1. Co to jest sztuczna inteligencja?
– dziedzina nauki zajmująca się rozwiązywaniem zagadnień efektywnie niealgorytmizowanych w oparciu o modelowanie wiedzy

– nauka, która ma na celu nauczyć maszyny zachowań podobnych do ludzkich,
>jak nauczyć maszyny robić rzeczy, które obecnie ludzie robią lepiej< - nauka o komputerowych modelach wiedzy umożliwiających rozumienie, wnioskowanie i działanie 2. Jaka jest różnica między silną a słabą sztuczną inteligencją? SILNA – stawia sobie ambitny i dalekosiężny cel doprowadzenia do powstania sztucznych systemów myślących, o poziomie intelektualnym zbliżonym do ludzkiego lub go przewyższającego. SŁABA – zajmuje się szerokim spektrum problemów szczegółowych o dobrze określonych celach i kryteriach ich osiągnięcia. Problemy te dotyczą wykonywania przez systemy informatyczne zadań, których złożoność powoduje, że wymagają one inteligencji, jeśli są wykonywane przez człowieka. 3. Na czym polega test Turinga? Do czego jest on wykorzystywany? - Do sprawdzenia, czy maszyna jest inteligentna - sędzia(osoba) rozmawia z człowiekiem i komputerem, jeśli sędzia uzna, że komputer jest człowiekiem(nie zorientuje się) oznacza to, że ta maszyna jest inteligentną w sensie Turinga Test Turinga wyrasta z zabawy towarzyskiej. Uczestniczyły w niej 4 osoby: - mężczyzna (A), - kobieta (B) - goniec dowolnej płci (Z) - osoba dowolnej płci zwana Sędzią , będzie zgadującym (C) Do obowiązków ostatniego z graczy należało zadawanie dowolnych pytań niewidzianym osobom 1 i 2, z którymi łączność umożliwiał goniec zanoszący pytania i dostarczający odpowiedzi. Celem tej zabawy było odgadnięcie przez C na podstawie pytań i odpowiedzi tego, kto jest kim. Turing zaproponował zastąpienie gracza A maszyną. Jeżeli Sędzia uzna, że gracz A to człowiek, można stwierdzić, że maszyna ta(lub program komputerowy) jest inteligentną ( w sensie Turinga) 4. Przedstaw i krótko opisz ogólny model neuronu. Neuron jest podstawowym elementem biologicznej sieci neuronowej. Składa się z ciała komórki (soma), aksonu, dendrytów Połączenia synaptyczne, wagi mnożące, węzeł przetwarzający neuronu wartości wejściowe dowolne liczby rzeczywiste wartości wag tak samo y wartość wyjściowa która jest wynikiem działania funkcji aktywacji w węźle przetwarzania neuronu 5. Co to jest funkcja aktywacji Unipolarna ciągła, unipolarna dyskretna, zamienia aktywacje neuronu na jego wyjście. sumę iloczynów wartości wejściowych i wag na wartość wyjściową neuronu 6. Jakie znasz modele SSN, krótko je opisz. Sieć jednokierunkowa – sieć bez sprzężenia zwrotnego m neuronów powiązanych z n wejściami, sygnał przekazywany od wejścia do wyjścia Sieć ze sprzężeniem zwrotnym – dodając w sieci jednokierunkowej połączenia od wyjść neuronów do ich wejść, uzyskujemy sieć ze sprzężeniem zwrotnym. Sygnały na jej wyjściach zależą od aktualnego stanu wejść i od poprzednich sygnałów wyjściowym, które są uzależnione od wcześniejszych sygnałów wejściowych. 7. Jakie znasz rodzaje uczenia SSN (z nauczycielem i bez). Uczenie sieci – wymuszanie na niej określonego reagowania na zadane sygnały wyjściowe Z nauczycielem – nadzorowane, bez nauczyciela – nienadzorowane, (samouczenie) 8. Opisz regułę Hebba uczenia SSN. Odnosi się do uczenia bez nauczyciela i przyjmuje, że sygnałem uczącym jest sygnał wyjściowy neuronu. W przypadku dyskretnej funkcji aktywacji ta reguła sprowadza się do dodania lub odjęcia wektora obrazu wejściowego do/od wektora wag. jeśli jakiś neuron po podaniu obrazu wejściowego na sieć neuronową jest bardzo pobudzony to wszystkie wagi związane z neuronem są modyfikowane