Brainscape's Knowledge GenomeTM

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


See full index

Intelligent Systems > Fragen > Flashcards

Fragen Flashcards

1
Q

Was sind die Bereiche von AI

A
  • Learning: Reinforcement / ML
  • Think: Scheduling / Planning
  • Act: Decision Engine / Agent
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

Was ist die Definition eines autonomen Systems?

A

Arbeiten ohne menschliches Eingreifen

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

Beschreiben sie Self CHOP anhand eines Beispiels

A 
CHOP means:
Self Configuration
Self Healing
Self Optimization
Self Protection
Beispiel Netzzugang:
Configuration: Netzzugriff
Healing: Stationsfehler 
Optimization: Handover von einem Mast zum anderen
Protection: Authentifizierung
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

Was sind Herausforderungen bei autonomen Systemen?

A
  • Dynamische Anpassung an Umgebung
  • Hohe Kopmlexität
  • Sicherheit, Risiko
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

Was versteht man unter maschinellem lernen?

A

Modell zum Lösen komplexer Probleme

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

Welche Arten von maschinellem lernen gibt es?

A
  • Supervised
  • Unsupervised
  • Reinforcement
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

Was versteht man unter automatisierter Planung?

A

Finden einer optimalen Strategie für ein Problem

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

Welche Methoden zur automatisierten Planung gibt es?

A
  • Baumsuche
  • Evolutionäre Algorithmen
  • Dynamische Programmierung
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

Was ist zu berücksichtigen bei der automatisierten Planung?

A
  • Risiken und Unsicherheiten
  • Harte Randbedingungen
  • Interpretierbare Entscheidungen und Empfehlung
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

Was beschreibt die Entscheidungsfindung?

A

Selbständige Auswahl von Aktionen um eine Aufgabe zu lösen

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

Nenne ein Beispiel zur Entscheidungsfindung

A

Tetris:
Aktionen: links, rechts, drehen links, drehen rechts, warten

Ziele:
Lücken füllen und Stapelhöhe niedrig halten

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

Was ist künstliche Intelligenz?

A

System, dass intelligent erscheint.

  • Fokus auf Denken
  • Fokus auf Handeln
  • Ausgerichtet auf das menschliche Modell (mit allen Mängeln)
  • Ausgerichtet auf normatives Modell (wie man sich verhalten soll)
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

Wie kann ein KI System beschrieben werden?

A

KI ist ein System, dass ….

… menschlich handelt:
-> Turing Test um zu prüfen ob ein Computer wie ein Mensch handeln kann
Problem: Nicht reproduzierbar, konstruktiv und nicht für mathematische Analysen geeignet

… menschlich denkt:
Behaviorismus zum Kognitivismus
Ausblenden des Innenlebens -> Mit einbeziehen des Innenlebens

… rational denkt:
Logische Regeln / Grundsätze

… rational handelt:
Das richtige Tun anhand der verfügbaren Informationen

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

Was ist Rationalität?

A

Das was angesichts der aktuellen Informationslage zur maximalen Zielerreichung beiträgt

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

Was ist ein Agent?

A

Eine Entität die die Umgebung durch Sensoren wahrnimmt und durch Aktoren handelt.

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

Was ist eine Agentenfunktion?

A

Eine Funktion von Wahrnehmungshistorien auf Aktionen.

f: P* -> A

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
17
Q

Was sind Beispiele für Agenten?

A
  • Saugroboter
  • Thermostat
  • Software Agent
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
18
Q

Was ist ein rationaler Agent?

A

Ein Agent der Aktionen auswählt um die Kennzahl zu maximieren

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

Was bedeutete PEAS?

A
  • Performance Measure
  • Environment
  • Actuators
  • Sensors
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
20
Q

Nenne zwei Beispiele für das PEAS Modell

A

Selbstfahrendes Auto:
Performance Measure: Sicherheit, Zeit, Komfort
Umgebung: Straße, Autobahn, Fußgänger, Tram
Aktoren: Lenkung, Gas, Bremse, Hupe
Sensoren: Lidar, Radar, Kamera

Schnäppchenjäger
Kennzahl: Gespartes Geld
Umgebung: Internet
Aktoren: Web Interface, Web Crawler, Formulare
Sensoren: HTML Seiten
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
21
Q

Was für Arten von Umgebungen existieren?

