Rozdíly

Zde můžete vidět rozdíly mezi vybranou verzí a aktuální verzí dané stránky.

--- courses:x33kui:start [2009/12/16 10:13]
knyttvoj
+++ courses:x33kui:start [2025/01/03 18:29] (aktuální)
@@ Řádek 2: / Řádek 2: @@
   * Stránky předmětu: http://informatika.felk.cvut.cz/moodle2/course/view.php?id=4
+** Nástřel řešení příkladů k testu (rozhodně ne 100% kvalitní): **
 ====== 1 =====
 .1. Kybernetika zkoumá
@@ Řádek 60: / Řádek 63: @@
 .2. Informační entropie zprávy je
-  [ ] součtem množství informace všech symbolů ve zprávě
+  [X] součtem množství informace všech symbolů ve zprávě
   [ ] střední hodnotou informace ve zprávě, tj. množství informace připadající na jeden symbol
   [ ] funkcí pravděpodobnostního rozložení symbolů ve zprávě
 .3. Informační entropie náhodné veličiny
-  [ ] je měřítkem neurčitosti její hodnoty
+  [X] je měřítkem neurčitosti její hodnoty
   [ ] je definována pouze pro nezáporné veličiny
   [ ] je definována pouze pro veličiny nabývající hodnot z konečné množiny
@@ Řádek 86: / Řádek 89: @@
 .7. Nechť diskrétní náhodná veličina S nabývá n možných hodnot.
-  [ ] Informační entropie H(S) není nikdy nižší než logaritmus n (při základu 2)
+  [X] Informační entropie H(S) není nikdy nižší než logaritmus n (při základu 2)
   [ ] Informační entropie H(S) není nikdy vyšší než logaritmus n (při základu 2)
   [X] Informační entropie H(S) je vždy nezáporná
@@ Řádek 104: / Řádek 107: @@
   [ ] termodynamických a lingvistických
   [X] jejichž každý stav má svou známou pravděpodobnost
 ====== 3 ======
@@ Řádek 155: / Řádek 159: @@
   [ ] vzájemné informaci T(X:Y)
   [ ] pravděpodobnostním rozložení znaků zdroje
 ====== 4 ======
-.1. Uvažujte nekonečnou zprávu 000111000111000111... [ ] tuto zprávu lze komprimovat [ ] tuto zprávu nelze komprimovat, protože P(0)=P(1) [ ] každý n-tý znak je statisticky nezávislý na prvním až (n-1)ním znaku
+.1. Uvažujte nekonečnou zprávu 000111000111000111...
+  [X] tuto zprávu lze komprimovat
+  [ ] tuto zprávu nelze komprimovat, protože P(0)=P(1)
+  [ ] každý n-tý znak je statisticky nezávislý na prvním až (n-1)ním znaku
-.2. Turingův stroj [ ] byl prvním sériově vyráběným osobním počítačem [ ] je matematickým modelem pro výpočetní procesy [ ] může implementovat jakýkoliv algoritmus, což je dokázáno matematickou větou.
+.2. Turingův stroj
+  [ ] byl prvním sériově vyráběným osobním počítačem
+  [X] je matematickým modelem pro výpočetní procesy
+  [X] může implementovat jakýkoliv algoritmus, což je dokázáno matematickou větou.
-.3. Kompresní algoritmus, který jakoukoliv zprávu zakóduje do zprávy kratší a jednoznačně dekódovatelné [ ] existuje pouze pro binární zprávy [ ] existuje, ale nelze implementovat Turingovým strojem
+.3. Kompresní algoritmus, který jakoukoliv zprávu zakóduje do zprávy kratší a jednoznačně dekódovatelné
-[ ] neexistuje
+  [ ] existuje pouze pro binární zprávy
+  [ ] existuje, ale nelze implementovat Turingovým strojem
+  [X] neexistuje
-.4. Algoritmická entropie (tj. Kolmogorovská složitost) zprávy [ ] je funkcí pravděpodobnostního rozložení symbolů v této zprávě [ ] je délka nejdelšího programu generujícího tuto zprávu [ ] je délka nejkratšího programu generujícího tuto zprávu
+.4. Algoritmická entropie (tj. Kolmogorovská složitost) zprávy
+  [ ] je funkcí pravděpodobnostního rozložení symbolů v této zprávě
+  [ ] je délka nejdelšího programu generujícího tuto zprávu
+  [X] je délka nejkratšího programu generujícího tuto zprávu
-.5. Výpočet algoritmické entropie jakékoliv zprávy [ ] není obecně možný, jde o nerozhodnutelný problém. [ ] lze vždy spočítat v čase rostoucím maximálně exponenciálně s délkou zprávy [ ] je vždy možný, jde-li o zprávu v binárním kódu
+.5. Výpočet algoritmické entropie jakékoliv zprávy
+  [X] není obecně možný, jde o nerozhodnutelný problém.
