Quiz despre Inteligența Artificială

Un algoritm de învățare cu întărire care folosește o funcție de valoare Q pentru a găsi o strategie optimă.

Un model neuronal simplu care a fost o contribuție majoră în domeniul IA, punând bazele pentru rețelele neurale moderne.

Anul în care a fost inventat termenul „inteligență artificială” la conferința Dartmouth.

Un limbaj de programare dezvoltat specific pentru AI, care a fost o componentă cheie în dezvoltarea domeniului.

Primele sisteme AI care au avut succes în industrie, utilizate pentru a rezolva probleme specifice.

Un sistem expert din anii '70 care a fost folosit pentru a diagnostica infecții bacteriene.

Un program dezvoltat în 1966 care conversa cu oamenii și a fost unul dintre primele programe care a încercat să treacă testul Turing.

Algoritmul redescoperit în 1986, care este esențial pentru antrenarea rețelelor neurale artificiale.

Aceasta strategie este folosita pentru a găsi o mutare disponibila într-un joc cu factor de ramificare variabil și căutare pe mai multe niveluri, chiar dacă nu este mutarea optimă, asigurând că există mereu o acțiune viabilă.

Această tehnică transformă datele neseparabile liniar într-un spațiu multidimensional, unde acestea devin liniar separabile, permițând SVM-urilor să clasifice datele.

Căutarea "best-first" ordonează nodurile pe frontieră în funcție de costul estimat până la un nod scop, priorizând nodurile cu cel mai mic cost.

IDT combină estimările directe ale utilității cu corecțiile date de ecuația Bellman, îmbunătățind acuratețea învățării cu întărire.

Această ierarhie a cunoașterii ordonează informația de la date simple la înțelepciune, prin intermediul informației și cunoștințelor.

Selecția de tip turneu alege un părinte din numărul maxim de indivizi adaptați dintr-o selecție aleatorie din populație.

Când temperatura este ridicată, este mai probabil să acceptați o soluție mai mică decât soluția actuală.

Când temperatura este ridicată, este mai puțin probabil să acceptați o soluție mai mare decât soluția actuală.

Când temperatura este scăzută, este mai probabil să acceptați o soluție mai mică decât soluția actuală.

Când temperatura este scăzută, este mai puțin probabil să acceptați o soluție mai mare decât soluția actuală.

Programele trebuie să rezolve probleme la fel ca oamenii, oferind o perspectivă similară cu mintea umană.

Comportamentul este mai ușor de observat și analizat științific decât gândirea, iar raționalitatea este clar definită prin acțiuni optime.

Folosirea logicii pentru a lua decizii complexe, formalizare rigurosă, putere de reprezentare și raționament.

Un program care manipulează simboluri înțelege, are stări mentale și intenții.

O tehnică de reproducere genetică care constă în împărțirea părinților în puncte aleatoare și unirea părților rezultat pentru a crea descendenți.

O tehnică similară cu cea anterioară, dar cu mai multe puncte de tăiere.

O tehnică simplă care folosește o mască aleatorie pentru a copia biți de la părinți.

O modificare aleatorie a valorii unei gene.

Schimbarea valorii genei la o valoare aleatorie.

Un sistem care conține o bază de cunoștințe, un motor de inferență și o bază de fapte.

O reprezentare grafică a cunoștințelor prin noduri și arce.

Vectorii de antrenare cei mai frecventi sunt folositi ca prototipuri, eliminandu-se diferentele semnificative.

Clasificarea vectorilor de antrenare implica impartirea spatiului caracteristicilor in hipervolume cu raza fixa, corespunzand vectorilor de intrare cei mai frecventi.

Clasele sunt modelate printr-o suprapunere de hipervolume, fiecare cu raza specifica, in spatiul caracteristicilor.

Daca raza initiala lambda_0 este prea mica, reteaua neuronala tinde sa se potriveasca excesiv cu datele de antrenare, devenind sensibila la zgomot si nereguli, conducand la performanta slaba pe datele necunoscute.

