Brainscape's Knowledge GenomeTM

Browse over 1 million classes created by top students, professors, publishers, and experts.


See full index

Kognitionsvetenskap åk1 > AI TIG106 > Flashcards

AI TIG106 Flashcards

1
Q

Turingtestet

A

Om en dator kan lura en människa att det är en människa den chattar med anses datorn ha klarat turingtestet vilket i sin tur skulle innebära att datorn ses som intelligent

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

The chinese room

A

Tankeexperiment, ifrågasättande av symbolsystem och dess möjlighet att vara intelligent och fungera som en mänsklig hjärna

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

Utförande chinese room

A
  • En person som verken talar eller kan skriva kinesiska sitter i ett rum
  • Personen har en uppsättning instruktioner för hur man översätter kinesiska tecken till engelska
  • Uppgiften är att översätta och skicka tillbaka svar på en fråga som ställts
  • Trots att personen inte förstår språket och bara följer de “regler” som finns i språket ka personen leverera korrekta svar på kinesiska
  • På samma sätt fungerar en dator som följer en algoritm, kan levererar korrekta svar utan någon faktisk förståelse
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

IBM Deep Blue

A

Superdator som utvecklades för att spela schack
- En dator lyckades för första gången besegra en regerande världsmästare 1997

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

AI vintern på 70-talet

A

Intresset för Ai dog ut och mycket kritiker vågade uttala sig

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

Orsakerna till AI vintern på 70-talet

A
  1. Överdrivna förväntningar om att ai skulle nått mänsklig intelligens, ledde till besvikelse
  2. Marvin och dödsstöten - En perceptron kan inte representera XOR
  3. Finansieringen upphörde på grund av dåligt stöd för forskningen
  4. Mer sofistikerade programvaror och algoritmer i datorer hade behövts för att föra utvecklingen farmåt
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

Decision support system
(Beslutsstödsystem)

A
  • System som hjälper till med beslutsfattande genom att samla in, bearbeta och presentera relevant information
  • Fokus på att stödja beslutsfattande genom datainsamling, analys och presentation
  • Använder data och modeller för analys, saknar djup expertkunskap
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

Decision support system
(Beslutsstödsystem)
Funktioner och användningsområden

A

Funktioner:
1. Datavisualisering,
2. simulering
3. analys

Användningsområden:
1. Ekonomisk planering och prognoser
2. lagerhantering
3. kundreltionshantering

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

Expert system

A

Imiterar mänsklig expertis genom att plocka kunskap från en kunskapsbas och följa regler för att ge rekommendationer eller fatta ett beslut.
Den tillgängliga informationen och de följande reglerna är specificerade till ett specifikt domän.

  • Imiterar en mänsklig expert för att ge ett råd eller fatta ett beslut baserat på en specifik domän kunskap
  • Beroende av en omfattande kunskapsbas med regler och fakta för att härma en expert
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

Expert system
användningsområden

A
  1. Avgöra en diagnos av ett medicinskt tillstånd
  2. Fel identifiering i tekniska systemet
  3. Rådgivning inom juridik eller finans
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

Knowledge-based system
(kunskapsbaserade system)

A
  • Ett form av expertsystem som följer en kunskapsbas
  • Men som också kan tillämpa andra system som använder kunskapsrepresentationer och slutledningstekniker
  • Använder en kunskapsbas för att lösa problem, där expertsystem är en underkategori
  • Använder olika kunskapsrepresentationstekniker för att stödja beslutsfattande och problemlösning
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

Knowledge-based system
(kunskapsbaserade system)
användningsområden

A
  1. Texttolkning av naturlig språkförståelse
  2. Beslutsstöd i komplexa tekniska eller vetenskapliga domäner
    - Automatiserad support och rådgivning
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

MAS-system

A
  • Flera autonoma agenter interagerar med varandra för att uppnå ett gemensamt mål
  • Alla agenter har en specifik förmåga och målet är att koordinera sina handlingar för att nå målet
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

Agentbaserade system (ABS)

A

Tekniken fokuserar på att modellera och simulera beteendet hos olika agenter i en dynamisk miljö
- Olika agenter används för att representera olika element i systemet
- Agenterna tar beslut baserat på tidigare kunskap och uppfattning om omgivningen

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

Computer vision

A
  • Handlar om att ge datorer förmågan att förstå och analysera bilder och videos

Användningsområden:
- kameraövervakning
- medicinsk diagnostik
- robotik

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

Natural language processing
(NLP)

A
  • Datorers förmåga att förstå, tolka och generera mänskligt språk
  • Inkluderar tekniker som språkmodellering, semantisk analys osv.
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
17
Q