A
  • Vollständig beobachtbar vs. teilweise beobachtbar: Alles für Sensoren zugänglich?
  • Deterministisch vs. Stochastisch:
    Folgezustand vollständig bestimmbar?
  • Episodisch vs. Sequentiell: Kann die Qualität bewertet werden oder ist es von der Zukunft abhängig?
  • Statisch vs. Dynamisch: Ändert sich die Umgebung?
  • Diskret vs. Kontinuierlich
  • Single Agent vs. Multi Agent
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
22
Q

Zeigen Sie die Umgebungsarten für 2 Beispiele auf

A

Selbstfahrendes Auto:

  • Nicht beobachtbar
  • Stochastisch
  • Sequentiell
  • Dynamisch
  • Kontinuierlich
  • Multi Agent

Schnäppchenjäger:

  • Nicht vollständig beobachtbar
  • Fast deterministisch
  • Sequentiell
  • Statisch
  • Diskret
  • Single Agent
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
23
Q

Was für verschiedene Agent Typen existieren?

A 
- Einfacher Reflex Agent: 
Sensors und Aktoren. Nur Umgebung
- Modell-basierter Reflex Agent:
Umgebung + Historie
- Ziel-orientierter Agent: 
Umgebung + Historie + Ziel
- Nutzen-orientierter Agent
Umgebung + Historie + Ziel + Nutzenfunktion
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
24
Q

Wie sieht eine Problemdefinition aus?

A
  • Ausgangszustand
  • Zieltest
  • Nachfolgerfunktion
  • Kostenfunktion
  • Zustandsraum
  • Ausgangslage: Start in Arad
  • Formulierung des Ziels: Gehe nach Budapest so schnell wie möglich
  • Zustandsraum: Verschiedene Städte
  • Aktionen: Transfer zwischen Städten
  • Nachfolgefunktion: Bewege zur nächsten Stadt
  • Zieltest: In Budapest angekommen?
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
25
Q

Was für Problemtypen existieren?

A

Single State Problem / Deterministisch
- Agent weiß inwelchem Zustand er sein wird

Conformant Problem / Nicht beobachtbar
- Fehlende Beobachtbarkeit -> Unsicherheit um Ausgangszustand

Contingency / Nichtdeterministisch und teilweise beobachtbar:

  • Wahrnehmung liefert neue Infos
  • Suche und Ausführung verwoben

Exploration Problem:
- Unbekannter Zustandsraum

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
26
Q

Nenne ein Beispiel für ein Single State Problem

A

Staubsauger Welt mit zwei Feldern

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
27
Q

Nenne ein Beispiel für ein Coformant Problem

A

Conformant: Nicht beobachtbar:

Staubsauger Welt wo Staubsauger nicht weiß ob Feld sauber oder dreckig

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
28
Q

Nenne ein Beispiel für ein Contingency Problem

A

Contingency: Nicht deterministisch und nicht beobachtbar

Staubsauger Welt:
Staubsauger weiß nicht ob Feld dreckig und Feld kann wieder dreckig werden

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
29
Q

Was sind die Elemente eines Problems?

A
  1. Anfangszustand
  2. Nachfolgefunktion
  3. Zieltest
  4. Pfadkosten
  5. Zustandsraum
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
30
Q

Nach welchen Kriterien werden Suchstrategien bewertet?

A
  • Vollständigkeit: Findet immer eine Lösung wenn sie existiert
  • Zeitkomplexität
  • Speicherkomplexität
  • Optimalität: Findet günstigste Lösung
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
31
Q

Anhand von was werden Zeit- und Speicherkomplexität gemessen?

A
  • b (branching): Maximaler Verzweigungsgrad des Suchbaums
  • d (depth): Tiefe der kostengünstigsten Lösung
  • m (max_depth): Maximale tiefe des Zustandsraums (kann unendlich sein)
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
32
Q

Definieren sie uninformierte Suchstrategien

A

Uninformierte Strategien verwenden nur die Informationen, die in der Problemdefinition verfügbar sind

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

Was sind Beispiele für uninformierte Suchstrategien?

