Från slides Flashcards
What does solving a problem mean?
Finding actions that effectively solve the problem.
Att identifiera problemet, ha kunskap om standardproblem, matcha problemet till standardproblemkategori, ha kunskap om standardlösningar, matcha en lösning till en specifik problemklass, hitta en speciallösning till problemet.
Can AI replace humans in problem-solving?
Yes, if we can describe the process and have the related knowledge such as standard problems and solutions.
Is a washing machine an intelligent agent?
No, because it lacks the ability to learn, reason or adapt autonomously.
How can you judge whether a machine is intelligent?
Criteria include:
❏ problem-solving ability
❏ learning capability
❏ adaptability
❏ creativity
❏ natural language understanding and generation
❏ perception and understanding
❏ autonomy
❏ ethical and moral reasoning
What are the four categories of views on AI?
Thinking humanly, thinking rationally, acting humanly, acting rationally.
What does “thinking humanly” involve?
Cognitive modeling, which applies the scientific method to the study of human cognition.
What is the focus of “thinking rationally”?
“laws of thought”
Codifying correct arguments and thought processes, often through logic.
Vad finns det för problem med “thinking rationally”?
1) Uncertainty: Not all facts are certain (e.g., the flight might be delayed).
2) Resource limitations: There is a difference between solving a problem in principle and solving it
in practice under various resource limitations such as time, computation, accuracy etc. (e.g.,
purchasing a car)
What is meant by “acting rationally”?
It involves rational behavior, which is doing the right thing to maximize goal achievement given the available information.
What does “acting humanly” entail in the context of AI?
It refers to the ability of AI systems to mimic human behavior or actions, often assessed through the Turing Test.
Who pioneered the study of machine intelligence and what were his contributions?
Alan Turing; He made computation precise with the Turing machine, invented the programmable computer (universal Turing machine), created the first chess program, and suggested criteria for machine intelligence, including the Turing test.
What is the Turing Test and how does it work?
Acting humanly: judge a system is intelligent or not
It’s a method for determining if a machine can exhibit intelligent behavior indistinguishable from a human. In the test, a human interrogator communicates with both a human and a machine via text-based channels, trying to determine which is which solely based on their responses.
What tasks must be solved to create an AI system?
❏ Decision making
❏ Problem-solving
❏ Language handling
- how to communicate in speech för att interagera med människorpå ett meningsfullt sätt (natural language processing/språkbearbetning)
❏ Learning
- how one learns; möjliggör förbättring och anpassning över tid (machine learning)
❏ Image processing
❏ Predicting
❏ Cognition
- how does thinking work when solving the problem
- how does the problem perception (customer/situation/artifact/…) perceive?
What is necessary to do to replace a “profession” with a machine?
❏ Definiera och strukturera den specifika expertisen och kunskapen inom det område (define structure of expertise and expert knowledge)
❏ How an intelligent agent (a doctor/lawyer/etc) works, and acts with others (multi-agent system)
❏ Autonomy; det krävs att agenten kan arbeta autonomt utan ständig mänsklig inblandning.
Vad finns det för typer av artificiell intelligens?
❏ Weak AI
❏ General AI
❏ Super AI
What is Weak AI?
Maskiner kan agera som om de vore intelligent.
System som beter sig som människor men inte försöker efterlikna hjärnans funktioner. Exempel: IBMs Deep Blue schackdator, som kan analysera miljontals drag men inte förstår schack som en människa gör. Den utför uppgifter snabbt och effektivt, men utan mänsklig insikt.
Ex 2. En chatbot som kan svara på frågor baserat på förprogrammerade svar.
ex 2 röstassistent som siri, ansiktsigenkänning
What is General AI?
Maskiner som kan tänka och förstå på samma sätt som människor.
System som simulerar mänskliga hjärnor och kan utföra alla uppgifter lika bra eller bättre än människor. General AI försöker också ge insikt i hur hjärnan fungerar.
Exempel: självkörande bilar, rekommendationssystem.
(ej uppnått än)
What is Super AI?
Maskiner som inte bara agerar intelligent utan har verkligt medvetande.