NLPs användningsområden

A
  1. Textanalys
  2. Chatbots
  3. Språklig översättning
  4. Automatisk samanfattning
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
18
Q

Autonom och autonoma system

A

“självstyrande”
- System till maskiner eller program som kan utföra uppgifter, lösa problem och fatta beslut utan mänsklig inblandning

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
19
Q

Machine leraning

A

Handlar om att datorer ska lära sig att utföra uppgifter utan att vara specifikt programmerade för dem.
- Har tillgång till algoritmer och data som möjliggör lärande från data

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
20
Q

Neurala nätverk

A
  • En typ av maskininlärningsalgoritm
  • Efterliknar strukturen hos den mänskliga hjärnan
  • Består av flera lager av neuroner som kan lära sig att känna igen mönster och utföra uppgifter
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
21
Q

Deep learning

A
  • En typ av neurala nätverk
  • Använder flera lager av neuroner
  • Möjlighet till att utföra mer komplexa uppgifter desto fler lager
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
22
Q

Bio-inspirerad AI

A
  • Tar inspiration från biologiska system för att utvecklas algoritmer och system som kan utföra komplexa uppgifter
  • Fokuserar på att efterlikna processer som lärande, perception, beslutsfattande och kommunikation
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
23
Q

Artificiell narrow intelligence (weak AI)

A
  • Specialiserad på en uppgift eller ett område
  • Kan inte lära sig nya sker utanför sin uppgift eller sitt område
    -Besitter ingen allmän kunskap eller förståelse
  • Exempel :
  • Ansiktigenkänning
  • Sökmotorer
    rekomendationsystem för streamingtjänster
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
24
Q

Artificial general intelligence
(Strong Ai)

A
  • Besitter en nivå av intelligens och kognitiva förmågor som liknar eller överstiger mänsklig.
  • Allmän intelligens
  • Självlärande och anpassningsbar
  • Kan möjligtvis ha en form av medvetande??
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
25
Q

Artificiell superintelligens
(super AI)

A
  • Hypotetisk form av Ai som överstiger mänsklig intelligens på alla områden
  • Oändlig kapacitet för utveckling och minne ¨
  • Övermänsklig hastighet och precision
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
26
Q

Universeal intelligence

A
  • En teoretisk form av intelligens
  • Det en super Ai skulle besitta
  • En omfattande kapacitet till intelligens
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
27
Q

Alan Turing

A
  • En brittisk matematiker, logiker och datavetare
  • pionjär inom datavetenskap
  • Knäckte Tysklands krypterings maskin ((enigma) under WW2
  • Grundaren till den moderna datavetenskapen och ai
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
28
Q

Singularity

A
  • Ultimata resultatet av AI
  • Uppstår när AI kan förbättra sig själv rekursivt utan mänsklig inblandning
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
29
Q

Search algorithms

A
  • Strategier för att söka efter en lösning inom en problemdomän
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
30
Q

Traverse

A

Går igenom en struktur eller mönster av en datauppsättning i systematisk ordning

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
31
Q

Data struktur

A

Träd och grafer

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
32
Q

Breath-first search algorithm

A

Söker vång efter våning i trädet innan man går vidare till nästa våning.

Fördel:
Lösningen gå inte att missa eftersom alla noder gås igenom tills man finner målnoden
Nackdel:
Tar upp mycket minne eftersom noder som gås igenom sparas

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
33
Q

Depth-first search algorithm

A

Går från start noden och djupdyker till barnet i grenen längst åt vänster. Går sedan vidare till nästa gren och gör samma procedur

Fördel: konsumerar lite minne
Nackdel: kan gå in i en oändlig loop

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
34
Q

Bindrectional/dubbelrikdad search

A
  • Börjar från två håll, en från målet och en från där den står, där och då möts sedan vid målet
  • Fördel: Det går väldigt mycket snabbare än andra algoritmer vid sökning, enkelt att hitta den optimala lösningen
    Nackdel : det kan hända att de olika linjerna gå om varandra
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
35
Q

Uniform-cost search

A
  • Tar sig igenom noder baserat på vikten på kopplingarna
  • Börjar vid den lägsta vikten och utforskar vägar med samma vikt tills den hittar mål noden

Fördel: Kan lösa vilken generell graf som helst och hittar kortaste vägen baserat på vikt.
Nackdel: Kan hamna i en oändlig loop om vikterna är 0 på flera