Un arbore neuronal este format dintr-un strat de intrare, un strat de neuroni binari (egal cu numarul de frunze ale arborelui), un strat de neuroni logici SI (egal cu numarul de noduri), si un strat de neuroni logici SAU (egal cu numarul de clase).

In algoritmul de cautare pe arbori Monte Carlo, UCB1 selecteaza actiunea care maximizeaza expresia wi / ni + sqrt(2*In n / ni). wi este numarul de victorii in fiul i, ni este numarul de simulari in fiul i, iar n este numarul de simulari in nodul curent.

Modelul "boids" simuleaza comportamentul social al pasarilor, cum ar fi evitarea coliziunilor, alinierea si coeziunea.

Neuronii sunt interconectați într-un mod care nu formează bucle. Informația se propagă doar într-o singură direcție, de la straturile de intrare spre cele de ieșire.

Rețele neuronale cu bucle, unde ieșirile din unele neuroni se pot conecta la intrări ale altor neuroni. Aceasta permite rețelelor să memoreze informații din trecut și să se adapteze la noi date.

S(s) = 1 / (1 + exp(-s))

S(s) = (1 - exp(-2s)) / (1 + exp(-2s))

Se ajustează ponderile conexiunilor dintre neuroni și valorile prag ale neuronilor, modificând astfel comportamentul rețelei.

Straturi interne ale rețelei care nu sunt straturi de intrare sau de ieșire. Aceste straturi procesează informația și o transmit către stratul următor.

Un algoritm care modifică ponderile conexiunilor în rețelele neuronale pentru a minimiza eroarea dintre ieșirea dorită și ieșirea reală. Această minimizare se face prin metoda gradientului descendent.

S'(s) = S(s) * (1 - S(s))

În algoritmul de backpropagation, delta_j reprezintă gradientul erorii pentru neuronul j din stratul ascuns. Se calculează ca derivata funcției de activare a neuronului j înmulțită cu suma produselor dintre gradientii erorilor din stratul de ieșire (delta_k) și ponderile corespunzătoare (wjk). Formula se aplică pentru fiecare neuron j din stratul ascuns, luând în calcul toate conexiunile sale cu neuronii din stratul de ieșire.

Backpropagation stohastic este o variantă a backpropagation standard în care ajustarea ponderilor se face după prezentarea fiecărui vector de intrare, nu la sfârșitul unei epoci de antrenare. Această actualizare incrementală permite o convergență mai rapidă și o mai bună adaptare la datele de antrenare.

Principalul impediment în algoritmul backpropagation este potențialul de a converge într-un minim local al funcției de eroare, în loc de minimul global. Aceasta înseamnă că rețeaua s-ar putea bloca într-o configurație suboptimală, incapabilă de a atinge o performanță optimă.

Proprietatea de „aproximator universal” a perceptronului multistrat se referă la capacitatea sa de a aproxima orice funcție continuă, cu un număr suficient de neuroni în stratul ascuns. Această proprietate a fost demonstrată matematic, punând baza pentru utilizarea rețelelor neuronale în diverse sarcini.

Metoda momentului accelerează învățarea în backpropagation prin considerarea istoricului gradientului. Se calculează o medie ponderată a gradientului curent și a gradienților din iterațiile precedente, utilizând o constantă de amortizare. Această medie ponderată ajută la stabilizarea actualizărilor ponderilor, accelerând convergența și reducând oscilațiile cauzate de gradientii instabili.

Backpropagation este un algoritm care se bazează pe propagarea erorilor inapoi prin rețeaua neuronală. Aceste erori reprezintă diferența dintre valorile prezise de rețea și valorile reale din setul de antrenare. Prin propagarea erorilor inapoi, algoritmul calculează gradientul erorii pentru fiecare conexiune din rețea și ajustează ponderile conexiunilor pentru a diminua eroarea.

Prezentarea vectorilor de intrare în mod stohastic în backpropagation stohastic permite reducerea impactului fiecărui vector de intrare asupra ajustării ponderilor. Acest lucru ajută la prevenirea blocării rețelei într-un minim local și permite rețelei să se adapteze mai bine la setul de antrenare, reducând riscul de supra-antrenare.