Hypotetiska maskiner som kan lösa problem, fatta beslut, lära sig, planera, resonera och kommunicera helt självständigt. Detta stadium av AI är fortfarande teoretiskt och inte uppnått än.
What is artificial intelligence?
What is narrow AI, general AI and superintelligence? What can be obtained within these categories of intelligence?
Narrow AI:
❏ AI som är specialiserad på en specifik uppgift eller ett smalt funktionsområde.
❏ Exempel: Google-sökningar, Netflix-rekommendationer, självkörande bilar som är designade för specifika miljöer.
❏ Egenskaper: Hög prestanda inom sitt specifika område, men kan inte generalisera till andra uppgifter.
Narrow AI
* Single task-based
Algorithms
* Dedicated for one
task
* Driven by industry
* Practical
General AI
* Equel to human
intelligence
* Perform like human
* Abstract thinking
* Transfer learning
* Following common
sense in decision
making
* Creativness
* Understanding of
cause and effect
Super AI
* Exeeded human
intelligence
* Intelligent than
human.
Explain weak and strong AI and the difference between these.
Omfattning:
❏ Weak AI: Begränsad till specifika uppgifter och kan inte generalisera utanför sitt specialområde.
❏ Strong AI: Har bred intelligens som gör det möjligt att utföra en mängd olika uppgifter och anpassa sig till nya situationer.
Förståelse:
❏ Weak AI: Fungerar genom att följa förprogrammerade instruktioner och algoritmer utan att förstå vad den gör.
❏ Strong AI: Har en förståelse av sina handlingar och kan resonera och fatta beslut baserat på denna förståelse.
Medvetande:
❏ Weak AI: Saknar medvetande och självmedvetenhet.
❏ Strong AI: Skulle ha en nivå av medvetande och självmedvetenhet som liknar den mänskliga.
Exempel:
❏ Weak AI: Nuvarande AI-teknologier som användas i specifika tillämpningar, t.ex. Google-sökningar, ansiktsigenkänning, och rekommendationssystem.
❏ Strong AI: Ett framtida mål inom AI-forskning, ännu inte uppnått.
*Currently what are the most popular AI areas and AI technology?
Föreläsning 2: DSS-ES-KBS (Ch3)
Vilka nivåer av organisation finns inom ett företag?
❏ Strategic level
❏ Tactical level
❏ Operational level
Vilka typer av beslut fattas på den strategiska nivån?
VAD som ska implementeras.
På den strategiska nivån fattas långsiktiga beslut som påverkar företagets övergripande riktning.
Exempel:
❏ Market positioning (definiera och kommunicera hur ett företag vill bli uppfattat av sina målgrupper på marknaden)
❏ Expansionsplaner
❏ Mergers and acquisitions (Strategiska affärstransaktioner där företag går samman eller ett företag köper ett annat för att uppnå specifika affärsmål, som att få tillgång till nya produkter eller marknader)
❏ Större investeringar
Vad är taktiska beslut och ge några exempel?
HUR det ska implementeras.
Taktiska beslut fokuserar på att IMPLEMENTERA organisationens strategi.
Exempel:
❏ Resource allocation
❏ Målformulering
❏ Budgetering
❏ Personalplanering
❏ Koordination mellan avdelningar
Vad är operativa beslut och ge några exempel?
Det är dem som implementerar.
Operativa beslut handlar om dagliga aktiviteter.
Exempel:
❏ Produktionsprocesser
❏ Schemaläggning
❏ Lagerhantering
❏ Kundservice
❏ Kvalitetssäkring
Vad är unstructured decisions och vilken roll spelar intuition i dem?
Engångsbeslut utan standardiserade procedurer. Beslutsfattarens intuition spelar en viktig roll eftersom informationssystem ger mindre stöd för dessa beslut.
- De är ofta komplexa och involverar hög grad av osäkerhet.
Exempel: En VD som bestämmer om företaget ska diversifiera sig till en ny marknad utan att ha en förutbestämd strategi för hur detta ska genomföras.