w ten sposób aby po kolejnym prezentacji obrazu wejściowego neuron był pobudzany jeszcze bardziej 9. Na czym polega istota działania metody wstecznej propagacji błędu? zrzutowaniu sygnału błędu warstwy wyjściowej na wcześniejszą warstwę. obliczeniu sumy iloczynów między błędem neuronu warstwy wyjściowej a wagą łączącą ten neuron warstwy wyjściowej z konkretnym neuronem warstwy ukrytej 10. Na czym polega istota działania algorytmów genetycznych? AG działa w dyskretnym czasie. W każdej jednostce czasu t, w pewnym środowisku Q istnieje populacja osobników tego samego gatunku P(t). Te osobniki konkurują o zasoby w tym środowisku i mogą dowolnie krzyżować się w obrębie całej populacji. „Lepsze” osobniki mają duże szanse przeżyć i wydać liczne potomstwo. „Gorsze” mogą przeżyć przy odrobinie szczęścia, ale ich szanse są zdecydowanie mniejsze niż tych „lepszych”. W populacji zachodzi proces reprodukcji. Powstaje populacja potomna P(t +1), która jest zazwyczaj lepsza od populacji rodzicielskiej. Algorytm oparty na mechanizmach dziedziczności i doboru naturalnego. Łączy w sobie zasadę przeżycia najlepiej przystosowanych jednostek i zasadę losowej wymiany informacji 11. W jaki sposób opisywany jest osobnik w AG? Na poziomie fenotypowym osobnik jest opisany za pomocą wektora m fenów [p1,…,pm], są to argumenty optymalizacji funkcji przystosowawczej. Na poziomie genotypowym osobnik najczęściej jest opisany przez łańcuch bitów[011…01] (jego genotyp) Liczba bitów wymagana do reprezentacji pojedynczego osobnika wynika z zakresów fenów oraz z przyjętej dokładności. 12. Jakie znasz podstawowe operatory AG? Krótko je opisz. Krzyżowanie – reprodukowany osobnik może być krzyżowany z innym osobnikiem (działanie operacji crossover), operator ten działa z zadanym prawdopodobieństwem, drugi osobnik do krzyżowania wybierany jest losowo. W czasie krzyżowania, dwa osobniki wymieniają się między sobą części genotypu. Powstały po krzyżowaniu potomek podlega mutacji. Mutacja – zachodzi z zadanym prawdopodobieństwem, polega na losowej zmianie wartości bitu z zera na jedynkę lub odwrotnie 13. Wymień znane Ci metody selekcji osobników w AG opisz jedna z nich. Metoda ruletki (stochastyczna z powtórzeniami) – wartości przystosowania wszystkich osobników w populacji są sumowane, suma stanowi całe koło ruletki. Następnie każdemu osobnikowi przypisywany jest wycinek koła proporcjonalny do jego przystosowania. Koło ruletki jest „obracane” (wybiera jest losowo liczba) i wybierany jest osobnik odpowiadający temu sektorowi na ruletce, w którym mieści się wylosowana liczba. Czynność losowania powtarza się N razy (N-rozmiar populacji) Metoda próbkowania deterministycznego – wartość oczekiwanej liczby potomków dla każdego osobnika w bieżącej populacji jest liczona ze wzoru Ei = NPi Ei – oczekiwana liczba potomków i-tego osobnika Pi – prawdopodobieństwo wybrania i-tego osobnika do reprodukcji Metoda turniejowa – wybierane są 2 osobniki(lub więcej) za pomocą metody ruletki, do reprodukcji wybierany jest najlepszy osobnik spośród biorących udział w turnieju. 14. Wyjaśnij pojęcia: inteligencja, minimum lokalne itd.