+  [ ] lze vždy spočítat v čase rostoucím maximálně exponenciálně s délkou zprávy
+  [ ] je vždy možný, jde-li o zprávu v binárním kódu
 přijme zdrojový kód libovolného programu P a jeho D a rozhodne v konečném čase, zda se program P na vstupu
-.6. Algoritmus, který libovolná vstupní data D zastaví, či zacyklí: [ ] existuje pouze pro [ ] existuje, ale nelze implementovat Turingovým strojem [ ] neexistuje
+.6. Algoritmus, který libovolná vstupní data D zastaví, či zacyklí:
-binárně kódované programy P
+  [ ] existuje pouze pro binárně kódované programy P
+  [ ] existuje, ale nelze implementovat Turingovým strojem
-.7. Konzistentní formální systém, v němž lze dokázat všechny aritmetické zákonitosti, [ ] obsahuje i tvrzení v tomto systému nedokazatelná [ ] je nutně úplný, tj. lze v něm dokázat jakékoliv tvrzení formulovatelné jazykem tohoto systému
+  [X] neexistuje
-[ ] neexistuje
+.7. Konzistentní formální systém, v němž lze dokázat všechny aritmetické zákonitosti,
+  [X] obsahuje i tvrzení v tomto systému nedokazatelná
+  [ ] je nutně úplný, tj. lze v něm dokázat jakékoliv tvrzení formulovatelné jazykem tohoto systému
+  [ ] neexistuje
 ====== 5 ======
 .1. Paměťová náročnost prohledávání do šířky stavového prostoru reprezentovaného stromem o hloubce d a faktorem větvení b je
-[ ] bd [ ] b^d [ ] d^b
+  [ ] bd
+  [X] b^d
+  [ ] d^b
 .2. Časová náročnost prohledávání do šířky stavového prostoru reprezentovaného stromem vzrůstá
-[ ] lineárně s rostoucí hloubkou stromu [ ] exponenciálně s rostoucí hloubkou stromu [ ] exponenciálně s rostoucím faktorem větvení
+  [ ] lineárně s rostoucí hloubkou stromu
+  [X] exponenciálně s rostoucí hloubkou stromu
+  [ ] exponenciálně s rostoucím faktorem větvení
 .3. Časová náročnost prohledávání do hloubky stavového prostoru reprezentovaného stromem vzrůstá
-[ ] lineárně s rostoucí hloubkou stromu [ ] exponenciálně s rostoucí hloubkou stromu [ ] exponenciálně s rostoucím faktorem větvení
+  [ ] lineárně s rostoucí hloubkou stromu
+  [X] exponenciálně s rostoucí hloubkou stromu
+  [ ] exponenciálně s rostoucím faktorem větvení
 .4. Paměťová náročnost prohledávání do hloubky stavového prostoru reprezentovaného stromem o hloubce d a faktorem větvení b je
-[ ] bd [ ] b^d [ ] d^b
+  [X] bd
+  [ ] b^d
+  [ ] d^b
 .5. Algoritmus prohledávání do hloubky s iterativně se zvyšující hloubkou prohledávání při prohledávání stavového prostoru, který neobsahuje cykly
-[ ] je paměťově náročnější než prohledávání do šířky [ ] je paměťově stejně náročné jako prohledáváni do šířky [ ] je paměťově méně náročné než prohledávání do šířky
+  [ ] je paměťově náročnější než prohledávání do šířky
+  [ ] je paměťově stejně náročné jako prohledáváni do šířky
+  [X] je paměťově méně náročné než prohledávání do šířky
 .6. Prohledávání do hloubky má nižší paměťovou náročnost oproti prohledávání do šířky v případě, že
-[ ] stavový prostor má faktor větvení b vždy menší než je jeho hloubka d (b ≤ d) [ ] stavový prostor neobsahuje cykly [ ] velikost OPEN seznamu nepřekročí faktor větvení (b ≤ |OPEN|)
+  [ ] stavový prostor má faktor větvení b vždy menší než je jeho hloubka d (b ≤ d)
+  [ ] stavový prostor neobsahuje cykly
+  [ ] velikost OPEN seznamu nepřekročí faktor větvení (b ≤ |OPEN|)
+====== 6 ======
-====== 6 ======
+.1. Přípustná heuristika h
+  [X] zaručí nalezení nejlepšího řešení
+  [X] zaručí nalezení řešení v nejkratším čase
+  [X] vždy zabrání zacyklení prohledávacího algoritmu
