.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Irányított GM Példa
X1 X2 X3 X4
X5 X6 X7 X8 X9 X10
X11 X12 X13
X14 X15
Kérdések? X1 ⊥ X10 | X7, X8, X9 nem? X1 ⊥ X10 | ∅ igen? X1 ⊥ X15 | X5, X6, X13 igen
174/370
![Page 234: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/234.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Irányított GM Példa
X1 X2 X3 X4
X5 X6 X7 X8 X9 X10
X11 X12 X13
X14 X15
Kérdések? X1 ⊥ X10 | X7, X8, X9 nem? X1 ⊥ X10 | ∅ igen? X1 ⊥ X15 | X5, X6, X13 igen
174/370
![Page 235: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/235.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Irányított GM Példa
X1 X2 X3 X4
X5 X6 X7 X8 X9 X10
X11 X12 X13
X14 X15
Kérdések? X1 ⊥ X10 | X7, X8, X9 nem? X1 ⊥ X10 | ∅ igen? X1 ⊥ X15 | X5, X6, X13 igen
174/370
![Page 236: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/236.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Irányítatlan GM I
Különbség: a gráf éleinek nincs iránya;szimmetrikus kapcsolat–modellezés.
X1 X2 X3
X5 X6 X7 X8
X11 X12 X13
Függetlenség: gráfon.Pl:
X1, X2 ⊥ X11, X12, X13|X5, X6
?Paraméterezés:
felt. val.-gek: nem jók;? – Nem konszisztens∏
P(Xi|Szomszedi)
Helyette∏Φ(Xi,Szomszedi)
klikkek jellemzése.
175/370
![Page 237: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/237.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Irányítatlan GM I
Különbség: a gráf éleinek nincs iránya;szimmetrikus kapcsolat–modellezés.
X1 X2 X3
X5 X6 X7 X8
X11 X12 X13
Függetlenség: gráfon.Pl:
X1, X2 ⊥ X11, X12, X13|X5, X6
?Paraméterezés:
felt. val.-gek: nem jók;? – Nem konszisztens∏
P(Xi|Szomszedi)
Helyette∏Φ(Xi,Szomszedi)
klikkek jellemzése.
175/370
![Page 238: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/238.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Irányítatlan GM I
Különbség: a gráf éleinek nincs iránya;szimmetrikus kapcsolat–modellezés.
X1 X2 X3
X5 X6 X7 X8
X11 X12 X13
Függetlenség: gráfon.Pl:
X1, X2 ⊥ X11, X12, X13|X5, X6
?Paraméterezés:
felt. val.-gek: nem jók;? – Nem konszisztens∏
P(Xi|Szomszedi)
Helyette∏Φ(Xi,Szomszedi)
klikkek jellemzése.
175/370
![Page 239: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/239.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Irányítatlan GM I
Különbség: a gráf éleinek nincs iránya;szimmetrikus kapcsolat–modellezés.
X1 X2 X3
X5 X6 X7 X8
X11 X12 X13
Függetlenség: gráfon.Pl:
X1, X2 ⊥ X11, X12, X13|X5, X6
?Paraméterezés:
felt. val.-gek: nem jók;? – Nem konszisztens∏
P(Xi|Szomszedi)
Helyette∏Φ(Xi,Szomszedi)
klikkek jellemzése.
175/370
![Page 240: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/240.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Irányítatlan GM II
Klikkek: teljesen összekötött csúcsok.
P(XXX) =1
Z
∏c∈Klikkek
φc(xxxc) Z =∑XXX
∏c∈Klikkek
φc(xxxc)
ahol
φc(xxxc) ≥ 0 potenciál-függvényZ partíciós függvény
Gibbs–eloszlásEgy eloszlás, mely ábrázolható egy H gráffal és φccpotenciálfüggvényekkel, H fölötti Gibbs–eloszlásnaknevezünk.
176/370
![Page 241: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/241.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Irányítatlan GM III
X Y Z
A gráf alapján X ⊥ Z|Y
P(X, Y, Z) = P(X|Y)P(Y, Z) = φxy(X, Y)φyz(Y, Z)
P(X, Y, Z) = P(Z|Y)P(X, Y) = φyz(Y, Z)φxy(X, Y)
φc – potenciálfüggvények
„kompatibilitást”, „összeférhetoséget” jelölnek;nem eloszlásfüggvények.
177/370
![Page 242: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/242.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Irányítatlan GM IV
Exponenciális eloszláscsalád:
P(XXX) =1
Z
∏c∈Klikkek
φc(xxxc)
= exp
[− logZ(θθθ) +
∑i∈Ifi(xxxci)
]ahol
fidef= logφci I – index-halmaz
Példa: Gaussz-eloszlás (teljes kapcsolat)
P(XXX) = exp
[−d log(2π) + log |Σ|+XXXTΣ−1XXX
2
]178/370
![Page 243: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/243.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Irányítatlan GM Feladat
X, Y, Z,W ∈0, 1
Ismerjük:[φxw, φyw, φxz, φyz
]
Számítsuk ki:p(Y = 1|W = 1)
W
X Y
Z
φxw(X,W) φyw(Y,W)
φxz(X, Z) φxz(X, Z)
Milyen esetekben jók/nem jók a GM-ek?179/370
![Page 244: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/244.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Nagy Bayes-modellek? I
Learning Hierarchical Bayesian Networks: AutomaticConstruction of Large-Scale Bayesian Network
http://bi.snu.ac.kr/NRL/HBN/hbn.htm
180/370
![Page 245: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/245.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Nagy Bayes-modellek? I
Learning Hierarchical Bayesian Networks: AutomaticConstruction of Large-Scale Bayesian Network
http://bi.snu.ac.kr/NRL/HBN/hbn.htm
180/370
![Page 246: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/246.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Nagy Bayes-modell II
Számítsuk ki – becsüljük meg – a modell teljesspecifikációjához szükséges elemi és feltételesvalószínuségeknek a számát. Feltételezzük, hogy azösszes változó bináris.
181/370
![Page 247: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/247.jpg)
MesterségesIntelligencia
6Csató Lehel
NumerikusmodellekBayes modell
Bayes hálók
Esettanulmány
Grafikus modellekGM feladatok
IrányítatlanGM-ek
Nagy Bayes-modell II
Számítsuk ki – becsüljük meg – a modell teljesspecifikációjához szükséges elemi és feltételesvalószínuségeknek a számát. Feltételezzük, hogy azösszes változó bináris.
181/370
![Page 248: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/248.jpg)
MesterségesIntelligencia
7Csató Lehel
D-S modellD-S definíció
Példa
D-S logika
Az Eloadások Témái
Bevezeto: mi a mesterséges intelligencia 1
„Tudás”–reprezentáció 2
Gráfkeresési stratégiák 3
Szemantikus hálók / Keretrendszerek 4
Játékok modellezése 5
Bizonytalanság kezelése 6
Grafikus modellek és a D.S. modell 7
Fuzzy rendszerek 8
Tanuló rendszerek 9
Szimulált kifutés, Genetikus algoritmusok 10
Neurális hálók, a perceptron modell 11
Többrétegu hálók, Önszervezodés 12 , 13
Gépi tanulás 14
182/370
![Page 249: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/249.jpg)
MesterségesIntelligencia
7Csató Lehel
D-S modellD-S definíció
Példa
D-S logika
Admin ... ... trívia
Vizsga
Szóbeli (60%) + Gyakorlat (40%)
Laborgyakorlatok:1 Gráfok ábrázolása - dedukciós algoritmus 18%2 Játékelmélet 10%3 Matlab - tanulási algoritmus 12%4 Opcionális feladatok - max. 3/személy sok%
Bemutatók (5–20 pont)Alkalmazások bemutatása, melyek adaptív, gépitanulásos vagy mestint módszereket alkalmaznak.
183/370
![Page 250: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/250.jpg)
MesterségesIntelligencia
7Csató Lehel
D-S modellD-S definíció
Példa
D-S logika
Trollok ellen Mestint-tel
Algoritmusok a trollok ellen (2015.04.17)Cornell–Google együttmuködés
Leírás: a rosszindulatú komment-elok nagyon zavaróak aweb-oldalak muködtetoi számára (troll-oknak nevezi aszakzsargon).
184/370
![Page 251: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/251.jpg)
MesterségesIntelligencia
7Csató Lehel
D-S modellD-S definíció
Példa
D-S logika
Trollok ellen Mestint-tel
Algoritmusok a trollok ellen (2015.04.17)Cornell–Google együttmuködés
Leírás: a rosszindulatú komment-elok nagyon zavaróak aweb-oldalak muködtetoi számára (troll-oknak nevezi aszakzsargon).
Cél: a „troll”–módra viselkedo „ágensek” automatikusazonosítása és törlése.
A CNN, az IGN játékoldal, és a Breitbart politikai oldalhozzászólói életútját vizsgálták.
Rendelkezésre állt a kitiltott egyéneknek is a viselkedési mintája,10.000 más, normális kommentelovel összehasonlítva.
Megoldás: automatizált kitiltó rendszer, mely hasonlóságokonalapul.
The Stack magazine (2015.04.13)184/370
![Page 252: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/252.jpg)
MesterségesIntelligencia
7Csató Lehel
D-S modellD-S definíció
Példa
D-S logika
Dempster–Shafer modell Bevezeto I
Motiváció: szeretnénk döntéseket hozni akkor is, ha azesemények valószínuségeit nem ismerjük.
Például: Pacino-t meggyilkoltatta a maffia. A rendorség akövetkezo tényeket gyujtötte össze:
három bérgyilkos van: Tom, John, illetve Angie;a gyilkos kiválasztása a következo volt: ha egy dobásfej, akkor Tom, ellenkezo esetben John vagy Angie;DNS-vizsgálatok eredménye 80%-ban férfitvalószínusít.
Kérdés: Mekkora az egyes személyek bunösségének avalószínusége?
185/370
![Page 253: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/253.jpg)
MesterségesIntelligencia
7Csató Lehel
D-S modellD-S definíció
Példa
D-S logika
Dempster–Shafer modell Bevezeto II
Nincs megfelelo valószínuségi modell, mely egyesítenitudná a két állítást.
Bizonytalanság: A tények ismeretében nem tudunkszemélyt azonosítani.
Ábrázolás: a két tényhalmazt ábrázoljuk mértékekkel (e1és e2 arányban megbízható információ) :
Elso: e1 – m(T) = e1 · 50% és m(J, A) = e1 · 50%Második: e2 – m(T, J) = e2 · 80% és m(A) = e2 · 20%
Ismerethiány: nem tudunk valószínuségi modellt építeni,melyben ábrázolhatjuk mindkét forrást.
186/370
![Page 254: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/254.jpg)
MesterségesIntelligencia
7Csató Lehel
D-S modellD-S definíció
Példa
D-S logika
Dempster–Shafer modell Bevezeto III
Dempster-Shafer modellEgy módja a többféle információ–forrás összetételének.
Amennyiben e1 + e2 = 1m(T) +m(J, A) +m(T, J) +m(A) = 1
Ha e1 = e2 = 50%, tudjuk a halmazok valószínuségét.
Nem tudjuk a személyek valószínuségeit.
Szeretnénk a fenti információkkal muveleteket végezni.
187/370
![Page 255: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/255.jpg)
MesterségesIntelligencia
7Csató Lehel
D-S modellD-S definíció
Példa
D-S logika
Dempster–Shafer modell I
Cél: megkülönböztetnia bizonytalanságot (uncertainty)az ismerethiánytól (ignorance).
Egy atomi B esemény valószínuségét nem ismerjük;
A valószínuség-tábla:m(T) m(J, A) m(T, J) m(A)25% 25% 40% 10%
Például: a fentiek alapján tudjuk, hogyp(T) ≥ 25%, ugyanakkor p(T) ≤ 65%.
188/370
![Page 256: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/256.jpg)
MesterségesIntelligencia
7Csató Lehel
D-S modellD-S definíció
Példa
D-S logika
Dempster–Shafer modell II
Nyilvántartjuk azt, hogymennyire támogatunk egy állítást Bel(F); (belief)mennyire „esélyes” az állítás Pl(F); (plausibility)
Példa: egy érme szabályossága a vizsgálat elott:
Bel(F) = 0 illetve Bel(F) = 0
de ha 90%-ban megállapítottuk, hogy szabályos, akkor
Bel(F) = 0.5 · 0.9 illetve Bel(F) = 0.5 · 0.9
A „fennmaradó” 10% a bizonytalanságot tükrözi.
189/370
![Page 257: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/257.jpg)
MesterségesIntelligencia
7Csató Lehel
D-S modellD-S definíció
Példa
D-S logika
Dempster–Shafer modell III
Példa folyt.: intervallum-logikavizsgálat elott: p(F) ∈ [0, 1];vizsgálat után: p(F) ∈ [0.45, 0.55];
Dempster-Shafer modell: intervallumok kombinálása.
Bayes analógia: alsó- illetve felso korlátai egy eseményvalószínuségének.
Segédfüggvények bevezetése:Bel(Ai) – alsó korlát; BeliefPl(Ai) – felso korlát; Plausibility
190/370
![Page 258: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/258.jpg)
MesterségesIntelligencia
7Csató Lehel
D-S modellD-S definíció
Példa
D-S logika
Dempster–Shafer modell IV
„Belief”Bel (A1 ∪A2) ≥2∑i=1
Bel(Ai) − Bel(A1 ∩A2)
„Plausibility”Pl (A1 ∩A2) ≤2∑i=1
Pl(Ai) − Pl(A1 ∪A2)
A Bel és Pl függvények jellemzése:Egy m : 2Ω → [0, 1] függvény segítségével, melyre
m(∅) = 0 ,∑A∈Ω
m(A) = 1
Bel(A) =∑B⊂A
m(B) , Pl(A) =∑B∩A 6=∅
m(B)
191/370
![Page 259: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/259.jpg)
MesterségesIntelligencia
7Csató Lehel
D-S modellD-S definíció
Példa
D-S logika
Dempster–Shafer modell Tulajdonságok
Bel(A) =∑B⊂A
m(B) , Pl(A) =∑B∩A 6=∅
m(B)
bármely A halmazra Bel(A) ≤ Pl(A)B ⊂ A ⇒ B ∩A 6= ∅
bármely A halmazra Bel(A) = 1− Pl(A)B ⊂ A ⇔ B ∩A 6= ∅B ⊂ A ⇔ B ∩A = ∅
a Bel függvény szubadditív:Bel(A ∪ B) ≤ Bel(A) + Bel(B)
C ⊂ A∧ C ⊂ B ⇒ C ⊂ A ∪ B
a Pl függvény szuperadditív:Pl(A ∪ B) ≥ Pl(A) + Pl(B)
192/370
![Page 260: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/260.jpg)
MesterségesIntelligencia
7Csató Lehel
D-S modellD-S definíció
Példa
D-S logika
Dempster–Shafer Példa
Jellemezzük az érménket megfigyelés elott:
legyen m(F, I) = 1 és minden másra m(B) = 0;ekkor Bel(F) = m(F) = 0 ésPl(F) = m(F) +m(F, I) = 1.
Megfigyelések után:m(F) = m(I) = 0.45 és m(F, I) = 0.1;
– az összeg 1;ezért:
1 Bel(F) = m(F) = 0.45, illetve2 Pl(F) = m(F) +m(F, I) = 0.55;
azonosítani tudjuk a „határozatlan” részt:m(F, I) = 0.1
193/370
![Page 261: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/261.jpg)
MesterségesIntelligencia
7Csató Lehel
D-S modellD-S definíció
Példa
D-S logika
Dempster–Shafer modell Logikai muveletek
Logikai muveletek definíciója:logikai és:
Bel(A1 ∧A2) =∑
B⊂(A1∩A2)
m(B);
Pl(A1 ∧A2) =∑
B∩(A1∩A2) 6=∅
m(B);
logikai vagy:Bel(A1 ∨A2) =
∑B⊂(A1∪A2)
m(B);
Pl(A1 ∨A2) =∑
B∩(A1∪A2) 6=∅
m(B);
Általánosított entrópia:
AU(Bel) = maxpx
(−∑x∈Ω
px logpx
), Bel(A) ≤
∑x∈A
px
194/370
![Page 262: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/262.jpg)
MesterségesIntelligencia
7Csató Lehel
D-S modellD-S definíció
Példa
D-S logika
Dempster–Shafer modell Kondicionálás
Feltételes Bel és Pl függvények
Amennyiben megfigyelünk egy eseményt, ahalmazokhoz rendelt súly változik:
Ha C igaz, akkor csak a C-t tartalmazó halmazokmaradnak, melyekbol a C-t töröljük, mint véletleneseményt:
1 a súlyokat újraszámoljuk;2 normalizáljuk a rendszert.
Egy más „univerzum” keletkezik.
A C nem teljesül, akkor csak C-t nem tartalmazóhalmazokat használjuk.
195/370
![Page 263: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/263.jpg)
MesterségesIntelligencia
7Csató Lehel
D-S modellD-S definíció
Példa
D-S logika
Dempster–Shafer modell alkalmazása
Használják: . . .
www.c3.lanl.gov/~joslyn/
196/370
![Page 264: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/264.jpg)
MesterségesIntelligencia
7Csató Lehel
D-S modellD-S definíció
Példa
D-S logika
Dempster–Shafer modell Összefoglaló
Konzisztens keretrendszer, mellyel lehetszámításokat végezni;
A Bel(·) és Pl(·) függvények definíciója „természetes”;
Könnyu bizonytalanságot rendelni az eseményekhez– ignorancia;
Megfigyelt események kezelése – kondicionálás–nagyon nehéz, újra kell számolni a függvényekértelmezési tartományát.
197/370
![Page 265: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/265.jpg)
MesterségesIntelligencia
8Csató Lehel
Fuzzy rendszerekTört. visszatekintés
Fuzzy halmazok
Fuzzy logika
Fuzzy szabályok
Matlab feladat
Az Eloadások Témái
Bevezeto: mi a mesterséges intelligencia 1
„Tudás”–reprezentáció 2
Gráfkeresési stratégiák 3
Szemantikus hálók / Keretrendszerek 4
Játékok modellezése 5
Bizonytalanság kezelése 6
Grafikus modellek és a D.S. modell 7
Fuzzy rendszerek 8
Tanuló rendszerek 9
Szimulált kifutés, Genetikus algoritmusok 10
Neurális hálók, a perceptron modell 11
Többrétegu hálók, Önszervezodés 12 , 13
Gépi tanulás 14
198/370
![Page 266: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/266.jpg)
MesterségesIntelligencia
8Csató Lehel
Fuzzy rendszerekTört. visszatekintés
Fuzzy halmazok
Fuzzy logika
Fuzzy szabályok
Matlab feladat
Admin ... ... trívia
Vizsga
Szóbeli (60%) + Gyakorlat (40%)
Laborgyakorlatok:1 Gráfok ábrázolása - dedukciós algoritmus 18%2 Játékelmélet 10%3 Matlab - tanulási algoritmus 12%4 Opcionális feladatok - max. 3/személy sok%
Bemutatók (5–20 pont)Alkalmazások bemutatása, melyek adaptív, gépitanulásos vagy mestint módszereket alkalmaznak.