…… Występowanie w funkcji błędu minimów lokalnych jest istotnym problemem W sensie sprawności umysłowej inteligencja ma wiele różnych definicji: - rodzaj aktywnego przetwarzania informacji tzn. przekształcania ich z jednej formy w drugą poprzez rozmaite operacje logiczne ( również kalkulatory) - aktywne przetwarzanie informacji w celu lepszego przystosowywania się do zmiennego środowiska naturalnego (np. owady) Typy inteligencji: - inteligencja kognitywna (abstrakcyjna) sprawność umysłowa czyli umiejętność analizowania danych, które da się zawrzeć w formie znaków Obejmuje: -zdolność kojarzenia faktów - przeprowadzanie operacji prostych przekształceń językowych - dokonywanie obliczeń liczbowych i symbolicznych Inteligencję tę można mierzyć za pomocą specjalnych testów (Mensa) - inteligencja werbalna – zdolność formułowania wypowiedzi, szybkiego znajdowania słów, dobrego rozumienia tekstu wypowiadanego lub pisanego (poeci) - inteligencja emocjonalna – umiejętność radzenia sobie ze swoimi emocjami, nazywania ich oraz zauważania i wpływania na emocje innych (empatia) - inteligencja społeczna – zdolność przystosowania się i wpływania na środowisko społeczne człowieka - inteligencja twórcza – zdolność do generowania nowych pojęć lub ich nieoczekiwanych połączeń 1. Co to jest sztuczna inteligencja? Sztuczna inteligencja (ang. artificial intelligence, AI) uważana jest za część informatyki, umożliwia maszynom uczenie się na podstawie doświadczeń, dostosowywanie się do nowych informacji i wykonywanie zadań podobnych do ludzkich. Większość przykładów AI, o jakich słyszy się dziś – od komputerów grających w szachy po samoprowadzące się samochody – w znacznym stopniu opiera się na głębokim uczeniu i przetwarzaniu języka naturalnego. Przy wykorzystaniu tych technologii komputery mogą być szkolone, by wykonywać konkretne zadania poprzez przetwarzanie dużych ilości danych i rozpoznawanie wzorców w danych.To dziedzina nauki zajmująca się rozwiązaniem zagadnień efektywnie algorytmizowanych w oparciu o modelowanie wiedzy.Koncepcja Kolektywnej Inteligencji umożliwia wykrywanie dużo większej liczby złośliwych programów niż ma to miejsce w przypadku systemów manualnych. Z testu: • -uważana jest za część informatyki • -to dziedzina nauki zajmująca się rozwiązaniem zagadnień efektywnie algorytmizowanych w oparciu o modelowanie wiedzy • -to nauka o komputerowych modelach wiedzy umożliwiających rozumienie, wnioskowanie i działanie • -to umiejętność rozwiązywania przez maszyny zadań, które jeżeli byłyby wykonywane przez człowieka wymagałyby zaangażowania jego inteligencji. 2. Jaka jest różnica między silną a słabą sztuczną inteligencją? Google Assistant, Siri i Alexa, są uważani za słabe programy AI, ponieważ działają w ramach ograniczonego z góry określonego zestawu funkcji. Rozwiązuje zadania takie jak rozpoznawanie przedmiotów. może być wykorzystana w osiągnięciu celu silnej sztucznej inteligencji. Są też maszyny z własnym umysłem, które mogą podejmować niezależne decyzje bez ingerencji człowieka. Programy te można uznać za silną sztuczną inteligencję. • Słaba - rozwiązuje zadania takie jak rozpoznawanie przedmiotów • Słaba-rozwiązuje zadania takie jak rozpoznawanie przedmiotów • Słaba -może być wykorzystana w osiągnięciu celu silnej sztucznej inteligencji 3. Na czym polega test Turinga? Do czego jest on wykorzystywany? Test wygląda następująco: sędzia – człowiek – prowadzi rozmowę w języku naturalnym z pozostałymi stronami. Jeśli sędzia nie jest w stanie wiarygodnie określić, czy któraś ze stron jest maszyną czy człowiekiem, wtedy mówi się, że maszyna przeszła test. Zakłada się, że zarówno człowiek, jak i maszyna próbują przejść test zachowując się w sposób możliwie zbliżony do ludzkiego. Z testu: Biorą udział mężczyzna kobieta sędzia goniec NIE 4. Przedstaw i krótko opisz ogólny model neuronu. Model sztucznego neuronu Sztuczny neuron = neuron: można rozpatrywać jako specyficzny przetwornik sygnałów. Podstawowe elementy składowe: • n wejść neuronu wraz z wagami wi (wektor wag w i