1. Podaj przykład reguły rozmytej. Informacje, które przetwarzają ludzie często (zawsze) są nieprecyzyjne, a mimo to potrafimy poprawnie wnioskować! Reguły rozmyte umożliwiają określenie zakresu możliwości wnioskowania. Np. Jeśli przeszkoda jest blisko to przyhamuj. - Co to znaczy „blisko”, jaką to ma wartość? - Co to znaczy „przyhamuj”, jak bardzo nacisnąć na hamulec? Przykład reguły rozmytej. Przy jakiej temperaturze mamy gorączkę?

2. Podaj przykład zbioru rozmytego. 1)przestrzeń o skończonej liczbie elementów 2)przestrzeń o nieskończonej licznie elementów 3)Liczby rzeczywiste znacznie większe od 10 4)
   

3. Wyjaśnij na czym polega rozmywanie wejść w klasyfikatorze rozmytym. Na wejściu systemu, w bloku rozmywania, pojawiają się konkretne wartości. Ta wartość podlega rozmywaniu poprzez obliczenie stopnia przynależności (dopasowania) do zbiorów stosowanych w systemie.

4. Wyjaśnij na czym polega wyostrzanie wyjść w klasyfikatorze rozmytym. Klasyfikator podejmuje decyzje dotyczące zakwalifikowania dziecka do odpowiedniej grupy ryzyka korzystając z bazy reguł rozmytych Dla zmiennych oznaczających ryzyko „Średnie” oraz „Wysokie” singletony umieszczane są w wartości modalnej dla danego zbioru. Dla zmiennej „Niskie” umieszczony jest w punkcie 0, natomiast dla zmiennej „Bardzo wysokie” w punkcie 100.

5. Narysuj przykładową funkcję aktywacji neuronu. Funkcja aktywacji progowa (Heaviside'a):
   
   
   

6. Wyjaśnij znaczenie wag wejściowych w modelu neuronu. Kluczowym elementem w procesie uczenia są wagi wejść poszczególnych neuronów. Jeśli zmienią się wartości wag - neuron zacznie pełnić innego rodzaju funkcję w sieci, a co za tym idzie cała sieć zacznie inaczej działać. Uczenie sieci polega więc na tym, by tak dobrać wagi, aby wszystkie neurony wykonywały dokładnie takie czynności, jakich się od nich wymaga. Uczenie sieci rozpoczyna się od nadania wagom neuronów wartości losowych. W każdym kroku iteracyjnego procesu uczenia wartości wag jednego lub kilku neuronów ulegają zmianie, przy czym reguły tych zmian są tak pomyślane, by każdy neuron sam potrafił określić, które ze swoich wag ma zmienić, w którą stronę, a także o ile. Możliwe są dwa warianty procesu uczenia: z nauczycielem, bez nauczyciela.

7. Narysuj przykładową strukturę perceptronu z jedną warstwą ukrytą i czterema wejściami.
   
   

8. Wyjaśnij na czym polega „jednokierunkowość” perceptronu. Zadaniem perceptronu jest odwzorowanie zadanego zbioru wektorów wejściowych na zadany zbiór wektorów wyjściowych. Sieci jednokierunkowe - Ogólnie ujmując są to takie sieci, w których nie występują żadne sprzężenia zwrotne. W sieciach jednokierunkowych sygnały są przesyłane od warstwy wejściowej poprzez warstwy ukryte (jeśli występują) do warstwy wyjściowej. Sposób działania tego rodzaju sieci określa jednocześnie ich nazwę.

9. Narysuj przykładową strukturę sieci neuronowej Hopfielda. Sieć Hopfielda to układ gęsto połączonych ze sobą neuronów (każdy z każdym, ale bez połączeń zwrotnych)
   
   

10. Wyjaśnij problem liniowej separowalności klas. Oznacza to, że musi istnieć linia prosta która będzie oddzielała od siebie obrazy z różnych klas

11. Wyjaśnij na czym polega nadmierne dopasowanie aproksymatora neuronowego

12. Wyjaśnij co przedstawia schemat Liebmanna. „Możliwości intelektualne” sieci z mniejszą lub większą liczbą warstw ilustruje znany schemat liebmana.

13. Wyjaśnij na czym polega problem spełniania formuł Boolowskich. Spełnialność formuł logicznych - własność polegająca na posiadaniu przez formułę logiczną takiego wartościowania, które czyni ją prawdziwą. O takim wartościowaniu mówimy, że spełnia ono daną formułę i nazywamy je wartościowaniem spełniającym. W zależności od postaci formuły jest on uważany za problem łatwy tj. istnieje algorytm wielomianowy pozwalający na jego rozwiązanie lub trudny tj. prawdopodobnie algorytm wielomianowy dla niego nie istnieje.

