Font size
WorksheetsMI gyakorló
Total questions: 144
Worksheet time: 2hrs 50mins
Az alábbiak közül melyik NEM utal a mesterséges intelligencia jelenlétére egy szoftverben?
A szoftver viselkedése intelligens jegyeket mutat.
A megoldandó feladatnak hatalmas a problématere.
A szoftver optimális megoldást talál a kitűzött problémához.
A szoftverbe különleges technológiák vannak beépítve.
Mire utal egy algoritmussal kapcsolatban a kombinatorikus robbanás fogalma?
Az algoritmus NP-teljes.
Az algoritmus végtelen ciklusba tud kerülni.
Az ilyen algoritmus nagyságrendekkel több megoldást tud előállítani adott időegység alatt.
Az algoritmus kezelhetetlenül nagy memóriát igényel és/vagy a futási ideje óriási.
Mit várunk el egy útkereső algoritmustól?
Azt, hogy egy irányított gráfban egy adott csúcsból kiinduló megadott csúcsok valamelyikébe érkező irányított utat találjon meg.
Azt, hogy megadja egy irányított gráfban egy adott csúcsból kiinduló összes többi csúcsba vezető valamelyik utat.
Azt, hogy egy irányított gráfban egy adott csúcsból kiinduló megadott csúcsok valamelyikébe érkező optimális költségű irányított utat találjon meg.
Azt, hogy megadja egy irányított gráfban egy adott csúcsból kiinduló összes többi csúcsba vezető optimális költségű utat.
Hogyan definiáljuk az optimális költség fogalmát?
Egy csúcsból egy másik csúcsba vezető utak költségeinek minimuma.
Egy csúcsból csúcsok halmazába vezető utak költségeinek minimuma.
Egy csúcsból csúcsok halmazába vezető utak költségeinek infínuma.
Egy csúcsból egy másik csúcsba vezető utak költségeinek infínuma.
Mely állítások igazak az alábbiak közül?
A kínai szoba elmélet az MI szkeptikusok érveit erősíti.
A Turing kritérium az MI szkeptikusok érveit erősíti.
A Turing kritérium és a kínai szoba elmélet egyaránt az erős MI hívők érveit erősítik.
A Turing kritérium cáfolataként született meg a kínai szoba elmélet.
Mikor nevezhetünk egy feladatot útkeresési problémának?
Amikor a megoldás egy irányított gráf egy útjának feleltethető meg.
Amikor a feladat problématerének elemei ugyanazon csúcsból kiinduló irányított utak.
Csak akkor, ha a feladat olyan állapottér modellel rendelkezik, amelyben a megoldást egy műveletsorozat írja le.
Amikor egy gráfban keressük egy adott csúcsból az összes többibe vezető optimális utakat.
Hogyan nyerhető ki egy útkeresési probléma megoldásakor kapott útból a feladat megoldása?
Sokszor az út élei mutatják a feladat megoldásához szükséges lépéseket.
Néha az út végpontja szimbolizálja a feladat egy megoldását.
Az út csúcsai a feladat különböző megoldásai.
Az út élei a feladat különböző megoldásait szimbolizálják.
Mely állítások igazak egy 𝛿-gráfra?
Csúcsaiból véges sok irányított él indul ki.
Éleinek költsége pozitív valós szám.
Végtelen sok csúcsa lehet.
Csúcsaiba véges sok irányított él fut be.
Egy útkeresési feladat gráfreprezentációjához meg kell adni a ...
reprezentációs gráfot
megoldási utakat
startcsúcsot
alkalmazandó heurisztikákat
Az alábbiak közül melyek tartoznak a Turing kritériumok közé?
természetes nyelvű kommunikáció
megszerzett ismeret tárolása
automatikus következtetés
optimális megoldás megtalálása
Állítsa párba: mely fogalmak kapcsolhatók egymáshoz!
1: hatalmas problématér - A: probléma modell
2: kínai szoba elmélet - B: kombinatorikus robbanás
3: útkeresési feladat - C: MI szkeptikusok
4: heurisztika - D: intuíció
1-B, 2-D, 3-C, 4-A
1-B, 2-C, 3-A, 4-D
1-A, 2-B, 3-C, 4-D
1-A, 2-C, 3-B, 4-D
Egy hiperút egy bejárása
nem lehet végtelen hosszú
a hiperút összes hiperélét legalább egyszer érinti.
a hiperút egy hiperélét legfeljebb annyiszor érinti, ahány közönséges irányított út vezet a hiperútban a hiperút kezdőcsúcsából a hiperél kezdőcsúcsába
kört nem tartalmazhat
Hogyan NEM csökkenthető egy állapottér modell bonyolultsága?
Csökkentjük a célállapotok számát.
Növeljük az állapotok számát, de új műveleteket vezetünk be.
Szigorítjuk a műveletek értelmezési tartományát.
Szigorítjuk az állapotok invariáns tulajdonságát.
Mitől NEM függ egy reprezentációs gráf bonyolultsága?
A csúcsai ki-fokának számától.
A köreinek gyakoriságától, és hosszuk sokféleségétől.
A csúcsai be-fokának számától.
A csúcsainak és éleinek számától.
Melyik NEM része a probléma dekompozíciós modellnek?
Az állapotok definiálása.
A kiinduló probléma leírása.
Az egyszerű problémák megadása.
Dekompozíciós műveletek definiálása.
Milyen egy dekompozíciós operátor?
Egy problémát több problémának a sorozatára képez le.
Egy problémát több problémának a halmazára képez le.
Egy probléma-sorozatot részsorozatokra bont fel.
Egy problémát megadott problémák egyikével helyettesít.
Az alábbiak közül melyek NEM elemei az állapottér modellnek?
kezdő állapot vagy annak leírása
állapotgráf
heurisztika
műveletek
Mely állítások igazak az állapotgráfra az alábbiak közül?
Csúcsai az állapotokat szimbolizálják.
Célcsúcsai a modellezett feladat megoldásai.
Startcsúcsa a kezdőállapotot szimbolizálja.
Élei a műveletek végrehajtásait szimbolizálják.
Az alábbi feladat-modellezések közül melyeknél NEM egyezett meg a problématér a reprezentációs gráf startcsúcsból kivezető útjaival?
Hanoi-tornyai probléma
integrál számítás
n-királynő probléma
8-as kirakó játék
Melyik ok-okozati összefüggések igazak az alábbiak közül?
A megoldó algoritmus számítási bonyolultsága kihat a problématér bonyolultságára.
Az optimális megoldások száma kihat az állapotgráf bonyolultságára.
Az állapotgráfbeli körök hossza és száma kihat a problématér bonyolultságára.
Az állapotgráf csúcsainak száma kihat a megoldó algoritmus hatékonyságára.
Hogyan csökkenthető egy állapottér modellben a műveletek kiszámítási bonyolultsága?
Több heurisztikát építünk be a modellbe.
Az állapotokat extra információval egészítjük ki.