A
  • Breitensuche
  • Tiefensuche
  • Einheitskostensuche
  • Beschränke Tiefensuche
  • Iterative Tiefensuche
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
34
Q

Beschreiben Sie anhand eines Beispiels wie Breitensuche funktioniert

A
  • Expandiere flachsten, nicht-expandierten Knoten.

- Immer in die Breite expandieren (einen runter, und Kinder expandieren)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
35
Q

Was sind die Eigenschaften der Breitensuche?

A
  • Vollständigkeit: Ja, wenn endlich
  • Zeit: O(b^(d+1))
  • Speicher: O(b^(d+1))
  • Optimalität: Nein, außer bei Schrittkosten von 1
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
36
Q

Beschreiben sie die Uniform Cost Search mit Beispiel.

A
  • Expandiere den günstigsten, nicht-expandierten Knoten
  • Ähnlich zu Dijkstra
    Beispiel zeichnen
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
37
Q

Was sind die Eigenschaften der Uniform Cost Search?

A
  • Vollständigkeit: Ja, wenn Schrittkosten > 0
  • Zeit: Anzahl Knoten Pfadkosten geriner Kosten optimaler Lösung
    g<=C*
    (g = Pfadkosten, C=Kosten d. optimalen Lösung)
    (O(b^(1+C    /g)))
  • Speicher: Anzahl Knoten mit g<=C*
  • Optimalität: Ja, Knoten werden in aufsteigender Reihenfolge von g(n) expandiert
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
38
Q

Beschreiben sie die Tiefensuche mit Beispiel.

A
  • Expandiere den tiefsten, nicht expandierten Knoten
  • Einen Branch komplett tief expandieren, dann nächsten
    LIFO Warteschlagen. Nachfolger kommen an Anfang
    Beispiel zeichnen
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
39
Q

Was sind die Eigenschaften der Tiefensuche?

A
  • Vollständigkeit: In endlichen Suchräumen ja. In unendlichen oder mit Schleifen nein.
  • Zeit: O(b^m) / Schlecht wen m»d (tiefes Problem, flache Lösung)
  • Speicher: O(b*m)
  • Optimalität: Nein
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
40
Q

Beschreiben sie die beschränkte Tiefensuche mit Beispiel

A

Beispiel zeichnen

- Es wird immer nur bis zu einem max Level expandiert

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
41
Q

Beschreiben sie die iterative Tiefensuche mit Beispiel

A

Beispiel zeichnen

- Es wird iterativ die beschränkte Tiefensuche von lvl 0 bis max lvl durchgeführt

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

Was sind die Eigenschaften der iterativen Tiefensuche?

A
  • Vollständigkeit: Ja
  • Zeit: O(b^d)
  • Speicher: O(b*d)
  • Optimalität: Nein, außer wenn Schrittkosten = 1
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
43
Q

Was sind informierte Suchalgorithmen?

A

-> Algorithmen die weiteres Wissen in Form von Heuristiken benutzen

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

Beschreiben sie die Bestensuche (Best-first search)

A
  • Verwenden eine Evaluationsfunktion für jeden Knoten

- Expandiert besten Knoten

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

Beschreiben sie die Greedy Suche

A
  • Heuristikfunktion existiert
  • Schätzung der Kosten von n bis zum nächsten Ziel
  • Expandiert Knoten der dem Ziel am nächsten ist

Baue Baum auf und expandiere immer den Knoten mit dem geringsten Weg zum Ziel

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

Was sind die Eigenschaften der Greedy Suche?

A
  • Vollständigkeit: Nein, bei Schleifen. Ja bei endlich
  • Zeit: O(b^m)
  • Speicher: O(b^m)
  • Optimalität: Nein
47
Q

Beschreiben Sie den A* Algorithmus

A
  • Vermeide Pfade die Teuer sind
  • Benutze gute und zulässige(!) Heuristik

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

  • > g(n): Bisherige Kosten von Start bis n
  • > h(n): Geschätzte Kosten von h bis Ziel
48
Q

Was ist eine zulässige Heuristik für A*?