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
36
Q

The A* search algrithm

A
  • Expanderar de mest lovande mönstret först och undviker mönster som redan är expanderade
  • Väjer noder med minimum beräknad kostnad först
  • Beräknar kostanden genom en ekvation
  • Följer en heuristisk ordning

Fördel: Bra för planering, kartor och rutnät
Nackdel: När genfunktionen är högg blir beräkningen tung.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
37
Q

Hill-climbing serch

A
  • Hanterar grafer som innehåller information om lösningen
  • Hittar slumpmässiga lösningar, och hoppar mellan lösningar tills den hittar den bästa lösningen

Fördel: Minneseffektiv, optimerar problem
Nackdel: Kan fastna i en position om den inte kan fortsätta klättra för att grannen har samma värde eller inte ett värde att klättra till

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
38
Q

ELIZA

A
  • Första försöket att bygga ett beslutsfattande system
    -Kommunicerade med människor genom naturligt språk och gav en illusion av förståelse
  • Skulle vara en psykolog
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
39
Q

Heuristic

A

_ Användning av enkla, intuitiva regler för att fatta beslut och lösa problem snabbt och effektivt
- Användbart i komplexa och osäkra situationer där fullständig information saknas

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
40
Q

Cognitive maps

A
  • grafer som kan presentera visuella bilder av mentala modeller för beslutsfattande
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
41
Q

Multi-agent systems

A

Många agneter kommunicerar och interagerar med varndra

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
42
Q

Agent-based system

A

En ensam agent utför uppgifter

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
43
Q

Intelligent agents

A

Ett system som självständigt kan utföra uppgifter och fatta beslut baserat på sin omgivning och mål.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
44
Q

Reaktiv

A

Agenten kan uppfatta miljön och reagera på ändringar och agera därefter

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
45
Q

Proaktiv

A

Ingen förmåga att lagra tidigare information, regerar direkt på den information som tilldelas

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
46
Q

Simpel reflex agent

A

En grundläggande typ av intelligent agent inom AI

  • Utför handlingar baserat på nuvarande sensorisk information utan att använda någon intern modell av världen eller överväga historisk data
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
47
Q

simpel reflex agent Egenskaper

A
  1. Reaktiv - reagerar direkt på sensorisk input, ingen förmåga att lagra tidigare information eller förutspå framtida tillstånd
  2. Regelbaserad- Funkerar enligt if-then satser
  3. Ingen intern tillståndsmodell- använder endast den aktuella sensoriska informationen ingen representation av världen finns
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
48
Q

Arkitekturen hos en simpel reflex agent

A
  1. sensorer som tar upp sensorisk information
  2. if - then - satser
  3. komponenter som utför de valda handlingarna baserat på regler
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
49
Q

Goal based agent

A

använder målinformtion
planerar utifrån vad målet är och vad som behövs för att ta sig dit

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
50
Q

Meta-agenter

A

Byggs ovanpå mjukvara för att kunna hänvisa dess agenter
De kan lära sig av de lägre agentera men också fatta beslut om var och hur de ska agera

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
51
Q

“The physical symbol hypothesis”

A
  • Newell and Simon
  • Fysiska symboler kan användas för att representera och manipulera information
  • Menade att symbolsystemet skulle vara tillräckligt för att kunna utföra allmän mänsklig intelligens och kognition
  • genom att manipulera symboler enligt tydliga regaler skulle systemet kunna utföra beräkningar som en mänsklig hjärna
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
52
Q

Varför var “the physical symbol system hypothesis” viktig?

A
  • La grunden för AI system som försökte modellera mänskligt tänkande
  • Men ett symbolsystem besitter inte interaktionen med omgivningen
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
53
Q

Reinforcement learning

A

En teknik inom maskininlärning där en agent lär sig att fatta beslut genom att interagera med en miljö och maximera den kommande “belöningen”
- Besluten fattas med hjälp av tidigare kunskap
- Utforskar genom Exploit och explore

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
54
Q

Symbolsystem

A
  • Använder symbol manipulering för att efterlikna mänskligt tänkande
  • Använder alltså symboler och förändrar och kombinerar dessa utifrån vissa regler
  • Svårt att hantera komplexa och otydliga situationer
  • Logiken är problem-solvning tekniken i detta system
  • vanligt att man följer
    if-then - satser
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
55
Q

Regelbaserade system

A

Använder ett strot antal regler för att fatta beslut

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
56
Q

Kunskapsbaserade system

A

Innefattar en kunskapsbas

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
57
Q

PEAS

A

Ett ramverk som används för att specificera och designa agenter inom ai.
Alla aspekter hjälper till att tydligt definiera agentens uppgift och arbetsmiljö