Szigorítjuk az állapotok invariáns állítását.
Szigorítjuk a műveletek előfeltételét.
Mely fogalmak kapcsolhatók egymáshoz?
1: dekompozíciós operátor - A: hiperél
2: állapot - B: irányított él
3: művelet - C: csúcs
4: dekompozíciós folyamat - D: hiperút
1-A, 2-B, 3-C, 4-D
1-D, 2-B, 3-C, 4-A
1-A, 2-C, 3-B, 4-D
1-D, 2-C, 3-B, 4-A
Melyek a feltételei a visszafelé haladó keresésnek?
A reprezentációs gráf startcsúcsából az összes célcsúcsba vezető úton kétirányú élek legyenek.
A reprezentációs gráf kétirányú éleket tartalmazzon és legyen ismert az összes célállapot.
A reprezentációs gráf kétirányú éleket tartalmazzon és legyen ismert valamelyik célállapot.
A reprezentációs gráf startcsúcsából valamelyik célcsúcsba vezető úton kétirányú élek legyenek.
Mi célt szolgál a probléma-redukciós operátor?
Az állapottér modell egy műveletére megadja, hogy a művelet segítségével mely állapotokból lehet eljutni adott állapotok egyikébe.
Egy problémát egyszerűbb problémákra vezet vissza.
Egy állapottér modell egy műveletének inverzze
MEgadja, hogy egy állapot mely állapotokból érhető el egy állapottér modellben.
Az alábbi módszerek közül melyiknél változhat futás közben a globális munkaterület mérete?
Szimulált hűtésnél.
Hegymászó módszernél.
Véletlen újra indított hegymászó módszernél.
Tabu keresésnél.
Melyik állítás NEM igaz a lokális keresésekre az alábbiak közül?
Csak egy lokálisan legjobb megoldást képes megtalálni.
Az aktuális csúcs környezetéből választja az új aktuális csúcsot.
Memóriája az aktuális csúcs környezetének tárolására korlátozódik.
Ezek mohó stratégiájú algoritmusok.
Tekinthető-e a hegymászó módszer a tabu keresés speciális változatának?
Nem, mert a tabu keresés felismeri a köröket, a hegymászó algoritmus nem.
Igen, amennyiben a hegymászó módszer tulajdonképpen egy egyelemű tabu halmazt használ, amely az előző aktuális csúcsot tárolja csak.
Nem, amennyiben a hegymászó módszer nem tárolja el az eddig megtalált legjobb kiértékelő függvényértékű csúcsot.
Nem, mert a tabu keresés véletlen módon választ új csúcsot.
Hány helyen használ a szimulált hűtés algoritmusa véletlenített módszert?
Nulla. Ez ugyan egy nem-determinisztikus módszer, de nem használ véletlenítést.
Egy. A következő aktuális csúcs kiválasztásához.
Három. A következő aktuális csúcs kiválasztásához, annak elfogadásához, és a hűtési ütemterv változtatásához.
Kettő. A következő csúcs kiválasztásához, illetve annak elfogadásához.
Mely állítások igazak az alábbiak közül?
A heurisztika garantálja, hogy az algoritmus hatékonysága jobb lesz.
A heurisztika garantálja, hogy az algoritmus az optimális megoldást találja meg.
A heurisztikát a feladatot megoldó algoritmusba közvetlenül építjük be.
A heurisztika egyszerre csökkentheti az algoritmus memória igényét és a futási idejét.
Melyek az alábbiak közül a tabu keresés hátrányai?
Zsákutcába érve a keresés megáll.
A tabu halmaz méretét csak kísérletezéssel lehet beállítani.
Kicsi a memória igénye.
Képes felismerni, és elkerülni a kisebb köröket.
Mely állítások NEM igazak a lokális keresésre az alábbiak közül?
Körmentes gráfokban nem akad el.
Kicsi memóriát használnak.
Talál megoldást, ha van megoldás.
Erősen összefüggő gráfokban nem akadnak el.
Melyek az alábbiak közül a hegymászó módszer hátrányai?
Nem garantál optimális megoldást.
Kicsi a memória igénye.
Körök mentén végtelen működésbe kezdhet.
Zsákutcába érve a keresés megáll.
Hogyan hat a heurisztika információ tartalma egy kereső rendszer futási idejére?
Minél nagyobb az információ tartalma, annál jobb lesz a hatékonysága.
Nagyobb információ tartalom mellett egy lépés futási ideje nő.
Nagyobb információ tartalom mellett a lépések száma csökkenhet.
Minél kisebb az információ tartalma, annál gyorsabban tud új lépést választani.
Mely algoritmusok születtek a hegymászó módszer zsákutcában való beragadásának elkerülésére?
Véletlen újraindított keresés (random restart search)
Szimulált hűtés algoritmusa
Tabu keresés
Lokális nyaláb keresés (local beam search)
Mi a lokális keresések általános vezérlési stratégiája?
Az aktuális csúcs(ok) környezetéből válasszuk a legjobb csúcsot (csúcsokat)!
Az aktuális csúcs környezetéből válasszuk a legjobb csúcsot!
Az aktuális csúcs szomszédjai közül válasszuk a legjobb csúcsot!
Az aktuális csúcs(ok) környezetéből válasszunk egy (vagy több) viszonylag jó csúcsot!
A tabu keresésnél használt kiértékelő függvény, amellyel össze tudjuk hasonlítani az aktuális csúcs gyerekeit, heurisztikus stratégiának számít?
Nem, mert ezt csak az olyan feladatoknál használhatjuk, amelyek állapottér modell-lel rendelkeznek. Ez tehát egy modell-függő stratégia.
Nem, mert ilyen függvényt minden tabu keresés használ.
A heurisztikának nincs köze a vezérlési stratégiához
Igen, ez a függvény a konkrét feladatból származik.
Mely fogalmak kapcsolhatók egymáshoz a visszalépéses keresés esetén?
1. globális munkaterület - A: irányított út
2. keresési szabály - B: mélységi korlát figyelés
3. másodlagos vezérlési stratégia - C: visszalépés
4. második változat - D: sorrendi szabály
1-A, 2-D, 3-C, 4-B
1-B, 2-D, 3-A, 4-C
1-A, 2-C, 3-D, 4-B
1-A, 2-C, 3-B, 4-D
Mit tartalmaz a visszalépéses keresések globális munkaterülete?
A startcsúcsból kiinduló egyik utat és annak csúcsaiból kivezető még nem vizsgált éleket.
A reprezentációs gráfot és külön annak a startcsúcsból kiinduló egyik útját.
Ez eddig bejárt startcsúcsból kiinduló utakat azok csúcsaiból kivezető még nem vizsgált élekkel együtt.
Ez eddig bejárt részgráfot és külön annak a startcsúcsból kiinduló egyik útját annak csúcsaiból kivezető még nem vizsgált élekkel együtt.
Melyek a visszalépéses keresés keresési szabályai?
A nyilvántartott út kiterjesztése, illetve a visszalépés.