wektor sygnałów wejściowych x) • jeden sygnał wyjściowy y • pobudzenie e neuronu jako suma ważona sygnałów wejściowych pomniejszona o próg Θ W model neuronu McCullocha-Pitsa sygnały wejściowe mogą mieć wartość 0 lub 1 5. Co to jest funkcja aktywacji Funkcja aktywacji – pojęcie używane w sztucznej inteligencji do określenia funkcji, według której obliczana jest wartość wyjścia neuronów sieci neuronowej. Po agregacji danych wejściowych z uwzględnieniem wag powstaje sygnał sumarycznego pobudzenia. Zapobiega nadmiernemu wzrostowi sygnałów przekazywanych w sieci neuronowej Ma istotne znaczenie dla działania neuronu. Podstawowe typy funkcji: • liniowa y = k⋅e • nieliniowe (ciągłe i nieciągłe, unipolarne i bipolarne) funkcja skoku jednostkowego, progowa (McCulloch i Pitts) Z testu: • służy do wyznaczenia wyjścia neuronu • jest niezbędna do wyliczenia pobudzenia neuronu • zapobiega nadmiernemu wzrostowi sygnałów przekazywanych w sieci neuronowej 6. Jakie znasz modele SSN, krótko je opisz. sieci jednokierunkowe ( ang. feedforwarded) tj. sieci o jednym kierunku przepływu sygnałów; Szczególnym przypadkiem architektury jednokierunkowej jest sieć warstwowa, reprezentująca zdecydowanie najpopularniejszą topologię; Inne, np. sieci rekurencyjne (feedback, bidirectional) tj. sieci ze sprzężeniami zwrotnymi (sieć Hopfielda) albo sieci uczenia się przez współzawodnictwo (Kohonena) Sieć rekurencyjna – sieć ze sprzężeniami zwrotnymi: zmiana stanu jednego neuronu przenosi się przez masowe sprzężenie zwrotne na całą sieć wywołując stan przejściowy, kończący się określonym stanem ustalonym, na ogół innym niż poprzedni. Przykłady takich sieci to: sieć ART., BAM, sieć Hopfielda czy modyfikacja sieci Hopfielda zwana maszyną Boltzmanna. Sieć jednokierunkowa – charakteryzuje się przeszyłem sygnałów w jednym kierunku. Szczególnym przypadkiem tego rodzaju sieci są sieci wielowarstwowe, stanowiące najpopularniejszą architekturę SSN. Sieć komórkowa – w tego typu sieciach sprzężenia wzajemne między elementami przetwarzającymi dotyczą jedynie najbliższego sąsiedztwa. Sieci komórkowe mają dobre predyspozycje do przetwarzania w czasie rzeczywistym (zwłaszcza obrazów). 7. Jakie znasz rodzaje uczenia SSN (z nauczycielem i bez). Uczenie nadzorowane („z nauczycielem”) – w tym podejściu stosowane są zestawy uczące, dane podawane na wejście i wyjście. W czasie nauki sieć dostraja wagi tak, aby minimalizować różnice między wartością oczekiwaną a nauczoną. Przykłady metod uczenia nadzorowanego: • metoda delta • metoda propagacji wstecznej błędu (BP) • metoda szybkiej propagacji (modyfikacja BP) • metoda LM • metoda gradientów sprzężonych. Uczenie nienadzorowane („bez nauczyciela”) – tutaj sieć uczy się modyfikując swoje parametry przez analizę reakcji na nieznane wcześniej pobudzenia. W efekcie uczenia sieć dokonuje podziału na klasy/kategorie. Samoorganizacja i uczenie nienadzorowane Poniżej przykłady reguł uczenia nienadzorowanego: • Reguła Hebba • Reguła „wygrywający bierze wszystko” (WTA). 8. Opisz regułę Hebba uczenia SSN. Reguła Hebba. Jest to jedna z najpopularniejszych metod samouczenia sieci neuronowych. Polega ona na tym, że sieci pokazuje się kolejne przykłady sygnałów wejściowych, nie podając żadnych informacji o tym, co z tymi sygnałami należy zrobić. 