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
58
Q

P - Performence measure
E
A
S

A

Prestandamått
- Hur man bedömer agentens framgång, beskriver kriterier som används för att mäta hur väl agenten slutför sin uppgift
Exempel: vinstfrekvens (andelen vunna aktioner)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
59
Q

P
E - Environment
A
S

A

-Miljö
- Miljön beskriver den kontext eller omgivning där agnaten verkar, inkluderar externa faktorer som agenten måste interagera med
Exempel: Andra budgivare

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
60
Q

P
E
A - Actuators
S

A
  • ställdon
  • Beskriver de verktyg och mekanismer som agenten använder för att påverka och integrera med sin miljö, genom detta utför agenten sina handlingar.
  • Exempel: Budgivningsystemet
61
Q

S - Sensors

A
  • sensorer
  • De mekanismer genom vilka agenten samlar in information från sin miljö
    Exempel: Dataflöde från auktionens plattformar (aktuella bud och återstående tid.
62
Q

PEAS användningsområden

A

Viktig i utvecklingen och forskningen av AI

63
Q

SHARDLU

A

Ett tidigt exempel på ett naturligt språkbearbetningsystem, de förstod och genererade mänskligt språk men i en begränsad mängd
- Användaren kunde interagera med nartuligt språk med en “blockvärld” där olika block kunde flyttas.
- Opererar inom en mycket begränsad och väl definierad domän

64
Q

Begränsningar med SHRDLU

A
  • Begränsad domän
  • Begränsad spårkkapacitet
  • Ingen lärande förmåga
65
Q

3 olika typer av miljöer (egenskaper) för en agent (enviromnment)

A
  1. Accessible ( tillgänglig)
  2. Deterministic (determanistisk)
  3. Episodic ( episodisk)
66
Q

Varför finns det olika Environment för agenter

A

För att en agnet kan klassificeras utifrån olika egenskaper
- Genom klassificeringen kan vi bättre förstå utmaningar och krav som ställs på en agent som verkar inom en specifik miljö och där med kan algoritmerna utvecklas.

67
Q

Accessible (tillgänglighet)

A
  • Agenten har alltså en fullständig och direkt tillgång till all relevant information om miljöns tillstånd via sina sensorer
  • Schack
68
Q

Deterministic (Deterministisk)

A
  • Miljöns nästa tillstånd är helt bestämt av nuvarande tillstånd och agentens handlingar, utan några element av slump eller osäkerhet
  • Ett pussel
69
Q

Episodic (episodiskt)

A
  • Agentens upplevelse består av en sekvens av oberoende episoder, där varje episod inte påverkas av tidigare episoder
  • En robot som utför separata monteringsuppgifter på en produktionslinje

non-episodic : Ett strategispel där varje drag påverkar framtida drag och den övergripande superstrategin påverkar framtida beslut

70
Q

Interative deep search

A

Kombinerar fördelarna med bredd och djup. Utför en serie av sökningar för olika nivåer.

nivå: 0 - startnoden
nivå 1 - Startar om från den tidigare nivån men expanderar till nästa nivå från vänster till höger
nivå 2- startar om ännu en gång på stratnodern och går igenom både nivåerna tar sig vidare och expanderar nästa nivå från vänster till höger och där kanske man finner målnoden, annars får man ta sig vidare till nästa nivå och undersöka den också

71
Q

Evalueringsfunktionen för A*

A

f(n) = g(n) + h(n)

f(n) - den totala uppskattade kostanden för den kortaste vägen genom noden n

g(n) den exakta kostanden från startnoden till n

h(n) den heuristiska uppskattningen av den lägsta kostanden från nodden n till målnoden

72
Q

STRIPS

A

Goalstate
Action:
Precondition:
effect:

EXEMPEL flytta robot från ett rum till ett annat
Action: Move(robot, roomA)
precondition: in (robot, roomB)
effect: in (robot, roomA)

73
Q

Vad menas med avvägningen exploit-explore i reinforcement leraning?

A

Användningen av dessa två metoder handlar om balansen mellan att utnyttja kunskap man redan besitter men samtidigt utforska ny kunskap och information.

74
Q

Exploit i reinforcement learning

A
  • Utnyttja den nuvarande kunskapen om vilken handling eller information som är bäst för att maximera belöningen

Fördelar: Ger en omedelbar bästa möjliga lösning baserat på tidigare kunskap
Nackdelar: Kan led till att agenten fastanr i de gamla och inte kan hitta nya bättre lösningar

75
Q

Exempel på exploit-explore användande inom reinforcement learning

A

En robot ska ta sig fram så snabbt som möjligt i en labyrint. Väljer roboten alltid samma väg som roboten redan har kunskap om kommer den kanske missa möjligheten att hitta en snabbare väg genom.
Dock om roboten bara provar nya vägar kan man slösa mycket onödig tid på detta, och belöningen kommer dröja.