A nyilvántartott út végcsúcsából kivezető egyik él hozzávétele az úthoz, illetve az út utolsó élének elvétele.
A nyilvántartott úthoz egy újabb kivezető él hozzávétele, illetve az utolsó él elvétele.
A nyilvántartott út utolsó csúcsának kiterjesztése, illetve az utolsó él elvétele.
Mi a visszalépéses keresés általános vezérlési stratégiája?
A visszalépés szabályát csak a legvégső esetben válasszuk.
Zsákutcába jutva mindig a visszalépés szabályát kell választani.
A visszalépés szabálya mindig elsőbbséget élvez a többi keresési szabállyal szemben.
A továbblépést meghatározó sorrendi és a vágó szabályok.
Melyik állítás NEM igaz a visszalépéses keresés második változatára az alábbiak közül?
A körfigyelés elhagyása mindenképpen gyorsítja a megoldás megtalálását
A körfigyelés elhagyása növeli a memória igényét.
A körfigyelés elhagyása kicsi mélységi korlát mellett gyorsíthatja a futási időt.
A körfigyelés elhagyása végtelen fák esetén mindenképpen gyorsítja a megoldás megtalálását.
Melyek az alábbiak közül a visszalépéses keresés hátrányai?
Kezdetben hozott rossz döntést csak sok visszalépés árán korrigálja.
Nagy a memória igénye.
Nehéz az implementációja.
Ugyanazt a részgráfot többször is bejárja
Képzelje maga elé a 4-királynő probléma 2. állapottér modelljének állapotfáját. (Minden csúcsból négy él vezet ki.) Hány startcsúcsból kivezető utat vizsgál meg ebben a visszalépéses keresés második változata, ha a mélységi korlát 2?
21
20
8
16
Mely állítások igazak a visszalépéses keresés második változatára az alábbiak közül?
Minden 𝛿-gráfban talál megoldást, ha van.
Minden 𝛿-gráfban terminál.
Minden 𝛿-gráfban megmutatja, hogy van-e megoldás.
Minden 𝛿-gráfban talál megoldást, ha annak hossza rövidebb, mint a mélységi korlát.
Mely állítások NEM igazak a visszalépéses keresés második változatára az alábbiak közül?
A körfigyelés önmagában is elég ahhoz, hogy garantáltan termináljon.
Ha van megoldás a mélységi korláton belül, akkor talál megoldást.
Képes megtalálni a legrövidebb megoldást, ha van.
A mélységi korlát figyelés önmagában is elég ahhoz, hogy garantáltan termináljon.
Melyek az alábbiak közül a visszalépéses keresés előnyei?
Véges 𝛿-gráfban optimális megoldást talál.
Mindig terminál.
Ha van (mélységi korálton belül) megoldása, akkor talál egyet.
Kicsi a memória igénye.
Mely állítások NEM igazak az alábbiak közül?
A sorrendi és a vágó szabály egyaránt épülhet heurisztikára.
A sorrendi szabály egy heurisztikus vezérlési stratégia.
Vágó szabály nem alkalmazható sorrendi szabályokkal együtt.
A mélységi korlát felfogható egy speciális vágó szabálynak.
Képzelje maga elé a Hanoi tornyai probléma állapotgráfját három korong esetén. A startcsúcsból kivezető utak közül hányat vizsgál meg a visszalépéses keresés második változata, ha a mélységi korlát 3?
8
9
15
14
Mit tartalmaz a gráfkeresés globális munkaterülete?
A startcsúcsból kiinduló eddig felfedezett összes utat a nyílt csúcsokkal együtt.
A reprezentációs gráfot, de külön megcímkézve benne a már bejárt csúcsokat.
A reprezentációs gráf egy tetszőleges részgráfját.
Csak a nyílt csúcsok halmazát.
Melyek a gráfkeresés keresési szabályai?
A nyílt csúcsok kiterjesztései.
Egy újabb él hozzávétele a kereső gráf egyik csúcsához.
A továbblépés (újabb él felfedezése) és a visszalépés.
A továbblépés (egy csúcsból kivezető összes él felfedezése) és a visszalépés.
Mi a gráfkeresés általános vezérlési stratégiája?
Minden lépésben a legígéretesebb nyílt csúcsot választja kiterjesztésre.
A legutoljára felfedezett nyílt csúcs kiterjesztése.
A startcsúcsból legkisebb költségű úton elérhető nyílt csúcs kiterjesztése.
A startcsúcsból legkisebb költségű már felfedezett úton elérhető nyílt csúcs kiterjesztése
Mely csúcsokat nevezzük a gráfkereséseknél nyílt csúcsoknak?
A keresőgráf azon csúcsait, amelyek gyermekeit még nem, vagy nem eléggé jól ismerjük, ennél fogva kiterjesztésre várnak.
A keresőgráf azon csúcsait, amelyekből kivezető éleket még nem fedeztük fel.
A keresőgráf azon csúcsait, amelyeket még nem terjesztettünk ki.
A reprezentációs gráf azon csúcsait, amelyeket még nem terjesztettünk ki.
Mit mutat a gráfkereséseknél a szülőre visszamutató pointerfüggvény (𝜋)?
A keresőgráfbeli csúcsok egyik szülőjét.
A reprezentációs gráfbeli csúcsok legjobb szülőjét.
A keresőgráfbeli csúcsok legjobb szülőjét.
A reprezentációs gráfbeli csúcsok egyik szülőjét.
Mit mutat a gráfkereséseknél a költségfüggvény (g)?
A startcsúcsból a keresőgráfbeli csúcsokhoz, a keresőgráfban vezető egyik út költségét.
A startcsúcsból a keresőgráfbeli csúcsokhoz vezető egyik út költségét.
A startcsúcsból a keresőgráfbeli csúcsokhoz, a keresőgráfban vezető legolcsóbb út költségét.
A startcsúcsból a keresőgráfbeli csúcsokhoz a szülőre visszamutató pointerfüggvény által kijelölt út költségét.
Mikor nevezünk egy kiértékelő függvényt csökkenőnek?
Ha egy csúcs függvényértéke soha nem nő, viszont mindig csökken valahányszor olcsóbb odavezető utat találunk hozzá.
Ha egy csúcs értéke csak akkor változik, de akkor csökken, ha egy olcsóbb odavezető utat találunk hozzá.
Ha egy startcsúcsból kiinduló már felfedezett út mentén a csúcsok függvényértékei monoton csökkennek.
Ha az algoritmus által kiterjesztett csúcsok függvényértékei monoton csökkennek.
Hogyan lehet a keresőgráf korrektségét fenn tartani?
Minden kiterjesztés után bejárjuk a kiterjesztéssel elért gyerekcsúcsok leszármazottait (ha vannak), és kijavítjuk azok korrektségét.
Olyan kiértékelő függvényt használunk, amely kizárja, hogy egy már korábban kiterjesztett csúcshoz minden addiginál olcsóbb odavezető utat találjunk a startcsúcsból.