199/370
![Page 267: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/267.jpg)
MesterségesIntelligencia
8Csató Lehel
Fuzzy rendszerekTört. visszatekintés
Fuzzy halmazok
Fuzzy logika
Fuzzy szabályok
Matlab feladat
Jobb gépi fordítás METIS II
A gépi fordítás – annak ellenére, hogy régóta vizsgálttudományág – nem versenyezhet a tolmácsokkal.Még akkor sem, ha az egyértelmu szókészlettelrendelkezo, kifejezetten formális szövegeket produkálóterületeken – például a repülogép-gyártásban –figyelemreméltó eredményeket érnek el.Korpusz
Nagy-mennyiségu strukturált, elektronikusan tárolt szövegbázis;Egy adott nyelvet reprezentál, akár több tízmillió szóból is állhat;Általában alterületen használják: statisztikai elemzésekre, illetvenyelvi törvények érvényességének vizsgálatára.A gyujtemény lehet egyetlen (monolingual) vagy két (több) nyelvu(multilingual). A rendszer így tanulja meg, hogy egy nyelv szavaiés kifejezései miként kapcsolódnak egy másik nyelvkifejezéseihez és szavaihoz.
A METISII a korábbi szabályalapú – évtizedes fejlesztés utáni –piacvezeto rendszerrel is felveszi a versenyt.www.agent.ai ICT project
200/370
![Page 268: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/268.jpg)
MesterségesIntelligencia
8Csató Lehel
Fuzzy rendszerekTört. visszatekintés
Fuzzy halmazok
Fuzzy logika
Fuzzy szabályok
Matlab feladat
Fuzzy rendszerek Bevezeto
Döntések bizonytalan helyzetekben – a D.S. rendszerhezhasonlóan akkor, amikor a valószínuség szabályai nemalkalmazhatóak.Tipikusan:
„Tények” gyorsan hajtott, magas ember, kb. 180 cm,olajos ruha, . . .
„Szabályok” ha gyorsan hajt és lassan lélegzik akkorlassítson az elektronika . . .
Szükség van egy keretrendszerre, mely a fentieketképes programozni:
1 Szabályokat tudunk megadni;2 Információt – adatokat – tudunk bevinni;3 Következtetéseket tudunk levonni⇒ döntéshozatal;
201/370
![Page 269: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/269.jpg)
MesterségesIntelligencia
8Csató Lehel
Fuzzy rendszerekTört. visszatekintés
Fuzzy halmazok
Fuzzy logika
Fuzzy szabályok
Matlab feladat
Fuzzy rendszerek Bevezeto II
Egy fuzzy rendszer építésének logikai sémája:
FuzzySzabályok
Fuzzy motor,következtetésekFu
zzyfi
kálá
s
Def
uzzy
fikál
ás
XIn ZOut
Fejleszto
Megrendelo
202/370
![Page 270: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/270.jpg)
MesterségesIntelligencia
8Csató Lehel
Fuzzy rendszerekTört. visszatekintés
Fuzzy halmazok
Fuzzy logika
Fuzzy szabályok
Matlab feladat
Fuzzy rendszerek Bevezeto II
Egy fuzzy rendszer építésének logikai sémája:
FuzzySzabályok
Fuzzy motor,következtetésekFu
zzyfi
kálá
s
Def
uzzy
fikál
ás
XIn ZOut
Fejleszto
Megrendelo
A megrendelo közli a fejlesztovel aváltozókatszabályokat
a fejleszto a szabályokat „átírja” a fuzzy logika szerint;a szabályok köré építi a „következtetot”, ami arendszert eredményezi.
202/370
![Page 271: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/271.jpg)
MesterségesIntelligencia
8Csató Lehel
Fuzzy rendszerekTört. visszatekintés
Fuzzy halmazok
Fuzzy logika
Fuzzy szabályok
Matlab feladat
Fuzzy rendszerek Bevezeto III
Egy fuzzy rendszer muködéséhez
Szükségünk van:Keretrendszerre, mely a szabályokat értelmezni tudja;„Fuzzyfikáló” modulra, mely a megfigyeléseketátalakítja a fuzzy logika nyelvére;Következteto modulra;„De-fuzzyfikáló” modulra.
EszközFuzzy halmazelmélet;Fuzzy logika.
203/370
![Page 272: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/272.jpg)
MesterségesIntelligencia
8Csató Lehel
Fuzzy rendszerekTört. visszatekintés
Fuzzy halmazok
Fuzzy logika
Fuzzy szabályok
Matlab feladat
Történelmi visszatekinto
Fuzzy: homályos, zavaros, bizonytalan, kócos
’65 – Zadeh: „Fuzzy Sets”;’70 – Fuzzy elmélet robotikai
alkalmazása;’75 – Japán . . .
’80–’95 – Empirikus vizsgálatok és szélesköru alkalmazások;
’00–’05 – Technológiai standard,Lotfi A. Zadeh
Felhasználás:Ha magas a homérséklet, akkor a nyomás is magas;
204/370
![Page 273: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/273.jpg)
MesterségesIntelligencia
8Csató Lehel
Fuzzy rendszerekTört. visszatekintés
Fuzzy halmazok
Fuzzy logika
Fuzzy szabályok
Matlab feladat
Történelmi visszatekinto
Fuzzy: homályos, zavaros, bizonytalan, kócos
’65 – Zadeh: „Fuzzy Sets”;’70 – Fuzzy elmélet robotikai
alkalmazása;’75 – Japán . . .
’80–’95 – Empirikus vizsgálatok és szélesköru alkalmazások;
’00–’05 – Technológiai standard,Lotfi A. Zadeh
Felhasználás:Ha magas a homérséklet, akkor a nyomás is magas;
204/370
![Page 274: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/274.jpg)
MesterségesIntelligencia
8Csató Lehel
Fuzzy rendszerekTört. visszatekintés
Fuzzy halmazok
Fuzzy logika
Fuzzy szabályok
Matlab feladat
Fuzzy halmazok I
Fuzzy halmazelméletEszköz annak a leírására, hogy egy objektum milyenmértékben illeszkedik egy bizonytalan tényhez;Alkalmas bizonytalan kijelentések formalizálására.Nem valószínuségi modell.Döntések hozatala „igazság-értékek” alapján.Fuzzy halmazok: nem „teljes” hozzátartozásspecifikálása.
205/370
![Page 275: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/275.jpg)
MesterségesIntelligencia
8Csató Lehel
Fuzzy rendszerekTört. visszatekintés
Fuzzy halmazok
Fuzzy logika
Fuzzy szabályok
Matlab feladat
Fuzzy halmazok II
Klasszikus logikaEgy kijelentés igaz: – 1;
vagy hamis – 0.
Egy A halmazra:
IA(x) =
1 ha x ∈ A0 ha x /∈ A
Fuzzy logikaEgy kijelentés
igazságértéke µ(p) ∈ [0, 1]
µA(x) ∈ [0, 1] ∀x ∈ Ω
Egy halmaz= µA
Például: M – magas homérséklet
50 60 70 80 T - homérséklet
µ µM(t)
206/370
![Page 276: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/276.jpg)
MesterségesIntelligencia
8Csató Lehel
Fuzzy rendszerekTört. visszatekintés
Fuzzy halmazok
Fuzzy logika
Fuzzy szabályok
Matlab feladat
Fuzzy halmazok III
A definíciós intervallumot általában felosztjuk több fuzzyhalmazra:
30 40 50 60 70 80 90 100 110
1
T
Alacsony Közepes Magas
Egy fuzzy halmaz tehát függvény, µK : Ω→ [0, 1]:
µK(x) =
1 ha x ∈ [50, 70](x− 40)/10 ha x ∈ [40, 50](90− x)/20 ha x ∈ [70, 90]0 ha x ≤ 40 vagy x ≥ 90
207/370
![Page 277: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/277.jpg)
MesterségesIntelligencia
8Csató Lehel
Fuzzy rendszerekTört. visszatekintés
Fuzzy halmazok
Fuzzy logika
Fuzzy szabályok
Matlab feladat
Fuzzy logika 0
A logikai muveletek halmaz–muveletekre vezethetokvissza:
a logikai vagy az egyesítés:A∨ B def
= A ∪ Ba logikai és a metszet:
A∧ B def= A ∩ B
a logikai negáció a komplementer:A def
= Ω \A
A fuzzy logikai muveletek fuzzy halmazok egyesítése,metszete, illetve komplementere.
A három logikai muvelet redundáns:
A∨ B = A∧ B ⇒ A∨ B = A∧ B
Csak a konjunkciót és a negációt kell specifikálnunk.
208/370
![Page 278: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/278.jpg)
MesterségesIntelligencia
8Csató Lehel
Fuzzy rendszerekTört. visszatekintés
Fuzzy halmazok
Fuzzy logika
Fuzzy szabályok
Matlab feladat
Fuzzy logika I
A fuzzy rendszerekben a konjunkciót és a negációtspecifikáljuk.
A konjunkció egy T-norma:T : [0, 1]× [0, 1]→ [0, 1]
A T(1, 1) = 1 kivételével minden sarokpontban azértéke 0 kell, hogy legyen (hogy kapjuk vissza aklasszikus logikát).A negáció egy-argumentumú függvény:C : [0, 1]→ [0, 1]A sarokfeltételek: C(0) = 1, illetve C(1) = 0.
A diszjunkciót a De-Morgan reláció alapján számoljukki (S-konormának nevezzük):
S : [0, 1]× [0, 1]→ [0, 1]
S(a, b) = C ( T (C(a), C(b)) )
209/370
![Page 279: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/279.jpg)
MesterségesIntelligencia
8Csató Lehel
Fuzzy rendszerekTört. visszatekintés
Fuzzy halmazok
Fuzzy logika
Fuzzy szabályok
Matlab feladat
Fuzzy logika II
Példa:
A konjunkciónak megfelelo T-norma:T(a, b) = min(a, b)
T(0, 0) = T(0, 1) = T(1, 0) = 0, illetve T(1, 1) = 1.A negáció legyen:
C(x) = 1− xC(1) = 0, illetve C(0) = 1.A diszjunkció meghatározása:
S(a, b) = 1− T(1− a, 1− b)
S(a, b) = 1 − T(1 − a, 1 − b) = 1 − min(1 − a, 1 − b)
= 1 + max(−1 + a,−1 + b) = max(1 − 1 + a, 1 − 1 + b)
= max(a, b)
210/370
![Page 280: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/280.jpg)
MesterségesIntelligencia
8Csató Lehel
Fuzzy rendszerekTört. visszatekintés
Fuzzy halmazok
Fuzzy logika
Fuzzy szabályok
Matlab feladat
Fuzzy logika III
Logikai szabályok:
µA∧B(x) = min [µA(x), µB(x)]
µA∨B(x) = max [µA(x), µB(x)]
µA(x) = 1− µA(x)
211/370
![Page 281: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/281.jpg)
MesterségesIntelligencia
8Csató Lehel
Fuzzy rendszerekTört. visszatekintés
Fuzzy halmazok
Fuzzy logika
Fuzzy szabályok
Matlab feladat
Fuzzy logika IV
Logikai szabályok: a, b ∈ 0, 1
ÉS = 1 csak ha a = 1 és b = 1VAGY = 0 csak ha a = 0 és b = 0
Alternatív formák:
µA∧B(x) = µA(x) · µB(x) , µA(x) = 1− µA(x)
µA∨B(x) = µA(x) + µB(x) − µA(x) · µB(x)
212/370
![Page 282: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/282.jpg)
MesterségesIntelligencia
8Csató Lehel
Fuzzy rendszerekTört. visszatekintés
Fuzzy halmazok
Fuzzy logika
Fuzzy szabályok
Matlab feladat
Fuzzy logika - ! -
Fuzzy logika inkonzisztens
x vagy A-nak vagy A-nak eleme, azaz µA∩A = 1.
µA∨A(x) =
1 klasszikusanmax [µA(x), 1− µA(x)] fuzzy logika 1 def.1− µA(x) [1− µA(x)] fuzzy logika 2 def.
Ugyanígy: szeretnénk, hogy µA∧A = 0. Helyette:
µA∧A(x) =
0 klasszikusanmin [µA(x), 1− µA(x)] fuzzy logika 1 def.µA(x) [1− µA(x)] fuzzy logika 2 def.
vizsga feladattípus: határozzuk meg a „modus ponens” szabály fuzzy változatát.213/370
![Page 283: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/283.jpg)
MesterségesIntelligencia
8Csató Lehel
Fuzzy rendszerekTört. visszatekintés
Fuzzy halmazok
Fuzzy logika
Fuzzy szabályok
Matlab feladat
Fuzzy logika Feladat I
A negációt szeretnénk úgy meghatározni, hogylegyen folytonos, bijektív;teljesüljön a negált negáltja önmaga, azaz
C(C(x)) = x
legyen C(0) = 1 és C(1) = 0
A C(x) bijektív, alkalmazva a z = C(x) ⇔ x = C−1(x):
C(z) = C−1(z)
azaz a C(·) függvény a foátló szerint szimmetrikus.
A C(x) = 1 − x egy megoldás.
Egy megoldás-család – pozitív q értékekre – a
Cq(x) =q√1 − xq
214/370
![Page 284: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/284.jpg)
MesterségesIntelligencia
8Csató Lehel
Fuzzy rendszerekTört. visszatekintés
Fuzzy halmazok
Fuzzy logika
Fuzzy szabályok
Matlab feladat
Fuzzy logika Feladat II
A Cq(x) = q√1− xq grafikus képei a q = 1/3, 1/2, 1, 2, 3
értékekre:
x
C(x)
.2 .4 .6 .8
.2
.4
.6
.8
215/370
![Page 285: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/285.jpg)
MesterségesIntelligencia
8Csató Lehel
Fuzzy rendszerekTört. visszatekintés
Fuzzy halmazok
Fuzzy logika
Fuzzy szabályok
Matlab feladat
Fuzzy szabályok 0
Értheto formában írják le egy rendszer muködését:
Könnyu megfogalmazni;
Könnyen ellenorizheto;
Módosításokhoz nem kell az egész rendszert átírni.
Használják a fuzzy logika következtetésimechanizmusait;
Logikai szabályok alapján;
Fuzzy változók értékeit számolják;
De-fuzzyfikálás után az eredmény jó kontroll-változó.
216/370
![Page 286: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/286.jpg)
MesterségesIntelligencia
8Csató Lehel
Fuzzy rendszerekTört. visszatekintés
Fuzzy halmazok
Fuzzy logika
Fuzzy szabályok
Matlab feladat
Fuzzy szabályok I
Példa:Ha magas a homérséklet, akkor a nyomás is magas;
Fuzzy szabályok:HA
[X alacsony ÉS Y magas
]AKKOR Z közepes
Definiáljuk az alacsony, magas és közepes halmazokat:
50 60 70 T - homérséklet
µ µalacsony µkozepes µmagas
217/370
![Page 287: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/287.jpg)
MesterségesIntelligencia
8Csató Lehel
Fuzzy rendszerekTört. visszatekintés
Fuzzy halmazok
Fuzzy logika
Fuzzy szabályok
Matlab feladat
Fuzzy szabályok II
Fuzzy szabályok:X Y
Alacsony Közepes MagasAlacsony – Közepes AlacsonyKözepes – Magas KözepesMagas Közepes Magas Alacsony
– nem megengedett állapot
Szabályok alkalmazása:Megfigyelt értékek: x = 50, y = 78.75
Fuzzyfikálás – fuzzy halmazokra való áttérés: X szerintcsak az Alacsony csoportot kell vizsgálni.Y szerint a Közepes és Magas csoportokat.
218/370
![Page 288: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/288.jpg)
MesterségesIntelligencia
8Csató Lehel
Fuzzy rendszerekTört. visszatekintés
Fuzzy halmazok
Fuzzy logika
Fuzzy szabályok
Matlab feladat
Fuzzy szabályok III
µal(x) = 1 illetveµmag(y) = 0.75;
µkoz(y) = 0.25;
Kombinálás: VAGY= max
50 60 70 T - homérséklet
µ
µz
Kontroll eseténEgy érték kiírása: súlyozott közép Z = 53.
219/370
![Page 289: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/289.jpg)
MesterségesIntelligencia
8Csató Lehel
Fuzzy rendszerekTört. visszatekintés
Fuzzy halmazok
Fuzzy logika
Fuzzy szabályok
Matlab feladat
Fuzzy rendszer – I – Alkalmazás
Mitsubishi légkondicionáló rendszer Iparilégkondicionáló mely rugalmasan reagál a környezetiváltozásokra.
Megvalósítás:
50 fuzzy szabály
6 nyelvi változó, közöttük a szoba és a falhomérséklete, illetve ezek idobeli változásai;
4 nap – prototípus; 20 nap – teszt/integrálás; 80 nap –tesztelés;⇒ mikrokontroller implementálás.
Elonyök: kevesebb szenzor, változó környezet,24%-kal kisebb fogyasztás;
220/370
![Page 290: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/290.jpg)
MesterségesIntelligencia
8Csató Lehel
Fuzzy rendszerekTört. visszatekintés
Fuzzy halmazok
Fuzzy logika
Fuzzy szabályok
Matlab feladat
Fuzzy rendszer – II – Alkalmazás
Alkalmazások:
Eromuvek kontrollja (Tokio);
Egyszerusített robot-kontroll (Fuji, Toshiba, Omron);
Fényképezogép automata irányítása (Omron);
Motor-fogyasztás, irányítás (Nissan,Subaru);
Gyártósorok szilícium-lapkáinak vágása (Canon);
Rák diagnózis (Kawasaki Med. School);
Jogi eljárások szimulációja (Meihi Gakuin Univ,Nagoya Univ.)
. . . Matsushita, Sony, Canon, Minolta, Sanyo, Hitachi,Ricoh, Fujitech, Toshiba, . . . .
http://www.esru.strath.ac.uk/Reference/concepts/fuzzy/fuzzy_appl.00.htm221/370
![Page 291: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/291.jpg)
MesterségesIntelligencia
8Csató Lehel
Fuzzy rendszerekTört. visszatekintés
Fuzzy halmazok
Fuzzy logika
Fuzzy szabályok
Matlab feladat
Fuzzy rendszerek Összefoglaló
Fuzzy rendszerek:Foként kontroll feladatokra használjuk.Ajánlottak ha:
komplex rendszerek esetén, nincs matematikaimodell;nemlineáris modellek esetén;szakértoi tudás bevitelére.
Nem ajánlottak ha:hagyományos kontroll megfelelo;létezo – egyszeru – matematikai modell;nincs megoldás.
Más alkalmazások:Sony PalmTop – „fuzzy” döntési fa implementálása
karakterfelismerésre (Kanji).
