Tisztelt Hallgatók! Az alábbi anyaga arra jó, hogy lehessen tudni, mi tartozik egy-egy kérdéshez. Ami itt olvasható, az a jéghegy csúcsa. Ha alapos tudást akarnak, a jéghegy alját önállóan kell hozzá gyűjteniük. Jó tanulást kívánok, üdvözlettel: Kutor László 90. Mi az MI program, tudásalapú rendszer, szakértői rendszer és kapcsolatuk? MI program Az MI programok olyan probléma-megoldó programok, melyek működésében az emberi problémamegoldás fontos elemei számítógépes eszközökön valósulnak meg. Ezek az elemek: a környezettel való kapcsolattartás (érzékelés), hatékony információ feldolgozási képesség, jelentős mennyiségű beépített tudás kezelése (gyakran szimbolikus reprezentációkkal), a tanulás képessége, valamint fejlett kommunikációs képesség (gyakran emberi nyelven). Hagyományosan a tudásalapú rendszerek két legfőbb formája a szakértői rendszer, és a döntéstámogató rendszer. Tudásalapú rendszerek (Knowledge Based System) Olyan mesterséges intelligencia programok, melyek legfontosabb tulajdonsága a nagymennyiségű beépített tudás kezelése. Hagyományos rendszerekben e tudás egy tudásbázisban a programtól elkülönítve helyezkedik el. Szakértői rendszerek (Expert System) A tudás alapú rendszerek azon fajtája, amely szakértői ismeretek felhasználásával magas szintű teljesítményt nyújt egy szűk, jól definiált problémakör kezelésében („Valaki tudhatja a megoldást, de nem áll rendelkezésre”!) Döntéstámogató rendszerek (Decision Support System) Olyan komplex-, nehezen strukturálható problémakörökben segítik a döntések meghozatalát, melyek a sok változó, a nagy mennyiségű adat és bonyolult-, és gyakran átláthatatlan összefüggések miatt hatékonyan csak a gyors információ technológiai támogatással kezelhetők. („ Talán senki nem tudja a legjobb megoldást, és mégis fontos dönteni”) Hagyományosan a döntéstámogató rendszerek a szervezetek döntéshozóit segítik a döntések meghozatalában. Ilyen rendszerekre a legtöbb döntési helyzetben, így a hétköznapi döntések során is nagy szükség lenne, ugyanis az emberi információ-feldolgozás számos korlátjának kiszélesítését, a gyakori hibák és téves előítéletek kiküszöbölését a gyors információ technológia nagyban segítheti. 92. Jellemezze a szakértői rendszerek piaci fázisait! 1983-85: Az új tudásalapú technológia kutatása - Általános célú, Lisp-alapú nagygépes shellek. 1986-88: Az új technológia bizonyítása a piacon. - Kialakult a közép és kisgépes piac, megjelentek a viszonteladók. - Shell háború. - Az alkalmazások fejlesztésekor prototípusokat készítettek. - Telítődött a piac. 1989-től: A hagyományos és új technológia összeolvadása - Alkalmazás orientált eszközök megjelenése. - Céllá vált a tudásalapú rendszerek építése. - Integrált alkalmazások, és támogató rendszerek kialakulása. - A hibrid shell-ek nagyobb szerepet kaptak. 93. Melyek a tudásalapú technológia kialakulásának lépcsőfokai? 50-es évek Kialakultak az idegrendszeri hálózatok. (alakfelismerés kezdetei, neurofiziológia alapjai) 60-as évek Ezt az időszakot a heurisztikus keresés, és a GPS (General Problem Solver) jellemezte, mely rendszereket tételbizonyításokra, sakkjáték szimulálására használták. Az volt az általános feltételezés, hogy a gondolkodás szimbólum manipulációként zajlik. (azaz összehasonlítás, keresés, módosítás, stb.) Ebben a korszakban tevékenykedett pl.: Turing. 70-es évek Kialakult a tudás reprezentáció, és a tudás alapú technológia. Létrejöttek a híres szakértői rendszerek pl.: a PROSPECTOR a molibdén lelőhelyek meghatározására, a MYCIN a vér fertőzéseinek,.. diagnosztizálására, valamint a DENTRAL a szerves molekulák meghatározása készült.