Visszahelyezzük az OPEN halmazba azt a zárt csúcsot, amelyhez minden addiginél olcsóbb odavezető utat találtunk a startcsúcsból.
Amikor egy minden addiginél olcsóbb odavezető utat találunk egy csúcshoz, akkor módosítjuk a szülőre visszamutató pointerfüggvény értékét és a költségfüggvény értékét.
Mikor mondjuk a keresőgráf egyik csúcsára, hogy korrekt?
Ha a szülőre visszamutató pointerek a keresőgráfra nézve optimális utat jelölnek ki hozzá a startcsúcsból, és ennek az útnak a költségét mutatja a költségfüggvény.
Ha optimális és konzisztens.
Ha a gráfkeresés már kiterjesztette a gyerekeit is.
Ha a költségfüggvény értéke a visszamutató pointerfüggvény által kijelölt szülő csúcsánál mért költségfüggvény értékének, és a szülőtől hozzávezető él költségének összege.
Mely állítások igazak az alábbiak közül a gráfkeresés általános algoritmusára?
Véges 𝛿-gráfban mindig terminál.
Egy csúcsot legfeljebb véges sokszor terjeszt ki még végtelen nagy 𝛿-gráfok esetén is.
Véges 𝛿-gráfban talál megoldást, ha van.
Véges 𝛿-gráfban optimális megoldást talál, ha van megoldás
Mely állítások NEM igazak az alábbiak közül a gráfkeresés általános algoritmusára?
Körmentes 𝛿-gráfban talál megoldást, ha van
𝛿-gráfban mindig terminál.
Csökkenő kiértékelő függvényt használva soha nem terjeszt ki inkorrekt csúcsot.
Véges 𝛿-gráfban talál megoldást, ha van.
Mely fogalmak kapcsolhatók egymáshoz a gráfkereséseknél?
1. globális munkaterület - A: korrektség
2. keresési szabály - B: kiterjesztés
3. pointerfüggvény - C: keresőgráf
4. csökkenő kiértékelő függvény - D: szülőcsúcs
1-C, 2-D, 3-A, 4-B
1-C, 2-B, 3-D, 4-A
1-C, 2-B, 3-A, 4-D
1-A, 2-B, 3-C, 4-D
Lehet-e sorrendi heurisztika egy nem-informált gráfkeresés másodlagos vezérlési stratégiájában?
Igen.
Nem.
Csak akkor, ha már az elsődleges vezérlési stratégia is alkalmaz heurisztikát.
A másodlagos stratégiába nem lehet heurisztikát beépíteni.
Mit jelent a gráfkereséseknél a megengedhetőség fogalma?
Olyan heurisztikus függvényt, amely alulról becsüli egy reprezentációs gráfban a csúcsokból a célba vezető optimális út költségét.
Olyan gráfkereső algoritmust, amelyik optimális megoldást talál, ha van.
Olyan algoritmust, amely lépésről lépésre szűkíti a megoldások halmazát, amíg az már csak az optimális megoldásokat tartalmazza.
Olyan gráfkereséseket, amelyek kiértékelő függvényében megengedett a heurisztika használata.
Melyik állítás NEM igaz az azonosan nulla függvényről?
Nem válaszható kiértékelő függvénynek.
Becsli a célba vezető optimális út költségét.
Megengedhető és monoton megszorításos.
Nem tartalmaz extra ismeretet, azaz heurisztikát.
Melyik gráfkereső algoritmust nevezzük A* algoritmusnak?
Amelyik kiértékelő függvénye g+h alakú, ahol h nem-negatív és megengedhető.
Amelyik kiértékelő függvénye g+h alakú, ahol h nem-negatív, megengedhető és monoton megszorításos.
Amelyik garantáltan optimális megoldást talál, ha van.
Amelyik kiértékelő függvénye g+h alakú, ahol h megengedhető, és garantáltan optimális megoldást talál, ha van.
Mi az alábbiak közül az A algoritmus tulajdonsága?
𝛿-gráfban megengedhető heurisztikával optimális megoldást talál, ha van.
Heurisztikus függvénye megengedhető.
𝛿-gráfban egy csúcsot legfeljebb egyszer terjeszt ki.
𝛿-gráfban optimális megoldást talál, ha van.
Mely állítás NEM igaz a következetes (Ac) algoritmusra?
A kiterjesztéseinek száma akár a kiterjesztett csúcsok száma mínusz egynek a kettő hatványa is lehet.
Egy csúcsot legfeljebb egyszer terjeszt ki.
Amikor egy csúcsot kiterjeszt, már ismeri a start csúcsból odavezető optimális utat.
Optimális megoldással terminál, ha van megoldás.
Mennyi a B algoritmus kiterjesztéseinek száma legrosszabb esetben, ha a kiterjesztett csúcsok száma k?
½ k2
2k-1
k
k log2 k
Mikor mondunk egy A* algoritmust jobban informáltnak egy másiknál?*
Ha a heurisztikus függvényének értéke a nem célcsúcsokban nagyobb, mint a másik algoritmus heurisztikus függvényének értéke.
Ha kevesebb csúcs kiterjesztése mellett terminál.
Ha a memória igénye nem nagyobb a másikénál.
Ha a heurisztikus függvényének értéke a nem célcsúcsokban közelebbi becslést ad, mint a másik algoritmus heurisztikus függvényének értéke.
Mikor mondjuk a gráfkereséseknél egy heurisztikus függvényről azt, hogy monoton megszorításos?
Ha bármelyik él költsége nagyobb-egyenlő, mint az a különség, amit úgy kapunk, hogy az él kezdőcsúcsának függvényértékéből levonjuk a végcsúcsának függvényértékét.
Ha a függvényt használó gráfkeresés működési grafikonja monoton növekedő.
Ha a függvény megengedhető és nem negatív.
Ha a függvény alulról becsüli minden csúcsban a hátralevő optimális költséget.
Melyik állítás igaz az egyenletes gráfkeresésre?
Optimális megoldást talál, ha van
Egy már kiterjesztett csúcshoz soha nem talál minden addiginál olcsóbb utat.
Kiértékelő függvénye az élek élköltségeit egységnyinek tekinti.
Dijkstra legrövidebb utak algoritmusának szinonimája.
Az alábbiak közül melyek a megengedhető gráfkereső algoritmusok?
A algoritmus
B algoritmus
Egyenletes gráfkeresés
A** algoritmus
Mely fogalmak kapcsolhatók egymáshoz a gráfkereséseknél?
1. mélységi gráfkeresés - A: Martelli
2. A* algoritmus - B: zárt csúcsok száma
3. B algoritmus - C: nem-informált gráfkeresés
4. memória igény - D: optimális megoldás
1-C, 2-A, 3-B, 4-D
1-A, 2-B, 3-C, 4-D
1-C, 2-D, 3-A, 4-B
1-A, 2-D, 3-C, 4-B
A kurzuson speciális kétszemélyes játékokkal foglalkoztunk. Az alábbiak közül melyik tulajdonság NEM volt érvényes ezekre?
véges
zéró összegű
determinisztikus
egyik játékosnak biztos van győztes stratégiája
Hogyan modellezzük a kétszemélyes játékokat?