-.1. Přípustná heuristika h [ ] zaručí nalezení nejlepšího řešení [ ] zaručí nalezení řešení v nejkratším čase [ ] vždy zabrání zacyklení prohledávacího algoritmu
+.2. Heuristika h je přípustná, když
+  [X] h(n) ≤ h*(n) ∀ n
+  [ ] h(n) ≤ h*(n0) ∀ n
+  [ ] h(n) ≤ h*(n{goal}) ∀ n
-.2. Heuristika h je přípustná, když []h(n) ≤ h*(n) ∀ n []h(n) ≤ h*(n0) ∀ n [ ] h(n) ≤ h*(n{goal}) ∀ n
+.3. Heuristika h je přípustná, když
+  [ ] h(n_0) ≤ h(n) ∀ n
+  [X] h(n) ≤ h*(n) ∀ n
+  [ ] h*(n) ≤ h*(n_{goal}) ∀ n
-.3. Heuristika h je přípustná, když []h(n_0) ≤ h(n) ∀ n []h(n) ≤ h*(n) ∀ n [ ] h*(n) ≤ h*(n_{goal}) ∀ n
+.4. Heuristika h je přípustná, když
+  [ ] g(n) ≤ g*(n) ∀ n
+  [X] h(n) ≤ h*(n) ∀ n
+  [X] f(n) ≤ f*(n) ∀ n
-.4. Heuristika h je přípustná, když []g(n) ≤ g*(n) ∀ n []h(n) ≤ h*(n) ∀ n []f(n) ≤ f*(n) ∀ n
+.5. Heuristika h1 je více informovaná (dominuje) heuristice h2 když
+  [X] h2(n) ≤ h1(n) ≤ h*(n) ∀ n
+  [ ] h1(n) ≤ h1*(n) ale neplatí h2(n) ≤ h2*(n) ∀ n
+  [ ] h2(n) ≤ h2*(n) ale neplatí h1(n) ≤ h1*(n) ∀ n
-.5. Heuristika h1 je více informovaná (dominuje) heuristice h2 když []h2(n) ≤ h1(n) ≤ h*(n) ∀ n [ ] h1(n) ≤ h1*(n) ale neplatí h2(n) ≤ h2*(n) ∀ n [ ] h2(n) ≤ h2*(n) ale neplatí h1(n) ≤ h1*(n) ∀ n
+.6. Je-li heuristika monotónní
+  [ ] není přípustná
+  [ ] je přípustná
+  [X] je lokálně přípustná
-.6. Je-li heuristika monotónní [ ] není přípustná [ ] je přípustná [ ] je lokálně přípustná
+.7. A* nalezne optimální řešení
+  [X] existuje-li,
+  [X] je-li h přípustná
+  [ ] pouze neobsahuje-li stavový prostor cykly
-.7. A* nalezne optimální řešení [ ] existuje-li, [ ] je-li h přípustná [ ] pouze neobsahuje-li stavový prostor cykly
+.8. Se vzrůstající kvalitou heuristiky h algoritmus A*
+  [ ] nalezne kvalitnější řešení
+  [X] prohledá menší část stavového prostoru
+  [ ] nalezne větší počet správných řešení
+====== 7 ======
-.8. Se vzrůstající kvalitou heuristiky h algoritmus A* [ ] nalezne kvalitnější řešení [ ] prohledá menší část stavového prostoru [ ] nalezne větší počet správných řešení
+.1. Nevýhodou lokálního prohledávání stavového prostoru pomocí algoritmu hill- climbing je, že:
+  [ ] prohledávání je neúplné
+  [ ] stavový prostor je nekonečný
+  [ ] prohledávání může uváznout v lokálním minimu
-.1. Nevýhodou lokálního prohledávání stavového prostoru pomocí algoritmu hill- climbing je, že: [ ] prohledávání je neúplné [ ] stavový prostor je nekonečný
+.2. Tendenci algoritmu hill-climbing uvíznout v lokálním extrému lze částečně řešit:
-[ ] prohledávání může uváznout v lokálním minimu
+  [X] opakovaným restartem algoritmu z náhodně vybraných počátečních bodů
+  [ ] opakovaným restartem algoritmu ze stejného počátečního bodu
+  [ ] náhodným restartem algoritmu ze stejného počátečního bodu
-.2. Tendenci algoritmu hill-climbing uvíznout v lokálním extrému lze částečně řešit: [ ] opakovaným restartem algoritmu z náhodně vybraných počátečních bodů [ ] opakovaným restartem algoritmu ze stejného počátečního bodu
+.3. Genetický algoritmus:
-[ ] náhodným restartem algoritmu ze stejného počátečního bodu 7.3. Genetický algoritmus:
+  [ ] optimalizuje počet chromozómů v populace
-[ ] optimalizuje počet chromozómů v populace [ ] optimalizuje fitness funkci [ ] optimalizuje pravděpodobnost křížení
+  [X] optimalizuje fitness funkci
+  [ ] optimalizuje pravděpodobnost křížení
+====== 8 ======