14. Wyjaśnij na czym polega problem Komiwojażera. Problem KOMIWOJAŻERA polega na znalezieniu jak najkrótszej drogi pomiędzy danymi miastami, przy czym: a)należy odwiedzić wszystkie miasta b)należy wrócić do miasta początkowego c)każde miasto można odwiedzić TYLKO jeden raz d)można zacząć od dowolnego miasta e)kolejność odwiedzanych miast jest dowolna.

15. Wyjaśnij dla czego problem spełniania formuł Boolowskich należy do problemów trudnych do rozwiązania. Spełnialność formuł logicznych - własność polegająca na posiadaniu przez formułę logiczną takiego wartościowania, które czyni ją prawdziwą. O takim wartościowaniu mówimy, że spełnia ono daną formułę i nazywamy je wartościowaniem spełniającym. Można pokazać, że jeśli formuła logiczna jest tautologią to jej negacja nie jest spełnialna. Problem stwierdzania, czy zadana formuła logiczna jest spełnialna, to bardzo ważny ze względów teoretycznych problem teorii złożoności obliczeniowej. W zależności od postaci formuły jest on uważany za problem łatwy (tj. istnieje algorytm wielomianowy pozwalający na jego rozwiązanie) lub trudny (tj. prawdopodobnie algorytm wielomianowy dla niego nie istnieje).

16. Wyjaśnij dla czego problem Komiwojażera należy do problemów trudnych do rozwiązania. Problem komiwojażera polega na tym, że wymaga rozważenia bardzo dużej liczby przypadków i czas rozwiązania może być bardzo długi. Niewielki przyrost liczby wierzchołków w grafie Hamiltona powoduje 'duży' wzrost ilości przypadków do rozważenia i tym samym czasu działania algorytmu. Jeden z możliwych algorytmów polega na obliczeniu całkowitej długości wszystkich istniejacych w danym grafie cykli Hamiltona. Jest to jednak bardzo skomplikowane już dla liczby punktów niewiele wiekszej od pieciu

17. Wyjaśnij na czym polegają gradientowe metody optymalizacji. Metody gradientowe polegają na wyznaczaniu kolejnego kierunku poszukiwań na podstawie znajomości gradientu funkcji celu, w punkcie osiągniętym w poprzednim kroku. Funkcja celu musi być więc znaną w postaci analitycznej i ograniczoną od dołu funkcją wypukłą klasy C² taką, by można ją było przybliżyć formą kwadratową postaci f(x) = a+c^Tx + ½( x^TAx) w której macierz A jest symetryczna dodatnio określona, o elementach równych drugim pochodnym cząstkowym funkcji f(x).

18. Wyjaśnij na czym polegają niedeterministyczne metody optymalizacji. Niedeterministyczne metody optymalizacji można podzielić na stochastyczne oraz ewolucyjne. Metody stochastyczne polegają na losowym generowaniu punktów w n-wymiarowej przestrzeni, w których jest obliczana wartość funkcji celu. Charakteryzują się one powolną zbieżnością i pomimo stosowania różnych prób jej zwiększenia, nie znajdują praktycznego zastosowania w projektowaniu obiektów o złożonej strukturze, jakimi są np. maszyny elektryczne. Metody ewolucyjne polegają na wykorzystaniu do celów optymalizacji elementów teorii ewolucji gatunku Wadą metod ewolucyjnych jest zatem ich mniejsza dokładność w porównaniu z metodami deterministycznymi To znaczy nie można jednoznacznie obliczyć składowych wektora w punkcie optymalnym.

19. Wyjaśnij różnice pomiędzy przeszukiwaniem lokalnym a wyczerpującym. W przeszukiwaniu lokalnym występuje mniejsza czasochłonność poszukiwań jeśli rozmiar otoczenia jest niewielki to możemy je bardzo szybko przeszukać. Natomiast w przeszukiwaniu wyczerpującym całkowita przestrzeń rozwiązań jest najczęściej bardzo duża, co silnie wpływa na czas obliczeń. Znaczna czasochłonność poszukiwań.

20. Wyjaśnij na czym polega przeszukiwanie zachłanne. STRATEGIA ZACHŁANNA Główna operacją strategii zachłannej (hill-climbing) jest ekspansja węzłów. Po jej wykonaniu są badane nowe węzły i najbardziej obiecujący z nich jest wybierany do dalszej ekspansji. Strategia zachłanna wykorzystuje lokalną optymalizację i nie są w niej możliwe powroty do żadnego przodka aktualnie badanego węzła. Dlatego strategia ta jest nieodwracalna i oczywiście nie jest symetryczna. Strategia ta odznacza się prostym algorytmem obliczeniowym. Wadą je jest brak możliwości powrotu do kierunków przeszukiwania, które na pewnym etapie były lokalnie gorsze. Może to prowadzić do badania drogi prowadzącej do węzła końcowego nie spełniającego kryterium celu lub do penetrowania drogi nieskończonej.