222/370
![Page 292: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/292.jpg)
MesterségesIntelligencia
8Csató Lehel
Fuzzy rendszerekTört. visszatekintés
Fuzzy halmazok
Fuzzy logika
Fuzzy szabályok
Matlab feladat
Osztályozás – USPS Ihttp://www.cs.ubbcluj.ro/~csatol/mestint/USPS
223/370
![Page 293: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/293.jpg)
MesterségesIntelligencia
8Csató Lehel
Fuzzy rendszerekTört. visszatekintés
Fuzzy halmazok
Fuzzy logika
Fuzzy szabályok
Matlab feladat
Osztályozás – USPS IIhttp://www.cs.ubbcluj.ro/~csatol/mestint/USPS
USPS adatokUnited States Postal Service;kézzel írott számjegyek 16× 16-os bit-térképe;≈ 7200 tanulási- és ≈ 2000 teszt-adat;
Feladat:Bináris osztályozás: válasszuk el a négyeseket (4) ahetesektol (7).Írjunk egy osztályozási algoritmust a következokközül: Döntési fa; Neurális háló; SVM; Bayesosztályozó.Értékeljük az algoritmust a következok szerint:
osztályozási hiba tanulási adatokon;osztályozási hiba teszt-adatokon – 10% alatt!;tanulási ido;vizsgáljuk meg a rosszul osztályozott „pontokat”;
224/370
![Page 294: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/294.jpg)
MesterségesIntelligencia
8Csató Lehel
Fuzzy rendszerekTört. visszatekintés
Fuzzy halmazok
Fuzzy logika
Fuzzy szabályok
Matlab feladat
Osztályozás IIIhttp://www.cs.ubbcluj.ro/~csatol/mestint/USPS
4 7 7 4 4 7 7 4 4 4 4 7 7 7 4 7
−1 +1 +1 −1 −1 +1 +1 −1 −1 −1 −1 +1 +1 +1 −1 +1
225/370
![Page 295: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/295.jpg)
MesterségesIntelligencia
8Csató Lehel
Fuzzy rendszerekTört. visszatekintés
Fuzzy halmazok
Fuzzy logika
Fuzzy szabályok
Matlab feladat
Osztályozás IV
Osztályozó algoritmus:
Program (θθθ) ±1
Tanulás:θθθ0 kezdoértékektanulási adatok
D =(xxx1, y1), . . . , (xxxN, yN)
Becslés: θθθ1 → . . .→θθθpost.
Közben: tanulási hiba mérése.
Tesztelés:θθθpost használata;új adatokra:
Dtest = . . .
hiba mérésetesztadatokon.
226/370
![Page 296: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/296.jpg)
MesterségesIntelligencia
8Csató Lehel
Fuzzy rendszerekTört. visszatekintés
Fuzzy halmazok
Fuzzy logika
Fuzzy szabályok
Matlab feladat
Osztályozás IV
Osztályozó algoritmus:
Program (θθθ) ±1
Tanulás:θθθ0 kezdoértékektanulási adatok
D =(xxx1, y1), . . . , (xxxN, yN)
Becslés: θθθ1 → . . .→θθθpost.
Közben: tanulási hiba mérése.
Tesztelés:θθθpost használata;új adatokra:
Dtest = . . .
hiba mérésetesztadatokon.
226/370
![Page 297: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/297.jpg)
MesterségesIntelligencia
8Csató Lehel
Fuzzy rendszerekTört. visszatekintés
Fuzzy halmazok
Fuzzy logika
Fuzzy szabályok
Matlab feladat
Osztályozás V
Program + dokumentáció: (dolg...)
Algoritmus kiválasztása;Tanulás – paraméterek becslése;
tanulási adatok beolvasása;adatok transzformációja – pre–processzálás;algoritmus paramétereinek inicializálása;paraméterek tanulása.
Tesztelés;teszt-adatok beolvasása – függetlenek a tanulásimintáktól!;adatok transzformációja – pre–processzálás;algoritmus paramétereinek beolvasása – tanulásieredmény;hiba mérése.
Dokumentálás: algoritmus, módszer, statisztika
227/370
![Page 298: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/298.jpg)
MesterségesIntelligencia
8Csató Lehel
Fuzzy rendszerekTört. visszatekintés
Fuzzy halmazok
Fuzzy logika
Fuzzy szabályok
Matlab feladat
Osztályozás Programbinclass.m
clear all;% data generationnTr = 200; nTe = 400;[dX dY] = cl_data(nTr,[],0);ii_1 = find(dY==1);d1 = dX(ii_1,:);d2 = dX(setdiff([1:nTr],ii_1),:);N_1 = size(d1,1);N_2 = size(d2,1);
pi1 =N_1/nTr; pi2 = N_2/nTr;
mu1 = sum(d1,1)/N_1; % class meansmu2 = sum(d2,1)/N_2;
d = d1 - repmat(mu1,[N_1 1]);sig1 = d’*d/N_1; sig1inv = sig1^(-1);
d = d2 - repmat(mu2,[N_2 1]);sig2 = d’*d/N_2; sig2inv = sig2^(-1);
% generating nTe test data[dX, dY] = cl_data(nTe,[],0);ii_1 = find(dY==1);data1 = dX(ii_1,:);data2 = dX(setdiff([1:nTe],ii_1),:);N_1 = size(data1,1);N_2 = size(data2,1);
. . . grafikus ábrázolás. . .
% performing classificationlog_sig1 = log(det(sig1))-log(pi1);log_sig2 = log(det(sig2))-log(pi2);
% classification for data1p_1=data1-repmat(mu1,[length(data1) 1]);p_1=sum(((p_1*sig1inv).*p_1),2);
p_2=data1-repmat(mu2,[length(data1) 1]);p_2=sum(((p_2*sig2inv).*p_2),2);
class(1,1) = length( ...find(-p_1+p_2 > log_sig1-log_sig2) );
class(1,2) = N_1 - class(1,1);
% SIMILARLY for the second datasetp_1=data2-repmat(mu2,[length(data2) 1]);p_1=sum(((p_1*sig2inv).*p_1),2);
p_2=data2-repmat(mu1,[length(data2) 1]);p_2=sum(((p_2*sig1inv).*p_2),2);
class(2,2) = length( ...find( -p_1+p_2 > log_sig2-log_sig1));
class(2,1) = N_2 - class(2,2);
% the confusion matrix:class
228/370
![Page 299: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/299.jpg)
MesterségesIntelligencia
8Csató Lehel
Fuzzy rendszerekTört. visszatekintés
Fuzzy halmazok
Fuzzy logika
Fuzzy szabályok
Matlab feladat
Osztályozás Eredménybinclass.m
Eredmény:Class-cond. prob. C
1
0 1 2 3 4 50
1
2
3
4
5
6
Class-cond. prob. C2
0 1 2 3 4 50
1
2
3
4
5
6
Posterior probability
0 1 2 3 4 50
1
2
3
4
5
6
Classification boundary
0 1 2 3 4 50
1
2
3
4
5
6
229/370
![Page 300: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/300.jpg)
MesterségesIntelligencia
9Csató Lehel
Tanulás
Indukció
Cross-validation
Döntési Fák
Netlab
Az Eloadások Témái
Bevezeto: mi a mesterséges intelligencia 1
„Tudás”–reprezentáció 2
Gráfkeresési stratégiák 3
Szemantikus hálók / Keretrendszerek 4
Játékok modellezése 5
Bizonytalanság kezelése 6
Grafikus modellek és a D.S. modell 7
Fuzzy rendszerek 8
Tanuló rendszerek 9
Szimulált kifutés, Genetikus algoritmusok 10
Neurális hálók, a perceptron modell 11
Többrétegu hálók, Önszervezodés 12 , 13
Gépi tanulás 14
230/370
![Page 301: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/301.jpg)
MesterségesIntelligencia
9Csató Lehel
Tanulás
Indukció
Cross-validation
Döntési Fák
Netlab
Admin ... ... trívia
Vizsga
Szóbeli (60%) + Gyakorlat (40%)
Laborgyakorlatok:1 Gráfok ábrázolása - dedukciós algoritmus 18%2 Játékelmélet 10%3 Matlab - tanulási algoritmus 12%4 Opcionális feladatok - max. 3/személy sok%
Bemutatók (5–20 pont)Alkalmazások bemutatása, melyek adaptív, gépitanulásos vagy mestint módszereket alkalmaznak.
231/370
![Page 302: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/302.jpg)
MesterségesIntelligencia
9Csató Lehel
Tanulás
Indukció
Cross-validation
Döntési Fák
Netlab
„Tanuló” számítógép
2013.11.25 – http://www.bbc.com/news/technology-25090534
Tudnak „tanulni” a számítógépek az elemzettképekbol?
A NEIL rendszer – Never Ending Image Learner – képeketelemez.
A képekben talált objektumokat azonosít, azokatcsoportosítja, majd a csoportokhoz címkéket rendel.
Sebesség: 2013 júliusa és novembere között félmillióképet dolgozott fel.
http://www.neil-kb.com232/370
![Page 303: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/303.jpg)
MesterségesIntelligencia
9Csató Lehel
Tanulás
Indukció
Cross-validation
Döntési Fák
Netlab
„Tanuló” számítógép
2013.11.25 – http://www.bbc.com/news/technology-25090534
Tudnak „tanulni” a számítógépek az elemzettképekbol?
A NEIL rendszer – Never Ending Image Learner – képeketelemez.
A képekben talált objektumokat azonosít, azokatcsoportosítja, majd a csoportokhoz címkéket rendel.
Sebesség: 2013 júliusa és novembere között félmillióképet dolgozott fel.
http://www.neil-kb.com232/370
![Page 304: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/304.jpg)
MesterségesIntelligencia
9Csató Lehel
Tanulás
Indukció
Cross-validation
Döntési Fák
Netlab
„Tanuló” számítógép
2013.11.25 – http://www.bbc.com/news/technology-25090534
Tudnak „tanulni” a számítógépek az elemzettképekbol?
A NEIL rendszer – Never Ending Image Learner – képeketelemez.
A képekben talált objektumokat azonosít, azokatcsoportosítja, majd a csoportokhoz címkéket rendel.
Sebesség: 2013 júliusa és novembere között félmillióképet dolgozott fel.
http://www.neil-kb.com232/370
![Page 305: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/305.jpg)
MesterségesIntelligencia
9Csató Lehel
Tanulás
Indukció
Cross-validation
Döntési Fák
Netlab
„Tanuló” rendszerekpp. 525 – Russell & Norvig, 1995
Agents that can improve their behaviour through diligent studyof their own experiences.
Algoritmus változtatható állapottérrel, mely muködésesorán az újabb – ugyanolyan típusú – feladatokatjobban oldja meg.
Példák: genetikus algoritmus, neurális hálók, stb.
„Machine Learning” – „Gépi tanulás”.
Induktív rendszerek – inferencia.
233/370
![Page 306: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/306.jpg)
MesterségesIntelligencia
9Csató Lehel
Tanulás
Indukció
Cross-validation
Döntési Fák
Netlab
Indukció – I – Dedukció
Induktív megoldás
Modell feltételezése:f(zzz,θθθ),
Adatok halmaza:D = zzz1, . . . , zzzN
Illeszto – hiba –függvény: L (f(zzz))
„optimális modell”: θθθ∗
Predikció: f(zzz,θθθ∗).
Deduktív megoldás
Nincs modell,
Adatok: D = zzz1, . . . , zzzN
Illesztési muvelet egy zzzúj mintára,
használunk mindenadatot.
234/370
![Page 307: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/307.jpg)
MesterségesIntelligencia
9Csató Lehel
Tanulás
Indukció
Cross-validation
Döntési Fák
Netlab
Indukció – II – Dedukció
Induktív megoldás
...........D
f(xxx|θθθ) xxx∗
f(xxx∗|θθθ)
θθθ
??
Deduktív megoldás
...........D xxx∗
g(xxx∗)
??
„Levezetjük” a g függvényxxx∗-hoz tartozó értékét.
235/370
![Page 308: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/308.jpg)
MesterségesIntelligencia
9Csató Lehel
Tanulás
Indukció
Cross-validation
Döntési Fák
Netlab
Indukció – II – Dedukció
Induktív megoldás
...........D
f(xxx|θθθ) xxx∗
f(xxx∗|θθθ)
θθθ
??
Deduktív megoldás
...........D xxx∗
g(xxx∗)
??
„Levezetjük” a g függvényxxx∗-hoz tartozó értékét.
235/370
![Page 309: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/309.jpg)
MesterségesIntelligencia
9Csató Lehel
Tanulás
Indukció
Cross-validation
Döntési Fák
Netlab
Indukció – II – Dedukció
Induktív megoldás
...........D
f(xxx|θθθ) xxx∗
f(xxx∗|θθθ)
θθθ
??
Deduktív megoldás
...........D xxx∗
g(xxx∗)
??
„Levezetjük” a g függvényxxx∗-hoz tartozó értékét.
235/370
![Page 310: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/310.jpg)
MesterségesIntelligencia
9Csató Lehel
Tanulás
Indukció
Cross-validation
Döntési Fák
Netlab
Indukció – II – Dedukció
Induktív megoldás
...........D
f(xxx|θθθ) xxx∗
f(xxx∗|θθθ)
θθθ
??
Deduktív megoldás
...........D xxx∗
g(xxx∗)
??
„Levezetjük” a g függvényxxx∗-hoz tartozó értékét.
235/370
![Page 311: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/311.jpg)
MesterségesIntelligencia
9Csató Lehel
Tanulás
Indukció
Cross-validation
Döntési Fák
Netlab
Indukció – II – Dedukció
Induktív megoldás
...........D
f(xxx|θθθ) xxx∗
f(xxx∗|θθθ)
θθθ
??
Deduktív megoldás
...........D xxx∗
g(xxx∗)
??
„Levezetjük” a g függvényxxx∗-hoz tartozó értékét.
235/370
![Page 312: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/312.jpg)
MesterségesIntelligencia
9Csató Lehel
Tanulás
Indukció
Cross-validation
Döntési Fák
Netlab
Indukció – III – Dedukció
„Becslés” egy modellismeretében.
Modell-osztály;Modellek közöttipreferencia⇒ θ;Predikció a modellalapján;Pl: lineáris becslések,neurális hálók;Döntési/regressziós fák;Rejtett változósmodellek
A cél egy ismert adatraegy választ fogalmazni;A válasz: kategoriális,folytonos ...K-nn: K legközelebbiszomszéd alapjántörténo közelítés;Rezolúció: egy ismertpredikátumról eldönteni,hogy igaz vagy hamis.
A továbbiakban Induktív módszerekkel foglalkozunk.236/370
![Page 313: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/313.jpg)
MesterségesIntelligencia
9Csató Lehel
Tanulás
Indukció
Cross-validation
Döntési Fák
Netlab
Induktív módszerek I
adatokból „információt” vonnak ki;6
Inductive learning methods
Systematically produce intensional concept descriptionsfrom extensional concept descriptions.I.e, from the specific knowledge provided by domainexamples, ∼ obtain general domain knowledge.
Információ induktív rendszereknélEgy indukció folyamán az adatokból „nyert” információt amodell paraméterei tárolják.Egy FFF def
= f(xxx|θθθ),θθθ ∈ Ω modell esetén a D adatokat azoptimális θθθ paraméter helyettesíti.
6Hogyan definiáljuk az információ fogalmát?237/370
![Page 314: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/314.jpg)
MesterségesIntelligencia
9Csató Lehel
Tanulás
Indukció
Cross-validation
Döntési Fák
Netlab
Induktív módszerek II
„Információ” - θθθ:egy f(xxx|θθθ) függvényt keresünk.θθθ az optimális függvény „koordinátája”.Nem ismerjük az adatokat generáló függvényt
Melyik paraméter jobb?
Tesztelési módszer:az adatokat kettéosztjuk: tanulási- illetveteszt-adathalmaz;az optimális θθθ meghatározásához csak atanuló-adatokat használjuk;Tesztelés: hiba mérése a teszt-adathalmazon.
238/370
![Page 315: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/315.jpg)
MesterségesIntelligencia
9Csató Lehel
Tanulás
Indukció
Cross-validation
Döntési Fák
Netlab
Paraméterek jóságának a mérése I
Cross-validation:módszer, mely méri a tanulási folyamateredményességét;olyan esetekben használatos, ahol nincs modellilletve külön teszt-adat;
Módszer:a teljes adat felosztása: K részre;tanulási-, illetve teszt-adatok definiálása:
j-dik rész a teszt-adat;1..K \ j tanulási adatok.
minden j-re mérjük a teszt-hibákat. (összegezzük /átlagoljuk)
239/370
![Page 316: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/316.jpg)
MesterségesIntelligencia
9Csató Lehel
Tanulás
Indukció
Cross-validation
Döntési Fák
Netlab
Paraméterek jóságának a mérése II
Cross-validation
Elonye:
nem függ a hibafüggvénytol illetve az adatok típusától(diszkrét, folytonos, strukturált);
könnyen kódolható.
Hátránya:
Nagy adathalmazra sokáig fut;
Nem alkalmazható paraméterek becslésére.
240/370
![Page 317: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/317.jpg)
MesterségesIntelligencia
9Csató Lehel
Tanulás
Indukció
Cross-validation
Döntési Fák
Netlab
Döntési/Regressziós fák
Regresszió:f : Ω→ ROsztályozás:f : Ω→ Igen,Nem
Definíció:
fa formájában tárol egy függvényt;
leszármazottak nélküli csúcs - levél;másképp belso csúcs;
minden belso csúcshoz van egypredikátum rendelve; Például:
Kor < 20,Fogl ∈ Diak,Tanar.
szabályok megállapítására szolgál;általánosítások – extrapolálás;Nem fontos az adatok diszkrét/folytonos léte;
241/370
![Page 318: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/318.jpg)
MesterségesIntelligencia
9Csató Lehel
Tanulás
Indukció
Cross-validation
Döntési Fák
Netlab
Döntési fák I
sorrend-függo az eredmény;szomszédság/topológia meghatározása: modellezésikérdés.Sok adat =⇒ nagy fa, redundáns modellezés.
Logikai bemeno adatok esetén:Bináris fa természetes;
Folytonos bemeno adatok esetén:El kell dönteni egy-egy ág érvényességét;⇔Diszkretizálni kell a teret;⇔Modellezési feladat
242/370
![Page 319: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/319.jpg)
MesterségesIntelligencia
9Csató Lehel
Tanulás
Indukció
Cross-validation
Döntési Fák
Netlab
Döntési fa építése
Döntési fa építése
Rekurzívan:
Vizsgáljuk meg az adatokat és állapítsuk meg alegjobb vágást;Osszuk ketté az adatokat a vágás szerint;
? Kérdések ?Megállás;Legjobb vágás keresése;
Vágások minosége: CART (Classification AndRegression Trees) algoritmus.
243/370
![Page 320: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/320.jpg)
MesterségesIntelligencia
9Csató Lehel
Tanulás
Indukció
Cross-validation
Döntési Fák
Netlab
Netlab I
Ian T. Nabney: NETLABAlgorithms for Pattern Recognition
Springer 2002http://www.ncrg.aston.ac.uk/netlab
Matlab függvény-gyujteményIngyenesen letöltheto; egyszeruen kezelheto;Nagyon sok modell és algoritmus tesztelheto –anélkül, hogy a modelleket implementálni kellene;
Implementált modellek és algoritmusok: (módosíthatódemó-k)
RegresszióOsztályozásKlaszterezés
Bayes-módszerekOptimalizálásMintavételezés
244/370
![Page 321: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/321.jpg)
MesterségesIntelligencia
9Csató Lehel
Tanulás
Indukció
Cross-validation
Döntési Fák
Netlab
Netlab II
Netlab használata:Installálás: letöltés és: addpath(’_netlab_path_’)
Demók indítása: demnlab
Programozás a demók módosításával, pl. demmlp1
Példa:%data generation.ndata = 20;noise = 0.2;x = 0:1/(ndata - 1):1’;t = sin(2*pi*x) + noise*randn(ndata, 1);% Set up network parameters.nin = 1; % Number of inputs.nhidden = 3; % Number of hidden units.nout = 1; % Number of outputs.alpha = 0.01;% weight-decay prior.% Initialisationnet = mlp(nin, nhidden, nout, ’linear’, alpha);
% Option vector intialisationoptions = zeros(1,18);options(1) = 1; % display error values.options(14) = 100;% Number of training cycles.% Train using scaled conjugate gradients.net, options = netopt(net, options, x, t, ’scg’);% Plot for TEST dataplotvals = 0:0.01:1’;y = mlpfwd(net, plotvals);
A Netlab programmal egyszeruen megoldható a laborfeladat.245/370
![Page 322: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/322.jpg)
MesterségesIntelligencia
10Csató Lehel
Ann. / G.A.Bevezeto
Annealing
G.A.