-.1. Při rozhodování za neurčitosti za rozhodovací strategii považujeme: [ ] pravidlo pro výběr rozhodnutí na základě pozorovaných příznaků [ ] postup, jenž nám zajistí optimální rozhodnutí pro aktuální vnitřní stav [ ] funkci, která hodnotí kvalitu všech rozhodnutí přes všechny stavy
+.1. Při rozhodování za neurčitosti za rozhodovací strategii považujeme:
+  [X] pravidlo pro výběr rozhodnutí na základě pozorovaných příznaků
+  [ ] postup, jenž nám zajistí optimální rozhodnutí pro aktuální vnitřní stav
+  [ ] funkci, která hodnotí kvalitu všech rozhodnutí přes všechny stavy
-.2. Kritérium MiniMax při rozhodování za neurčitosti: [ ] volí rozhodovací strategii, která minimalizuje maximální riziko přes všechny možné vnitřní stavy [ ] je založeno na znalosti apriorního pravděpodobnostního rozložení stavů [ ] volí vnitřní stav s minimálním rozdílem mezi apriorní a aposteriorní pravděpodobností (před a po pozorování příznaků)
+.2. Kritérium MiniMax při rozhodování za neurčitosti:
+  [X] volí rozhodovací strategii, která minimalizuje maximální riziko přes všechny možné vnitřní stavy
+  [ ] je založeno na znalosti apriorního pravděpodobnostního rozložení stavů
+  [ ] volí vnitřní stav s minimálním rozdílem mezi apriorní a aposteriorní pravděpodobností (před a po pozorování příznaků)
-.3. Bayesovská optimální strategie: [ ] minimalizuje střední riziko [ ] je založena na znalosti apriorního pravděpodobnostního rozložení stavů [ ] lze ji sestrojit "bod po bodu", tj. nalezením optimálního rozhodnutí pro jednotlivá pozorování příznaků.
+.3. Bayesovská optimální strategie:
+  [X] minimalizuje střední riziko
+  [X] je založena na znalosti apriorního pravděpodobnostního rozložení stavů
+  [ ] lze ji sestrojit "bod po bodu", tj. nalezením optimálního rozhodnutí pro jednotlivá pozorování příznaků.
-.4. Pro bayesovský klasifikátor platí: [ ] objekt vždy přiřadí do nejpravděpodobnější třídy ve smyslu pravděpodobnosti třídy podmíněné daným příznakovým vektorem [ ] množství dat nutných k odhadu výše zmíněné podmíněné pravděpodobnosti roste lineárně s požadovanou přeností odhadu [ ] minimalizuje střední chybu klasifikace
+.4. Pro bayesovský klasifikátor platí:
+  [ ] objekt vždy přiřadí do nejpravděpodobnější třídy ve smyslu pravděpodobnosti třídy podmíněné daným příznakovým vektorem
+  [ ] množství dat nutných k odhadu výše zmíněné podmíněné pravděpodobnosti roste lineárně s požadovanou přeností odhadu
+  [ ] minimalizuje střední chybu klasifikace
-.5. Naivní bayesovská klasifikace je postup, který: [ ] není prakticky využitelný, protože na rozdíl od bayesovské klasifikace je jeho složitost exponenciální vzhledem k počtu příznaků (složek příznakového vektoru) [ ] předpokládá rovnost příznaků v rámci dané třídy [ ] předpokládá nezávislost mezi příznaky (složkami příznakového vektoru)
+.5. Naivní bayesovská klasifikace je postup, který:
+  [ ] není prakticky využitelný, protože na rozdíl od bayesovské klasifikace je jeho složitost exponenciální vzhledem k počtu příznaků (složek příznakového vektoru)
+  [ ] předpokládá rovnost příznaků v rámci dané třídy
+  [X] předpokládá nezávislost mezi příznaky (složkami příznakového vektoru)
-.6. O perceptronu lze prohlásit: [ ] jde o lineární klasifikátor [ ] jde o nejjednodušší trojvrstvou dopřednou neuronovou síť, která umožňuje implementovat jednoduché logické funkce jako je AND, OR nebo XOR [ ] nejde o neuronovou síť, protože u něj nepozorujeme emergentní jevy nutné pro toto pojmenování
+.6. O perceptronu lze prohlásit:
+  [X] jde o lineární klasifikátor