Vad är semi-structured decisions och hur kan informationssystem hjälpa?
Dessa beslut har en delvis strukturerad aspekt där viss information och riktlinjer är tillgängliga, men beslutet kräver fortfarande analys och bedömning från beslutsfattaren.
Exempel: En produktchef som använder data om kundpreferenser och marknadsanalys för att välja vilka nya produkter som ska utvecklas.
Vad är structured decisions och hur kan de automatiseras?
Dessa kan automatiseras eftersom det finns väldefinierade standardprocedurer (rutinmässiga beslut) för dessa typer av beslut. Dessa kallas också programmable tasks.
Exempel: Ett företag som använder en algoritm för att fastställa lagersaldo och beställa varor när lagret når en viss nivå.
What are the two approaches to the decision-making process och vad innebär dem?
1) The logical approach
- Följer en strukturerad, logisk process med tydliga faser från problemidentifiering till implementering av lösningen.
2) The pragmatic approach
- Betonar den dynamiska och sammanflätade naturen av beslutsfattandet, där problem, lösningar och handlingar är intimt förknippade och påverkar varandra.
Vad är de olika faserna i Simon’s beslutsfattandeprocess? Nämn varje fas
- Intelligence phase
- Design phase
- Choice phase
- Implementation phase
Vad innebär fasen för intelligens i beslutsfattandeprocessen?
Beslutsfattaren samlar in data från olika källor och analyserar organisationens miljö för att identifiera de problem som behöver lösas och möjliga sätt att närma sig dem.
Vad är målet med fasen för design? Vilken roll spelar informationsteknologi ?
Målet är att definiera kriterierna för beslutet, generera alternativ för att möta kriterierna och fastställa sambandet mellan kriterierna och alternativen.
Informationsteknologi stöder inte mycket denna fas av beslutsfattandeprocessen eftersom den kräver förståelse för hur varje alternativ påverkar kriterierna.
Vad innebär fasen för val i beslutsfattandeprocessen? Hur stöder beslutssystemet (DSS) beslutsfattaren?
Beslutsfattaren väljer det bästa och mest effektiva handlingsalternativet från de tillgängliga alternativen genom att analysera deras relation till kriterierna.
Beslutssystemet (DSS) hjälper beslutsfattaren att sortera bland möjliga lösningar och välja den bästa för organisationen genom att erbjuda verktyg för att beräkna kostnads-nyttoförhållanden.
Vad innebär fasen för implementering i beslutsfattandeprocessen?
I fasen för implementering planerar organisationen för att genomföra det alternativ som valts och skaffar de resurser som behövs för att genomföra planen. DSS genomför också en uppföljande bedömning av hur väl en lösning fungerar.
Vad betonar det pragmatiska tillvägagångssättet för beslutsfattande?
Det pragmatiska tillvägagångssättet betonar den sammanflätade naturen av att identifiera problem, hitta lösningar och vidta åtgärder. Det erkänner att dessa element är intimt förknippade och påverkar varandra i en dynamisk process.
- mer flexibelt och anpassningsbart, åtgärder baserat på aktuell data och feedback
Vad innebär fasen “Problem Initiation and Ideal Solution” i det pragmatiska tillvägagångssättet?
Under denna fas presenteras ett problem samtidigt som det finns en idé om en potentiell lösning. Det handlar om att identifiera problemet och ha en vision om hur det kan lösas.
Vad är syftet med “Feasibility Analysis and Evaluating” fasen i det pragmatiska tillvägagångssättet?
I denna fas uppfinns, utvecklas och analyseras olika möjliga handlingsalternativ för att lösa problemet. Syftet är att bedöma om de föreslagna lösningarna är genomförbara och effektiva.
Vad händer under “Choice and Action” fasen enligt det pragmatiska tillvägagångssättet?
När analys- och utvärderingsfasen är avslutad måste ett beslut fattas genom att välja ett alternativ och agera. Detta är steget där beslutet implementeras och utförs.
Vad är decision support systems (DSS) och vad består det av?