76
Q

Genetisk programmering

A

En teknik inom AI som använder principer från evolutionen för att utveckla dataprogram som löser specifika uppgifter

77
Q

Crossover i genetisk programmering

A
  • Korsar två redan befintliga program
  • Väljer ut de egenskaper vi vill bevara samt de vi kan avvara till de nya programmet
    Fungerar sedan på samma sätt som evolutionen, egenskaper som vi tycker är bra och viktiga kommer vi spara och föra vidare
78
Q

Fördelar med crossover

A
  1. Skapar nya program genom att kombinera delar från olika program, vilket leder till en ökad variation
  2. Genom att utforska olika kombinationer av befintliga program ökar sannolikheten att man hittar e optimal lösning
  3. Användbara egenskaper från tidigare program kombineras och på så sätt bildas förhoppningsvis ett starkare program
79
Q

Aktiveringsfunktionen hos en artificiell nervcell

A
  • En matematisk funktion som tillämpas på summan av inputs, vikter och ett bias.
  • Outputen från denna funktion avgör om nervcellen ska aktiveras eller inte, alltså om en signal ska skickas vidare till nästa lager eller inte
80
Q

Sigmoidfunktionen

A

Är en specifik typ av aktiveringsfunktion som har en s-formad kurva
- inputs, vikter och bias tas in och en viktad summa bestäms, den viktade summan placeras i funktionen och output blir ett värde av 1 eller 0
- Kan tolkas som en sannolikhet till existens eller något liknande

81
Q

Forward chaining

A

Startar från känd fakta och tillämpar regler framåt för att härleda nya fakta tills målet är nått
- Logiska härledning som söker den enklaste och mest troliga slutsatsen utifrån observationer
- Regelbaserade system och expertsystem

82
Q

Funktion av forward chaining

A
  • Tar fram den initiala faktan
  • Identifierar alla regler som matchar den aktuella faktan
  • En regel tillämpas och då härled också ett nytt faktum
  • Processen upprepas tills inga fler regler kan tillämpas eller ett mål är uppnått
83
Q

Exempel på forward chaining

A

Reglerna:
- Om det regnar, då är marken våt
- Om marken är våt, då växer gräset

Faktan säger att det regnar och slutsatsen blir då att marken är våt och gräset växer

84
Q

Backward chaining

A

Startar från ett mål och arbetar bakåt för att verifiera om målet kan uppnås baserat på kända fakta och regler

85
Q

Funktionen av backward chaininng

A
  • systemet tar fram ett mål som ska uppnås
  • letar regler som kan leda till målet
  • Om regel hittas, bryts den ner till delmål baserat på reglernas premisser
  • Systemet kontrollerar om delmålen verifieras med känd fakta
  • processen upprepas för varje delmål tills alla delmål är verifierade eller tills det är klart att man inte kan nå målet
86
Q

Exempel på backward chainning

A
  • Målet är att bevisa att gräset växer
  • Letar efter regel som säger att gräset växer om marken är våt
  • Därefter kommer den att leta efter ytterligare regel som säger att om det regnar är marken våt
  • Kan det bevisas att det regnar , är slutsatsen att gräset växer och målet är nått.
87
Q

AND-funktion i en singel layer perceptron

A

Kommer endast returnera 1 alltså TRUE om båda värdarna är 1 annars kommer den returnera 0

Exempel: Om både dörr A och B måste vara stängda för att larmet ska stängas av

När ska minn dörr låsas upp:
If rätt lösenord AND rätt nyckel lås upp dörr

88
Q

OR-funktion i en singel layer perceptron

A

Kommer att returnera 1 alltså TRUE om minst en av värdarna är 1

Exempel: Är minst en av dörr A eller B öppen kommer larmet att starta

När ska min lampa tändas:
If mörkt ute OR inom ett visst klockslag tänd lampan.