+  [ ] jde o nejjednodušší trojvrstvou dopřednou neuronovou síť, která umožňuje implementovat jednoduché logické funkce jako je AND, OR nebo XOR
+  [ ] nejde o neuronovou síť, protože u něj nepozorujeme emergentní jevy nutné pro toto pojmenování
-.7. Klasifikace metodou nejbližších sousedů (kNN) je založena na myšlence podobnosti. Jde o podobnost mezi: [ ] podobnost mezi příznakovými vektory reprezentujícími (klasifikované) objekty [ ] vzájemnou podobnost pro dvojice testovacích příkladů [ ] podobnost mezi třídami trénovacích a testovacích příkladů
+.7. Klasifikace metodou nejbližších sousedů (kNN) je založena na myšlence podobnosti. Jde o podobnost mezi:
+  [ ] podobnost mezi příznakovými vektory reprezentujícími (klasifikované) objekty
+  [ ] vzájemnou podobnost pro dvojice testovacích příkladů
+  [X] podobnost mezi třídami trénovacích a testovacích příkladů
-.8. Klasifikace metodou nejbližších sousedů (kNN): [ ] je lineární metodou - rozhodovací hranice je vždy lineární [ ] čím vyšší je počet sousedů (k), tím je klasifikace přesnější (výpočetní složitost ale roste exponenciálně s k a proto volíme k malá) [ ] při optimálně zvoleném k se kNN klasifikátor shoduje s Bayesovským klasifikátorem
+.8. Klasifikace metodou nejbližších sousedů (kNN):
+  [ ] je lineární metodou - rozhodovací hranice je vždy lineární
+  [ ] čím vyšší je počet sousedů (k), tím je klasifikace přesnější (výpočetní složitost ale roste exponenciálně s k a proto volíme k malá)
+  [ ] při optimálně zvoleném k se kNN klasifikátor shoduje s Bayesovským klasifikátorem
-.9. O trénovací chybě klasifikátoru lze prohlásit: [ ] jde o relativní četnost nesprávně klasifikovaných příkladů v trénovacích datech [ ] pro klasifikátor podle nejbližšího souseda (1-NN) je tato chyba nulová [ ] je nevychýleným odhadem středního rizika klasifikátoru
+.9. O trénovací chybě klasifikátoru lze prohlásit:
+  [X] jde o relativní četnost nesprávně klasifikovaných příkladů v trénovacích datech
+  [X] pro klasifikátor podle nejbližšího souseda (1-NN) je tato chyba nulová
+  [ ] je nevychýleným odhadem středního rizika klasifikátoru
-.10. O testovací chybě klasifikátoru lze prohlásit: [ ] je vždy vyšší nebo rovna trénovací chybě, která je optimistickým odhadem středního rizika klasifikátoru [ ] pro klasifikátor podle nejbližšího souseda (1-NN) je tato chyba nulová [ ] je nevychýleným odhadem středního rizika klasifikátoru
+.10. O testovací chybě klasifikátoru lze prohlásit:
+  [ ] je vždy vyšší nebo rovna trénovací chybě, která je optimistickým odhadem středního rizika klasifikátoru
+  [ ] pro klasifikátor podle nejbližšího souseda (1-NN) je tato chyba nulová
+  [ ] je nevychýleným odhadem středního rizika klasifikátoru
+====== 9 ======
-.1. Algoritmus minimax, používaný pro [ ] je úplný [ ] má lineární časovou náročnost [ ] má lineární paměťovou náročnost
+.1. Algoritmus minimax, používaný pro prohledávání konečného herního stromu
-prohledávání konečného herního stromu
+  [X] je úplný
-prohledávání konečného herního stromu
+  [ ] má lineární časovou náročnost
+  [X] má lineární paměťovou náročnost
-.2. Algoritmus minimax, používaný pro [ ] je optimální [ ] má exponenciální časovou náročnost [ ] má exponenciální paměťovou náročnost
+.2. Algoritmus minimax, používaný pro prohledávání konečného herního stromu
+  [X] je optimální
+  [X] má exponenciální časovou náročnost
+  [ ] má exponenciální paměťovou náročnost