Selecția naturală, favorabilă indivizilor cu o adaptare medie, este adecvată în situații de convergență lentă.

Selecția naturală, favorabilă indivizilor cu variații mari de adaptare, este adecvată în situații de convergență rapidă.

În prima fază, rețeaua calculează gradienții folosiți pentru ajustarea ponderilor. În a doua fază, rețeaua ajustează ponderile și clasifică vectorul de intrare.

În algoritmul de evoluție diferențială, mutația funcționează prin calcularea diferenței dintre doi indivizi, înmulțirea rezultatului cu un factor de amplificare, și adăugarea acestei valori la un alt individ.

Unificarea expresiilor se referă la găsirea unei substituții a variabilelor care face ca expresiile să fie identice.

Euristica folosită în problema Turnurile din Hanoi este h(s) = m – numărul de piese de pe tija destinație.

Căutarea

Pentru problema Turnurilor din Hanoi cu n tije și m piese, valoarea cea mai bună a stărilor generate după un prim pas de căutare este m - 1.

O mapare yk = G(xk) pentru toate perechile de intrare-iesire (xk, yk), maparea sa fie toleranta la zgomote si sa poata corecta eventualele erori.

O mapare yk = G(xk) pentru toate perechile de intrare-iesire (xk, yk), maparea sa fie exacta numai pentru perechile specificate la antrenare.

O mapare yk = G(xk) pentru unele perechi de intrare-iesire (xk, yk), maparea sa fie toleranta la zgomote si sa poata corecta eventualele erori.

O valoare a iesirii de tip atractor pentru o gama larga de intrari.

O memorie asociativa care reda mapari intrare-iesire de forma (xk, xk).

O asociatie stocata in memorie in mod neintentionat, care nu face parte din multimea de amintiri fundamentale.

Arhitecturile recurente au o topologie mult mai complexa decat cele feedforward, permitand o prelucrare mai flexibila a informatiilor si o adaptare mai buna la zgomot.

X(t+1) = F(W * X(t) )

O metodă care furnizează rapid o soluție, nu neapărat optimă.

Un algoritm de căutare care integrează generarea arborelui cu propagarea valorilor.

Este o metodă de selecție a părinților pentru noua populație, unde se aleg aleatoriu k indivizi și se alege cel mai adaptat. Procedura se repetă pentru a selecta mai mulți părinți.

Cel mai adaptat individ este replicat direct în noua populație. Această metodă previne pierderea celei mai bune soluții.

Combinația a doi cromozomi părinți pentru a produce un nou cromozom fiu. Rezultatul poate fi mai bun decât ambii părinți.

Un algoritm de căutare optim și eficient dacă euristica este monotonă.

Un tip de inferență fuzzy care utilizează funcții de membru și reguli fuzzy pentru a realiza o inferență.

Un sistem de calcul care simulează comportamentul unor agenți autonomi care interacționează între ei și cu mediul lor.

Comportamentul este observabil și mai ușor de testat științific decât gândirea, raționalitatea fiind clar definită prin acțiuni optime. Aceasta permite evaluarea și analiza sistemelor AI în mod obiectiv.

Programele nu trebuie doar să rezolve probleme, ci să le rezolve în același mod ca oamenii. Aceasta permite construirea de sisteme care funcționează intern în mod similar cu mintea umană.

Functiile de activare neliniare permit retelelor neuronale multi-strat sa învețe relații complexe din date, pe care rețelele neuronale cu un singur strat nu le pot captura.

Regula de actualizare a ponderilor unui perceptron cu un singur strat este: wi(k+1) = wi(k) + alfa *[t(k) – a(k)]*xi(k), unde wi este ponderea conexiunii i, alfa este rata de învățare, t este iesirea dorita, a este iesirea reala si xi este intrarea i.

Functia XOR nu poate fi invatata de un perceptron cu un singur strat, deoarece nu poate separa liniar datele. Are nevoie de un perceptron multistrat pentru a realiza separarea necesară.

Iesirea unui perceptron cu un singur strat este functia Heaviside aplicata sumei intrarilor ponderate. Această funcție activează neuronul dacă suma ponderată depășește un anumit prag.