89
Q

Ett booleriskt problem löst visa en funktion, sanningsvärdes tabell

A

Grön 4 ben fly
groda 1 1 1
orm 1 0 1
vindruva 1 0 0

1: dörr är öppen och larm är på
Dörr A Dörr B Larm på
1 1 1
1 0 1
0 1 1
0 0 0

90
Q

En egenskap som skiljer deep neural networks from singel layer perceptrons

A

Singel layer :
inga dolda lager
endast ett input och ett output
Kan bara lösa linjära och separerbara problem

Deep neural networks:
Har minst ett hidden layer
Kraftfullt verktyg för inlärning och representation av komplexa och abstrakta data

91
Q

Temporal difference learning

A
  • förstärkningsinlärnings algoritm
  • tränar agenter i dynamiska miljöer
  • kan lära sig att förutse framtida belöningar genom att göra uppdateringar baserat på tidigare förväntade och faktiska belöningar
  • (hur kan mina handlingar påverka framtiden, baserat på tidigare händelser)
  • Används i SARSA och Q-learning
92
Q

Vilka problem inom AI är temporal difference learning användbart för?

A

Problem med tidsberoende eller sekventiell struktur

  • Spel, kan utveckla nästa steg
  • Robotkontroll - kan bli mer effektiva och anpassningsbara
  • Autonoma fordon: tränas med TD för att fatta effektiva och säkra beslut
  • Naturligt språkbehandling- förstå och generera samanhänngsberoende text, TD- kan hjälpa till att förbättra kvalitén
93
Q

Vad är reinforcment learninng and unsupervised learning?

A

Två olika typer av maskininlärning

94
Q

Reinforcement Learning

A

En form av förstärkningsinlärning
interagerar med miljön genom att antingen föröska nå belöning genom tidigare kunskap eller genom att undersöka ny information

95
Q

Unsupervised
Learning

A

Algoritmer utforskar och upptäcker mönster och strukturer i data utan att använda tidigare information eller extern feedback

Vanligast att det används till kluster analys

96
Q

Deep learning

A

En gren inom maskininlärning som använder flera lager av hidden layers för att lära sig modellera komplexa mönster och relationer

  • Besitter förmågan att automatiskt lära sig
  • Kan anpassas till olika uppgifter genom ändra atlet lager, storlek på nätverket samt träningsparametrar
97
Q

Hur tränar man ett deep learning nätverk?

A
  • exponeras för stora mängder träningsdata för att kunna justera vikter och bias
  • Detta genom bakåtpropargering av fel
98
Q

Vilka träningsmetoder och strategier används i deep learning?

A
  1. Stora mängder data presenteras för att lära sig mönster och göra förutsägelser
  2. Använder backpropagation, en algoritm som justerar vikterna för att minimera fel
  3. Deep learning är kapabla till att utföra unsupervised learning
  4. De kan också rensa ut de orelevanta - feture extraction
  5. Flexibla, anpassar sig till ny data och nya uppgifter
99
Q

Natural language processing

A

Interaktion mellan människor och datorer
Datorn jobbar med att analysera, förstå och kunna producera mänskligt språk i from av text eller tal

100
Q

vad används Natural language processing till?

A
  1. text analyser
  2. språk igenkänning
  3. producera mänskligt språk i text
  4. översättning
101
Q

Parsing

A

processen att analysera och förstå struktur och innebörd av data

exempel:
identifiering av ord, fraser eller grammatiska strukturer

102
Q

Generation

A

Processen att producerar naturligt språk i text eller tal baserat på den tidigare analyserade data från parsing processen

exempel:
generera text, bilder eller andra typer av data

103
Q

Dekalratiav kunskap hos kunskapsrepresentation

A

Fakta eller information som kan lagras
ex. “x är en katt”

104
Q

Procedurell kunskap inom kunskapsrepresentation

A

Kunskap om hur man utför vissa uppgifter eller processer
Använder den dekalartiva kunskapen för att göra något med kunskapen

Ex. Jag har en dekalrtiv kunskap om att x är en katt
Nu använder jag kunskapen för att veta att alla katter har svanns
“regler”

105
Q

Varför stannade forskningen av nurala nätverk av igen efter 80-talet, trots att man hade nått framsteg

A
  • Återigen hade man lovat för mycket och levererat för lite
  • finansieringarna avtog igen
  • Fanns inte datorkraft nog att visa upp de teoretiska framstegs som gjorts inom ANN
106
Q

Hebbs inlärningsregel, viktig frö utvecklingen av ANN

A
  • Första ANN var ett statiskt system där vikter inte kunde ändras
  • “neurons that fire toghter wire togheter”
  • Innebar då att man kunde skapa ett dynamiskt system likanade hhjärnan som kunde förändras och stärka vikter för att träna nätverket
  • På så sätt implementerades inlärning i systemet
107
Q

Kritiken mot SHRDLUs “mickrovärld”