-.3. Algoritmus založený na alfa/beta prořezávání stavového prostoru umožní prohloubit hloubku prohledávání při zachování stejné časové náročnosti [ ] na dvojnásobek [ ] až na dvojnásobek
+.3. Algoritmus založený na alfa/beta prořezávání stavového prostoru umožní prohloubit hloubku prohledávání při zachování stejné časové náročnosti
-[ ] až o třetinu
+  [X] na dvojnásobek
+  [ ] až na dvojnásobek
+  [ ] až o třetinu
-.4. Kvalitu alfa/beta prořezávání stavového prostoru zásadním způsobem ovlivňuje [ ] hloubka stavového prostoru [ ] faktor větvení
+.4. Kvalitu alfa/beta prořezávání stavového prostoru zásadním způsobem ovlivňuje
-[ ] uspořádání následníků (expandantů)
+  [ ] hloubka stavového prostoru
+  [ ] faktor větvení
+  [ ] uspořádání následníků (expandantů)
-.5. Alfa/beta prořezávání stavového prostoru [ ] zachovává úplnost [ ] nezmění časovou náročnost [ ] nezmění optimalitu algoritmu minimax
+.5. Alfa/beta prořezávání stavového prostoru
+  [X] zachovává úplnost
+  [ ] nezmění časovou náročnost
+  [X] nezmění optimalitu algoritmu minimax
-.6. Při hraní her s prvkem náhody [ ] klesá význam prohledávání do velké hloubky herního stromu [ ] klesá význam alfa/beta prořezávání [ ] klesá efektivní faktor větvení
+.6. Při hraní her s prvkem náhody
+  [ ] klesá význam prohledávání do velké hloubky herního stromu
+  [ ] klesá význam alfa/beta prořezávání
+  [ ] klesá efektivní faktor větvení
-.7. Omezení hloubky prohledávaného herního stromu (cut-off) search [ ] zachovává úplnost [ ] nahrazuje přesné hodnoty užitku (utility) uzlu odhadem [ ] zabraňuje horizontálnímu efektu
+.7. Omezení hloubky prohledávaného herního stromu (cut-off) search
+  [ ] zachovává úplnost
+  [ ] nahrazuje přesné hodnoty užitku (utility) uzlu odhadem
+  [ ] zabraňuje horizontálnímu efektu
-.8. Šachový algoritmus DeepBlue, který porazil Kasparova, prohledával stavový prostor do hloubky v řádech [ ] desítek tahů [ ] stovek tahů
+.8. Šachový algoritmus DeepBlue, který porazil Kasparova, prohledával stavový prostor do hloubky v řádech
-[ ] tisíců tahů
+  [ ] desítek tahů
+  [ ] stovek tahů
+  [ ] tisíců tahů
-.9. Algoritmus TDGammon, který hraju hru Backgamon na mistrovské úrovni, prohledává stavový prostor do hloubky v řádech [ ] desítek [ ] stovek
+.9. Algoritmus TDGammon, který hraju hru Backgamon na mistrovské úrovni, prohledává stavový prostor do hloubky v řádech
-[ ] tisíců
+  [ ] desítek
+  [ ] stovek
+  [ ] tisíců
-.10. Hodnoty, které vrací funkce eval při prohledávání herního stromu s omezenou hloubkou (cut-off search) při hrách bez prvku náhody [ ] musejí být přesné [ ] nemusejí být přesné, ale stačí když jsou monotónně transformované s ohledem na reálné hodnoty
+.10. Hodnoty, které vrací funkce eval při prohledávání herního stromu s omezenou hloubkou (cut-off search) při hrách bez prvku náhody
-[ ] nemusejí být přesné, ale stačí když jsou lineárně transformované s ohledem na reálné hodnoty
+  [ ] musejí být přesné
+  [ ] nemusejí být přesné, ale stačí když jsou monotónně transformované s ohledem na reálné hodnoty
+  [ ] nemusejí být přesné, ale stačí když jsou lineárně transformované s ohledem na reálné hodnoty
-.11. Hodnoty, které vrací funkce eval při prohledávání herního stromu s omezenou hloubkou (cut-off search) při hrách s prvkem náhody [ ] musejí být přesné [ ] nemusejí být přesné, ale stačí když jsou monotónně transformované s ohledem na reálné hodnoty
+.11. Hodnoty, které vrací funkce eval při prohledávání herního stromu s omezenou hloubkou (cut-off search) při hrách s prvkem náhody
