1. Test Turniga. Aby zdać test Turniga komputer musiałby: A)otrzymywać, wysyłać i przetwarzać komunikaty w języku naturalnym. B)przetwarzać, przechowywać i wykorzystywać otrzymywane informacje C)Umieć racjonalnie wnioskować na podstawie posiadanych informacji. D)potrafi przystosować się do nowej sytuacji. E)wykrywać powtarzające się wzorce w otrzymywanych informacjach i je uogólniać

2. System sztucznej inteligencji zawierz 3 składniki: A)reprezentacja wiedzy B)wnioskowanie w oparciu o wiedzę C)Uczenie się, zdobywanie wiedzy

3. Algorytmy genetyczne to rodzaj alg. przeszukującego przestrzeń alternatywnych rozwiązań problemu w celu wyszukania rozwiązań najlepszych. Sposób działania alg genetycznego przypomina zjawisko ewolucji biologiczne, ponieważ twórca John Holland właśnie z biologii czerpał inspiracje do swoich prac.

4. Podstawowe pojęcia AG: A)osobnikami populacji w alg gen są zakodowanie w postaci chromosomów zbiory parametrów zadania B)gen stanowi pojedynczy element genotypu danego osobnika C)populacja jest to zbiór osobników o określonej liczebności. D)chromosom to uporządkowany ciąg genów stanowiących jego podstawowe elementy składowe E)Fenotyp jest to zew uwidocznienie genów, zbiór parametrów, rozwiązanie. To złożona struktura powstała (wygenerowana) na podst kodu genetycznego. Owa złożona struktura jest mniej lub bardziej przystosowana do rozwiązywania postawionych przez otoczenie problemów i w zależności od stopnia tego przystosowania ma większą lub mniejszą możliwość przekazywania swych cehc kolejnym pokoleniom. F)Allel to wartość danego genu, określana też jako wartość cechy. G)Locus to pozycja wskazujące miejsce położenia danego genu w chromosomie. H)Funkcja przystosowania funkcja określająca sposób oceny osobnika w środowisku populacji, oceny będącej miarą jego przystosowania (dopasowania) do środowiska. Funkcja określana jest przez środowisko.

5. Metody selekcji. A)metoda turniejowa dzieli osobników populacji na podgrupy, a następnie z każdej z nich wybiera się osobników o najlepszym przystosowaniu. Najczęściej dzieli się populację na podgrupy złożone z 2 lub 3 osobników B)selekcja rankingowa osobniki populacji SA ustawione kolejno w zależności od wartości ich funkcji przystosowania. Każdemu osobnikowi przypisuje się licznę określającą miejsce na liście. Liczbę kopii każdego osobnika wprowadzonych do populacji rodzicielskiej zależy od rangi osobnika. C)selekcja rangowa. Prawdopodobieństwo reprodukcji osobnika jest podane w sposób jawny w postaci rangi. Rangi nadawane są osobnikom zgodnie z ich kolejności po sortowaniu nierosnący tzn. ranga jest tożsama z jego numerem osobnika. Po określeniu rang definiuje się zmienną losową, przypisują każdemu os prawdopodobieństwo na podstawie jego rangi

6. Krzyżowanie. Krzyżowanie jednopunktowe, dwupunktowe, wielopunktowe oraz krzyżowanie równomierne. Odbywa się zgodnie z wylosowanym wzorcem wskazującym które geny dziedziczone są od pierwszego z rodziców

7. Mutacja polega na sporadycznej, przypadkowej zmianie wartości elementu ciągu genetycznego.

8. Reprodukcja polega na powieleniu chromosomów. Chromosomy o większej wartości funkcji przystosowania mają większe prawdopodobieństwo wprowadzenia jednego lub więcej potomków do następnego pokolenia. Może być realizowane na podstawie schematu reprodukcji proporcjonalnej, ruletkowej.