Ett interaktivt informationssystem som är utformat för att hjälpa beslutsfattare inom en organisation. Det består av hårdvara, mjukvara, data och matematiska och statistiska modeller.
(emphasize semistructured and unstructured tasks)
Vilka är de fyra typerna av decision support systems (DSS) och vad är deras huvudfunktioner?
❏ Communication-driven DSS: Främjar kommunikation och samarbete mellan beslutsfattare.
- Exempel: tools such as video conferencing and collaborative document editing platforms –> improve the sharing of information
❏ Data-driven DSS: Använder dataanalystekniker för att stödja beslutsfattande.
- Exempel: help to identify patterns, trends, and relationships in data –> informed decisions based on evidence and analysis
❏ Document-driven DSS: Hanterar och analyserar Unstructured information från dokument, rapporter, och textkällor.
- Exempel: text mining, natural language processing
❏ Knowledge-driven DSS: Använder expertkunskap för att ge rekommendationer och råd.
- typically incorporate expert systems and rule-based reasoning
CD med Donkey Kong
*Vilka är de tre huvudkomponenterna i ett DSS?
❏ Database
- innehåller både internal och external data, vilket kan vara allt från företagets egna data till externa marknadsdata eller ekonomiska indikatorer.
❏ Model base
- består av olika matematiska och statistiska modeller som används för att analysera data och generera insikter
❏ User access the DSS through user interface/användargränssnitt
-
❏ DSS engine manages and coordinates the major components
- hanterar tillgången till och användningen av databasen. Den ser till att data är korrekt organiserad, lagrad och tillgänglig för analys.
Vilka är några av funktionerna och förmågorna (capabilities) hos ett DSS?
❏ What-if-analys
❏ Goal-seeking
❏ Sensitivity analysis
❏ Exception (undantag) / Ad hoc reporting analysis
❏ Graphical analysis, forecasting (prognos), simulation, statistic analysis and modeling analysis
Vad är Business Intelligence (BI) och hur skiljer det sig från ett vanligt Decision Support System (DSS)?
Business Intelligence är en gren av DSS som är utformad för att tillhandahålla information relaterad till en organisations framgångsfaktorer.
Det skiljer sig från ett vanligt DSS genom att det fokuserar på att integrera och visualisera data för att hjälpa beslutsfattare att identifiera trender och potentiella problem.
- digital dashboard
- Integrates information from multiple sources and
presents it in a unified, understandable format as
charts and graphs
Vad är expert systems (ES)?
Ett datorsystem som efterliknar eller agerar med beslutsfattandeförmågorna hos en mänsklig expert inom ett specifikt område. Dess huvudsakliga syfte är att fungera som en ersättning för en expert genom att använda den expertkunskap som är lagrad i systemet.
Vilka är de tre huvudkomponenterna i ett expertsystem?
❏ Knowledge base (domain-specific)
- obtainable from books, magazines, knowledgeable persons, etc.
❏ Inference engine
- draws conclusions from the knowledge base
❏ User interface
Kan du nämna några exempel på tidiga expertsystem och deras användningsområden?
Några exempel på tidiga expertsystem inkluderar:
❏ MYCIN (medicinsk diagnos av sjukdom)
❏ DENDRAL (kemisk massespektroskopi för att identifiera kemiska beståndsdelar)
❏ PROSPECTOR (geologisk dataanalys för mineraler)
❏ XCON/R1 (konfigurering av datorsystem).
På vilka sätt tillämpas expertsystem i verkliga scenarier?
Expertsystem tillämpas i olika branscher och områden, inklusive:
❏ Cancer Decision Support Tool
- They analyze the clinical attributes of patients and help in the early diagnosis of diseases like cancer
❏ Rule-Based Expert System in Agriculture
- It uses “if-then” rules and facts to find solutions. For instance, it diagnoses the
different types of pests that can damage various crops
❏ Intelligent Tutoring System
- helps organizations offer customized learning experiences to
students. It uses adaptation techniques to provide personalized answers to
students based on their learning capability.
Vilka är några av begränsningarna med expertsystem?