A

h(n) <= h(n), wobei h(n) die tatsächlichen Kosten von n sind

  • > Heuristik darf niemals überschätzen
  • H(n) >= 0 –> h(G) = 0 für Ziel G
49
Q

Was sind die Eigenschaften von A*?

A
  • Vollständigkeit: Ja, außer es gibt unendlich viele Knoten mit f <= f(G)
  • Zeit: Exponentiell in “relativer Fehler von h mal Länge der Lösung”
  • Speicher: Alle Knoten
  • Optimalität: Ja
50
Q

Wann ist eine Heuristik monoton?

A
  • Zulässig (nicht überschätzen)
  • Dreiecksgleichung: f(n’) = g(n’) + h(n’)
    h(n) <= c(n, a, n’) + h(n’)
    Direkter Weg muss kleiner oder gleich wie Umweg sein
51
Q

Wann ist eine Heuristik dominant?

A

Wenn sie für alle Punkte größer ist als die andere Heuristik
h1 und h2
h1(n) >= h2(n) so dominiert h1

52
Q

Was sind relaxierte Probleme bei Heuristiken?

A

Problem relaxieren -> Vereinfachen
Von dem vereinfachten Problem kann eine Heuristik abgeleitet werden und auf das nicht-relaxierte Problem angewandt werden

53
Q

Was beschreibt die lokale Suche?

A
  • Weg ist das Ziel

- Anhand von bestehender Lösung wird eine bessere Lösung gesucht

54
Q

Was sind Anwendungsbeispiele für die lokale Suche?

A
  • Finde optimale Konfiguration bei TSP

- Zeitplan: Finde Konfiguration die Einschränkungen erfüllt

55
Q

Beschreibe den Bergsteigeralgorithmus / Gradient Ascent, Descent

A
  • Algorithmus sieht die Nachbarn und seinen eigenen Status

- Gehe so lange bis der Nachbar nicht mehr besser ist

56
Q

Was für Probleme kann es beim Bergsteigeralgorithmus geben?

A
  • Lokale Maxima (!)
57
Q

Wie können die Probleme beim Bergsteigeralgorithmus gelöst werden?

A
  • Zufällige Initialisierung
  • Zufällige Seitwärtsbewegungen (learning rate)

-> Simulated Annealing nutzen

58
Q

Beschreibe den Algorithmus Simulated Annealing

A

Idee:

  • Vermeide lokale maxima in dem auch schlechte Nachbarn zugelassen werden
  • Verringe die Größe und Häufigkeit schlechterer Bewegungen

Loop through the neighbors and check if the value is better.
If better take it, if not take it just with a certain probability.

59
Q

Was sind Ziele der Pfad- und Bewegungsplanung (Motion Planning)?

A
  • Kollisionsfreie Trajektorien
  • Roboter soll Zielort so schnell wie möglich erreich

-> Roboter verrichtet Aufgabe durch Bewegung in realer Welt

60
Q

Was sind Herausforderungen bei der Pfad- und Bewegungsplanung (Motion Planning)?

A
  • Berechnung des optimalen Pfads unter Berücksichtigung potentieller Unsicherheiten
  • Schnelle Generierung von Aktionen bei unvorhergesehenen Objekten
61
Q

Wie sieht die klassische two layer Architektur bei Motion Planning aus?

A

Sensordaten helfen planen und Kollisionsvermeidung
Map hilft Planung
Planung hilft Kollisionsvermeidung
Kollisionsvermeidung gibt Aktionen an Roboter

62
Q

Beschreibe / Formalisiere das Problem der Bewegungsplanung

A
  • Startpose des Roboters
  • Gewünschte Zielpose
  • Geometrische Beschreibung des Roboters
  • Geometrische Darstellung der Umgebung
63
Q

Was ist der Konfigurationsraum bei Motion Planning?

A
  • Vektor aus Positionen und Orientierungen
64
Q

Wie ist der Freiraum und die Hindernisregion bei Motion Planning beschrieben?

A

Arbeitsbereich: W = R^m
Menge der Hindernisse: O elem. W
Roboter: A(q)

Freiraum: C_free
Hindernisregion C_obs = C / C_free

65
Q

Was muss im C-Raum gemacht werden, damit ein Pfad gefunden werden kann?