G.P.
Az Eloadások Témái
Bevezeto: mi a mesterséges intelligencia 1
„Tudás”–reprezentáció 2
Gráfkeresési stratégiák 3
Szemantikus hálók / Keretrendszerek 4
Játékok modellezése 5
Bizonytalanság kezelése 6
Grafikus modellek és a D.S. modell 7
Fuzzy rendszerek 8
Tanuló rendszerek 9
Szimulált kifutés, Genetikus algoritmusok 10
Neurális hálók, a perceptron modell 11
Többrétegu hálók, Önszervezodés 12 , 13
Gépi tanulás 14
246/370
![Page 323: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/323.jpg)
MesterségesIntelligencia
10Csató Lehel
Ann. / G.A.Bevezeto
Annealing
G.A.
G.P.
Admin ... ... trívia
Vizsga
Szóbeli (60%) + Gyakorlat (40%)
Laborgyakorlatok:1 Gráfok ábrázolása - dedukciós algoritmus 18%2 Játékelmélet 10%3 Matlab - tanulási algoritmus 12%4 Opcionális feladatok - max. 3/személy sok%
Bemutatók (5–20 pont)Alkalmazások bemutatása, melyek adaptív, gépitanulásos vagy mestint módszereket alkalmaznak.
247/370
![Page 324: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/324.jpg)
MesterségesIntelligencia
10Csató Lehel
Ann. / G.A.Bevezeto
Annealing
G.A.
G.P.
Nehéz feladatok
Néha NEM lehet a gradiens-szabályokat alkalmazni mert:Túl bonyolult a modellben a paraméter–kimenetkapcsolat.Pl.A paraméterek nem numerikusak.Pl. szemantikus hálók vagy Bayes-hálók tanulása.
Azonban:képesek vagyunk a θθθ paraméter jóságának amérésére,Van egy „szomszédság-reláció” a paraméterekközött,
248/370
![Page 325: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/325.jpg)
MesterségesIntelligencia
10Csató Lehel
Ann. / G.A.Bevezeto
Annealing
G.A.
G.P.
Szimulált kifutés I
Hibafüggvény:Méri az FFF modellcsalád egy elemének – az f(xxx|θθθ)függvénynek – a „jóságát”.Például - négyzetes hiba:
L(D, f(·|θθθ),FFF) =∑n
(yn − f(xxxn|θθθ))2
Egy D adathalmaz hibája – empirikus hibaSzomszédság:A θθθ ∈ Ω paraméterek (pl. fák) esetén:
θθθ ′ ∈ δε(θθθ) ha d(θθθ,θθθ ′) < ε
A paraméter–tér bejárására szolgál→ összekötötthalmazoknál jó.
249/370
![Page 326: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/326.jpg)
MesterségesIntelligencia
10Csató Lehel
Ann. / G.A.Bevezeto
Annealing
G.A.
G.P.
Szimulált kifutés II
Eloszlás:
p(θθθ|β) ∝ exp[−1
βL(D, f(·|θθθ),FFF)
]
p(θθθ|β) =exp
[− 1βL(D, f(·|θθθ),FFF)
]∑θθθ∈Ω exp
[− 1βL(D, f(·|θθθ),FFF)
]
Az f(xxx, θθθ) modell optimális alegnagyobb p(θθθ)–nál;β – „homérséklet” paraméter;β kezdoértéke nagy⇒ nincseneknagy különbségek;β 0 - egy állapot választódik ki.
x
p(x)
−3 −2 −1 1 2 3
1
2
3
β = 1
β = 1/9
250/370
![Page 327: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/327.jpg)
MesterségesIntelligencia
10Csató Lehel
Ann. / G.A.Bevezeto
Annealing
G.A.
G.P.
Szimulált kifutés III
Gyakorlatban nehezen kivitelezheto, mert:
Nem lehet felsorolni az Ω összes elemét;
Nem könnyu egy modell hibájának a kiszámítása –gyakran muszeres mérésekrol van szó; =⇒
Közelíto módszerek alkalmazása – a „szomszédság”felhasználásával:
θθθ0 → θθθ1 → · · · → θθθT
ahol az iterációk alatt „javul” a θθθ illeszkedése azadatokhoz.
251/370
![Page 328: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/328.jpg)
MesterségesIntelligencia
10Csató Lehel
Ann. / G.A.Bevezeto
Annealing
G.A.
G.P.
Szimulált kifutés IV
Általában a „hutést” szabályozzuk: βt∞1 .
Algoritmus:1 Adat-beolvasás: D; t = 0;
Inicializálás: θθθ0; Számítjuk: L(D, f(xxx|θθθt));
2 Választunk a szomszédság alapján: θθθ ′ ∈ δε(θθθt)Számítjuk: L(D, f(xxx|θθθ ′)) → p(θθθ ′|βt);
3 Ha p(θθθ ′|βt) > p(θθθt|βt), akkor θθθt+1 = θθθ ′,
4 ellenkezo esetben – a ∈ [0, 1] véletlen szám – haa ≤ p(θθθ ′|βt)/p(θθθt|βt) akkor θθθt+1 = θθθ ′
másképp θθθt+1 = θθθt
5 t = t+ 1 Goto 2
252/370
![Page 329: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/329.jpg)
MesterségesIntelligencia
10Csató Lehel
Ann. / G.A.Bevezeto
Annealing
G.A.
G.P.
Szimulált kifutés Összefoglaló
Használható esetekben, ahol
van hibafüggvény;
nem folytonos a paraméterhalmaz;
nincs gradiens információ – vagy nem használható;
Például: VLSI-design.
∼ használata
könnyu – nem igényel sok kódolást vagytanulmányozást;
nem hatékony – a futási ido nagyon nagy – egyszerufeladatoknál is.
253/370
![Page 330: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/330.jpg)
MesterségesIntelligencia
10Csató Lehel
Ann. / G.A.Bevezeto
Annealing
G.A.
G.P.
Genetikus algoritmusok 0
John R. Koza - Stanford Universityhttp://www.genetic-programming.com/coursemainpage.html
254/370
![Page 331: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/331.jpg)
MesterségesIntelligencia
10Csató Lehel
Ann. / G.A.Bevezeto
Annealing
G.A.
G.P.
Genetikus algoritmusok I
A szimulált kifutés továbbfejlesztése:
1 Nem egyetlen paramétert optimizál;populáció ∀tθθθ(t)k Kk=1
2 Definiálja a genetikus operátorokat.keresztezodés cr(θθθ(t)k ,θθθ
(t)l ) = θθθ
(t+1)m
mutáció m(θθθ(t)k ) = θθθ
(t+1)m
az operátorok az egyedek szintjén muködnek.
Az iterációs séma hasonló
θθθ(0)k Kk=1 → θθθ
(1)k Kk=1 → · · · → θθθ
(T)k Kk=1
255/370
![Page 332: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/332.jpg)
MesterségesIntelligencia
10Csató Lehel
Ann. / G.A.Bevezeto
Annealing
G.A.
G.P.
Genetikus algoritmusok II
Genetikus algoritmusok muködése„természetes” szelekció;genetikus operátorok a paraméter-tér bejárására.
Algoritmus: (minden t idopontban)θθθ
(t)k Kk=1 ⇔ f
(t)k = exp
[−1
βL(D, f(·|θθθ(T)k ))
]Következo generáció létrehozása:
1 Az [f(t)k ]k „fitnessz” faktorral arányosan
választunk szüloket: θθθ(t)l , θθθ(t)l2 Bemásoljuk azokat a populációba vagy3 alkalmazzuk a genetikus operátorokat:
keresztezodés, mutáció;
256/370
![Page 333: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/333.jpg)
MesterségesIntelligencia
10Csató Lehel
Ann. / G.A.Bevezeto
Annealing
G.A.
G.P.
G.A. „Fitnessz”
„Fitnessz”-függvény
méri az egyedek megfelelését – jóságát
Fordítottan arányos az L(·) hibával
θθθ(t)k Kk=1 ⇔ f
(t)k = exp
[−1
βL(D, f(·|θθθ(T)k ))
]
a cél, hogy minél több egyed legyen, melynek nagy a„fitnessz”-értéke;
β - homérséklet-paraméter1 a relatív érzékenységet modulálja;2 nagy homérséklet = különbségek nem jelentosek;3 kis homérséklet β 0 – a leg-„fittebb” egyed sokkal
jobb, mint bármely más;257/370
![Page 334: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/334.jpg)
MesterségesIntelligencia
10Csató Lehel
Ann. / G.A.Bevezeto
Annealing
G.A.
G.P.
G.A. Szelekció
Szelekció
garantálja a következo populáció optimalitását;csak a kiválasztott – szelektált – egyedek részei akövetkezo generációnak;véletlen, de súlyozott választás;
Szelekciós algoritmus:1 Számoljuk ki: F(t) =
∑k f
(t)k
2 generáljuk a = rand(0, 1)3 l = 0 , s = 04 amíg s < a · F(t)
l = l+ 1s = s+ f
(t)l
miért maradnak csak a jobb egyedek?258/370
![Page 335: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/335.jpg)
MesterségesIntelligencia
10Csató Lehel
Ann. / G.A.Bevezeto
Annealing
G.A.
G.P.
G.A. Operátorok I
Operátorok keresztezodés és mutáció
Keresztezodésa szülok „tulajdonságait” kombinálja;a gyerekek „közel” lesznek a szülokhöz;
Keresztezodés„születnek” egyedek, melyek halmozzák a jó tulajdonságokat;
Mutációszelekció nyomán csak a jó egyedek maradnak fent;ez a genetikus operátor biztosítja a változatosságot;olyan értékek is kiválasztódnak, melyek nem voltak akorábbi generációkban;
Mutáció„radikális” változás, mely esetenként jobb eredményhez vezet;
259/370
![Page 336: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/336.jpg)
MesterségesIntelligencia
10Csató Lehel
Ann. / G.A.Bevezeto
Annealing
G.A.
G.P.
G.A. Operátorok II
Genetikus operátorok: – folyamatos paramétertér
-5 0 5-5
0
5
0.50.5
0.5
0.5
0.5
0.5
0.5 0.5
0.3
0.3
0.3
0.3
0.3
0.3
0.7
0.7
0.7
0.7
0.7
0.7
0.7
0.7
0.7keresztezodes
mutacio
Mutáció: ha θθθ ∈ Rm m(θθθ) def= θθθ+ δ
Keresztezodés: cr(θθθ1,θθθ2)def= (θθθ1 + θθθ2) /2
260/370
![Page 337: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/337.jpg)
MesterségesIntelligencia
10Csató Lehel
Ann. / G.A.Bevezeto
Annealing
G.A.
G.P.
G.A. Operátorok III
Keresztezodés / mutáció : ! heurisztikák !
-5 0 5-5
0
5
0.5
0.5
0.5
0.5
0.5
0.5
0.50.5
0.3
0.3
0.3 0.3
0.3
0.3
0.7
0.7
0.7 0
.7
0.7
0.7
0.7
keresztezodes
Heurisztika: Nem mindig muködik;
Jobb eredményeket remélünk, garancia nélkül.261/370
![Page 338: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/338.jpg)
MesterségesIntelligencia
10Csató Lehel
Ann. / G.A.Bevezeto
Annealing
G.A.
G.P.
G.A. TSP I
Genetikus algoritmusok ⇔ az operátorokdefiníciója;Numerikus esetek kevésbé érdekesek;
Példa: Utazóügynök (Travelling SalesPerson – TSP)
Városokat bejárni úgy, hogy a megtett út minimálislegyen.
Egzakt megoldás: nagyon idoigényes; NP-teljesfeladat.
Genetikus algoritmus:nem garantálja a legrövidebb út megtalálását;azonban egy közel-optimális utat gyorsan megtalál;
262/370
![Page 339: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/339.jpg)
MesterségesIntelligencia
10Csató Lehel
Ann. / G.A.Bevezeto
Annealing
G.A.
G.P.
G.A. TSP II
Kódolás: az utak egy permutációja.
Pl.[1, 2, 5, 3, 4, 6, 7, 8, 10, 9, 11, 12]
3
4
10
9
2
65 7
11
12
1
8
Genetikus operátorok:Mutáció:
3
4
10
9
2
65
11
12
1
8
3
4
10
9
2
65
11
12
1
8
7
7
Keresztezodés:
3
4
10
9
2
65
11
1
8
7
12
3
4
10
9
2
65
11
1
8
7
12
3
4
10
9
2
65
11
1
8
7
12
263/370
![Page 340: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/340.jpg)
MesterségesIntelligencia
10Csató Lehel
Ann. / G.A.Bevezeto
Annealing
G.A.
G.P.
Genetikus programozás
a populáció egyedei programok;programok egy függvényt implementálnak;genetikus operátorok a programok terénértelmezettek;program = függvény.
1
y
y
x
*
+
sin
yx
x y
+ sin
*
exp
+
/
x sqr
−
264/370
![Page 341: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/341.jpg)
MesterségesIntelligencia
10Csató Lehel
Ann. / G.A.Bevezeto
Annealing
G.A.
G.P.
Genetikus Összefoglaló
Genetikus algoritmusok
populációkkal operálnak;
szelekciós és reprodukciós operátorok használata;genetikus operátorok gyorsítják a keresést;szükséges a program-/paraméter-tér ismerete.
a „fitnessz”-érték irányadó⇔ optimizálás;
„Genetikus” Algoritmus
általános optimum-keresési módszerek,„szomszédság”-ismerete elégséges;ha a fitnessz-függvény differenciálható, numerikusmódszerek használata ajánlott;
265/370
![Page 342: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/342.jpg)
MesterségesIntelligencia
11Csató Lehel
NHkTörténelem
Perceptron
Lin.szep
Konv.Tétel
Matlab
Összefoglaló
Az Eloadások Témái
Bevezeto: mi a mesterséges intelligencia 1
„Tudás”–reprezentáció 2
Gráfkeresési stratégiák 3
Szemantikus hálók / Keretrendszerek 4
Játékok modellezése 5
Bizonytalanság kezelése 6
Grafikus modellek és a D.S. modell 7
Fuzzy rendszerek 8
Tanuló rendszerek 9
Szimulált kifutés, Genetikus algoritmusok 10
Neurális hálók, a perceptron modell 11
Többrétegu hálók, Önszervezodés 12 , 13
Gépi tanulás 14
266/370
![Page 343: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/343.jpg)
MesterségesIntelligencia
11Csató Lehel
NHkTörténelem
Perceptron
Lin.szep
Konv.Tétel
Matlab
Összefoglaló
Admin ... ... trívia
Vizsga
Szóbeli (60%) + Gyakorlat (40%)
Laborgyakorlatok:1 Gráfok ábrázolása - dedukciós algoritmus 18%2 Játékelmélet 10%3 Matlab - tanulási algoritmus 12%4 Opcionális feladatok - max. 3/személy sok%
Bemutatók (5–20 pont)Alkalmazások bemutatása, melyek adaptív, gépitanulásos vagy mestint módszereket alkalmaznak.
267/370
![Page 344: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/344.jpg)
MesterségesIntelligencia
11Csató Lehel
NHkTörténelem
Perceptron
Lin.szep
Konv.Tétel
Matlab
Összefoglaló
ET look and disposition Robotika
„Twendy-One”, a „Wendy”robot 21.-edik századireinkarnációja.
A robot képes törékeny tárgyakhordozására valamint embereksegítésére a leülés illetvefelállás muveleteiben.Érzékeloin keresztül válaszolaz emberi érintésekre.
Képes egy szelet kenyér megfogására, ugyanakkor képes embereketkisegíteni az ágyukból.„Az elso ennyire nagyfokú integrációval rendelkezo robot.” – mondtaShigeki Sugano, a Waseda Egyetem tanára, a Twendy-One projektvezetoje.
pcWorld hír ABCnews hír
268/370
![Page 345: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/345.jpg)
MesterségesIntelligencia
11Csató Lehel
NHkTörténelem
Perceptron
Lin.szep
Konv.Tétel
Matlab
Összefoglaló
Will we ever...
Will we ever... build robots that pass the Turing Test?
A Turing-teszt modern neve a Löbner díj, melyet annak a rendszernek osztanak ki,mely egy - sok, mindegyik - humán megfigyelovel képes elhitetni, hogy nem gép.
Turing jóslata az volt, hogy a 2000-es évek körül ez be fog következni. Nem igaz.
Mikor fog bekövetkezni?
http://www.bbc.com/future/story/20120516-can-computers-ever-think-like-us
269/370
![Page 346: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/346.jpg)
MesterségesIntelligencia
11Csató Lehel
NHkTörténelem
Perceptron
Lin.szep
Konv.Tétel
Matlab
Összefoglaló
Történeti áttekinto IdegSejt
Ramon y Cajal
1894− 1900 közötti idoszakban;idegrendszer vizsgálata;építoegység azonosítása:neuron;idegsejt – mint az idegrendszerépítoeleme
270/370
![Page 347: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/347.jpg)
MesterségesIntelligencia
11Csató Lehel
NHkTörténelem
Perceptron
Lin.szep
Konv.Tétel
Matlab
Összefoglaló
Történeti áttekinto I Neuron
Ramon y CajalNobel díj 1906
The cerebellar cortex (akitten cerebellum).