Deras oförmåga att generalisera genom analogi för att resonera om nya situationer på samma sätt som människor kan.
Tidskrävande och arbetsintensivt att bygga ett expertsystem –> “knowledge acquisition bottleneck” begränsar eftersom det är ineffektivt och tar tid (precis som en flaskhals begränsar flödet av vätska från att rinna ut)
Vad är knowledge-based systems (KBS)?
Knowledge-based systems are a particular kind of expert system where the knowledge, stored in a knowledge base, has been obtained from an expert in a specific field.
Varför är knowledge representation och inferencing (slutsatsdrivning) viktiga i designen och utvecklingen av decision systems?
De är viktiga eftersom de utgör grunden för intelligent beslutsfattande. Utan en meningsfull representation av kunskap och möjligheten att dra slutsatser baserade på denna kunskap, kan systemet inte effektivt analysera data, fatta informerade beslut eller ge värdefulla resultat.
Hur bidrar Knowledge Representation till effektiva intelligenta system?
Effektiv kunskapsrepresentation möjliggör att relevant kunskap fångas och organiseras på ett sätt som gör att systemet kan erbjuda insikter, rekommendationer och lösningar som är anpassade till den expertis och de domänspecifika regler som styr problemområdet.
Vad är Production Systems/Rule Based Systems och hur representeras kunskap i dem?
Produktionssystem är den mest populära typen av expertsystem idag. Kunskap representeras som flera regler som specificerar vad som bör eller inte bör dras från olika situationer. Dessa regler kan uttryckas i IF-THEN-format.
- production system = en typ av rule based system = en typ av KBS?
Vad är Inference och varför är det viktigt för intelligenta system?
Inference is the process of chaining multiple rules together based on available data.
Förmågan att dra logiska slutsatser och göra deduktioner baserade på tillgänglig information och kunskap.
Mekanismer:
- rule-based reasoning
- fuzzy logic
- probabilistic reasoning
- machine learning algorithms
Det är viktigt för intelligenta system eftersom det gör att de kan bearbeta inputs, bedöma situationer och generera meningsfulla resultat eller rekommendationer, vilket förbättrar deras användbarhet inom olika domäner.
Vilka är the general methods of Inference?
❏ Forward chaining (data-driven)
- reasoning from facts to the
conclusions resulting from those facts
- best for prognosis,
monitoring, and control
❏ Backward chaining (goal driven)
- reasoning in reverse from a
hypothesis, a potential conclusion to be proved to the facts that
support the hypothesis
- best for diagnosis problems
- måldriven inferensmetod
Föreläsning 6: reasoning (Ch3)
What is reasoning in AI?
Processen att dra logiska slutsatser från given information.
I AI är reasoning förmågan hos en dator att göra deduktiva slutsatser baserade på data och kunskap.
Det är en nyckelkomponent i AI-applikationer som expertsystem, natural language processing och maskininlärning
*Vilka AI-tekniker involveras ofta i reasoning?
När ett AI-system resonerar om ett problem kan det använda:
❏ Knowledge representation för att lagra och manipulera data
❏ Reasoning-algoritmer för att dra slutsatser
❏ Inlärningsalgoritmer för att förbättra sin prestanda över tid
What are the different types of reasoning?
❏ Deductive reasoning
❏ Inductive reasoning
❏ Abductive reasoning
Vad är deduktivt resonemang?
När man börjar med en uppsättning premisser och sedan använder dem för att logiskt härleda en slutsats.
Deduktivt resonemang börjar med en allmän regel eller teori och drar en SPECIFIK slutsats från den.
Detta är den typ av resonemang som används i matematiska bevis.
Vad är induktivt resonemang?
När man börjar med en uppsättning data och sedan försöker härleda en GENERELL regel eller princip från den datan.
Induktivt resonemang börjar med specifika observationer och drar en allmän slutsats från dem.
Detta är den typ av resonemang som används i statistiska inferenser.
Vad är abduktivt resonemang?
När man börjar med en uppsättning data och en generell regel eller princip, och sedan försöker härleda vilket specifikt fall av den datan som regeln eller principen gäller för.