A
  • experter på sin värld endast
  • kan ej vara kreativ och gå utanför domänet
  • Representerar inte verkligheten
  • Kan bara förstå vissa kommandon av naturligt språk
108
Q

Motivera kritiken mot symbolsystem

A
  • Vi kan ännu inte mäta medveten förståelse, men ett symbolsystem använder sig av symboler för att förenkla förståelsen av verkligheten och saknar därför egen förståelse
  • Det måste alltid ske en “översättning” för att informationen ska ha en betydelse
109
Q

Kan man skapa intelligenta system av symbolisk ai

A

Beroende på hur vi mäter intelligens kan vi säkret det. Men mäter vi inteligens med en form av medvetenhet och fokus på koplexibilitet är ett symbolsystem för dålig på förståelse, vilket är en viktig aspekt i intelligens

110
Q

Fringe

A

Ordningen för expanderingen av noder i ett träd

111
Q

Vad gör man för att stoppa en oändlig loop hos en depth first search?

A
  • Lägga till en lista av besökta noder, så algoritmen kan se vilka noder den redan har besökt
  • Även sätta en depth limit, som begränsar hur många nivåer i grafen som får undersökas
112
Q

Vilken algoritm är garanterad att hitta kortaste vägen

A
  • uniform cost (dijkastras)
  • följer den minsta kostanden
113
Q

En algoritm som inte är garanterad att hitta kortaste vägen

A

Depth first search
- tar sig från djup till djup

114
Q

Skillnaden mellan kostnad och värde i en A* serch

A

Kostanden g(n) - kostnaden för att nå noden n från startnoden

värde h(n) - Representerar en uppskattning av kostanden för att nå målnoden från noden n

115
Q

Vilka komponenter har DSS?

A
  1. Databas : tillgänglig data
  2. Model: hur data ska bearbetas
  3. User interface: Hur de presenteras för användaren

Tar ej beslut åt användaren, ger bara råd

116
Q

Vilka komponenter har ES??

A
  1. Kunskapsbas: Fakta och regler
  2. Inference enginge : härleder nya fakta ur kunskapsbasen
  3. User innterface: Hur de presenteras frö användaren

Tar beslut åt använnadren

117
Q

“It is reasonable to claim that AI is everywhere in society”
Vilka områden diskuteras?

A
  • affärer
  • industrier
  • organisationer
118
Q

Beskriv bearbetenings processen av en hidden nod in ANN

A

-Nätverket aktiveras, där varje nod beräknas
- Om värdet av noden överstiger tröskelvärdet så aktiveras noden och information skickas vidare till nästa mod
- olika lager bearbetar olika “problem”, detaljer
- inlärningsprocessen sker sedan om vikterna behöver uppdateras genom backpropagation

119
Q

synapserna i ett biologiskt nätverk

A

Samma sak som vikterna i ett ANN

120
Q

Parallel processing i singel layer perceptrron

A

varje nod i de ddolda lagret kan aktiveras samtidgt och jobba parallelt med varandra

121
Q

best Path

A

Bästa lösningen, typ bästa vägen en algoritm kan gå

122
Q

Stokastisk miljö

A

Motsatsen till detaramistiskt
Kan inte förutse nästa steg i sin omgivning

123
Q

Imperativa algoritmer

A

Baserade på logiska regler, räknar på logisk och använder premisser

Deklarativt förhållningsätt baseras bara på fakta, ren fakta

124
Q

Två skäl till att utvecklingen av neurala nätverk och deep learning tagit fart de senaste 10 åren

A
  1. Investeringarna har ökat kraftigt, och satsningen på utvecklingen är stor inom många sektorer
  2. En ökning av beräknings kraft genom GPU som använder sig av parallell processing
  3. Fokuserat på biologisk AI
125
Q

2 exempel på önskvärda egenskaper hos kunskapsrepresentationer

A
  1. Kunna presentera en bred och komplex mängd av organiserad kunskap som hör till ämnet
  2. Att det är ett effektivt system som kan, lagra, förändra och bearbeta information på ett effektivt sätt
126
Q

En sök algoritm är optimal

A

Hittat den optimala lösningen på ett problem
-ex. snabbaste vägen eller vägen med minst kostnad

127
Q

En sök algoritm är complete

A

När en sök algoritm har hittat en väg från start till mål

128
Q

5 typer av DSS

A
  1. Communication -driven
  2. Data-driven
  3. Document - driven
  4. knowladge- driven
  5. Model -driven
129
Q

Huvudsakliga skillnader mellan de olika typerna av DSS

A

Fokusområden
Användningsfall - används i olika samanhang med olika uppgifter
Teknologi och verktyg - använder olika typer av verktyg för att ge den bästa typen av beslutsstöd