Állapottér modellel.
ÉS/VAGY fákkal.
Probléma dekompozícióval.
Korlátkielégítéses modellel.
Mi a nyerő stratégiája egy játékosnak egy kétszemélyes játékban?
Győztes végállásba vezető játszmáinak összessége.
Azon győztes végállásba vezető játszmáinak összessége, amelyek közül valamelyiket biztosan végig tudja játszani, ha nem hibázik.
Győztes végállásainak összessége.
A győztes végállásba vezető egyik játszmája.
Melyik állítás igaz az alábbiak közül egy játékos nyerő stratégiára?
A játékfából a játékos szempontjából készített ÉS/VAGY fában egy olyan hiperút, amelyik a startcsúcsból csupa, a játékos számára nyerő végállásba vezet.
Az egyik játékos biztosan rendelkezik vele.
A játékfából készített ÉS/VAGY fában egy olyan hiperút, amelyik a startcsúcsból csupa, a játékos számára nyerő végállásba vezet.
Mindkét játékos számára előállítható.
Hogyan lehet megtudni, hogy kinek van győztes stratégiája egy két kimenetelű kétszemélyes játékban?
Átalakítjuk a játékfát ÉS/VAGY fává, és ebben keresünk olyan gyökérből induló hiperutat, amely vagy kizárólag az egyik, vagy kizárólag a másik játékos csupa győztes levélcsúcsába vezet.
Úgy, hogy a minimax algoritmust alkalmazzuk a teljes játékfára úgy, hogy az első játékos győztes állásaihoz +1-et, a vesztes állásaihoz -1-et rendelünk. Ha a gyökérbe felfuttatott érték +1, akkor az első játékosnak van győztes stratégiája, egyébként a másodiknak.
Nem lehet véges lépésben megválaszolni ezt a kérdést.
A játékfa leveleit megcímkézzük annak a játékosnak a nevével, aki a levélcsúccsal jelzett állásban nyerni fog. Szintről szintre felfelé haladva az Y játékos szintjén levő csúcs, ha van Y címkéjű gyereke, akkor Y címkét kap; különben a másik játékos nevét írjuk oda. A gyökér címkéje adja meg a választ.
Mikor következik be vágás az alfa-béta algoritmus működése során?
Ha az aktuális út egy alfa értéke kisebb vagy egyenlő az út egy béta értékénél.
Ha az aktuális út egy alfa értéke nagyobb vagy egyenlő az út egy béta értékénél.
Ha az aktuális csúcs alfa értéke nagyobb vagy egyenlő az alatta vagy felette levő csúcs béta értékénél.
Ha az aktuális csúcs alfa értéke nagyobb vagy egyenlő a csúcs béta értékénél.
Mi az a nyugalmi teszt?
Egy szülőcsúcs és egy gyerekének kiértékelő függvényértékei különbségét vizsgáló teszt.
Váltakozó mélységű keresésnél a részfa felépítéséhez használt feltétel.
A heurisztikus kiértékelő függvény konstruálásához használt lehetséges módszer.
Az alfa-béta algoritmus vágási feltételét ellenőrző teszt.
Mely állítások igazak az alábbiak közül a játékfákra?
Ágai a lehetséges játszmákat szimbolizálják.
Csúcsai a játék állásait szimbolizálják.
Levelei a győztes állásokat szimbolizálják.
Szintjei a soron következő játékost szimbolizálják.
Melyek az alábbiak közül a minimax algoritmusnak a lépései?
Megadjuk a legnagyobb értékű levélcsúcshoz vezető ágat.
A saját szintjeink csúcsaihoz a gyerekeik értékeinek maximumát írjuk.
Kiértékeljük a felépített fa leveleit
Felépítjük a játékfát.
Az alábbi részleges játékfa kiértékelő módszerek közül melyik ad a minimax-szal azonos eredményt?
negamax algoritmus
(n,m) átlagoló algoritmus
szelektív algoritmus
alfa-béta algoritmus
Mi a játékfa?
Egy ÉS/VAGY fa.
Az összes játszmát irányított útként megjelenítő irányított fa.
A kétszemélyes játék modelljének állapotgráfjából kialakított irányított fa.
Olyan ÉS/VAGY fa, amelyik szintjeiről váltakozva vagy csak ÉS kapcsolatú élek indulnak ki, vagy csak VAGY kapcsolatú élek.
Mely fogalmak kapcsolhatók egymáshoz a részleges játékfa-kiértékeléseknél?
1. negamax algoritmus - A: kiértékelő függvény tévedése
2. (m,n) átlagoló kiértékelés - B: hatákonyabb módszer*
3. váltakozó mélységű kiértékelés - C: könnyebb implementáció
4. alfa-béta algoritmus - D: megbízhatóbb kiértékelés
1-A, 2-B, 3-C, 4-D
1-C, 2-A, 3-D, 4-B
1-C, 2-B, 3-A, 4-D
1-A, 2-C, 3-B, 4-D
Milyen az általános vezérlési stratégiája az evolúviós algoritmusoknak?
visszalépéses
gráfkereső
mohó
nem-módosítható
Mit tárol az evolúciós algoritmus a globális munkaterületén?
Az evolúciós operátorokat.
Az egyedek alkotta problémateret.
A populációt.
A rekombinációra kiválasztott egyedek halmazát.
Melyik NEM evolúciós operátor az alábbiak közül?
Egy egyed kódolása.
Véletlen cseréje a kód két elemének.
Rulett kerék algoritmus.
Kétpontos keresztezés.
Hogyan szokták az egyedeket kódolni?
Úgy, hogy a kód darabjai az egyed egy-egy tulajdonságát mutassa
Úgy, hogy a dekódolás gyors legyen, mert a fittnesz függvényt az egyedre lehet kiszámolni.
Úgy, hogy a kódolás és a dekódolás is hatékony legyen.
Úgy, hogy az egyed kódja egy kromoszóma legyen
Hol épülhet véletlenített módszer az evolúciós algoritmusba?
Csak a populáció lecserélendő egyedeinek előállításában
Csak a keresztezési pontok megadásában.
Csak a kiválasztásban, a rekombinációban, és a mutációban.
Csak a kezdeti populáció kialakításában és mind a négy evolúciós operátorban.
Hol van szerepe a kiválasztásnak az evolúciós algoritmusban?
Ez az első lépése az evolúciós ciklusnak.
A keresztezési pontok megadásában.
A populáció lecserélendő egyedeinek előállításában.
A rekombinációhoz szükséges szülő egyedek előállításában és az új populáció kialakításában.
Mi a lényege a jó kiválasztási módszernek az evolúciós algoritmusokban?
A fittnesz függvény alapján rendezi sorba a populáció egyedeit.