A

-> Das kontinuierliche Gelände muss diskretisiert werden

Entweder:

  1. Kombinatorische Planung:
    - Erfassen von C_free in Graphen und finden einer Lösung
  2. Stichprobenbasierte Planung:
    - Mit Kollisionserkennung C-Raum nach Lösung abtasten und nach Lösung durchsuchen
66
Q

Was ist das Ziel der kombinatorischen Suche und wie wird sie ermöglicht?

A

Ziel: Sequenz von Aktionen finden die zum Ziel führen

Möglich durch:

  • Uninformierte Suche (keine weiteren Infos gegeben)
  • Informierte Suche: Weitere Infos mittels Heuristiken gegeben
67
Q

Was sind typische Annahme in der Robotik für die Pfadplannung?

A
  1. Roboter ist lokalisiert
  2. Roboter berechnet Weg anhand Belegungsraster
  3. Richtigen Befehle zur Bewegung werden ausgeführt
68
Q

Wofür wird die Faltung der Gitterwelt benötigt? Beschreiben sie diese

A
  • Hindernisse werden größer und dadurch in größerem Radius umfahren
  • Roboter bewegt sich auf kürzestem Weg

Kosten = Weglänge * Belegungswahrscheinlichkeit
-> Zellen mit hoher Wahrscheinlichkeit werden vermieden

69
Q

Was ist die 5D Planung?

A
  • Problem: Suchraum zu groß um ihn zu untersuchen

- Idee: Suche im diskretisierten 2D Raum

70
Q

Beschreiben den 5D Algorithmus

A
  1. Aktualisiere Rasterkarte in 2D
  2. Finde Pfad mit A* in 2D Raum
  3. Bestimmung des Pfads. Annahme 2D Pfad ist in Nähe von 5D Pfad
  4. Finde Pfad in 5D Raum
71
Q

Beschreibe Probabilistic Road Map (PRM)

A
  • PRM erzeugt Graph von Konfigurationen ohne Kollisionen

- Mit A* kann Pfad von Start zu Goal gefunden werden

72
Q

Beschreiben den Probabilistic Road Map Algorithmus

A
  • Find all collision free points

- Connect nearest points to path

73
Q

Was sind die Vor- und Nachteile von Probabilistic Road Map (PRM)?

A

Vorteile:

  • Algorithmisch sehr einfach
  • Sehr explorativ
  • Es können Garantie über die Wahrscheinlichkeit getroffen werden -> Mehr abtasten der Punkte -> Wahrscheinlichkeit für Pfad sinkt

Nachteil:
- Aufwendige Berechnung für die Vorausberechnung einer vollständigen Roadmap

74
Q

Was kann Probleme bei Probabilistic Road Maps verursachen?

A

–> Schmale Passagen

Es ist unwahrscheinlich, dass genau diese Punkte ausgewählt werden

75
Q

Was sind Rapidly Exploring Random Trees (RRT)?

A
  • Methode zum finden eines Weges

- Es wird vom Start Knoten zufällige Nachbarn bis zum Goal verbunden

76
Q

Beschreibe RRT bidirektional

A
  • Zwei Bäume: q_start und q_goal
  • Wachsen in gegenseitige Richtung

q_target…q_new—q_near

q_near–q_new…q_target

77
Q

Was sind Vort- und Nachteile von RRT?

A

+ Algorithmisch einfach
+ Explorativ
+ Konzentration auf einzelnes start, goal Problem
+ Bäume aus mehreren Anfragen können zu Roadmap zusammengeführt werden

  • Metrik nicht immer einfach
  • Lokaler Planer nicht immer trivial
78
Q

Was ist die Motivation von Fuzzy Systemen?

A
  • Am menschlichen Konzept der Unsicherheit / Unpräzision zu orientieren

Z.B. Autofahren, Einparken / Finanzielle Entscheidungen

79
Q

Beschreibe das Sorites Paradoxon

A
  • Es gibt keine konkrete Definition eines Haufens
  • Ein Haufen ist auch ein Haufen wenn Elemente entfernt werden
  • > Ist ein Sandhaufen klein wird ein weiteres Korn es nicht ändern
  • > Ein Sandhaufen mit einem Sandkorn ist klein
  • > Folgerung alle Sandhaufen sind klein
80
Q

Wie wird die Zugehörigkeit von Fuzzy Mengen bestimmt?