Abduktivt resonemang börjar med en observation och letar efter den mest sannolika förklaringen.
Detta är den typ av resonemang som används i diagnostiskt resonemang, till exempel när en läkare försöker diagnostisera en patients sjukdom baserat på symtom.
*Varför är reasoning viktigt för AI-applikationer?
Reasoning gör det möjligt för datorer att dra logiska slutsatser från data och kunskap och att fatta beslut baserat på dessa slutsatser. Detta är avgörande för att AI-applikationer ska kunna lösa komplexa problem och anpassa sig över tid.
Vad är en Knowledge Base (KB) och vilken roll spelar den i en Knowledge-Base Agent?
En Knowledge Base (KB) är en samling av meningar representerade i ett kunskapsrepresentationsspråk som beskriver världen.
Den lagrar alla fakta och relationer om ett problem och används av agenten för att dra slutsatser baserat på den information som finns lagrad.
- KB = organiserad samling av fakta och regler som används av ett expert- eller kunskapsbaserat system för att fatta beslut och lösa problem
Exempel:
❏ Fakta (Symptom)
- Patient har feber.
- Patient har hosta.
- Patient har andningssvårigheter.
- Patient är trött.
- Patient har ont i halsen.
- Patient har varit i kontakt med någon med influensa.
❏ Regler
Regel 1:
- IF patient har feber AND hosta AND andningssvårigheter THEN diagnos = influensa.
Regel 2:
- IF patient har ont i halsen AND feber THEN diagnos = halsfluss.
Regel 3:
- IF patient är trött AND feber AND kontakt med någon med influensa THEN diagnos = influensa.
Regel 4:
IF patient har hosta AND ont i halsen
THEN rekommendation = vila och drick mycket vätska.
etc.
När patientens symptom (fakta) matas in i systemet, används reglerna för att dra slutsatser om diagnos och rekommendationer
Vad är en inferensregel och hur används den i en Knowledge-Base Agent?
En inferensregel är en procedur som hjälper till att lösa problem genom att tillämpa kunskap.
När frågor ställs till KB, bör svaren följa från vad som tidigare har lagts till i KB.
Inferensregler används för att dra slutsatser baserat på kända fakta.
Vad är skillnaden mellan knowledge och inference rules?
Kunskapsregler (declarative rules) anger alla fakta och relationer om ett problem och lagras i kunskapsbasen.
- Kunskapsregel 1:
IF patient har feber
THEN patient har en infektion.
- Kunskapsregel 2:
IF patient har ont i halsen
THEN patient kan ha halsfluss.
Inferensregler (procedural rules) ger råd om hur man löser ett problem baserat på kända fakta och kan innehålla regler om regler (metaregler).
- Ingerensregel 1:
IF needed data is not known THEN ask the user.
- Inferensregel 2:
IF flera regler är applicerbara
THEN använd den regel med högst prioritet först.
Vad innebär forward chaining och när är det bäst att använda denna metod?
Forward chaining är en DATADRIVEN sökning i ett rule-based system där man börjar med tillgängliga fakta och försöker dra slutsatser.
Determines conclusion based on evidence.
Användningsområde:
Denna metod är bäst att använda när alla fakta är tillgängliga från början och för prognos-, övervaknings- och kontrollproblem.
Vad innebär backward chaining och när är det bäst att använda denna metod?
Backward chaining är en GOAL-DRIVEN sökning i ett rule-based system där man börjar med en potentiell slutsats och arbetar bakåt genom en kedja av regler för att hitta fakta som stödjer slutsatsen.
Checks if evidence supports conclusion.
Användningsområde:
Denna metod är bäst att använda för diagnostiska problem.
Hur väljer man mellan forward chaining och backward chaining?
Valet mellan forward chaining och backward chaining baseras på hur en domänexpert löser problemet.
Om experten först samlar in data och sedan drar slutsatser används forward chaining.
- if all facts available up front –> forward chaining
Om experten börjar med en hypotes och sedan försöker hitta fakta för att bevisa den används backward chaining
- duagnostic problrms –> backward chaining
Vad innebär att en regel “fires” i ett rule-based system?