9. Kryterium zatrzymania algorytmu. Sformułowanie kryterium jest bardzo trudne, wręcz niewykonalne, gdyż zbieżność algorytmów ewolucyjnych ma charakter asymptotyczny ze względu na zdolność eksploracyjną algorytmu można wyróżnić dwie grupy: 1. kryterium zatrzymania polega na monitorowaniu wartości funkcji przystosowania osobników generowanych przez algorytm. Kryteria maksymalnego kosztu, zadowalającego poziomu funkcji przystosowania i minimalnej szybkości poprawy które są najpowszechniej stosowane ze względu na swą prostotę, sprowadzają się do obserwowania wartości funkcji przystosowania najlepszego wygenerowanego dotychczas osobnika. 2.Kryterium monituje zdolność algorytmu do eksploracji przestrzeni genotypów, co jest czynnikiem warunkującym odporność algorytmu tego na maksima lokalne. Zdolność taka wynika z dwóch czynników: różnorodności populacji bazowej (szczególnie istotnej dla eksploracji za pomocą operatora krzyżowania), jak również z zasięgu operatora mutacji (jeśli podlega on samoczynnej adaptacji).
   Kryterium maksymalnego kosztu jeżeli koszt alg przekroczy założoną wartość maksymalną to alg kończy działanie.
   Kryterium zadowalającego poziomu funkcji przystosowania. Jest spełnione jeśli alg znajdzie rozwiązanie o wartości funkcji przystosowania
   Kryterium minimalnej szybkości poprawy. Alg jest zatrzymywany jeżeli w kolejnych t generacjach nie uda się poprawić wyniku alg o więcej niż e.
   Kryterium zaniku różnorodności populacji.
   Kryterium zaniku zasięgu operatora mutacji. Jeżeli stosuje się adaptacje zasięgu mutacji to od pewnego momentu zasięg ten ma trwałą tendencję do zmniejszania się.

10. Sztuczny neuron jest odpowiednikiem neuronu w ludzkim centralnym układzie nerwowym, każdy jego element symuluje części w naturalnym neuronie. model neuronu perceptronu. X-sygnał wej, W-waga synaptyczna, U-odpowiedz neuronu, f(u)-funkcja aktywacji, Y- sygnał wyj
    
    
    

11. Sieć jednokierunkowa typu wielowarstwowy perceptron. Cechą charakterystyczną tej sieci jest występowanie jednej lub kilku warstw ukrytych neuronów. Warstwy te pośredniczą w przekazywaniu sygnałów od węzłów wejściowych do warstwy wyjściowej sieci. Neurony warstwy umożliwiają uwzględnienie związków między sygnałami, wynikającymi z zależności statystycznymi wyższego rzędu. W tych Siech najistotniejszym problem jest dobór wag w warstwach ukrytych. Jednak istnieją algorytmy umożliwiające efektywne uczenie takich sieci.

12. Do czego służy metoda wstecznej propagacji błędu. Algorytm wstecznej propagacji określa strategię doboru wag w sieci wielowarstwowej przy wykorzystaniu gradientowych metod optymalizacji. Podczas procesu uczenia sieci dokonuje się prezentacji pewnej ilości zestawów uczących (tzn. wektorów wejściowych oraz odpowiadających im wektorów sygnałów wzorcowych (wyjściowych)). Uczenie polega na takim doborze wag neuronów by w efekcie końcowym błąd popełniany przez sieć był mniejszy od zadanego. Najpierw obliczane są błędy w warstwie ostatniej (na podstawie sygnałów wyjściowych i wzorcowych.

13. Metoda K-fold cross validation podaje algorytm wielokrotnego zbioru testowego-uczącego: a)podział zbioru test-uczącego na K grup b)uczenie klasyfikatora K-1 grupami, testowanie, pozostała grupą c)wymiana grupy testującej (w sumie K iteracji) d)uśrednianie wyników.

14. Logika rozmyta. Rozmytość jest sposobem reprezentowania niejednoznaczności (niepewności) w określeniach lingwistycznych (np. wysoka temperatura)
    Rozmytość jest definiowana za pomocą zbiorów rozmytych które są zbiorami o zachodzących na siebie granicach - jeden element może należeć do kilku zbiorów, ale stopień jego przynależności do tych zbiorów będzie zwykle różny.

15. Podstawowe elementy teorii zbiorów rozmytych: funkcja przynależności: a)typu „s” b)typu „pi”

16. System wnioskowania rozmytego składa się z: a)blok rozmywania - zadaniem jest odwzorowanie wartości wejściowej ostrej w zbiór rozmyty b)baza reguł c)Blok wnioskowania - jest wyznaczenie wyjściowej funkcji przynależności na podstawie bazy reguł, sposobów realizacji i operatorów logicznych, agregacji i implikacji. Blok uaktywnia odpowiednie reguły w bazie reguł. We wnioskowaniu biorą udział tylko te reguły, których stopień aktywacji jest większy niż 0 d)blok wyostrzania

---