Megkeresi a populáció legjobb egyedét.
Figyelembe veszi, hogy a kódban melyek az egyed tulajdonságait jelző szakaszok.
A rátermett egyedeket nagyobb valószínűséggel választja ki, de ad esélyt a kevésbé rátermettek kiválasztására is.
Mi a kapcsolat a keresztezés és a rekombináció között?
A rekombinációk speciális keresztezések.
A rekombináció a szülő egyedeken, míg a keresztezés azok kódjával dolgozik.
A keresztezés mindig megelőzi a rekombinációt
A keresztezések speciális rekombinációk.
Melyek lehetnek a feltételei az evolúciós algoritmus leállásának?
Nincsen a populációnak adott korlátnál nagyobb fittneszértékű egyede.
A populáció minden egyedének fittneszértéke meghalad egy adott korlátot.
A populáció összesített fittneszértéke már egy ideje nem változik.
Célegyed megjelenése a populációban.
Mely keresztezési módszerek őrzik meg permutáció tulajdonságot?
Ciklikus keresztezés.
Egyenletes keresztezés.
Parciálisan illesztett keresztezés
Egypontos keresztezés
Az alábbiak közül, melyek alkalmas módszerek a permutáció tulajdonságot megőrző mutációra?
Kód két véletlen választott elemének cseréje.
Kód első két elemének cseréje.
Kód egy szakaszának átrendezése.
Kód növekvő sorba rendezése
Mely fogalmak kapcsolhatók egymáshoz az evolúciós algoritmusoknál?
1: kétpontos keresztezés - A: kód
2: kiválasztás - B: populáció mérete
3: egyed - C: parciális illesztett keresztezés
4: stratégiai paraméter - D: fittnesz függvény
1-C, 2-B, 3-A, 4-D
1-C, 2-D, 3-A, 4-B
1-A, 2-B, 3-C, 4-D
1-A, 2-D, 3-C, 4-B
Mi az a rezolúciós gráf?
Az üres klóz előállítását bemutató gráf
Az útkeresési feladatot leíró irányított gráf.
Az összes klóz előállítását bemutató gráf.
Logikai következtetést szimbolizáló ÉS/VAGY gráf
Melyek a p || q és a !p || !q rezolvensei?
üres klóz
nem rezolválhatók
p || !p és q || !q
p || q || !q és q || p || !p
Mi a globális munkaterülete a rezolúciónak?
Az axiómákból és a célállítás negáltjából kialakított klózok halmaza.
A formalizációban részt vevő predikátumok halmaza.
A kiinduló és az eddig előállított klózok halmaza.
Az egyedek populációja.
Mi a keresési szabálya a rezolúciónak?
Az üres klóz előállítása.
A rezolvens képzés.
Az üres klóz levezetése.
A Skolemizálás.
Melyik az alábbiak közül a visszafelé haladó szabályalapú reprezentáció jellemzője?
A szabályok L→W alakúak, ahol W egy ÉS/VAGY formula, L egy literál, és minden változó univerzálisan kvantált.
A szabályok W→L alakúak, ahol W egy ÉS/VAGY formula, L egy literál, és minden változó univerzálisan kvantált.
A tényállítás egy univerzálisan kvantált ÉS/VAGY formula.
A célállítás egy L1 || ... || Ln egzisztenciálisan kvantált formula, ahol Li literál.
Melyik az alábbiak közül az előrefelé haladó szabályalapú reprezentáció jellemzője?
A tényállítás egy L1 || ... || Ln univerzálisan kvantált formula, ahol Li literál.
A szabályok W→L alakúak, ahol W egy ÉS/VAGY formula, L egy literál, és minden változó univerzálisan kvantált.
A szabályok L→W alakúak, ahol W egy ÉS/VAGY formula, L egy literál, és minden változó univerzálisan kvantált.
A célállítás egy egzisztenciálisan kvantált ÉS/VAGY formula.
Hogyan kell a rezolúciót válaszadásra felhasználni?
Az A1 , ... , An ⟹ C kérdés helyett az A1 && ... && An && !C kielégíthetetlenségét vizsgáljuk.
A rezolúció csak igen/nem jellegű választ képes adni.
A kérdésre adható választ egy külön predikátummal jelenítjük meg a célállításban.
A választ egy egzisztenciálisan kvantált változóval kell megjeleníteni a célállításban.
Mi következik abból, hogy a rezolúció módszere helyes?
Ha elakad (nem tud újabb klózt előállítani), akkor a kiinduló klózhalmaz kielégíthető.
Ha üres klózzal terminál, akkor a kiinduló klózhalmaz kielégíthetetlen.
Kicsi a futási ideje.
Mindig elő tudja állítani az üres klózt
Mi következik abból, hogy a rezolúció módszere teljes?
Ha a kiinduló klózhalmaz kielégíthetetlen, akkor levezethető az üres klóz.
Ha a kiinduló klózhalmaz kielégíthető, akkor nem állítja elő az üres klózt.
Minden A1 , ... , An ⟹ C alakú tétel bizonyítására vagy cáfolására alkalmas.
Ha a kiinduló klózhalmaz kielégíthetetlen, akkor véges lépésen belül terminál.
Melyek az alábbiak közül a rezolúció reprezentációs gráfjának különös tulajdonságai?
Nincs benne zsákutca.
Bármelyik csúcsból bármelyik csúcsba el lehet jutni.
Ha a stratcsúcsból vezet út célcsúcsba, akkor mindegyik startcsúcsból elérhető csúcsból is vezet célcsúcsba út
Nincs benne kör.
Melyek lehetnek az alábbiak közül a rezolúció modellfüggő vágó stratégiái?
Minden rezolúciós lépésben az egyik szülőklóz az utoljára előállított klóz legyen.
Minden rezolúciós lépésben az egyik szülőklóz egyetlen literálból álljon
Mindig azt a klózpárt rezolváljuk előbb, amelyikben a literálok száma a legkevesebb.
Soroljuk be szintekre a rezolúciós gráf klózait. Nulladik szinten a kiinduló klózok, az i+1-dik szinten azok, amelyek egyik szülője az i-dik szinten van, másik szülője az első i szint valamelyikén. Állítsuk elő szintenként a klózokat.
Melyek az alábbiak közül a rezolúció modellfüggő sorrendi stratégiái?
Minden rezolúciós lépésben az egyik szülőklóz az utoljára előállított klóz legyen
Mindig azt a klózpárt rezolváljuk, amelyekben a literálok száma a legkevesebb.
Minden rezolúciós lépésben az egyik szülőklóz egyetlen literálból álljon.
Soroljuk be szintekre a rezolúciós gráf klózait. Nulladik szinten a kiinduló klózok, az i+1-dik szinten azok, amelyek egyik szülője az i-dik szinten van, a másik szülő az első i szint valamelyikén. Állítsuk elő szintenként a klózokat.
Hogyan számoljuk az A esemény valószínűségét feltéve, hogy B esemény - amely valószínűsége nagyobb, mint nulla - bekövetkezik?