A
  • Es existiert eine Teilmenge U
  • Jedes u hat einen Zugehörigkeitsgrad zwischen 1,0
    1 -> Volle Zugehörigkeit
    0 -> Keine Zugehörigkeit
81
Q

Was sind Anwendungsbeispiele für Fuzzy Mengen?

A
  • Klassifikation

- Entscheidungsunterstützung

82
Q

Nenne die Formel für Manhattan und Euklidische Distanz

A

Manhattan: \sum_{n=1}{N} (|a_i - b_i|)
Euklidisch: \sqrt{\sum{n=1}_{N} (|a_i - b_i|)^2}

83
Q

Beschreibe den K-Means Algorithmus

A

Initialisiere Cluster Centroids

Wiederhole bis Konvergenz oder max_iter:

  1. Weiße jede Observation dem nächsten Centroid zu
  2. Berechne avg von neuen Centorids
84
Q

Was ist eine Beispielfunktion für Fuzzy Clustering

A

Sum[i->c]{Sum[j->n]{u_i,j ^w * d^2(b_i, x_i)
“Closed” = U ** w * D
Zugehörigkeitsgrade ** Fuzzifier * Distanz

85
Q

Warum kann nicht einfach die Zielfunktion minimiert werden und in K-Means eingefügt werden?

A
  • K-Means hat nur Range (0,1) und kein Intervall

- > Algorithmus würde Zielfunktion komplett minimieren und dadurch wäre es wieder crisp

86
Q

Was ist das Ziel einer Archetypischen Analyse?

A

-> Finden der extremen Beobachtungen in einem Datensatz

87
Q

Was sind Bedingungen für die archetypische Analyse?

A
  • Alle Beobachtungen werden durch konvexe Kombinationen der Archetypen angenähert
  • Alle Archetypen sind konvexe Kombinationen der Beobachtungen
88
Q

Wie funktioniert der Archetypische Algorithmus?

A

Init:

  • Wahl Anzahl Archetypen K
  • Init Archetypen Z und Koeffizienten alpha, beta

Wiederhole bis RSS klein oder max_iter:

  1. Finde bestes alpha für Archetypen Z:
  2. Neuberechnung der Archetypen Z’: Löse GS X=alpha*Z’^t
  3. Finde bestes beta
  4. Neuberechnung Archetypen Z: Z=X*beta
  5. Berechne Residuenquadratsumme RSS
89
Q

Was sind prinzipielle Lösungsansätze zum Lösen von Optimierungsproblemen?

A

Analytische Lösung:
- Effizient aber nur selten anwendbar

Vollständige Durchforstung / Bruteforce:
- Ineffizient

Blinde Zufallsuche:
- Meist ineffizient

Gesteuerte Suche:
- Vss: Ähnliche Elemente ähnlichen Funktionswert

90
Q

Nenne zwei Beispiele für Optimierungsprobleme (v.a. für EA geeignet)

A
  • Füllen eines Rucksacks mit max Wert und Gewichtsbeschränkung
  • TSP
91
Q

Was ist die Formel für RSS bei archetypische Analyse?

A 
RSS = || X - alpha * Z^t||^2 
Z = X^t*beta
X = n x m
beta = n x k
alpha = n x k
Z = m x k
92
Q

Beschreibe die Motivation hinter evolutionären Algorithmen.

A
  • EA basieren auf der biologischen Evolutionstheorie
  • Zufällige Variation entstehen vorteilhafte Eigenschaften
  • Natürliche Auslese
  • Survival of the fittest
93
Q

Erkläre drei beliebige Prinzipien der Evolutionsbiologie

A

Diversität:
- Alle sind verschieden

Variation:
- Neue Varianten durch Mutation

Vererbung:
- Variation an nächste Generation vererben

Natürlich Auslese:
- Unterschiedliche Tauglichkeit, unterschiedliche Vermehrung

94
Q

Was für Elemente hat ein evolutionärer Algorithmus?