Att en regel “fires” innebär att alla hypotetiska delar (if-delarna) av regeln är uppfyllda och att regeln tillämpas.
Inference engine kontrollerar alla regler i kunskapsbasen (forward or backward direction) och fortsätter tills inga fler regler kan “fire” eller tills ett mål är uppnått.
Vad är några vanliga inferencing issues och hur hanterar rule-based systems konflikter mellan regler?
Vanliga inferensproblem inkluderar konflikter mellan regler. Dessa hanteras genom att:
- Establish a goal and stop firing rules when goal is achieved
- Fire the rule with the highest priority
- Fire the most specific rule
- Fire the rule that uses the data most recently entered
P_N_S (utan vokaler)
Högst prioritet
Mest specifik
Nyligen fick data
Fördelar och nackdelar med forward- och backward chaining.
Forward chaining:
+ allows you to conclude anything
- is expensive (kräver beräkningsresurser och minne)
Backward chaining:
+ Premises directs which facts are needed (sparar resurser genom att endast bearbeta relevanta fakta och regler som leder till målet
+ rule trace provides explanation (tydlig förklaring till hur målet nåddes, spåra tillbaka)
- requires known goals
Vad behöver en kunskapsbaserad agent för att kunna fatta beslut?
En kunskapsbaserad agent behöver en kunskapsbas och en inferensmekanism.
• kunskapsbas
• inferensmekanism
Den lagrar meningar i sin kunskapsbas, drar nya slutsatser med inferensmekanismen och använder dessa för att bestämma vilka åtgärder som ska vidtas.
Föreläsning 3: Search (Ch2)
Search space
Possible conditions and solutions
Lägg till mer
Initial state
State where the searching process starts
Goal state
The ultimate aim of searching process
Problem space
“What to solve”
Searching strategy
Strategy for controlling the search
Search tree
Tree representation of search space, showing possible solutions from initial state
Fringe
a list of nodes that wait to be checked
❏ Samlingen av noder som är näst på tur att utforskas.
❏ Fringen expanderas när nya noder läggs till, och de nyaste noderna placeras vanligtvis längst bak i fringen för utforskning.
Expand
To expand a node is to generate all of its children
*Vad är uninformed search strategies? (obundna sökstrategier)
❏ Sökalgoritmer som inte använder någon heuristik eller specifik kunskap om problemet för att vägleda sökningen.
❏ De fokuserar endast på att utforska sökutrymmet med hjälp av tillgänglig information i problemdefinitionen.
Breadth-first search
En sökstrategi där man först utforskar alla möjliga handlingar från starttillståndet, sedan alla möjliga handlingar från de nya tillstånden som de leder till, och så vidare. Det fortsätter på detta sätt i lager, successivt utökar sökningen från starttillståndet.
Uniform-cost search
En sökstrategi som utforskar vägen till målet genom att välja den billigaste vägen, mätt i kostnad, från starttillståndet till varje möjligt tillstånd.
Depth-first search
En sökstrategi som utforskar så långt längs en gren av sökträdet som möjligt innan det vänder tillbaka och utforskar andra grenar.
Depth-limited search
En variant av depth-first search där sökningen begränsas till en viss maximal djupnivå i sökträdet.
**Iterative deepening search
Typ Sick-Sack
Depth för varje breddnivå
En hybrid av depth-first search och breadth-first search där sökningen börjar som ?depth-first search? med begränsad djup och gradvis ökar djupet tills målet hittas.
Which one is better? Breadth-first or Depth-first algorithm
❏ BFS explores all the neighboring nodes at the current depth before moving on to the nodes at the next depth level.
❏ DFS explores as far as possible along each branch before backtracking.
❏ BFS is best suited for finding the shortest path or all possible solutions. DFS is better for problems where any solution is acceptable, or where the solution is likely to be found closer to the starting point.
❏ The choice of algorithm depends on the specific problem and its requirements.
Definiera machine learning.
“The field of study that gives computers the ability to learn from data without being explicitly programmed.”