P(A|B) = P(A,B) / P(A)
P(A|B) = P(B|A)P(B) / P(A)
P(A|B) = P(A,B) / P(B)
P(A|B) = P(A)P(B) / P(B)
Mikor mondjuk, hogy A és B események feltételesen függetlenek E eseményre nézve?
P(AB|E) = P(A|E) P(B|E) / P(E)
P(AB|E) = P(B|E)
P(AB|E) = P(A|E) P(B|E)
P(AB|E) = P(A|E)
Az alábbiak közül melyik egy Bayes tétel?
P(B|A,E) = P(A|B,E) P(A|E) / P(B|E)
P(A|B) = P(B|A) P(A) / P(B)
P(A|B) = P(B|A) P(B) / P(A)
P(B|A,E) = P(A,B|E) P(A|E) / P(B|E)
Az alábbiak közül melyik NEM igényel bizonytalanság kezelést?
Elmosódott jelentésű állítások alapján történő következtetés
Ellentmondó adatokra épülő következtetés.
Hiányzó adatok alapján történő következtetés.
Axiómákból kiinduló logikai következtetés.
Milyen gráf a valószínűségi háló?
𝛿-gráf
Véges fa-gráf.
Véges fa.
Véges körmentes irányított gráf.
Mit mutat meg a valószínűségi háló feltételes valószínűségi táblája?
Azt, hogy egy csúcs valószínűségi változója milyen valószínűséggel vesz fel egy adott értéket feltéve, hogy a szülő csúcsok valószínűségi változói adott értékűek.
Azt, hogy egy él valószínűségi változója milyen valószínűséggel vesz fel egy adott értéket feltéve, hogy az él kezdőcsúcsába futó élek valószínűségi változói adott értékűek.
Azt, hogy egy csúcs valószínűségi változója milyen valószínűséggel vesz fel egy adott értéket feltéve, hogy a gyerek csúcsok valószínűségi változói adott értékűek.
Azt, hogy egy él valószínűségi változója milyen valószínűséggel vesz fel egy adott értéket feltéve, hogy az él végcsúcsából kifutó élek valószínűségi változói adott értékűek.
Mit jelent a normalizálás technikája?
Adott kifejezések olyan együtthatóval történő szorzását, hogy ezáltal az összegük 1 legyen.
A kettes norma alkalmazását.
Bayes hálók fa-gráfokká történő átalakítását
Adott összegű kifejezések közös együtthatójának kiszámolását.
Mit jelent az, hogy egy valószínűsági háló egyszeresen kötött?
Azt, hogy a háló egy fa-gráf.
Azt, hogy a háló körmentes.
Azt, hogy a háló egy irányított fa.
Azt, hogy a háló éleinek irányításait megfordítva irányított fát kapunk
Az alábbiak közül melyek igazak a valószínűségi hálókra?
Egyetlen célcsúcsa van.
Csúcsai egy adott tárgykör valószínűségi változóit reprezentálják.
Az éleiről elhagyva az irányítást a hálóból egy irányítatlan fát kapunk
Irányított élei a válószínűségi változók közötti közvetlen ok-okozati összefüggéseket mutatják.
Hogyan javítható a valószínűségi hálóban való számítás hatékonysága, ha a háló nem fa-gráf?
Nem javítható.
Csúcsok összevonásával fa-gráffá alakítjuk a valószínűségi hálót.
Csúcsok elhagyásával több fa-gráfokra bontjuk a valószínűségi hálót.
A valószínűségi hálót példák generálására használjuk, amelyekből relatív gyakoriságot számolunk
Milyen heurisztikus bizonytalanságkezelő technikákról hallott?
MYCIN szakértő rendszer következtetése.
Zárt világ feltételezés
Fuzzy következtetés
Bayes-i frissítés módszere.
Mely fogalmak kapcsolhatók egymáshoz a bizonytalanság kezelésnél?
1: fa-gráf - A: MYCIN
2: heurisztikus módszer - B: véges körmentes gráf
3: bizonytalan következmény - C: csúcsok összevonása
4: valószínűségi háló - D: feltételes valószínűség
1-A, 2-B, 3-C, 4-D
1-C, 2-A, 3-D, 4-B
1-C, 2-B, 3-D, 4-A
1-D, 2-A, 3-C, 4-B
Mit jelent az, hogy egy tanulás felügyelt?
A tanulás folyamata nem teljesen automatikus
A tanulási folyamatnak ki kell számolni a tanító minták elvárt kimenetét is
A tanító minták elvárt kimenetét is felhasználja a tanulási folyamat
A tanulás folyamatát módosítani kell, ha az elvárt kimenet eltér a számítottól
Mit jelent az, hogy egy tanulás felügyelet nélküli?
A tanító minták elvárt kimenetét automatikusan számolja a tanulás módszere.
A tanító mintákra kiszámolt kimenet eltérhet az elvárt kimenettől.
A tanulás folyamata teljesen automatikus.
A tanulásnak nincs szüksége a tanító minták elvárt kimenetére.
Mit jelent a zaj a tanító minták esetén?
Amikor a tanítóminták elvárt kimenete hasonló.
Amikor a tanítóminták elvárt kimenetének jelentése elmosódott.
Amikor két vagy több eltérő attribútumokkal rendelkező minta elvárt kimenetei megegyeznek.
Amikor azonos attribútumokkal rendelkező minták eltérő elvárt kimenetekkel rendelkeznek.
Különböző tanító minták halmazának mikor a legkisebb az információ (entrópia) tartalma a döntési fáknál?
Ha mind azonos kimeneti értékkel rendelkezik.
Ha a kimeneteik értékei mind különböznek.
Ha a minták kimeneti értékei közötti legnagyobb távolság (valamilyen távolság metrika mellett) kisebb a legnagyobb kimeneti értéknél (ugyanazon metrika szerint).
Ha a minták inputjai közötti legnagyobb távolság (valamilyen távolság metrika mellett) kisebb a legnagyobb input értéknél (ugyanazon metrika szerint).
Hogyan értékelünk ki a döntési fa építése során egy levélcsúcsot akkor, ha nem tartoznak hozzá tanító minták?
A csúcshoz tartozó attribútumok alapján, ha vannak ilyenek, különben véletlenszerű értéket kap.
Ilyen eset nem fordulhat elő.
A szülőcsúcsához tartozó attribútumok alapján.
A szülőcsúcsához tartozó tanítóminták alapján.
A döntési fa építése során az alábbiak közül milyen csúcsok fordulhatnak elő a fában?
Kiértékeletlen levélcsúcsok.
Attribútummal címkézett levél csúcsok.
Kiértékelt levélcsúcsok
Attribútummal címkézett belső csúcsok.
Mely állítások igazak a döntési fára?
Egy csúcsból kivezető élei a csúcs attribútumának lehetséges értékeit szimbolizálják.
Gyökércsúcsa a kiinduló problémát reprezentálja.