The letter A marks thePurkinje cells withdendritic ramifications.
http://nobelprize.org/medicine/articles/cajal/271/370
![Page 348: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/348.jpg)
MesterségesIntelligencia
11Csató Lehel
NHkTörténelem
Perceptron
Lin.szep
Konv.Tétel
Matlab
Összefoglaló
Történeti áttekinto II Neuron
Idegsejt fényképe:
272/370
![Page 349: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/349.jpg)
MesterségesIntelligencia
11Csató Lehel
NHkTörténelem
Perceptron
Lin.szep
Konv.Tétel
Matlab
Összefoglaló
Történeti áttekinto III Neuron
Neuron alkotóelemeiSzóma (sejtmag) – az információ feldolgozása;Dendrit – az információ összegyujtése;Axon – az információ terjesztése;
mi az információ?http://www.ship.edu/~cgboeree http://en.wikipedia.org/wiki/Neuron
273/370
![Page 350: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/350.jpg)
MesterségesIntelligencia
11Csató Lehel
NHkTörténelem
Perceptron
Lin.szep
Konv.Tétel
Matlab
Összefoglaló
Történeti áttekinto IV Modell
„Mesterséges” Neuronx1
x2
x3
xN
∑Ni=1wixi f(z)
w1
w2
w3
wN
z y
Ahol:
xi – bemeneti értékek;wi – súlyok (dendritek);∑· · · – összegzo (szóma);f(z) – átalakító;
– kapcsolatok (axonok);
274/370
![Page 351: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/351.jpg)
MesterségesIntelligencia
11Csató Lehel
NHkTörténelem
Perceptron
Lin.szep
Konv.Tétel
Matlab
Összefoglaló
Történeti áttekinto V Modell
w
w
ww
w
ww
w
w w
w
w
w
w
XY
aszinkron muködés;nagyon sok kapcsolat;?hogyan? kreáljunk/töröljünk kapcsolatokat;
275/370
![Page 352: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/352.jpg)
MesterségesIntelligencia
11Csató Lehel
NHkTörténelem
Perceptron
Lin.szep
Konv.Tétel
Matlab
Összefoglaló
Történeti áttekinto VI Modell
w
XY
w
w
w
w
w
w
w w
w
w
w
szinkron – ciklusos – muködés;rétegek⇒ korlátolt számú kapcsolat;
276/370
![Page 353: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/353.jpg)
MesterségesIntelligencia
11Csató Lehel
NHkTörténelem
Perceptron
Lin.szep
Konv.Tétel
Matlab
Összefoglaló
Történeti áttekinto Összefoglaló
Idegrendszer = információ-feldolgozó egység.Kérdések (nincsenek kelloen tisztázva):
Mi az információ,Hogyan történik a feldolgozás.
biológiai neuronok aszinkron-muködésuek: miért jó amesterséges neuron szinkronizált jellege.
mesterséges neuronok egymáshoz kapcsolódásacsekély: a biológiai rendszerek nagyságrendekkeltöbb kapcsolatot kezelnek.
277/370
![Page 354: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/354.jpg)
MesterségesIntelligencia
11Csató Lehel
NHkTörténelem
Perceptron
Lin.szep
Konv.Tétel
Matlab
Összefoglaló
Perceptron I
Egyszerusített természetes neuron-modell:
x0 = 1x1
x2
x3
xN
∑Ni=1wixi
w1
w2
w3
wN
w0 = b
z y
Korai neuron-modell: McCullogh-Pitts ∼ 1958;xi és y értékek binárisak;Aktivációs függvény a lépcsofüggvény:
H(z) =
−1 ha z < 0+1 ha z ≥ 0
278/370
![Page 355: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/355.jpg)
MesterségesIntelligencia
11Csató Lehel
NHkTörténelem
Perceptron
Lin.szep
Konv.Tétel
Matlab
Összefoglaló
Perceptron II
PerceptronON/OFF neuron állapotokA neuronok vagy aktívak vagy nem, mint a bináris logikában
rezolució-szeru muködés
Tanulási szabály: ha (xxx(n),yyy(n))-en hiba történt, akkor
wi(t+ 1) W wi(t) + x(n)i y(n)
ahol wij súly, xxx(n) bemeneti minta, y(n) a minta osztálya.
Konvergencia-tétel: Ha atanulási minták
(xxx(n),yyy(n))
Nn=1
elválaszthatóak, def (osztályozási feladat)
akkor a perceptron konvergál.
279/370
![Page 356: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/356.jpg)
MesterségesIntelligencia
11Csató Lehel
NHkTörténelem
Perceptron
Lin.szep
Konv.Tétel
Matlab
Összefoglaló
Elválaszthatóság I
kék osztály kódjalegyen +1;
piros osztály kódjalegyen −1;
wwwTxxx+ bSzeparáló hipersíka www,b vektorral illetve valós szám által meghatározottfelület, ha
wwwTxxxi + b > 0 ∀i ; yi > 0.wwwTxxxi + b < 0 ∀i ; yi < 0.
280/370
![Page 357: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/357.jpg)
MesterségesIntelligencia
11Csató Lehel
NHkTörténelem
Perceptron
Lin.szep
Konv.Tétel
Matlab
Összefoglaló
Elválaszthatóság II
wwwTxxx+ bSzeparáló hipersík:
yi
(wwwTxxxi + b
)> 0 ∀i = 1,N.
ahol xxxi - i-edik mintavektor és yi az ahhoz tartozó osztálykódja.
vissza281/370
![Page 358: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/358.jpg)
MesterségesIntelligencia
11Csató Lehel
NHkTörténelem
Perceptron
Lin.szep
Konv.Tétel
Matlab
Összefoglaló
Perceptron Konvergenciatétel
Konvergenciatétel
A tanulási szabály alkalmazásával a perceptron véges idoalatt konvergál.
Biz:Módszer: találjunk – felso és alsó – korlátot a lépésekszámának.
1 Újradefiniáljuk a bemeneti adatokat:
xxxidef= [xxxi, 1]
T ∈ Rd+1 ⇒ www def= [www,b]T ∈ Rd+1
xxxidef= yixxxi
282/370
![Page 359: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/359.jpg)
MesterségesIntelligencia
11Csató Lehel
NHkTörténelem
Perceptron
Lin.szep
Konv.Tétel
Matlab
Összefoglaló
Konvergenciatétel II
2 Újradefiniált feladatTaláljunk egy (1)www ∈ Rd+1 értéket úgy, hogy
∀i ; wwwTxxxi > 0
minden xxxi-re (már tartalmazzák a címkéket is).3 Tanítási szabály
Ha hiba történt, akkor módosítjuk a perceptronsúlyait:
wi(t+ 1) W wi(t) + x(n)i
(rekurzívan visszafejtve: www(t+ 1) = xxx1 + · · ·+ xxxt)4 Hiba ⇔ wwwT (t)xxx(n) < 0.
(1) Amennyiben van egy érték, akkor nagyon sok elfogadható érték létezik.
283/370
![Page 360: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/360.jpg)
MesterségesIntelligencia
11Csató Lehel
NHkTörténelem
Perceptron
Lin.szep
Konv.Tétel
Matlab
Összefoglaló
Konvergenciatétel III
5 Feltételezzük, hogy létezik szeparáló hipersík:
∃www0 ∈ Rd+1∀i ; wwwT0xxx(n) ≥ α > 0
6 Vizsgáljuk awwwT0www(t+ 1) skaláris szorzatot:
wwwT0www(t+ 1) =wwwT0xxx1 + · · ·+wwwT0xxxt ≥ tα
7 Cauchy-Schwartz egyenlotlenség ‖a‖2‖b‖2 ≥(aTb
)2alkalmazzuk:
‖www0‖2‖www(t+ 1)‖2 ≥(wwwT0www(t)
)2≥ (tα)2
vagyis
‖www(t+ 1)‖2 ≥ (tα)2
‖www0‖2284/370
![Page 361: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/361.jpg)
MesterségesIntelligencia
11Csató Lehel
NHkTörténelem
Perceptron
Lin.szep
Konv.Tétel
Matlab
Összefoglaló
Konvergenciatétel IV
Másrészt - minden tanuló lépésnél:
8 www(t+ 1) =www(t) + xxx(t), tehát:
‖www(t+ 1)‖2 = ‖www(t) + xxx(t)‖2
= ‖www(t)‖2 + 2www(t)xxx(t) + ‖xxx(t)‖2
≤ ‖www(t)‖2 + ‖xxx(t)‖2 = tβ2
Ahol β2 = max‖xxx(n)‖2 ; n = 1..N
9 Van tehát két egyenlotlenség, melybol kiszámítható at maximális értéke:
tmaxx ≤‖www0‖2β2
α2
Tehát a perceptron konvergál285/370
![Page 362: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/362.jpg)
MesterségesIntelligencia
11Csató Lehel
NHkTörténelem
Perceptron
Lin.szep
Konv.Tétel
Matlab
Összefoglaló
Matlab Demó I
Kódoljuk a perceptron algoritmust:
generáljuk az adatokat. Specifikáljuk:az adatok dimenzióját, számát;az elválasztó hipersíkot;generáljuk a bemeneti mintákat illetve az azokhoztartozó kimeneti osztálykódokat.
Transzformálunk a konvergenciatétel szerint.
Inicializáljuk a perceptront zeró értékekkel.
Futtatjuk az algoritmust:mérjük a hibajavító lépéseket;mérjük a ciklusok számát.
286/370
![Page 363: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/363.jpg)
MesterségesIntelligencia
11Csató Lehel
NHkTörténelem
Perceptron
Lin.szep
Konv.Tétel
Matlab
Összefoglaló
Matlab Demó II
Matlab kód:
1 % ADATOK parametereidim = 9;N = 200;% az elvalaszto hipersikw_0 = [1;-3; 4;-1; 2;-6;-5; 5; 3];
6 b = 2;% adatgeneralasX = sign(rand(N,dim) - 0.5);% cimkek generalasaY = sign(X*w_0 + b);
11 % hatar-mintak szureseidx = find(~Y);idx = setdiff([1:N],idx);X = X(idx,:); Y=Y(idx);N = length(Y);
287/370
![Page 364: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/364.jpg)
MesterségesIntelligencia
11Csató Lehel
NHkTörténelem
Perceptron
Lin.szep
Konv.Tétel
Matlab
Összefoglaló
Matlab Demó III
%% Perceptron tanulas %%%%%%% 1 mintak atalakitasaX = [ X ones(N,1)];% 2
5 XX= diag(Y) * X;%% Tanulas -- lokalis valtozok beallitasaw = zeros(dim+1,1);Term = 0;steps = 0; sweeps = 0;
288/370
![Page 365: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/365.jpg)
MesterségesIntelligencia
11Csató Lehel
NHkTörténelem
Perceptron
Lin.szep
Konv.Tétel
Matlab
Összefoglaló
Matlab Demó IV
1 while ~Term;Term = 1;
for ii=1:N;if XX(ii,:) * w <= 0
6 w = w + XX(ii,:)’;steps = steps + 1;fprintf(’%d:’,steps); % megj.fprintf(’%4d’,w);fprintf(’\n’);Term = 0;
11 end;end;sweeps = sweeps +1;
end;
289/370
![Page 366: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/366.jpg)
MesterségesIntelligencia
11Csató Lehel
NHkTörténelem
Perceptron
Lin.szep
Konv.Tétel
Matlab
Összefoglaló
Matlab Demó V
Kiíratjuk a statisztikákat:
1 fprintf(’\nTeljes bejarasok szama: %d\n’,sweeps);fprintf(’Eredmeny: ’);fprintf(’%4d ’,w); fprintf(’\n’);fprintf(’Kezdo hipersik:’);fprintf(’%4d’,[w_0;b]); fprintf(’\n’);
290/370
![Page 367: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/367.jpg)
MesterségesIntelligencia
11Csató Lehel
NHkTörténelem
Perceptron
Lin.szep
Konv.Tétel
Matlab
Összefoglaló
Összefoglaló
’60-as évek tanulási paradigmája;
Logikai függvényeket keres – bemenetés kimenet binárisak;
Cél a gondolkodás modellezése
Nem tudja szeparálni az XOR muveletkimeneteit (Minsky és Papert ’62)
Feladat:találjunk konfigurációt,mely az XOR-t helyesenosztályozza.
x1
x2
h1
h2
y
w11
w12
w21
w22
v1
v2
b1
b2
b3
291/370
![Page 368: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/368.jpg)
MesterségesIntelligencia
11Csató Lehel
NHkTörténelem
Perceptron
Lin.szep
Konv.Tétel
Matlab
Összefoglaló
Perceptron történelem
Bishop: Pattern Recognition and Machine Learning, 196. o196 4. LINEAR MODELS FOR CLASSIFICATION
Figure 4.8 Illustration of the Mark 1 perceptron hardware. The photograph on the left shows how the inputswere obtained using a simple camera system in which an input scene, in this case a printed character, wasilluminated by powerful lights, and an image focussed onto a 20 × 20 array of cadmium sulphide photocells,giving a primitive 400 pixel image. The perceptron also had a patch board, shown in the middle photograph,which allowed different configurations of input features to be tried. Often these were wired up at random todemonstrate the ability of the perceptron to learn without the need for precise wiring, in contrast to a moderndigital computer. The photograph on the right shows one of the racks of adaptive weights. Each weight wasimplemented using a rotary variable resistor, also called a potentiometer, driven by an electric motor therebyallowing the value of the weight to be adjusted automatically by the learning algorithm.
Aside from difficulties with the learning algorithm, the perceptron does not pro-vide probabilistic outputs, nor does it generalize readily to K > 2 classes. The mostimportant limitation, however, arises from the fact that (in common with all of themodels discussed in this chapter and the previous one) it is based on linear com-binations of fixed basis functions. More detailed discussions of the limitations ofperceptrons can be found in Minsky and Papert (1969) and Bishop (1995a).
Analogue hardware implementations of the perceptron were built by Rosenblatt,based on motor-driven variable resistors to implement the adaptive parameters wj .These are illustrated in Figure 4.8. The inputs were obtained from a simple camerasystem based on an array of photo-sensors, while the basis functions φ could bechosen in a variety of ways, for example based on simple fixed functions of randomlychosen subsets of pixels from the input image. Typical applications involved learningto discriminate simple shapes or characters.
At the same time that the perceptron was being developed, a closely relatedsystem called the adaline, which is short for ‘adaptive linear element’, was beingexplored by Widrow and co-workers. The functional form of the model was the sameas for the perceptron, but a different approach to training was adopted (Widrow andHoff, 1960; Widrow and Lehr, 1990).
4.2. Probabilistic Generative Models
We turn next to a probabilistic view of classification and show how models withlinear decision boundaries arise from simple assumptions about the distribution ofthe data. In Section 1.5.4, we discussed the distinction between the discriminativeand the generative approaches to classification. Here we shall adopt a generative
A perceptron-t Rosenblatt implementálta a 60-as években. A fentifénykép a perceptron hardver-es implementálása, jobb oldalonállítható potenciométerekkel.
292/370
![Page 369: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/369.jpg)
MesterségesIntelligencia
11Csató Lehel
NHkTörténelem
Perceptron
Lin.szep
Konv.Tétel
Matlab
Összefoglaló
Perceptron Kitekinto
A perceptron egy black-box – fekete doboz –módszer;
Valós életbol vett feladatok megoldására lehethasználni:
1 Gyujtünk adatokat,2 Építünk modellt,3 Tanítjuk a modellt,4 Paraméterek = modell kiválasztása.
A késobbi neurális háló modellek jó példái a fentiautomatizált feladatmegoldási paradigmának.
A neurális hálózat modelleket nagyon sokáig – ma is– használ(j)ták modellezésre.
293/370
![Page 370: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/370.jpg)
MesterségesIntelligencia
12Csató Lehel
M.L.P
B.P.
Deep Learning
Az Eloadások Témái
Bevezeto: mi a mesterséges intelligencia 1
„Tudás”–reprezentáció 2
Gráfkeresési stratégiák 3
Szemantikus hálók / Keretrendszerek 4
Játékok modellezése 5
Bizonytalanság kezelése 6
Grafikus modellek és a D.S. modell 7
Fuzzy rendszerek 8
Tanuló rendszerek 9
Szimulált kifutés, Genetikus algoritmusok 10
Neurális hálók, a perceptron modell 11
Többrétegu hálók, Önszervezodés 12 , 13
Gépi tanulás 14
294/370
![Page 371: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/371.jpg)
MesterségesIntelligencia
12Csató Lehel
M.L.P
B.P.
Deep Learning
Admin ... ... trívia
Vizsga
Szóbeli (60%) + Gyakorlat (40%)
Laborgyakorlatok:1 Gráfok ábrázolása - dedukciós algoritmus 18%2 Játékelmélet 10%3 Matlab - tanulási algoritmus 12%4 Opcionális feladatok - max. 3/személy sok%
Bemutatók (5–20 pont)Alkalmazások bemutatása, melyek adaptív, gépitanulásos vagy mestint módszereket alkalmaznak.
295/370
![Page 372: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/372.jpg)
MesterségesIntelligencia
12Csató Lehel
M.L.P
B.P.
Deep Learning
Robotasszisztens a Stanford-tól STAIR
A robotok programozásánál nem volt lehetséges speciális eloprogramozás nélkül összeszedni amosatlant vagy megetetni a cicákat.A robotok hagyományosan 3D-s modellt készítenek környezetükrol. Erre általában két kameráthasználtak, a távolságokat ido– és számítási kapacitás-igényes munkával, az adott tárgy pontjainaktömege alapján határozták meg.A STAIR alternatív megoldást kínál: pontok sokasága helyett az algoritmus az adott tárgy megfoghatórészének a középpontját azonosítja. Élek hosszúságát számolja ki, majd az eredményt az adatbázisbanlevo statisztikailag hasonló tárgyakkal veti össze.A szoftver ezek alapján hozza létre a háromdimenziós modelleket; lényegesen gyorsabban és kevesebbmunkával, mint a régi megközelítésben.
Stanford STAIR agens.ai296/370
![Page 373: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/373.jpg)
MesterségesIntelligencia
12Csató Lehel
M.L.P
B.P.
Deep Learning
Többrétegu Hálók I
Az információ – számok – abemeneti X rétegbol akimeneti Y réteg fele halad.Egy mintára kiszámítjuk akimeneti értéket, mindenneuron értékét kiszámítva.Feltételezzük, hogy minden –adat és súly – folytonos. Y
X
MLP NEM Bayes-hálóA neurális hálók kapcsolatai kommunikációt, aBayes-hálók kapcsolatai függoséget jelentenek.
297/370
![Page 374: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/374.jpg)
MesterségesIntelligencia
12Csató Lehel
M.L.P
B.P.
Deep Learning
Többrétegu Hálók II
WWW
Y
VVV
x1
h1 h2 h3 h4 h5
x2
h1 h2 h3 h4 h5
x3
h1 h2 h3 h4 h5
x4
h1 h2 h3 h4 h5
„Formálisan”:A neuronháló csúcsai azinformációt feldolgozzák.
ykidef= fakt(xxxbe)
Az élek: a csúcsok közöttikapcsolatok.
x(i)be′ def=∑j
wijx(j)ki
A fenti lépésekismétlodnek.
MI az információ? definíció szerint xxxki ∈ Rk
298/370
![Page 375: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/375.jpg)
MesterségesIntelligencia
12Csató Lehel
M.L.P
B.P.
Deep Learning
Többrétegu Hálók II
WWW
Y
VVV
x1
h1 h2 h3 h4 h5
x2
h1 h2 h3 h4 h5
x3
h1 h2 h3 h4 h5
x4
h1 h2 h3 h4 h5
„Formálisan”:A neuronháló csúcsai azinformációt feldolgozzák.
ykidef= fakt(xxxbe)
Az élek: a csúcsok közöttikapcsolatok.
x(i)be′ def=∑j
wijx(j)ki
A fenti lépésekismétlodnek.
MI az információ? definíció szerint xxxki ∈ Rk
298/370
![Page 376: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/376.jpg)
MesterségesIntelligencia
12Csató Lehel
M.L.P
B.P.
Deep Learning
Többrétegu Hálók II
WWW
Y
VVV
x1
h1 h2 h3 h4 h5
x2
h1 h2 h3 h4 h5
x3
h1 h2 h3 h4 h5
x4
h1 h2 h3 h4 h5
„Formálisan”:A neuronháló csúcsai azinformációt feldolgozzák.
ykidef= fakt(xxxbe)
Az élek: a csúcsok közöttikapcsolatok.
x(i)be′ def=∑j
wijx(j)ki
A fenti lépésekismétlodnek.
MI az információ? definíció szerint xxxki ∈ Rk
298/370
![Page 377: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/377.jpg)
MesterségesIntelligencia
12Csató Lehel
M.L.P
B.P.