-[ ] nemusejí být přesné, ale stačí když jsou lineárně transformované s ohledem na reálné hodnoty
+  [ ] musejí být přesné
+  [ ] nemusejí být přesné, ale stačí když jsou monotónně transformované s ohledem na reálné hodnoty
+  [ ] nemusejí být přesné, ale stačí když jsou lineárně transformované s ohledem na reálné hodnoty
+====== 10 ======
-.1. Pokud jsou a,b,c,d atomické formule, pak Výraz a & b & c -> d je [ ] trojargumentový predikát [ ] pravidlo modus ponens [ ] formule jazyka predikátové logiky
+.1. Pokud jsou a,b,c,d atomické formule, pak Výraz a & b & c -> d je
+  [X] trojargumentový predikát
+  [ ] pravidlo modus ponens
+  [X] formule jazyka predikátové logiky
-.2. Formalismus sémantické sítě umožňuje [ ] řešit konflikty [ ] vyvozovat děděním [ ] modularizovat znalosti
+.2. Formalismus sémantické sítě umožňuje
+  [ ] řešit konflikty
+  [ ] vyvozovat děděním
+  [ ] modularizovat znalosti
-.3. Součástmi produkčního systému jsou [ ] báze pravidel [ ] interferenční stroj [ ] báze dat
+.3. Součástmi produkčního systému jsou
+  [X] báze pravidel
+  [X] interferenční stroj
+  [X] báze dat
-.4. Relace ISA se v systému rámců využívá [ ] k dědění vlastností [ ] k označení konkrétní instance generického rámce [ ] k označení relace mezi generickými rámci
+.4. Relace ISA se v systému rámců využívá
+  [ ] k dědění vlastností
+  [X] k označení konkrétní instance generického rámce
+  [ ] k označení relace mezi generickými rámci
-.5. Relace AKO se v systému rámců využívá [ ] k dědění vlastností [ ] k označení konkrétní instance generického rámce [ ] k budování ontologií
+.5. Relace AKO se v systému rámců využívá
+  [X] k dědění vlastností
+  [ ] k označení konkrétní instance generického rámce
+  [ ] k budování ontologií
-.6. Scénář je [ ] časová posloupnost predikátových výrazů [ ] posloupnost rámců [ ] soubor podmínek pro aktivaci pravidel produkčního systému
+.6. Scénář je
+  [ ] časová posloupnost predikátových výrazů
+  [X] posloupnost rámců
+  [ ] soubor podmínek pro aktivaci pravidel produkčního systému
-.7. Výraz matka(petr, jana). Je [ ] trojargumentovým predikátovým výrazem [ ] elementárním faktem [ ] tvrzením, které může nabývat hodnot T a F
+.7. Výraz matka(petr, jana). Je
+  [ ] trojargumentovým predikátovým výrazem
+  [X] elementárním faktem
+  [ ] tvrzením, které může nabývat hodnot T a F [//to by tam nesměla být ta tečka//]
-.8. Povinnou položkou každého rámce je [ ] odkaz k podřazenému rámci [ ] jméno rámce [ ] nastavená hodnota počtu povolených položek
+.8. Povinnou položkou každého rámce je
+  [ ] odkaz k podřazenému rámci [//povinný je odkaz k nadřazenému//]
+  [X] jméno rámce
+  [ ] nastavená hodnota počtu povolených položek
-.9. Předností znalostních taxonomií je [ ] efektivní řešení konfliktů [ ] zpětné řetězení pravidel [ ] vysoká modularita znalostí
+.9. Předností znalostních taxonomií je
+  [ ] efektivní řešení konfliktů
+  [ ] zpětné řetězení pravidel
+  [ ] vysoká modularita znalostí
-.10. Prohledávání stavového prostoru lze formalizovat produkčním systémem pokud [ ] nepoužíváme backtracking [ ] se prohledává jenom do šířky
+.10. Prohledávání stavového prostoru lze formalizovat produkčním systémem pokud
-[ ] pokud není třeba řešit konflikty
+  [ ] nepoužíváme backtracking
+  [ ] se prohledává jenom do šířky
+  [ ] pokud není třeba řešit konflikty
+====== 11 ======
