20060112B

Ez az oldal a korábbi SCH wikiről lett áthozva.

Ha úgy érzed, hogy bármilyen formázási vagy tartalmi probléma van vele, akkor, kérlek, javíts rajta egy rövid szerkesztéssel!

Ha nem tudod, hogyan indulj el, olvasd el a migrálási útmutatót.

Az A csoporttól jelentősen eltérő egyedek...
hivatalos megoldás

2. Sorolja fel tananyag alapján a lineáris tárkomplexitást biztosító keresési algoritmusokat. A problémára vonatkozó egyéb információ hiányában melyiket választana ki és miért? (4p)

• Mélységi
• Mélység-korlátozott
• Iteratívan mélyülő

Iteratívan mélyülő, mert teljes és optimális!

5. Minimálisan hány valószínűség megadása szükséges a megadott valószínűségi háló definiálásához ha az Akkumulátor és a Beindul háromértékű változók, a többi változó pedig bináris? (4p) Sokat nyertünk ezzel az elvi együttes valószínűségi eloszláshoz képest? (6p)

Ezen a helyen volt linkelve a mi_061112b_abra1.PNG nevű kép a régi wiki ezen oldaláról. (Kérlek hozd át ezt a képet ide, különben idővel el fog tűnni a régi wikivel együtt)

Akkumulátor->2
Autórádió->3
Gyújáts->3
Üzemanyag->1
Beindul->8
Megy->3
$\sum =20$
elvi együttes valószínűségi eloszlás: $2^{4}*3^{2}-1=143$
vagyis a nyereség: ${\frac {20}{143}}=0,14$

nem pont 1-ez azaz 86% a nyereség? hiszen 143 helyett csak 20 kell, akkor 123at spórolunk, ami a 143 86%-a.

7. Ha egy labirintusból a közismert “kézzel követve a falat” algoritmussal próbálunk kijutni, valójában milyen fajta keresési algoritmust alkalmazunk? Garantáltan kijutunk-e a labirintusból? Miért (igen/nem)? (4 pont)

A keresés mélységi keresés és a normális labirintus nyilván egy planáris, véges gráf, ahol ez a keresés teljes is lesz.

8. A közelítőleg helyes tanulásnál mi a szükséges minimális példaszámot megadó képlet? Mi a benne szereplő jelölések a jelentése? Mi a képlet lényegi mondanivalója? (gondoljon itt pl. a logikai függvények tanulására) (6 pont)

Képlet : $m\geq {\frac {1}{\epsilon }}(ln{\frac {1}{\delta }}+ln|H|)$

• $m$ : vizsgált (vizsgálandó) pédák száma
• $\epsilon$ : ennyire van közel a hipotézis az f valós függvényhez ($hiba(h)\leq \epsilon$ )
• $\delta$ : kis értékű konstans
• $\left|H\right|$ : összes lehetséges hipotézisek száma

Tehát ha egy tanuló algoritmus olyan hipotézist ad, amely $m$ példa esetén konzisztens, akkor ennek a hipotézisnek legalább $1-\delta$ valószínűséggel a hibája legfeljebb $\delta$

A lényegi mondanivaló, hogy a szükséges példák száma a hipotézisek számával log kapcsolatban van. Amely tanulási problémában tehát nagyon sok hipotézis van a hipotézis térben, ott sok példára van szükség. Ha ez a szükséges példaszám exponenciálissá válik, akkor a tanulás kivitelezhetetlenné válik. -- Gabesz - 2006.01.25.

10. A relevancia alapú tanulásnál egy általános háttértudásból (hogy egy országban a nép egy nyelvet beszél – a. állítás) és a megfigyelt konkrét esetből (hogy a Fernandó nevű brazil bennszülött portugálul beszél – b. állítás) meg lehet tanulni, hogy Brazília nyelve portugál. (c. állítás).

• a. $\forall x,y,n,lNemzetisege(x,n)\wedge Nemzetisege(y,n)\wedge Nyelve(x,l)\rightarrow Nyelve(y,l)$
• b. $Nemzetisege(Fernando,Brazil)\wedge Nyelve(Fernando,Portugal)$
• c. $\forall xNemzetisege(x,Brazil)\rightarrow Nyelve(x,Portugal)$

Rezolúcióval lássa be, hogy a c. állítás következik az a. és b. állításból. (8 pont)

(?ek helyett a szokásos operátorok alkalmazandók :) )

-- adamo - 2006.01.24.
-- Csapszi - 2006.01.25.