Deep Learning
Többrétegu Hálók II
WWW
Y
VVV
x1
h1 h2 h3 h4 h5
x2
h1 h2 h3 h4 h5
x3
h1 h2 h3 h4 h5
x4
h1 h2 h3 h4 h5
„Formálisan”:A neuronháló csúcsai azinformációt feldolgozzák.
ykidef= fakt(xxxbe)
Az élek: a csúcsok közöttikapcsolatok.
x(i)be′ def=∑j
wijx(j)ki
A fenti lépésekismétlodnek.
MI az információ? definíció szerint xxxki ∈ Rk
298/370
![Page 378: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/378.jpg)
MesterségesIntelligencia
12Csató Lehel
M.L.P
B.P.
Deep Learning
Többrétegu Hálók III
A bemeno aktivitás:yj =
∑iwijxi + bj.
A perceptron tanulásialgoritmushoz hasonlóan:
elobb: xxx ′i = [x1, . . . , xd, 1]T
⇒ www ′·j = [w1, . . . , wd, b]T
f(z− b)
b0 1 2
1
f(z) = sgn(z)
Univerzális approximáció
A következo rendszer:
fM(z|www,bbb) =
M∑m=1
wmf(z− bm)
univerzális approximátor, azaz ∀δ > 0 ∀g ∈ L2(Rd)∃M,www,bbb ú.h. ‖g− fM(z|www,bbb)‖L2 ≤ δ
299/370
![Page 379: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/379.jpg)
MesterségesIntelligencia
12Csató Lehel
M.L.P
B.P.
Deep Learning
Többrétegu Hálók IV
Univerzális approximátor: bizonyítás aszint-halmazokon alapszik (lásd Lebesgue integrálás).
Vizualizálás:Mintavételezés a www és bbb értékekbolMATLAB kód:%Generatorfuggvenyek
f = inline(’((x>0)-0.5).*2’);g = inline(’2./(1+exp(-2*x))-1’);% komponensek szama
5 mComp = 10;% fv.-nyek szamanF = 6;% X tengelyxx=-10:0.05:10;
10 xd=repmat(xx,[mComp,1]);% plot initclf; hf = subplot(1,2,1);set(gca, ...’Position’,[0.05 0.1 0.42 0.85],...
15 ’YTick’,[],’XTick’,[]);hold on; box on; ylim([-25,25]);set(gca,...’Position’,[0.55 0.1 0.42 0.85],...’YTick’,[],’XTick’,[]);
20 hold on; box on; ylim([-25,25]);
hg = subplot(1,2,2);% megjelenitesi stilusstyle = ’b’,’r’,’k’,’m’,’c’,’g’;% F.v.-nyek generalasa
5 for ii=1:nF;% egyutthatokss=(2*rand(mComp,1) -1)*6;ww=(2*rand(mComp,1) -1)*6;bb=(2*rand(mComp,1) -1)*10;
10bd=diag(bb)*ones(size(xd));y_f = sum(diag(ww) * f(diag(ss)*xd + bd));y_g = sum(diag(ww) * g(diag(ss)*xd + bd));% megjelenites
15 plot(hf,xx,y_f,styleii,’LineWidth’,3);plot(hg,xx,y_g,styleii,’LineWidth’,3);
end;% nyomtatasprint -depsc2 rand_fn.eps
300/370
![Page 380: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/380.jpg)
MesterségesIntelligencia
12Csató Lehel
M.L.P
B.P.
Deep Learning
Aktivációs függvények
−10 −5 0 5 10−1
−0.5
0
0.5
1
Aktivacios fugveny
F. Derivaltja
-10 -5 0 5 10-1
-0.6
-0.2
0.2
0.6
1
Aktivacios fuggvenyF. Derivaltja
Véletlen függvények a függvényosztályokból:
301/370
![Page 381: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/381.jpg)
MesterségesIntelligencia
12Csató Lehel
M.L.P
B.P.
Deep Learning
Backpropagation I
Nem bináris függvényt közelít.
A bemeneti/kimeneti értékek folytonosak.
fNN : Rd → RFolytonos esetben használható a négyzeteshibafüggvény:
E(wwwNN) =1
2
N∑n=1
(yn − fNN(xxxn)
)2aholwwwNN a neuronháló paraméterei.
Differenciálható akt. függvényeknél a gradiensszabály alkalmazható⇒ backpropagation szabály.
302/370
![Page 382: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/382.jpg)
MesterségesIntelligencia
12Csató Lehel
M.L.P
B.P.
Deep Learning
Backpropagation II
Error back-propagation⇔ négyzetes hibavisszaterjesztése
Egy adott tanulási halmazhoz és egywwwNN neurálishálóhoz rendelt négyzetes hiba
E(wwwNN) =1
2
N∑n=1
(yn − fNN(xxxn)
)2akkor zéró, ha a neurális háló minden adatot jólközelít.
Egy adottwww(0)NN hálónál jobban közelíto hálót kapunk
ha egy kis lépést végzünk a negatív gradiensirányába.
303/370
![Page 383: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/383.jpg)
MesterségesIntelligencia
12Csató Lehel
M.L.P
B.P.
Deep Learning
Backpropagation III
„Képletesen”
www(t+1)NN ⇐ www
(t)NN − α
∂E(www(t)NN)
∂www(t)NN⇐ www
(t)NN − α ∂wwwE(www
(t)NN)
aholα – tanulási együttható;
∂wwwE(www(t)NN) – a hiba gradiense (vektorok!).
Kérdés: milyen αértékek megfeleloek?Kis lépések⇒hosszú konvergencia.Nagy lépések⇒nem konvergál. w0w1w2
Local optimum
304/370
![Page 384: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/384.jpg)
MesterségesIntelligencia
12Csató Lehel
M.L.P
B.P.
Deep Learning
Backpropagation IV
Differenciálás szabálya:
∂f(g1(wi), . . . , gk(wi))
∂wi=∑gj
∂f(g1, . . . , gk)
∂gj
∂gj
∂wi
Neuronháló függvénye:
y = · · ·
(· · · , fj
(∑i
hiwij
), · · ·
)fj (∑i hiwij)
h1 wi1
h2wi2
hN
wiN
∂wijE(·) =∑j
∂fjE(·) ∂wijfj
(∑i
wijhi
)
305/370
![Page 385: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/385.jpg)
MesterségesIntelligencia
12Csató Lehel
M.L.P
B.P.
Deep Learning
Backpropagation V
(folyt)∂wijE(·) = ∂fjE(· · · ) ∂wijfj
(∑Nn=1wijhi
)= hi f
′j
(∑Nn=1wijhi
)∂fjE(·)
A bemeneti érték és a kimeneti hiba szorzódnak.
És ∂fjE(·) = ∂fjE(. . . , gk
(∑j vjkfj
), . . .
)Lánc-deriválás szerint:
∂fjE(·) =∑k
vjk ∂gkE(·)g′k(·)
fj (·)
vjK
. . .
vj1
Az egyéni hibák súlyozottan összeadódnak.
306/370
![Page 386: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/386.jpg)
MesterségesIntelligencia
12Csató Lehel
M.L.P
B.P.
Deep Learning
Backpropagation VI
(folyt)Tehát: amíg a muködésnél a jel elore terjed, a tanulásfolyamán a hiba visszafele; a kimeneti réteg felol a hálóbemenete felé „terjed”.
Hiba-visszaterjesztés (BP)
=⇒∑·
azaz az osztópontok összegzové alakulnak;∑·
=⇒azaz az összegzo csomópontok meg hiba-elosztóvá.
307/370
![Page 387: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/387.jpg)
MesterségesIntelligencia
12Csató Lehel
M.L.P
B.P.
Deep Learning
Backpropagation Összefoglaló
A BP algoritmus a gradiensszabály alkalmazása aneuronhálókra;Az alap a négyzetes hiba;Egyszeruen implementálható;Nagyon sok alkalmazás;
w0w1w2
Local optimum
Hátrányok:Mivel gradiens, lassú⇒ nagyon sokáig tarthat atanulás.Más módszerekkel állítani be a súlyokat: Newton,Konjugált gradiens.Nincs a becsült mennyiségre konfidencia⇒valószínuségi módszerek szükségesek. Rosenbrock
308/370
![Page 388: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/388.jpg)
MesterségesIntelligencia
12Csató Lehel
M.L.P
B.P.
Deep Learning
Backpropagation Példa I
Feladat: keressük a h(x1, x2) = 100(x2 − x
21
)2+ (1 − x1)
2 függvényminimumát a gradiens szabály használatával.
∂1h(·) = 400(x2 − x21)x1
+ 2(x1 − 1)
∂2h(·) = 200(x2 − x21)
A második egyenlet↔ x2 = x1
Behelyettesítve x1 = 1.
Induljunk a (−1, 1)
pontból.
309/370
![Page 389: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/389.jpg)
MesterségesIntelligencia
12Csató Lehel
M.L.P
B.P.
Deep Learning
Backpropagation Példa II
BP szabály = gradiens – általában nagyon lassú.Rosenbrock fv. optimizálás
0
0.5
1
1.5
2 Gradient DescentScaled Conjugate GradientsQuasi NewtonConjugate Gradients
310/370
![Page 390: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/390.jpg)
MesterségesIntelligencia
12Csató Lehel
M.L.P
B.P.
Deep Learning
M.L.P. Összefoglaló
Neurális hálók fekete-doboz módszerek:
1 minden feladat megoldására potenciálisanalkalmazhatóak;
2 jó eredményekhez (majdnem mindig) kell egy kisigazítás a módszeren;
3 siker függ a tapasztalattól;7
BackPropagation = gradiens tanulás
1 általában nagyon lassú;2 fejlett módszerek: konjugált gradiens módszerek,
quasi-Newton, etc. gyorsítanak a konvergencián.3 lokális optimumok elkerülésére többszálú optimizálás,
pl. mintavételezéssel kijelölni a kezdoértékeket.
7Érdemes tehát tovább tanulni.311/370
![Page 391: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/391.jpg)
MesterségesIntelligencia
12Csató Lehel
M.L.P
B.P.
Deep Learning
A „Deep Learning” modell
312/370
![Page 392: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/392.jpg)
MesterségesIntelligencia
13Csató Lehel
Hebb
Self. Org.
Hebb-hálók
S.O.M.
Az Eloadások Témái
Bevezeto: mi a mesterséges intelligencia 1
„Tudás”–reprezentáció 2
Gráfkeresési stratégiák 3
Szemantikus hálók / Keretrendszerek 4
Játékok modellezése 5
Bizonytalanság kezelése 6
Grafikus modellek és a D.S. modell 7
Fuzzy rendszerek 8
Tanuló rendszerek 9
Szimulált kifutés, Genetikus algoritmusok 10
Neurális hálók, a perceptron modell 11
Többrétegu hálók, Önszervezodés 12 , 13
Gépi tanulás 14
313/370
![Page 393: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/393.jpg)
MesterségesIntelligencia
13Csató Lehel
Hebb
Self. Org.
Hebb-hálók
S.O.M.
Admin ... ... trívia
Vizsga
Szóbeli (60%) + Gyakorlat (40%)
Laborgyakorlatok:1 Gráfok ábrázolása - dedukciós algoritmus 18%2 Játékelmélet 10%3 Matlab - tanulási algoritmus 12%4 Opcionális feladatok - max. 3/személy sok%
Bemutatók (5–20 pont)Alkalmazások bemutatása, melyek adaptív, gépitanulásos vagy mestint módszereket alkalmaznak.
314/370
![Page 394: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/394.jpg)
MesterségesIntelligencia
13Csató Lehel
Hebb
Self. Org.
Hebb-hálók
S.O.M.
D.O. Hebb I
D.O. HebbThe organization of behavior
A neurális moduláció alapelvei:Két neuron között a kapcsolat erossége arányos a neuronokpre-, illetve poszt-szinaptikus tevékenységével;
Azon neuron–csoportok, melyek általában egyszerre tüzelnek,egy egységet alkotnak; (modularitás)
A gondolkodás folyamata ezen sejt-csoportok szekvenciálisaktivációja;
315/370
![Page 395: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/395.jpg)
MesterségesIntelligencia
13Csató Lehel
Hebb
Self. Org.
Hebb-hálók
S.O.M.
D.O. Hebb II
Organization of Behavior:When an axon of cell A is near enough to excite B and repeatedly orpersistently takes part in firing it, some growth process or metabolicchange takes place in one or both cells such that A’s efficiency, as oneof the cells firing B, is increased.
(p. 62)
Neuroscience⇔ „Hebb synapse”
„Hebb szabály”
∆wij = αaiaj
Aholai, aj – neuronok aktivitásai;wij – az összeköto szinapszis erossége;α – tanulási együttható.
316/370
![Page 396: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/396.jpg)
MesterségesIntelligencia
13Csató Lehel
Hebb
Self. Org.
Hebb-hálók
S.O.M.
Önszervezo Hálók I
Haykin: Neural NetworksA comprehensive foundation, IEEE press, 1994
Cél:Struktúrák felfedezése az adatokban;„Felügyelet” nélküli muködés⇒ önszervezés.
Tanulási szabályok:lokális szabályok, melyek – sok neuronra alkalmazva– egy globális függvényt határoznak meg.Alapja (Turing 1952):
„Global order can arise from local interactions.”
317/370
![Page 397: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/397.jpg)
MesterségesIntelligencia
13Csató Lehel
Hebb
Self. Org.
Hebb-hálók
S.O.M.
Önszervezo Hálók II
Önszervezo rendszerek alapelvei (von der Malsburg):A szinapszisok önmegerosítoek
A pre-, illetve posztszinaptikus neuronok egyideju aktivációjaerosíti a szinapszist (lásd Hebb).
A szinapszisok versengenek az eroforrásokért
A legerosebb szinapszis biztos, hogy túléli. Ez a többi rovásáratörténik (winner-takes-all).
A szinapszisok változásai koordináltak
Egy szinapszis nem kódol robusztusan, ezért egy régió neuronjai– majdnem – azonos bemenet–kimenet kapcsolatot kódolnak.
318/370
![Page 398: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/398.jpg)
MesterségesIntelligencia
13Csató Lehel
Hebb
Self. Org.
Hebb-hálók
S.O.M.
Önszervezo Hálók III
Önszervezo tanulás ≡ Struktúra-felismerés
A vizuális rendszer önszervezo:fejlodésének elején csak a felismerésre valóképesség van jelen;a muködés során egyes kép-csoportok – klaszterek –együttesen lesznek ábrázolva;
A származtatott fogalmak ábrázolása a hierarchiaegy felsobb szintjén történik.
X
Y
Példa:
neurális rendszerpixelcsoportokat keres.
némely pixelcsoportgyakori; ezen csoportokrözgülnek a rendszerben.
a felso szinten a rendszercímkézést végez.
319/370
![Page 399: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/399.jpg)
MesterségesIntelligencia
13Csató Lehel
Hebb
Self. Org.
Hebb-hálók
S.O.M.
Hebb-féle tanulás I
Hebb tanulás - auto-asszociatív rendszerek
A rendszer bemenete egy minta - nincs kimeneti jel.
A „kimeneten” vagy:az eredeti mintát; vagyegy csoportosítást, „surített” ábrázolást
szeretnénk visszakapni.
csoportosításkor a kimeneti neuronok versengenek:
yj =∑i
xiwij
yl =
1 l = k
0 l 6= kahol k = argmax
j
yj
320/370
![Page 400: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/400.jpg)
MesterségesIntelligencia
13Csató Lehel
Hebb
Self. Org.
Hebb-hálók
S.O.M.
Hebb-féle tanulás II
yl =
1 l = k
0 l 6= kahol k = argmax
j
yj
Végleges kimeneti érték az argmax muvelet után.Versengés a bemeneti mintákért.
WWW
x1
y1 y2 y3 y4 y5
v1
x2
y1 y2 y3 y4 y5
v2
x3
y1 y2 y3 y4 y5
v3
x4
y1 y2 y3 y4 y5
v4
x5
y1 y2 y3 y4 y5
v5
x6
y1 y2 y3 y4 y5
v6
x7
y1 y2 y3 y4 y5
v7
x8
y1 y2 y3 y4 y5
v8
x9
y1 y2 y3 y4 y5
v9
Feltételezve egy kezdoWWW– véletlen – súlyvektort, avvv minta bemutatása után
csak a w·4 súlyokváltoznak a kompetitívtanulás során.
321/370
![Page 401: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/401.jpg)
MesterségesIntelligencia
13Csató Lehel
Hebb
Self. Org.
Hebb-hálók
S.O.M.
Hebb-féle tanulás II
yl =
1 l = k
0 l 6= kahol k = argmax
j
yj
Végleges kimeneti érték az argmax muvelet után.Versengés a bemeneti mintákért.
WWW
x1
y1 y2 y3 y4 y5
v1
x2
y1 y2 y3 y4 y5
v2
x3
y1 y2 y3 y4 y5
v3
x4
y1 y2 y3 y4 y5
v4
x5
y1 y2 y3 y4 y5
v5
x6
y1 y2 y3 y4 y5
v6
x7
y1 y2 y3 y4 y5
v7
x8
y1 y2 y3 y4 y5
v8
x9
y1 y2 y3 y4 y5
v9
Feltételezve egy kezdoWWW– véletlen – súlyvektort, avvv minta bemutatása után
csak a w·4 súlyokváltoznak a kompetitívtanulás során.
321/370
![Page 402: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/402.jpg)
MesterségesIntelligencia
13Csató Lehel
Hebb
Self. Org.
Hebb-hálók
S.O.M.
Hebb-féle tanulás III
∆wij = αxiyj
minden yk neuronattraktorként muködik.
receptív mezok alakulnak ki
α→ 0 tanulási mód, pl.
αt =K
t
az asszociatív hálókonvergál (lásd).
Y
Y
Y
Y
Y
4
21
5
3
X
2
1
X
ami nincs: kapcsolatok a kimeneti neuronok között:Kohonen-hálók
322/370
![Page 403: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/403.jpg)
MesterségesIntelligencia
13Csató Lehel
Hebb
Self. Org.
Hebb-hálók
S.O.M.
Kohonen hálók I
Teuvo Kohonen
Since the 1960’s, ∼ introduced severalnew concepts to neural computing:theories of distributed associative memoryand optimal associative mappings, theself-organizing feature maps (SOMs), thelearning vector quantization (LVQ), . . .
the Adaptive-Subspace SOM (ASSOM) inwhich invariant-feature filters emerge . . .
A new SOM architecture WEBSOM hasbeen developed in his laboratory forexploratory textual data mining.
http://websom.hut.fi/websom/ Wikipedia link
323/370
![Page 404: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/404.jpg)
MesterségesIntelligencia
13Csató Lehel
Hebb
Self. Org.
Hebb-hálók
S.O.M.
Kohonen hálók II
Jellemzok:
kétrétegu háló, egy bemeneti és egy kimenetiréteggel;
(mint elobb)
kompetitív háló: csak egy neuron lesz aktív;(mint elobb)
a kimeneti rétegen topológia van értelmezve(ÚJ)
324/370
![Page 405: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/405.jpg)
MesterségesIntelligencia
13Csató Lehel
Hebb
Self. Org.
Hebb-hálók
S.O.M.
Kohonen hálók Topológia
Topológia – szomszédságot jelent
segít a tanulásban:a szomszédok is tanulnak –kevésbé ...