A
  • Anfangspopulation
  • Bewertungsfunktion / Fitnessfunktion
  • Auswahlmethode wer in nächste Generation kommt
  • Genetische Operatoren z.B. Mutation / Crossover
  • Abbruchkriterien / Parameter
95
Q

Warum ist Simulated Annealing kein evolutionärer Algortihmus?

A
  • Es gibt nicht immer Nachkommen

- Es gibt kein Aussterben

96
Q

Aus was besteht ein Individuum?

A
  1. Genotyp
  2. Strategieparameter
  3. Fitness
97
Q

Was ist die formale Definition der Selektrionsoperator?

A
  • Selektion selektiert Indizes der Individuen durch Gütewerte
  • Es werden n Objekte selektriert die weiter kommen
98
Q

Beschreibe den Mutationsschritt Rekombination (Crossover)

A
  • Wahl einer zufälligen Trennstelle

- Tausch an dieser Trennstelle mit anderem Objekt

99
Q

Beschreiben den Mutationsschritt Mutation

A
  • Ersetzen zufälliger Gene
100
Q

Welche genetische Operatoren existieren?

A
  • Rekombination

- Mutation

101
Q

Was ist der Unterschied zwischen genetischen und evolutionären Algorithmen?

A

Genetische sind binär kodiert und evolutionäre können problemspezifisch kodiert werden.

102
Q

Was für Eigenschaften sollte der evolutionäre Algorithmus (Code) haben?

A
  1. Ähnliche Phänotypen haben ähnliche Genotypen
    - > Mutation von einem ist ähnlich wie davor
  2. Fitness ist ähnlich bei ähnlichen Kandiaten
  3. Suchraum ist unter den evolutionären Operatoren abgeschlossen
    - > Keine Stadt wird doppelt besucht
    - > Checke für Fehler z.B. doppelte Stadt
103
Q

Nenne die Prinzipien der Selektion

A
  • Selektionsdruck. Besser Individuen haben besser Chancen zum überleben
  • Durchforstung des Suchraums (explore)
  • Ausbeutung der Individuen (exploit)
104
Q

Was beschreibt die Spieletheorie?

A
  • Spieltheorie betrachtet strategische Interaktionen innerhalb eine Gruppe von Individuen
  • Handlungen eines Jeden wirken sich auf das Ergebnis aus
  • Individuen wollen ihr bestes Ziel erreichen (Rationalität)
105
Q

Was ist die Definition eines Normalform Spiels?

A
  • Modelliert Situationen in denen Spieler Strategien wählen ohne Wahl der anderen Spieler zu kennen
106
Q

Was ist das Nash Gleichgewicht?

A
  • Es lohnt sich für keinen Spieler eine andere Strategie auszuwählen, selbst wenn der andere Spieler eine andere wählt
107
Q

Was ist Autonomie?

A

Eigenschaft von Agent, dass das Verhalten von der eigenen Erfahrung abhängt und nicht nur von der Programmierung

108
Q

Warum brauch ich eine Zielformulierung vor der Problemformulierung?

A

Ziel entscheidet was interessant ist, was ignoriert werden kann, was abstrahiert werden muss.

Problem: Entscheidung welche Aspekte manipuliert / ignoriert werden

Problem vor Ziel: Wir nehmen potentiell unwichtige Dinge mit in die Berechnung

Iterativ: Ziel -> Problem Form. -> Problem lösen

109
Q

Was ist ein Zustand?

A

-> Eine physische Konfiguration

110
Q

Was ist ein Knoten?

A
  • > Eine Datenstruktur in einem Suchbaum die auf einen Zustand verweist
  • Hat Eltern, Kinder
  • Hat Tiefe, Pfadkosten
111
Q

Was ist eine linguistische Variable?

A

Das Feature

112
Q

Was ist ein linguistischer Term / Wert

A
  • Ausprägung des Features
  • Subjektiver Wert
  • e.g. heiß, kalt / groß, klein
113
Q

Wieso brauchen wir den Fuzzifier?

A
  • Weil sonst auf 0,1 minimiert wird
  • Mit Fuzzifier bekommen kleinere Werte, größere Chancen
  • Weil größere Werte bestraft werden

Intelligent Systems (1 decks)

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