21. Wyjaśnij na czym polega selekcja metodą koła rulety (w algorytmie genetycznym). Polega na utworzeniu koła ruletki z polami odpowiadającymi poszczególnym chromosomom. Wielkość pól jest proporcjonalna do wartości funkcji przystosowania. Proces selekcji oparty jest na obrocie ruletką tyle razy ile osobników jest w populacji i na wyborze za każdym razem jednego chromosomu do nowej populacji. Pewne chromosomy są wybierane więcej niż jeden raz, niektóre dokładnie raz, a niektóre wcale.

22. Wyjaśnij na czym polega krzyżowanie jednopunktowe (w algorytmie genetycznym) . Krzyżowanie jednopunktowe - Osobniki wprowadzone do populacji rodzicielskiej T(t) podlegają procesowi krzyżowania po to, aby materiał genetyczny, jakim jest chromosom, uległ wymieszaniu. Proces krzyżowania, znany również pod angielską nazwą cross-over, realizowany jest na chromosomach pary osobników rodzicielskich. Kody genetyczne rodziców przecinane są w wybranym losowo miejscu a następnie wymieszane. W wyniku przeprowadzonego krzyżowania powstają dwa osobniki potomne, które wprowadzane są bezpośrednio do populacji potomnej. Nie każda para osobników rodzicielskich może być krzyżowana. Decyduje o tym wartość parametru zwanego prawdopodobieństwem krzyżowania.

23. Wyjaśnij na czym polega permutacyjna budowa chromosomu (w algorytmie genetycznym). Geny są homogeniczne, tzn. przechowują podobne informacje, są wymienialne. W wyniku krzyżowania i mutacji geny nie zmieniają wartości, natomiast zmieniają pozycje (czyli w chromosomie występują w różnych permutacjach). Tego typu kodowanie stosuje się do rozwiązywania problemów kombinatorycznych, np. wtedy, gdy interesuje nas bardziej wzajemne ułożenie i powiązania między pewnymi elementami, a nie optymalizacja wartości cech. \

24. Wyjaśnij na czym polega drzewiasta budowa chromosomu (w algorytmie genetycznym). Chromosom nie jest liniowym ciągiem genów, ale złożoną strukturą drzewiastą, posiadającą korzeń, węzły i liście. W wyniku stosowania operatorów genetycznych (krzyżowania i mutacji) geny zmieniają pozycje, ale dzieje się to w sposób bardziej wyrafinowany, niż przy kodowaniu liniowym - przesunięciom i wymianie podlegają całe gałęzie pospinanych genów. Jednocześnie też zazwyczaj ewolucji podlegają także zapisane w nich wartości, nie tylko ułożenie.
    Kodowanie drzewiaste znajduje zastosowanie w tzw. programowaniu genetycznym, czyli wszędzie tam, gdzie ewolucji podlegają reguły matematyczne (np. wzory interpolujące nieznane funkcje lub nawet złożone procedury w programach komputerowych). W regułach tych ewoluuje zarówno drzewiasta struktura wywołań funkcji (stąd taki kształt chromosomu), jak też stałe wartości przekazywane do nich jako parametry (m. in. stąd ewolucja wartości genów).

25. Podaj przykład klasyfikatora minimalno-odległościowego. Szukanie najbliższego sąsiedztwa - Nearest neighbor search (NNS) Rodzaje: a)Parametryczne b)Nieparametryczne Przykład: Klasyfikacja znaków do numeracji czeków Próbki sygnałów odpowiadające każdemu ze znaków, tworza zbiór 14 wektorów prototypowych. Klasyfikacja znaków polega na znalezieniu prototypu klasy najbliższego wektorowi cech utworzonego z rozpoznawanego znaku. : do rozpoznawania tekstów i obrazów

26. Wyjaśnij do czego stosowana jest analiza składowych głównych (PCA). Analiza składowych głównych (lub PCA - Principal Component Analysis) jest metodą pozwalającą zredukować redundancję danych obrazu wielospektralnego, wywołaną istnieniem korelacji miedzy poszczególnymi pasmami. Pozwala jednocześnie na zmniejszenie liczby przekształconych wymiarów do kilku komponentów z zachowaniem podstawowej zawartości obrazu.

27. Podaj dwa przykładowe sposoby zapisu wiedzy. Aktualnie, wyróżniamy następujące techniki zapisu wiedzy: a)zapis stwierdzeń (faktów); b)zapis reguł; c)sieci semantyczne; d)ramy; e)scenariusze; f)techniki bazujące na bezpośrednim zastosowaniu logiki: rachunek zdań oraz bazujący na nim rachunek predykatów. Wybór metody zapisu wiedzy jest uzależniony od rodzaju dyscypliny, której wiedza ma być objęta zapisem oraz od wielkości bazy wiedzy i rodzaju sprzętu na jakim będzie operował nasz system.

---