értelmezheto eredmény:a szomszédok aktivitása isaktivitása alapján pontosabbrekonstrukció
a kimeneti nij neuronokmegcímkézhetoek:Kohonen: ... fonémaannotáció
n11
n12
n13
n14
n21
n22
n23
n24
n31
n32
n33
n34
n41
n42
n43
n44
325/370
![Page 406: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/406.jpg)
MesterségesIntelligencia
13Csató Lehel
Hebb
Self. Org.
Hebb-hálók
S.O.M.
Kohonen hálók Tanulás I
Az algoritmus iteratív:
1 minták egyenként; a t-edik idopontban legyen xxxt2 kiszámtítjuk a kimeneti neuronok aktivitását:
yj =∑i
wijxi(t) =WWWxxx(t)
3 megkeressük a nyertes kimeneti neuront:
k def= argmax
j
yj
4 Az összes szomszédos neuron súlyát módosítjuk:
wij(t+ 1) = wij(t) + α η(j, k)xi(t)
Normáljuk a súlyokat w·j ⇐ w·j/‖w·j‖5 GOTO 1
326/370
![Page 407: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/407.jpg)
MesterségesIntelligencia
13Csató Lehel
Hebb
Self. Org.
Hebb-hálók
S.O.M.
Kohonen hálók Tanulás II
Szavakban:a nyertes neuron„aktivizálódik”;A nyertes neuront ésszomszédait „közelebb”hozzuk a bemenethez;Mindegyik neuronspecializálódik amintákra: arra lesz alegnagyobb a kimenete;
···
·
·
·
·
·
··
·
·
····
327/370
![Page 408: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/408.jpg)
MesterségesIntelligencia
13Csató Lehel
Hebb
Self. Org.
Hebb-hálók
S.O.M.
Kohonen hálók Tanulás II
Szavakban:a nyertes neuron„aktivizálódik”;A nyertes neuront ésszomszédait „közelebb”hozzuk a bemenethez;Mindegyik neuronspecializálódik amintákra: arra lesz alegnagyobb a kimenete;
···
·
·
·
·
·
··
·
·
····
xxxt
327/370
![Page 409: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/409.jpg)
MesterségesIntelligencia
13Csató Lehel
Hebb
Self. Org.
Hebb-hálók
S.O.M.
Kohonen hálók Tanulás II
Szavakban:a nyertes neuron„aktivizálódik”;A nyertes neuront ésszomszédait „közelebb”hozzuk a bemenethez;Mindegyik neuronspecializálódik amintákra: arra lesz alegnagyobb a kimenete;
···
·
·
·
·
·
··
·
·
····
xxxt
327/370
![Page 410: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/410.jpg)
MesterségesIntelligencia
13Csató Lehel
Hebb
Self. Org.
Hebb-hálók
S.O.M.
Kohonen hálók Tanulás III
···
·
·
·
·
·
··
·
·
····
xxxt
Eredmény: a neuronok elhelyezkedését a bemenetiminták suruségfüggvénye határozza meg – több neuronkerül a surubb régiókba.
328/370
![Page 411: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/411.jpg)
MesterségesIntelligencia
13Csató Lehel
Hebb
Self. Org.
Hebb-hálók
S.O.M.
Kohonen hálók Tanulás III
···
·
·
·
·
·
··
·
·
····
xxxt
Eredmény: a neuronok elhelyezkedését a bemenetiminták suruségfüggvénye határozza meg – több neuronkerül a surubb régiókba.
328/370
![Page 412: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/412.jpg)
MesterségesIntelligencia
13Csató Lehel
Hebb
Self. Org.
Hebb-hálók
S.O.M.
Önszervezo rendszerek Összefoglaló
Az adatokhoz nincs kimeneti érték rendelve;
A rendszer általában az adatok egy csoportosításátvalósítja meg;
Ez implicit módon a bemeneti adatok terének afelosztását jelenti;
Zajszurés/Surítés: a teljes bemeneti adatok helyett ahozzá tartozó osztály kódját küldjük.
329/370
![Page 413: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/413.jpg)
MesterségesIntelligencia
13Csató Lehel
Hebb
Self. Org.
Hebb-hálók
S.O.M.
Példa – Térképészgép
Walter Bischof, Jun Zhou (U. Alberta) és Terry Caelli
(Australian N.U) a kartográfiát (részben) automatizáló
programmal álltak elo.
A program embertol tanulja,miként fedezzen fel és azonosítsonlégi felvételeken korábban nemszereplo vagy megváltozottelemeket: utakat, vasutakat,épületeket. Ágens portál Walter Bischof projektek
Muködése:Egyre többet tud meg – „okosabb” lesz. Kello mennyiségugyakorlás után az operátor rábízza a munkát. Bayes-félekövetkeztetést használ: korábbi mérések alapján végez újbecsléseket. A legjobbakból állapítja meg az adott országútsoron következo pontjait, és ezt mindaddig folytatja, amíg az újelemek pozíciója megfelel az elvárásoknak.
330/370
![Page 414: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/414.jpg)
MesterségesIntelligencia
14Csató Lehel
Gépi Tanulás
Adatmodellezés
Rejtett változók
BecslésekML
MAP
Bayes
Grafikus modellek
Az Eloadások Témái
Bevezeto: mi a mesterséges intelligencia 1
„Tudás”–reprezentáció 2
Gráfkeresési stratégiák 3
Szemantikus hálók / Keretrendszerek 4
Játékok modellezése 5
Bizonytalanság kezelése 6
Grafikus modellek és a D.S. modell 7
Fuzzy rendszerek 8
Tanuló rendszerek 9
Szimulált kifutés, Genetikus algoritmusok 10
Neurális hálók, a perceptron modell 11
Többrétegu hálók, Önszervezodés 12 , 13
Gépi tanulás 14
331/370
![Page 415: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/415.jpg)
MesterségesIntelligencia
14Csató Lehel
Gépi Tanulás
Adatmodellezés
Rejtett változók
BecslésekML
MAP
Bayes
Grafikus modellek
Admin ... ... trívia
Vizsga
Szóbeli (60%) + Gyakorlat (40%)
Laborgyakorlatok:1 Gráfok ábrázolása - dedukciós algoritmus 18%2 Játékelmélet 10%3 Matlab - tanulási algoritmus 12%4 Opcionális feladatok - max. 3/személy sok%
Bemutatók (5–20 pont)Alkalmazások bemutatása, melyek adaptív, gépitanulásos vagy mestint módszereket alkalmaznak.
332/370
![Page 416: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/416.jpg)
MesterségesIntelligencia
14Csató Lehel
Gépi Tanulás
Adatmodellezés
Rejtett változók
BecslésekML
MAP
Bayes
Grafikus modellek
Példa Ágensek filmvásznon
A Massive céggel a Gyurük Ura trilógiában találkozhattunk
2001-ben.
Az összes csatajelenet az oprogramjukkal készült. Nemvéletlen, hogy a tavalyi (2005) KingKong-ban statiszták helyett aMassive ágenseit használták.
Ágens portál Walter Bischof projektek
Aitia
Hangya-kolónia szimuláció egy kedveltM.I. téma. A „buta” hangya-ágensekferomon nyomokat hagynak magukután; ezek alapján mozognak. Nincsglobális információ a környezetrol:csak a feromon-nyomot követik.A kolónia intelligens viselkedést mutat:megtalálja a legrövidebb utat a fészekés az élelemforrás között.
Gulyás László, ELTE
333/370
![Page 417: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/417.jpg)
MesterségesIntelligencia
14Csató Lehel
Gépi Tanulás
Adatmodellezés
Rejtett változók
BecslésekML
MAP
Bayes
Grafikus modellek
Gépi tanulás
Történelmi háttér / Motiváció:
nagyon nagy mennyiségu adat, melyet szeretnénkautomatikusan feldolgozni;
A matematikai modellek általánosak – nem egy adottfeladatra vannak kiélezve,
Szükség van esetenkénti tanulmányozására egy-egyfeladattípusnak⇒ „tudomány–ág”, mely a modelleketa feladatokhoz „idomítja”.
334/370
![Page 418: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/418.jpg)
MesterségesIntelligencia
14Csató Lehel
Gépi Tanulás
Adatmodellezés
Rejtett változók
BecslésekML
MAP
Bayes
Grafikus modellek
Gépi tanulás Meghatározás
Gépi tanulásMódszerek – statisztikai, valószínuségi – gyujteményevalós feladatok megoldására.
Például:Zajszurés: (nem–)lineáris regresszió és(nem–)normális zajt feltételezve;Osztályozás: bináris, több–osztályos, illetveRészlegesen címkézett adatokra;Klaszterezés – adatok csoportosítása,Függvényinverzió,Suruségbecslés,„Kakukktojások” felfedezése – novelty detection.
Szükséges az adatok modellezése.335/370
![Page 419: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/419.jpg)
MesterségesIntelligencia
14Csató Lehel
Gépi Tanulás
Adatmodellezés
Rejtett változók
BecslésekML
MAP
Bayes
Grafikus modellek
Gépi tanulás Mitchell
T. Mitchell: Machine Learning (ML), textbook
. . . is concerned with the question of how toconstruct programs that automatically improvewith experience.
In recent years (1997) successful MLalgorithms have been developed in
data-mining – fraud detection,
filtering for user’s preferences,
vehicles that learn to drive on highways;
advances in the theory and algorithmsthat form the foundations of tis field.
Thomas Mitchell
Tanuló rendszerolyan számítógépes program, melyek képességei amuködés során javulnak.
336/370
![Page 420: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/420.jpg)
MesterségesIntelligencia
14Csató Lehel
Gépi Tanulás
Adatmodellezés
Rejtett változók
BecslésekML
MAP
Bayes
Grafikus modellek
Adatmodellezés
f(xxx)Megfigyelés
(xxxi, yi)
(xxx1, y1)(xxx2, y2)···
(xxx1, y1)
Feltételezzük, hogy:„Valahol”: létezik a t = f(x) függvény, mely generáladatokat;
A megfigyelt értékek zajosak: nem y = f(xxx)-etkapunk, hanem például:
yn = tn + ε additív zajyn = h(tn, ε) h módosító függvény
Feladat: találjuk meg az y = f(x) függvényt.337/370
![Page 421: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/421.jpg)
MesterségesIntelligencia
14Csató Lehel
Gépi Tanulás
Adatmodellezés
Rejtett változók
BecslésekML
MAP
Bayes
Grafikus modellek
Rejtett változós modellek I
f(xxx)Inferencia
f ∈ FFF(xxx1, y1)(xxx2, y2)···
(xxx1, y1)
Szükséges:Adatok halmaza – megfigyelés során gyujtjük.
Függvény osztály feltételezése. Lehet:K-ad fokú polinomok,Fourier polinomok,Wavelet-ek;
A megfigyelési folyamat ismerete – a zaj kódolása;
Algoritmus a legmegfelelobb függvény kiválasztására.338/370
![Page 422: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/422.jpg)
MesterségesIntelligencia
14Csató Lehel
Gépi Tanulás
Adatmodellezés
Rejtett változók
BecslésekML
MAP
Bayes
Grafikus modellek
Rejtett változós modellek II
Adottak:
Adathalmaz D = (xxx1, y1), . . . , (xxxN, yN).Függvényosztály (feltételezzük, hogy a megoldászmegfelelo):
(1) FFF =wwwTxxx+ b|www ∈ Rd, b ∈ R
(2) FFF =
a0 +
K∑k=1
ak sin(2πkx) +K∑k=1
bk cos(2πkx)
|aaa,bbb ∈ RK, a0 ∈ R
A megfigyelési folyamat egy modellje:
yn = f(xxxn) + ε with ε ∼ N(0, σ2).
339/370
![Page 423: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/423.jpg)
MesterségesIntelligencia
14Csató Lehel
Gépi Tanulás
Adatmodellezés
Rejtett változók
BecslésekML
MAP
Bayes
Grafikus modellek
Rejtett változós modellek III
Általánosan:1 Adatok: D = (xxx1, y1), . . . , (xxxN, yN).
2 Függvényosztály:
FFF =f(xxx,θθθ)|θθθ ∈ Rp
3 Megfigyelés – definiáljuk a hibafüggvényt:
L (yn, f(xxxn,θθθ))
Gauss-zaj esetén:L(yn, f(xxxn,θθθ)) = (yn − f(xxxn,θθθ))
2.
340/370
![Page 424: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/424.jpg)
MesterségesIntelligencia
14Csató Lehel
Gépi Tanulás
Adatmodellezés
Rejtett változók
BecslésekML
MAP
Bayes
Grafikus modellek
Paraméterbecslés Bevezeto
ParaméterbecslésTaláljuk meg a θθθ paraméter-vektor optimális értékét.Optimalitás:
θθθ∗ = arg minθθθ∈Ω
L(D,θθθ)
aholΩ a paraméterek értelmezési tartománya.L(D,θθθ) az adatokhoz rendelt hibafüggvény.
Példa a hibafüggvényreFüggetlen megfigyelések esetén:
L(D,θθθ) =N∑n=1
L(yn, f(xxxn,θθθ))
miért független?341/370
![Page 425: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/425.jpg)
MesterségesIntelligencia
14Csató Lehel
Gépi Tanulás
Adatmodellezés
Rejtett változók
BecslésekML
MAP
Bayes
Grafikus modellek
Paraméterbecslés M.L.
L(D,θθθ) – (log)likelihood függvény.
M.L. = maximum likelihood értéku θθθ:
θθθ∗ = arg minθθθ∈Ω
L(D,θθθ)
Példa – legkisebb négyzetes hibával történo becslés:
L(D,θθθ) =N∑n=1
(yn − f(xxxn,θθθ))2
θθθ∗ = arg minθθθ∈Ω
N∑n=1
(yn − f(xxxn,θθθ))2
Hátrány: Túl pontos illeszkedés – over-fitting.342/370
![Page 426: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/426.jpg)
MesterségesIntelligencia
14Csató Lehel
Gépi Tanulás
Adatmodellezés
Rejtett változók
BecslésekML
MAP
Bayes
Grafikus modellek
M.L. becslés Over-fitting
-10 -5 0 5 10-5
0
5
10 Training setPoly 4Poly 3Test set
343/370
![Page 427: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/427.jpg)
MesterségesIntelligencia
14Csató Lehel
Gépi Tanulás
Adatmodellezés
Rejtett változók
BecslésekML
MAP
Bayes
Grafikus modellek
Maximum a–posteriori becslés MAP
MAP becsléshez szükségünk van valószínuségekre:
A D adathalmaz valószínusége (log–lik).θθθ paraméterhez – az adatok által – rendelt fgv:
P(yn|xxxn,θθθ,FFF) ∝ exp [−L(yn, f(xxxn,θθθ))]
∝ – normálni is kell.
A-priori – elozetes – valószínuségMilyen θθθ értékek a legvalószínubbek
p0(θθθ) ∝ exp[−‖θθθ‖2
2
]az adatok ismerete elott specifikáljuk.
344/370
![Page 428: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/428.jpg)
MesterségesIntelligencia
14Csató Lehel
Gépi Tanulás
Adatmodellezés
Rejtett változók
BecslésekML
MAP
Bayes
Grafikus modellek
Maximum a–posteriori becslés MAP
MAP becsléshez szükségünk van valószínuségekre:
A D adathalmaz valószínusége (log–lik).θθθ paraméterhez – az adatok által – rendelt fgv:
P(yn|xxxn,θθθ,FFF) ∝ exp [−L(yn, f(xxxn,θθθ))]
∝ – normálni is kell.
A-priori – elozetes – valószínuségMilyen θθθ értékek a legvalószínubbek
p0(θθθ) ∝ exp[−‖θθθ‖2
2
]az adatok ismerete elott specifikáljuk.
344/370
![Page 429: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/429.jpg)
MesterségesIntelligencia
14Csató Lehel
Gépi Tanulás
Adatmodellezés
Rejtett változók
BecslésekML
MAP
Bayes
Grafikus modellek
MAP II
A becslés a fenti valószínuségek – lik. & prior –kombinálása.
Bayes-szabály alkalmazása a θθθ és Dváltozókra:
p(θθθ|D,FFF) =P(D|θθθ)p0(θθθ)p(D|FFF)
p(D|FFF) =
∫Ω
dθθθ P(D|θθθ)p0(θθθ)
ahol p(D|FFF) – az adatok teljes valószínusége az adott FFFmodellre.
P(θθθ|D,FFF) minden θθθ értékhez egy valószínuség⇒ egyszerusítés szükséges.
345/370
![Page 430: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/430.jpg)
MesterségesIntelligencia
14Csató Lehel
Gépi Tanulás
Adatmodellezés
Rejtett változók
BecslésekML
MAP
Bayes
Grafikus modellek
MAP III
M.A.P. becslés – a legvalószínubb θθθ megtalálása:θθθ∗MAP = arg max
θθθ∈Ωp(θθθ|D,FFF)
Példa:
Az általános L(yn, f(xxxn,θθθ)) hibafüggvényt és Gauss-félea-priori valószínuségre.
A θθθ∗MAP kiszámítása (exp-ben levo tagok):
θθθ∗MAP = arg maxθθθ∈Ω
K−∑n
L(yn, f(xxxn,θθθ)) −‖θθθ‖2
2σ2o
Ha σ2o →∞ a maximum likelihood módszer.. egy elojelcsere és max→ min helyettesítés után.
346/370
![Page 431: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/431.jpg)
MesterségesIntelligencia
14Csató Lehel
Gépi Tanulás
Adatmodellezés
Rejtett változók
BecslésekML
MAP
Bayes
Grafikus modellek
MAP Példa
-2
0
2
4
6
8
10
126-odfoku polinom
Zaj var. =10-3
Zajmentes fgv.Tanulo adatok
Zaj var. = 10-2
347/370
![Page 432: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/432.jpg)
MesterségesIntelligencia
14Csató Lehel
Gépi Tanulás
Adatmodellezés
Rejtett változók
BecslésekML
MAP
Bayes
Grafikus modellek
Paraméter–becslések Bayes
Bayes – feltételes valószínuség – szabálya:
p(θθθ|D,FFF) =P(D|θθθ)p0(θθθ)p(D|FFF)
p(D|FFF) =
∫Ω
dθθθ P(D|θθθ)p0(θθθ)
és megpróbáljuk a teljes eloszlást tárolni.Miért?
Mivel nincs mindig képlet a poszt. eloszlásra, a
ppost(θθθ|D,FFF)
suruségfüggvényt közelítjük.
348/370
![Page 433: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/433.jpg)
MesterségesIntelligencia
14Csató Lehel
Gépi Tanulás
Adatmodellezés
Rejtett változók
BecslésekML
MAP
Bayes
Grafikus modellek
Statisztikák . . . szünet . . .
Apróbetu: A statisztikák szerepe:Az adatok helyettesítése
Feltételezzük, hogy létezik egy generátor, mely az adatokatlétrehozta;
Ismerjük a generátor alakját: (xxxi, yi) = Γ(zzzi|θ1, . . . , θk).
zzzi – paraméterek, változók.
θθθ = [θ1, . . . , θk]T – a modell paraméterei.
Az elemzéshez
a teljes adathalmazt helyettesítjük a
megfelelo paraméterekkel.
A predikcióhoz nem használjuk az adatokat,
„csak” a kinyert paramétereket és a modellt.