130
Q

Skillanden på kunskapsbas och inference system

A
  1. kunskapsbas lagrar information och regler, if är ansvarigt för att bearbeta information och dra slutsatser
  2. KB är en passiv komponent med nödvändig kunskap, if är aktiv och beslutsfattande
  3. kb är beroende av if för att bli användbar och if är beroende av kb för att kunna användas
131
Q

Kunskapsrepresentationssystem

A

Ett typ av symbolsystem

132
Q

The ground symbol problem

A

Handlar om abstrakta symboler kan vara och att de egentligen inte kan förstå naturligt språk utan fungerar bara som en manipulation av NL där en symbol kan ha flera betydelser

133
Q

General problem solver (GPS)

A

Tidiagt system som la grunden för problem lösnings system idag

Hittade ett sätt att programmera systemet med en mer allmän kunskap om att lösa problem som inte abra var utformade efter en viss typ av uppgift eller domän

134
Q

Logic Theorist

A
  • Ett av de först ai systemen som skulle efterlikna mänsklig intelligens
  • Heuritsisk sökning, backtracking och trädstrukturer
  • De la grunden för utvecklingen inom AI vilket gjorde den signifikant, det var betydelsefullt och viktigt för framtidens utveckling
135
Q

Skillnaden mellan kunskapsrepresentationssytem och databas

A

KB
- Lagra och FÖRSTÅ data
- Resonerar och drar logiska slutsatser av data
- agerar ofta inom en viss domän
DB
- endast lagra data
- logiska resonemang måste kodas av användaren

136
Q

Signifikant

A

Betydelsefull, viktig, märkbar

137
Q

FAQ-agent

A

en goal based agent är en agent som har ett mål och jobbar i miljön efter detta. En FAQagent kan bestå av följande komponenter:

Environment/miljön: Databas med alla tidigare ställda frågor.

Sensor: Känner av och räknar hur många gånger frågor har ställts.

Actuator: Sollar ut de frågor som har ställts flest gånger m.h.a regler:

Regler: Kan använda sig av if-then satser. Exempelvis “if fråga ställd över 10 gånger, then lägg till i FAQ listan”

Goal: färdigställd lista med de flest ställda frågorna

138
Q

Lexikal analys

A

Fokuserar och analyserar vilka ord som används och vad det är för typ av ord.

139
Q

Syntaktisk analys

A

Innebär analys av syntexerna, alltså delarna av meningar, som exempelvis fraserna (noun phrase, verb phrase).

140
Q

Semantiska analysen

A

Innebär analysen av meningen och ordens innebörd och mening.
Alltså vad menas med det som sägs, jo det är en hund som jagar en pojke på lekplatsen.

141
Q

Pragmatiska analysen

A

Hur det hela hänger ihop men även meningen bakom meningen, ibland kan något sägas som har flera meningar. Exempelvis om någon säger “det är kallt här inne” så kan det även betyda att personen vill att någon höjer värmen eller kanske stänger ett
fönster.

142
Q

learning rate

A

inlärningshastigheten

  • avgör om NN kan nå den mest optimala träningen med den inlärningshastighet som är
  • låg- ineffektiv
    -hög- kan “hoppa över” optimala lösningar
143
Q

optimala learning rate för NN

A

när den matchar rätt mängd värden eller noder

144
Q

validation process

A

validerar de nurala nätverket
faställa hur väl de fungerar inom sitt domän
- alla fel och rätt omvandlas sedan till en accurency curve och en error curve

145
Q

overfitting

A

har för många epoker eller noder i ett NN
blir för brett och generellt
ex. hur är det för ett får att leva i Sverige, men den ger dig information om hur det generellt är för ett får att leva i världen

146
Q

3 typer av deep neural networks (DNN)

A
  1. Feedforward (FNN)
  2. Convolutional (CNN)
  3. Recurrent (RNN)
147
Q

Feedforward NN

A

Informationn flödar i en riktning (framåt)
Bra för grundläggande problem
mönsterigenkänning

148
Q

Convolutional NN

A

Hanterar bilder
Använder olika dimensioner och lager för att klassificera
hanterar hierarkier av funktioner hos bilder

149
Q

Recurrent NN

A

Hanterar sekventiella data
Tillåter information att bevaras och användas i nästa steg
NPL
Använder tidigare data för att förbättra output

Kognitionsvetenskap åk1 (8 decks)

Brainscape helps you reach your goals faster, through stronger study habits.
© 2024 Bold Learning Solutions. Terms and Conditions