-.1. Expertní systémy diagnostické [ ] generují vhodnou posloupnost operátorů pro dosažení cíle [ ] jsou vhodné pro návrh terapie v medicíně [ ] uvažují n(n-1) možných hypotéz, kde n je počet listových tvrzení
+.1. Expertní systémy diagnostické
+  [ ] generují vhodnou posloupnost operátorů pro dosažení cíle
+  [ ] jsou vhodné pro návrh terapie v medicíně
+  [ ] uvažují n(n-1) možných hypotéz, kde n je počet listových tvrzení
-.2. Expertní systémy s tabulí využívají stratgeie [ ] řízení tokem dat [ ] řízení peer-to-peer (já-pán ty-pán) [ ] typu démon
+.2. Expertní systémy s tabulí využívají stratgeie
+  [ ] řízení tokem dat
+  [ ] řízení peer-to-peer (já-pán ty-pán)
+  [X] typu démon
-.3. Obecný model pro práci s neurčitou informací vždy zahrnuje [ ] vzorec pro výpočet neurčitosti logické kombinace tvrzení [ ] odhady neurčitostí pravidel [ ] vzorec pro kombinaci vlivu více cest uvažování
+.3. Obecný model pro práci s neurčitou informací vždy zahrnuje
+  [ ] vzorec pro výpočet neurčitosti logické kombinace tvrzení
+  [ ] odhady neurčitostí pravidel
+  [ ] vzorec pro kombinaci vlivu více cest uvažování
-.4. Kompozicionální model pro práci s neurčitou informací vyžaduje brát do úvahy [ ] hodnotu kompozicionálního predikátu pro vágnost [ ] všechny podmíněné a sdružené pravděpodobnosti tvrzení
+.4. Kompozicionální model pro práci s neurčitou informací vyžaduje brát do úvahy
-[ ] podmínku nezávislosti všech tvrzení
+  [ ] hodnotu kompozicionálního predikátu pro vágnost
+  [ ] všechny podmíněné a sdružené pravděpodobnosti tvrzení
+  [ ] podmínku nezávislosti všech tvrzení
-.5. Listový uzel inferenční sítě je [ ] nedotazovatelný [ ] cílový [ ] mezilehlý
+.5. Listový uzel inferenční sítě je
+  [ ] nedotazovatelný
+  [ ] cílový
+  [ ] mezilehlý
-.6. Mezilehlý uzel inferenční sítě může být [ ] listovým [ ] dotazovatelným či nedotazovatelným [ ] ohodnocený měrou důvery
+.6. Mezilehlý uzel inferenční sítě může být
+  [ ] listovým
+  [ ] dotazovatelným či nedotazovatelným
+  [ ] ohodnocený měrou důvery
-.7. Ve fuzzy modelu pro práci s neurčitou informací platí [ ] CF (E1 & E2) = max {CF (E1); CF(E2)} [ ] CF (E1 & E2) = CF(E1) + CF(E2) – CF(E1).CF(E2) [ ] CF (E1 & E2) = CF(E1) + CF(E2)
+.7. Ve fuzzy modelu pro práci s neurčitou informací platí
+  [ ] CF (E1 & E2) = max {CF (E1); CF(E2)}
+  [ ] CF (E1 & E2) = CF(E1) + CF(E2) – CF(E1).CF(E2)
+  [ ] CF (E1 & E2) = CF(E1) + CF(E2)
-.8. Míra postačitelnosti lambda v Pseudobayesovském modelu pro práci s neurčitou informací leží [ ] v intervalu <0,1) [ ] v intervalu (0, nekonecno)
+.8. Míra postačitelnosti lambda v Pseudobayesovském modelu pro práci s neurčitou informací leží
-[ ] v intervalu (1, P(H/E))
+  [ ] v intervalu <0,1)
+  [ ] v intervalu (0, nekonecno)
+  [ ] v intervalu (1, P(H/E))
-.9. Na začátku konzultace expertního systému je aktuální model tvořen: [ ] nulovými měrami důvěry ve všechna tvrzení [ ] expertovými odhady síly pravidel [ ] apriorními měrami důvěry, které dodal uživatel
+.9. Na začátku konzultace expertního systému je aktuální model tvořen:
+  [ ] nulovými měrami důvěry ve všechna tvrzení
+  [ ] expertovými odhady síly pravidel
+  [ ] apriorními měrami důvěry, které dodal uživatel
-.10. Grafem inferenční sítě může být [ ] orientovaný strom [ ] les [ ] orientovaný graf s cykly
+.10. Grafem inferenční sítě může být
+  [X] orientovaný strom
+  [X] les
+  [ ] orientovaný graf s cykly
 ~~DISCUSSION~~

courses/x33kui/start.1260954828.txt.gz · Poslední úprava: 2025/01/03 18:25 (upraveno mimo DokuWiki)

Nahoru