9. Na czym polega istota działania metody wstecznej propagacji błędu? Metoda wstecznej propagacji błędów (back propagation) umożliwiająca uczenie sieci wielowarstwowych poprzez propagację różnicy pomiędzy pożądanym a otrzymanym sygnałem na wyjściu sieci. Z testu: • może być siecią wielowarstwową 10. Na czym polega istota działania algorytmów genetycznych? Zasada działania algorytmów genetycznych oparta jest na mechanizmach doboru naturalnego i dziedziczności. Mechanizmy te polegają na przetrwaniu osobników najlepiej dostosowanych w danym środowisku, podczas gdy osobniki gorzej przystosowane są eliminowane. Z testu: Reprezentacja osobnika w Algorytmach Genetycznych jest możliwa na poziomie • Fenotypowym tu jest chyba błąd powinno być krzyżowym • genotypowym Wybór osobników jako potencjalnych rodziców w Algorytmach Genetycznych w przedstawionych na wykładzie metodach • zależy od wartości funkcji przystosowania 11. W jaki sposób opisywany jest osobnik w AG? Każdy z osobników ma przypisany pewien zbiór informacji stanowiących jego genotyp, a będących podstawą do utworzenia fenotypu. 12. Jakie znasz podstawowe operatory AG? Krótko je opisz. Operator krzyżowania ma za zadanie łączyć w różnych kombinacjach cechy pochodzące z różnych osobników populacji, zaś operator mutacji ma za zadanie zwiększać różnorodność tych osobników. 13. Wymień znane Ci metody selekcji osobników w AG opisz jedna z nich. metodę ruletki. Budujemy wirtualnie koło, którego wycinki odpowiadają poszczególnym osobnikom. Im lepszy osobnik, tym większy wycinek koła zajmuje. Rozmiar wycinków może zależeć od wartości funkcji oceny, jeśli wysoka wartość oceny oznacza wysokie przystosowanie. W takim układzie prawdopodobieństwo, że lepszy osobnik zostanie wybrany jako rodzic, jest większe. Niestety ewolucja przy takim algorytmie z każdym krokiem zwalnia. Jeżeli osobniki są podobne, to każdy dostaje równy wycinek koła fortuny i presja selekcyjna spada. Algorytm słabiej rozróżnia osobniki dobre od słabszych. Metoda rankingowa etody selekcji wielokryterialnej 14. Wyjaśnij pojęcia: inteligencja, minimum lokalne itd.…… Inteligencja (od łac. intelligentia – zdolność pojmowania, rozum) – zdolność do postrzegania, analizy i adaptacji do zmian otoczenia. Zdolność rozumienia, uczenia się oraz wykorzystywania posiadanej wiedzy i umiejętności w różnych sytuacjach. • Jeśli dodatkowo w pewnym otwartym sąsiedztwie punktu funkcja nie ma • również wartości równych to jest to maksimum (odpowiednio: minimum) lokalne właściwe. Inteligencja społeczna – pojęcie wprowadzone w 1920 przez Edwarda Thorndike'a, oznaczające zdolność rozumienia i kierowania ludźmi oraz rozumnego działania w stosunkach międzyludzkich Reguła delta stosowana jest do nauki wielowarstwowych sieci neuronowych. 1. 1 służy do wyznaczenia wyjścia neuronu jest niezbędna do wyliczenia pobudzenia neuronu zapobiega nadmiernemu wzrostowi sygnałów przekazywanych w sieci neuronowej 2. 2 uważana jest za część informatyki to dziedzina nauki zajmująca się rozwiązaniem zagadnień efektywnie algorytmizowanych w oparciu o modelowanie wiedzy 3. 3 uczenie nadzorowane; uczenie nienadzorowane; uczenie z nauczycielem 4. 4 inteligencja kolektywna inteligencja społeczna 5. 5 rozwiązuje zadania takie jak rozpoznawanie przedmiotów może być wykorzystana w osiągnięciu celu silnej sztucznej inteligencji 6. 6 występuje podczas uczenia nienadzorowanego występuje podczas uczenia bez nauczyciela 7. 7 jednokierunkowej wielowarstwowej sieci neuronowej 8. 8 fenotypowym genotypowym 9. 9 zależy od wartości funkcji przystosowania 10. 10 następuje modyfikacja losowego bitu chromosomu osobnika następuje negacja wartości przy binarnej reprezentacji chromosomu 11. 11 0 1 12. 12 mężczyzna 13. 13 wagi mnożące o wartościach ±1 wartości wejściowe o dowolnych wartościach 14. 14 może być siecią wielowarstwową 15. 15 jest rozwiązaniem niepożądanym