- Istället för att följa fördefinierade regler, lär sig maskininlärningssystem genom att analysera och identifiera mönster i stora datamängder.
Vad finns det för typer av maskininlärning?
❏ Supervised learning
- Datorn lär sig av exempel där rätt svar är känt.
❏ Unsupervised learning
- Datorn hittar mönster och grupper i data utan att veta rätt svar i förväg.
❏ Reinforcement learning (förstärkningsinlärning)
- lär sig genom att interagera i en miljö och erhålla belöning eller straff baserat på sina handlingar
Vad är supervised learning? Ge exempel
En metod inom maskininlärning där en algoritm lär sig från en uppsättning träningsdata som innehåller både ingångar och deras korresponderande korrekta utgångar. Algoritmen använder dessa data för att lära sig att göra korrekta förutsägelser eller klassificeringar på nya, osedda data
Exempel:
❏ Klassificering
- Ett e-postfilter som tränas på en dataset där varje e-postmeddelande är märkt som antingen “spam” eller “inte spam”. Algoritmen lär sig mönster och egenskaper hos spam och kan sedan korrekt klassificera framtida e-postmeddelanden.
❏ Regression
- En algoritm som förutspår huspriser baserat på historiska data som inkluderar funktioner som husstorlek, antal rum, plats, och försäljningspris. Algoritmen lär sig relationen mellan dessa funktioner och priserna och kan sedan förutsäga priset för ett nytt hus baserat på dess egenskaper.
Vad är unsupervised learning? Ge exempel
Definition:
Unsupervised learning är en metod inom maskininlärning där algoritmer försöker hitta mönster eller grupperingar i en datamängd utan att använda fördefinierade etiketter eller svar. Algoritmen lär sig från osorterade data och försöker identifiera dolda strukturer
Exempel:
Tänk dig att du har en stor mängd kunddata från en butik, inklusive ålder, inköpshistorik och geografisk plats. Genom att använda en klusteralgoritm som K-means kan du gruppera kunder med liknande beteenden utan att veta i förväg vilka grupper som finns. Detta kan hjälpa butiken att anpassa sina marknadsföringsstrategier baserat på olika kundsegment.
- Ett klusteranalysprogram grupperar kunder baserat på deras köpvanor för att identifiera olika kundsegment utan att veta i förväg vilka grupper som finns.
Vad är reinforcement learning? Ge exempel
Reinforcement learning är en metod där en agent, som kan vara en algoritm eller datorprogram, lär sig fatta beslut genom att interagera med en miljö. Agenten får belöningar eller straff baserat på sina handlingar och använder denna feedback för att förbättra sina framtida beslut och maximera den kumulativa belöningen över tid.
Exempel:
Träning av en AI att spela schack. Här agerar AI som agenten som gör drag i spelet (miljön). Efter varje drag får AI
feedback i form av belöningar (t.ex. att vinna spelet) eller straff (t.ex. att förlora en pjäs). Genom att kontinuerligt spela och lära sig från resultaten, förbättrar AI
sin strategi för att maximera sina chanser att vinna framtida spel
- Ett datorprogram lär sig spela schack genom att spela många partier mot sig själv och förbättrar sina strategier baserat på om det vinner eller förlorar varje parti.
Föreläsning 7: NLP (Ch8)
Vad innebär Natural Language Understanding (NLU) inom Natural Language Processing (NLP)?
NLU innebär att ta en talad eller skriven mening och avgöra vad den betyder.
Vad innebär Natural Language Generation (NLG) inom NLP?
Ta en formell representation av vad du vill säga och hitta ett sätt att uttrycka det på ett naturligt (mänskligt) språk
( Skillnaden mellan formell representation och naturligt språk ligger i hur informationen presenteras. Formell representation är ofta strukturerad och använder ett precist, logiskt språk som kan förstås av datorer eller andra maskiner. Naturligt språk å andra sidan är det sätt människor normalt kommunicerar med varandra, med alla nyanser, idiomer och grammatiska konstruktioner som är karakteristiska för det mänskliga språket. )