Ágai egy probléma lehetséges megoldását adják.
Belső csúcsai egy-egy attribútumot reprezentálnak.
Mely állítások igazak a döntési fa módszerére?
A mintákat a válaszadásnál is ismerni kell.
Optimális megoldást ad.
A tanulási idő hosszú.
A válaszadási idő rövid.
Mely állítások igazak k-legközelebbi szomszéd módszerére?
A válaszadási idő rövid
Egyszerű implementálni.
A megtanult paraméter a minták összessége
A tanulási idő hosszú
Milyen felügyelt tanulási módszereket ismert meg a kurzuson?
k-legközelebbi szomszéd módszere.
k-közép módszer
Véletlen erdő módszere.
Error backpropagation algoritmus.
Hol jutott szerepe a véletlennek a véletlen erdő módszerében?
Az erdő egy fájának felépítéséhez a minták véletlen választott részhalmazát használja.
Az erdő fáinak számát véletlen módon határozzák meg.
Az erdő egy fájának felépítéséhez a minták attribútumai közül véletlen választott attribútumokat használ.
A fa egy csúcsához rendelt attribútumot véletlen módon választja ki.
Mely fogalmak kapcsolhatók össze az alábbiak közül a gépi tanulás témakörében?
1: felügyelt tanulás - A: véletlen erdő
2: kereszt entrópia - B: osztályozási feladat
3: döntési fa - C: tanító minták elvárt kimenete
4: k-közép módszer - D: 2-es norma
1-A, 2-B, 3-C, 4-D
1-C, 2-D, 3-A, 4-B
1-C, 2-A, 3-B, 4-D
1-D, 2-C, 3-A, 4-B
Az alábbiak közül melyik jellemzik a homogén többrétegű előrecsatolt hálózatot?
A különböző rétegek neuronjainak aktivációs (kimeneti) függvénye eltérhet, de egy réteghez tartozó neuronok esetében nem.
Az i-dik réteg neuronjának kimenete csak az i+1-dik réteg neuronjának lehet bemeneti értéke.
Az i-edik réteg egy neuronjának kimenete csak az i-1-dik réteg neuronjának lehet bemeneti értéke.
Az azonos réteghez tartozó neuronok között nincs közvetlen kapcsolat.
Mit jelent az input vektorizálása?
Az inputot egy síkvektorként fogjuk fel, amelynek kiinduló pontja az origó.
Az inputok azonos hosszúságú számsorozatok.
Egy inputot a jellemzői (attribútumai) segítségével egy számsorozattal ábrázolunk.
A megoldandó probléma lineárisan szeparálható feladattá konvertálását
Jellemezze a szigmoid kimeneti függvényt!
Folytonos, majdnem mindenhol deriválható, monoton növekedő, ]0,1[ intervallumba képző függvény
Egyetlen szakadási ponttal rendelkező, máshol deriválható, monoton növekedő, [0,1] intervallumba képző függvény.
Folytonos, mindenhol deriválható, szigorúan monoton növekedő, ]0,1[ intervallumba képző függvény.
Folytonos, mindenhol deriválható, monoton növekedő, [0,1] intervallumba képző függvény.
Az alábbiak közül melyik hálózatnak NEM lehet több rétegű topológiája?
Hopfield neurális hálózat.
Rekurrens neurális hálózat.
Konvolúciós neurális hálózat
Backpropagation modell hálózata.
Mi a delta tanulási szabály?
Egy súly megváltoztatása a súlyhoz tartozó bemeneti értéknek, és a súlyt tartalmazó neuron számított és várt kimeneti értékei különbségének szorzatától függ.
Egy súly megváltoztatása a súlyhoz tartozó bemeneti értéknek, és a súlynak szorzatától függ.
Egy súly megváltoztatása a súlyhoz tartozó bemeneti értéknek, és a súlyt tartalmazó neuron várt kimeneti értékének szorzatától függ.
Egy súly megváltoztatása a súlyhoz tartozó bemeneti értéknek, és a súlyt tartalmazó neuron számított kimeneti értékének szorzatától függ.
Mire alkalmazzák a lineárisan szeparálható kifejezést?
A Rosenblatt-féle perceptronokból épített neurális hálózatokra.
Azokra a feladatokra, amelyek lehetséges bemeneti érték n-esei egy hipersíkkal elválaszthatók aszerint, hogy az ezekre elvárt válasz A vagy B.
Arra, hogy a mintapontokhoz a legkisebb négyzetek módszerével meghatározott egyenes elválasztja egymástól a mintapontokat.
Arra, hogy a perceptronnal megoldható problémák két osztályba sorolhatóak be.
A mesterséges neuron hálózatokra felügyelt vagy felügyelet nélküli tanulási módszer alkalmazható?
Csak felügyelet nélkül.
Csak felügyelt.
Mindkettő.
Egyik sem.
Hogyan lehet Rosenblatt-féle perceptronok felhasználásával koordinátapárokat úgy osztályozni, hogy megmondjuk melyek esnek bele egy megadott háromszögbe, és melyek nem?
Nem lehet, mert többrétegű Rosenblatt-féle perceptronokból álló hálózathoz nem ismerünk tanuló algoritmust.
Nem lehet, mert a Rosenblatt-féle neuronokkal csak lineárisan szeparálható problémákat lehet megoldani.
Olyan kétrétegű előrecsatolt hálózattal, ahol az első rétegben három, a második rétegben egy neuron van.
Egy rétegű három neuront tartalmazó hálózattal.
A mesterséges neuronhálózatot egy olyan paraméteres függvénynek tekinthetjük, amellyel a megoldandó problémát reprezentáló leképezést közelítjük. Melyek ebben a paraméterek?
A neuronok „bias" bemenete.
A neuronok súlytényzői.
A neuronokban használt kimeneti függvények.
A tanító minták száma és a tanulási együttható.
Mit értünk a hiba-visszaterjesztés (error-backpropagation) módszere alatt?
Azt, amikor egy többrétegű előrecsatolt hálózat kimeneti rétegének elvárt kimenetei alapján határozzuk meg, hogy a hálóbeli neuronoknak milyen elvárt kimenete van.
Olyan többrétegű hálózat építését, amelyben megengedjük a visszacsatolást a szomszédos rétegek között.
Azt a folyamatot, amellyel a Hopfield modell stabil konfigurációba jut.
Azt, amikor egy többrétegű előrecsatolt hálózat kimeneti rétegének számított és várt outputjai alapján határozzuk meg, hogy hogyan kell a hálóbeli neuronok súlyait változtatni.
Mit értünk a Hopfield modell konfigurációs terén?
A neuronok kimeneteinek összességét.
A neuronok bemeneteinek összességét.
A neuronok által felvett állapotok összességét.
A neuronok súlyainak összességét.
Az alábbiak közül mely állítások igazak a mesterséges neuronhálózatokra?
A tanulási idő hosszú.
A mintákat egyesével el kell tárolni.
Optimális megoldást ad.
A válaszadási idő rövid.