349/370
![Page 434: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/434.jpg)
MesterségesIntelligencia
14Csató Lehel
Gépi Tanulás
Adatmodellezés
Rejtett változók
BecslésekML
MAP
Bayes
Grafikus modellek
Bayes–becslés II
Bayes–becslés folyamánFoglalkozunk
a poszterior-eloszlás közelítésével:
p(θθθ) ≈ ppost(θθθ|D,FFF)
egy új adat valószínuségével – predikció:
p(y∗|xxx∗) ≈∫Ω
dθθθ p(θθθ)P(y ∗ |xxx∗,θθθ)
Teljes valószínuségnek a közelítésével:p(FFF |D) = p(D|FFF)p0(FFF)
A p(FFF |D) használható – elvileg – két különbözomodell összehasonlítására.
350/370
![Page 435: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/435.jpg)
MesterségesIntelligencia
14Csató Lehel
Gépi Tanulás
Adatmodellezés
Rejtett változók
BecslésekML
MAP
Bayes
Grafikus modellek
Bayes–becslés közelítés
p(θθθ) ≈ ppost(θθθ|D,FFF)
A közelítés alapja egy divergencia: méri, hogy a közelítoeloszlás minoségét:
p(θθθ) = argminp(θθθ)∈Ω
d(ppost(θθθ|D,FFF), p(θθθ)
)
A Bayes-becslések során fontos:milyen családban keressük az optimális eloszlást,milyen divergenciát használunk a „távolságok”mérésére. Gyakori a Kullback-Leibler divergencia.
351/370
![Page 436: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/436.jpg)
MesterségesIntelligencia
14Csató Lehel
Gépi Tanulás
Adatmodellezés
Rejtett változók
BecslésekML
MAP
Bayes
Grafikus modellek
Kullback–Leibler . . . szünet . . .
Gyakori a Kullback-Leibler divergencia:
dKL (p1(θθθ)|p2(θθθ)) =
∫Ωθθθ
dθθθ p1(θθθ) logp1(θθθ)
p2(θθθ)
Tulajdonságok:
dKL(p1|p2) ≥ 00 = log
(∫dθθθp2(θθθ)
)= log
(∫dθθθp1(θθθ)
p2(θθθ)p1(θθθ)
)alkalmazzuk a Jensen egyenlotlenséget:
0 >∫dθθθp1(θθθ) log p2(θθθ)
p1(θθθ)
0 > −dKL(p1|p2)
dKL(p1|p2) = 0 ⇔ p1(θθθ) = p2(θθθ)kivéve egy nulla-mértéku halmazt...
dKL(p1|p2) 6= dKL(p2|p1)Nem teljesül a háromszög-egyenlotlenség.
dKL (p1|p2) dKL (p1|p3) + dKL (p3|p2)következo
352/370
![Page 437: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/437.jpg)
MesterségesIntelligencia
14Csató Lehel
Gépi Tanulás
Adatmodellezés
Rejtett változók
BecslésekML
MAP
Bayes
Grafikus modellek
Jensen egyenlotlenség . . . szünet II. . .
Jensen egyenlotlenség
Legyen f(xxx) egy konvex függvény az[a, b] intervallumon. Ekkor ∀λ ∈ [0, 1]
f(λa + (1 − λ)b) ≤ λf(a) + (1 − λ)f(b)
axxx2 + bxxx + c
a=0
b=2.5
λ=0.4A logaritmus: függvény konkáv, tehát:
log(λa + (1 − λ)b) ≥ λ log(a) + (1 − λ) log(b) ahol a, b > 0.
Sok együtthatóra:
log
(∑i
πiai
)≥∑i
πi log(ai) ahol∑i
πi = 1 és πi ≥ 0.
log(∫dθθθp(θθθ) f(θθθ)
)≥∫dθθθp(θθθ) log (f(θθθ)) ahol f(θθθ) > 0.
vissza
353/370
![Page 438: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/438.jpg)
MesterségesIntelligencia
14Csató Lehel
Gépi Tanulás
Adatmodellezés
Rejtett változók
BecslésekML
MAP
Bayes
Grafikus modellek
Bayes–becslés közelítés
Példa közelítésre:
Ω =
exp[−1
2(θθθ −µµµθθθ)
TΣ−1θθθ (θθθ −µµµθθθ)
]| µµµθθθ ∈ Rd, Σ ∈ Rd
ahol Σ egy pozitív-definit mátrix.
Paraméter–optimizálás lépései:
A ppost(θθθ|D,FFF) a-posteriori eloszlás és az Ωeloszláscsalád meghatározása;
dKL(ppost(θθθ)|p(θθθ|µµµ, Σ)
)kiszámítása – (µµµ, Σ) vált.;
(µµµ, Σ) meghatározása:
(µµµ, Σ)⇒ argminp ∈ Ω
dKL(ppost(θθθ)|p(θθθ|µµµ, Σ)
)354/370
![Page 439: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/439.jpg)
MesterségesIntelligencia
14Csató Lehel
Gépi Tanulás
Adatmodellezés
Rejtett változók
BecslésekML
MAP
Bayes
Grafikus modellek
Bayes–becslés predikció
Feltételezzük, hogymeghatároztuk a legjobban közelíto p(θθθ) eloszlást.ismerjük a bemenet–kimenet összefüggéseket: a
P(y|xxx,θθθ) felt. valószínuséget.
Predikció:Adott bemenetre mi lesz a kimeneti értékek eloszlása?
Ha P(y|xxx,θθθ) eloszlás az y szerint, akkor a prediktívdisztribúció:
p(y∗|xxx∗,D) =∫Ωθθθ
dθθθp(θθθ|D) P(y∗|xxx∗,θθθ)
355/370
![Page 440: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/440.jpg)
MesterségesIntelligencia
14Csató Lehel
Gépi Tanulás
Adatmodellezés
Rejtett változók
BecslésekML
MAP
Bayes
Grafikus modellek
Bayes–predikció predikció II
Prediktív disztribúció:
p(y∗|xxx∗,D) =∫Ωθθθ
dθθθp(θθθ|D) P(y∗|xxx∗,θθθ)
A Gyakorlatban:fontos a modell választása: haM a modell-család,akkor minden valószínuség függ azM-tol:
p(θθθ|D) def= p(θθθ|D,M)
A ppost(θθθ)-hoz hasonlóan a prediktív eloszlás semírható fel analitikusan: közelítések szükségesek.
A prediktív eloszlást általában a p(θθθ)-hoz hasonlómódszerekkel keressük.
356/370
![Page 441: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/441.jpg)
MesterségesIntelligencia
14Csató Lehel
Gépi Tanulás
Adatmodellezés
Rejtett változók
BecslésekML
MAP
Bayes
Grafikus modellek
Bayes–modellek Példa
Függvénycsalád: legyen az
FFF =
f(xxx) def
=
6∑k=0
θkαkxxxk | θk ∼ N(0, 1), αk =
√(6
k
)
ahol θθθ = [θ1, . . . , θ6]T a függvény paraméterei.
Ekkor átlagban:
〈f(xxx)〉θ0,...,θ6 =
⟨6∑k=0
θkαkxxxk
⟩θ0,...,θ6
=
=
6∑k=0
000αkxxxk = 000
illetve . . .357/370
![Page 442: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/442.jpg)
MesterségesIntelligencia
14Csató Lehel
Gépi Tanulás
Adatmodellezés
Rejtett változók
BecslésekML
MAP
Bayes
Grafikus modellek
Bayes–modellek Példa
Függvénycsalád: legyen az
FFF =
f(xxx) def
=
6∑k=0
θkαkxxxk | θk ∼ N(0, 1), αk =
√(6
k
)
ahol θθθ = [θ1, . . . , θ6]T a függvény paraméterei.
Ekkor átlagban:
〈f(xxx)〉θ0,...,θ6 =
⟨6∑k=0
θkαkxxxk
⟩θ0,...,θ6
=
=
6∑k=0
000αkxxxk = 000
illetve . . .357/370
![Page 443: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/443.jpg)
MesterségesIntelligencia
14Csató Lehel
Gépi Tanulás
Adatmodellezés
Rejtett változók
BecslésekML
MAP
Bayes
Grafikus modellek
Bayes–modellek Példa II
〈f(xxx1)f(xxx2)〉a0,...,a6 =
⟨(6∑k=0
θkαkxxxk1
)(6∑k=0
θkαkxxxk2
)⟩...
=
6∑k=0
1α2kxxxk1xxxk2 =
6∑k=0
(6
k
)(xxx1xxx2)
k
= (1+ xxx1xxx2)6
FFF tehát egy függvényosztály, melynek átlaga 0 és szórásafent látható.
Feladat:Közelítsünk a Bayes–modell segítségével.
358/370
![Page 444: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/444.jpg)
MesterségesIntelligencia
14Csató Lehel
Gépi Tanulás
Adatmodellezés
Rejtett változók
BecslésekML
MAP
Bayes
Grafikus modellek
Bayes–modellek Példa II
〈f(xxx1)f(xxx2)〉a0,...,a6 =
⟨(6∑k=0
θkαkxxxk1
)(6∑k=0
θkαkxxxk2
)⟩...
=
6∑k=0
1α2kxxxk1xxxk2 =
6∑k=0
(6
k
)(xxx1xxx2)
k
= (1+ xxx1xxx2)6
FFF tehát egy függvényosztály, melynek átlaga 0 és szórásafent látható.
Feladat:Közelítsünk a Bayes–modell segítségével.
358/370
![Page 445: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/445.jpg)
MesterségesIntelligencia
14Csató Lehel
Gépi Tanulás
Adatmodellezés
Rejtett változók
BecslésekML
MAP
Bayes
Grafikus modellek
Bayes–modellek Példa II
〈f(xxx1)f(xxx2)〉a0,...,a6 =
⟨(6∑k=0
θkαkxxxk1
)(6∑k=0
θkαkxxxk2
)⟩...
=
6∑k=0
1α2kxxxk1xxxk2 =
6∑k=0
(6
k
)(xxx1xxx2)
k
= (1+ xxx1xxx2)6
FFF tehát egy függvényosztály, melynek átlaga 0 és szórásafent látható.
Feladat:Közelítsünk a Bayes–modell segítségével.
358/370
![Page 446: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/446.jpg)
MesterségesIntelligencia
14Csató Lehel
Gépi Tanulás
Adatmodellezés
Rejtett változók
BecslésekML
MAP
Bayes
Grafikus modellek
Bayes–modellek Példa II
〈f(xxx1)f(xxx2)〉a0,...,a6 =
⟨(6∑k=0
θkαkxxxk1
)(6∑k=0
θkαkxxxk2
)⟩...
=
6∑k=0
1α2kxxxk1xxxk2 =
6∑k=0
(6
k
)(xxx1xxx2)
k
= (1+ xxx1xxx2)6
FFF tehát egy függvényosztály, melynek átlaga 0 és szórásafent látható.
Feladat:Közelítsünk a Bayes–modell segítségével.
358/370
![Page 447: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/447.jpg)
MesterségesIntelligencia
14Csató Lehel
Gépi Tanulás
Adatmodellezés
Rejtett változók
BecslésekML
MAP
Bayes
Grafikus modellek
Bayes–példa Zaj
Szükséges a zaj ismerete; Feltételezzük, hogy az Gausseloszlású, tehát:
P(y|f(xxx,θθθ), σo) =1√2π
exp[−(y− f(xxx))2
2σ2o
]ahol σn a zaj (noise) szórása.
Az adatok: D = (xxx1, y1), . . . , (xxxN, yN)
Feltételes valószínuségük:
P(D|θθθ, σo) =N∏n=1
P(yn|f(xxxn,θθθ), σn)
359/370
![Page 448: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/448.jpg)
MesterségesIntelligencia
14Csató Lehel
Gépi Tanulás
Adatmodellezés
Rejtett változók
BecslésekML
MAP
Bayes
Grafikus modellek
Bayes–példa a–post I
A–posteriori eloszlás:
ppost(θθθ|D, σo) =P(D|θθθ, σo) p0(θθθ)∫dθθθ P(D|θθθ, σo)p0(θθθ)
ahol p0(θθθ) a változók feltételezett – a–priori – eloszlása.Megjegyzések:
Normál a–priori eloszlás esetén:
logp0(θθθ) ∝ −‖θθθ‖2
2σ2p
azaz regularizációs megkötés a paramétereken.A modell a paraméterekben lineáris⇒gaussz-eloszlás lesz az eredmény is.a jobb oldalon eloszlás van, a nevezo normalizáló⇒annak értékét nem kell kiszámítani.360/370
![Page 449: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/449.jpg)
MesterségesIntelligencia
14Csató Lehel
Gépi Tanulás
Adatmodellezés
Rejtett változók
BecslésekML
MAP
Bayes
Grafikus modellek
Bayes–példa a–post II
−2 logppost(θθθ|D, σo) = logp(D|M) +
N∑n=1
(yn − f(xxxn|θθθ))2
σ2n+‖θθθ‖2σ2p
ahol logp(D|M) a normalizáló konstans.Jelölések: xxx def
= [xxx0, xxx1, . . . , xxx6]T .
f(xxxn|θθθ)def= θθθTxxxn |θθθ‖2 = θθθTθθθ
yyy =
y1...yN
XXX =
x10 . . . x61...
. . ....
x0N . . . x6N
A fenti jelölésekkel az összeg szorzattá alakul. Csoportosítva:
θθθT(XXXTXXX
σ2n+III7
σ2p
)θθθ − yyyTXXXθθθ + K1
361/370
![Page 450: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/450.jpg)
MesterségesIntelligencia
14Csató Lehel
Gépi Tanulás
Adatmodellezés
Rejtett változók
BecslésekML
MAP
Bayes
Grafikus modellek
Bayes–példa a–post III
θθθT(XXXTXXX
σ2n+III7
σ2p
)θθθ −yyyTXXXθθθ +K1
θθθTAAAθθθ −bbbTAAAθθθ +K1
ahol AAA def=
XXXTXXXσ2n
+ III7σ2p
; bbb def= AAA−1XXXTyyy
A logppost(θθθ|D, σo) tehát tartalmaz egy teljes négyzetet és egykonstanst.
Mivel a teljes négyzet Gaussz-eloszlást jelent, a konstans értékétismerjük. Az eredmény:
logppost(θθθ|D, σo) = N(θθθ|bbb,AAA−1
)
362/370
![Page 451: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/451.jpg)
MesterségesIntelligencia
14Csató Lehel
Gépi Tanulás
Adatmodellezés
Rejtett változók
BecslésekML
MAP
Bayes
Grafikus modellek
Bayes–példa Rajz
−10 −5 0 5 10−5
0
5
10
Pol. 6 − N.var σ2 = 1
363/370
![Page 452: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/452.jpg)
MesterségesIntelligencia
14Csató Lehel
Gépi Tanulás
Adatmodellezés
Rejtett változók
BecslésekML
MAP
Bayes
Grafikus modellek
Becslések Összefoglaló
Max–Lik. becslésnél: nincs a–priori eloszlás, abecslés esetenként rossz.
M.A.P. becslésnél: eloszlásokról beszélünk, azonbana becslés eredménye nem valószínuségi, hanem egyérték.
Bayes–becslésnél: a becslés eredménye egyvalószínuségi eloszlás.
364/370
![Page 453: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/453.jpg)
MesterségesIntelligencia
14Csató Lehel
Gépi Tanulás
Adatmodellezés
Rejtett változók
BecslésekML
MAP
Bayes
Grafikus modellek
Grafikus Modellek Példa
A paraméterek függoségi gráfja aregressziós példánál.
Lényeges, hogy a nem a θθθ paramétertbecsüljük;hanem a p(θθθ) eloszlás paramétereit,=⇒ jelen esetben ezek µ és σ.
µ σ
θ
yn xn
D
Grafikus modelleket akkor használunk, ha egy modellegyes paramétereit megfigyeljük – pl. (xn, yn) – másokrameg következtetni kell.
A következtetés alapja a megfigyelések és a modell.365/370
![Page 454: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/454.jpg)
MesterségesIntelligencia
14Csató Lehel
Gépi Tanulás
Adatmodellezés
Rejtett változók
BecslésekML
MAP
Bayes
Grafikus modellek
Grafikus Modellek .
h11 h1d1
θ1
hl1 hldl
θl
yn xn
D
hiperparaméterek
paraméterek
adatok
366/370
![Page 455: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/455.jpg)
MesterségesIntelligencia
VCsató Lehel
Vizsgatematika
Admin ... ... trívia
Vizsga
Szóbeli (60%) + Gyakorlat (40%)
Laborgyakorlatok:1 Gráfok ábrázolása - dedukciós algoritmus 18%2 Játékelmélet 10%3 Matlab - tanulási algoritmus 12%4 Opcionális feladatok - max. 3/személy sok%
Bemutatók (5–20 pont)Alkalmazások bemutatása, melyek adaptív, gépitanulásos vagy mestint módszereket alkalmaznak.
368/370
![Page 456: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/456.jpg)
MesterségesIntelligencia
VCsató Lehel
Vizsgatematika
Vizsgatematika I
M.I – racionális vs. imitálóilletve cselekvo/gondolkodó.
Tudásreprezentáció –állapottér, feladat definíció.
Megoldás-keresések azállapottérben: hegymászó,backtracking.
Gráfkeresés – kapcsolata aM.I. rendszerekkel.
Dekompozíciós módszer.
Predikátumkalkulus,rezolúció.
Gráfok, utak, irányított gráfok,/Sigma/delta/ tulajdonságok.
ÉS/VAGY gráfok, hiperutakés-vagy gráfokban.
ÉS/VAGY gráfok átalakításairányított gráffá.
Játékok gráfjai, puzzle, 4királyno.
Gráfkereso alapalgoritmus.
Gráfkereso algoritmustulajdonságai.
Keresési algoritmusok:mélységi, szélességi,egyenletes, eloretekinto.
A-* algoritmus család,tulajdonságok.
Szemantikus hálók,tulajdonságok, operációk.
Keretrendszerek, démonok.369/370
![Page 457: blogbook.hu · Mesterséges Intelligencia 1 Csató Lehel Tudnivalók Bevezet˝o Fejlodés˝ Könyvészet Eredmények Turing-teszt Egy megfigyelo tesztel egy˝ rendszert, melyrol](https://reader033.vdocuments.site/reader033/viewer/2022042403/5f1627278ad5b0432028b426/html5/thumbnails/457.jpg)
MesterségesIntelligencia
VCsató Lehel
Vizsgatematika
Vizsgatematika II
Játékok: keresés,kétszemélyes játékok,stratégia.
NIM játék: leírás, nyerostratégia (b).
Nyero stratégia teljesinformációs játékoknál (b).
Minimax algoritmus, minimaxtétel (b).
Minimax, negamaxalgoritmusok.
Alfa-béta vágás.
Bizonyt.ság: Bayes-modell.
Bayes-hálók, grafikusmodellek.
Dempster-Shafer modell, Bel,Pl és m függvények.
Fuzzy logika, ∼ rendszerek.
Tanulás: induktív és/vagydeduktív rendszerek.
Tanuló rendszerek típusai.
Exploration vs. exploitation –visszacsatolásos tanulás.
Genetikus algoritmusok,hamiltoni rendszerek,
Neurális hálózatok,topológiák.
Neurális hálózatok tanításiszabályai, optimizálás.
370/370