94. Mi a tudás elve és a tudásalapú/szakértői rendszerek főbb előnyei? A tudás elve A feladatmegoldás képessége, (egy számítógépes program „ jósága, erőssége, értéke”) attól függ, hogy mennyi és milyen magasan kvalifikált minőségű specifikus tudást képes mozgósítani a feladat megoldása során. A tudásalapú/szakértői rendszerek előnyei - Pótolják a szakértőhiányt, elérhető áron terjesztik a szakértői ismereteket. - A tárgyterület változásait jól követhetik mivel a tudásbázist könnyű módosítani. - Növelik a szakértő képességeit. - Fokozzák a szakértő produktivitását. 95. Vesse össze az emberi (E) szakértői tudást és a „mesterséges” (M) szakértői rendszerek ismereteit! E: Múlandó (ha nem használjuk, elfelejtjük, nehéz átadni, oktatással terjeszthető) Nehezen dokumentálható. Nem mindig következetes, gyakran labilis (emóciók). Kreatív, innovatív A körülményekhez alkalmazkodik, tanul. Általában ismeri tudásának, képességeinek határait Az ember a környezetéhez különböző érzékszervekkel kapcsolódik (hall, lát, érez) A gondolkodási folyamatok változatosak, gazdagok. Gyakran nagyon meg kell fizetni, és általában nehezen elérhető. Széles látószögből, több aspektusból (dinamikusan, a helyzettől függően) vizsgálja a problémákat. Többszintű modellekkel operál. Jellemzően felszíni modelleket használ Van hétköznapi józan esze. M: Állandó, tartós „halhatatlan”, könnyű átvinni reprodukálni, (oktatni a szakértői rendszer használatát kell). Könnyen dokumentálható. Mindig következetes (érzéketlen). Ihlettelen, lélektelen Csak azt tudja, amit belegépelnek, (nincsenek hatékony gépi tanulási mechanizmusok) Nincs tudatában ismeretei korlátainak (hacsak bele nem építik „Forduljon szakértőhöz”) A rendszer felhasználói felülete általában egyféle pl.: korlátozott természetes nyelvi kommunikációt biztosít. A belső feldolgozást szimbólumokkal é numerikus értékekkel végzi. Elvben lérhető áron megszerezhető, a „helyszínre vihető” és sokszorosítható. Szűk technikai látószögű, csak a beépített aspektusokból tud a problémákhoz hozzáállni. Nincs hétköznapi józan esze, csak technikai tudása. Nem lehet vakon hinni benne. Csak tanácsot javaslatot várjunk tőle. 96. Melyek a szakértői rendszerek főbb előnyei? - Pótolják a szakértőhiányt, elérhető áron terjesztik a szakértői ismereteket - A tárgyterület változásait jól követik, a tudásbázist könnyű módosítani - Növelik a szakértő képességeit - Fokozzák a szakértő produktivitását - Megőrzik a szakértelmet - Létrehozhatók hagyományos technikával meg nem valósítható rendszerek - Mindig következetesek a tanácsadásban - Állandóan rendelkezésre állnak - Képesek részleges, nem teljeses adatokkal is dolgozni 97. Melyek az emberi információ feldolgozás jellemzői? - Holisztikus, intuitív, analógiákra épülő információ feldolgozás - A döntések irányelvei, perspektívái és szabályai többnyire azonosíthatóak - Az emberek szeretik a dolgokat egészben átlátni. - Minél kevesebb információ áll rendelkezésre egy probléma megoldásához, annál jobban működnek együtt az emberek - Az emberek csak ritkán koncentrálnak csupán egy problémára, hanem – bár nem szisztematikusan – inkább különböző probléma-megoldó helyzetet párhuzamosan kezelnek - Az emberi teljesítmény csökkenhet, ha egymással összefüggő feladatokat kell különböző kidolgozási szinten párhuzamosan kezelni - Az emberek csak erősen korlátozottan képesek logikailag ellentmondásos vagy statisztikai információkat kezelni. 98. Melyek az emberi információ feldolgozás tipikus hibái? - Vágy az önigazolásra - A tények és a jelenségek összetévesztése - A megerősítés iránti elfogultság - A személyes tapasztalat túlhangsúlyozása
- Konzervativizmus - A visszaemlékezés könnyűsége - A hazárdjátékos tévhite - Utólagos éleslátás - A kontroll illúziója - Az összefüggés illúziója - Sorozat hatás 99. Milyen feladatok megoldására készülnek a döntéstámogató rendszerek, melyek a döntési típusok? A döntéstámogató rendszerek a részlegesen vagy rosszul strukturált helyzetekben, a szervezetek döntéshozóit segítik a technológiai és vezetői döntések meghozatalában. - A döntéstámogató rendszerek elsődleges célja az információs technológia segítségével megnövelni a szervezetek döntéshozóinak hatékonyságát. - A szakértıi rendszerek jól behatárolt szakterülettel, strukturált problémákkal kapcsolatban adnak támogatást, ezzel szemben a döntéstámogató rendszerek komplex, nehezen strukturálható problémakörökben segíthetnek. Döntési típusok: - Mindennapi cselekvésekkel kapcsolatos döntések - Vezérléssel kapcsolatos döntések, melyek célja a cselekvések hatékonyságának biztosítása. - Menedzseri döntések, melyek célja az erőforrások hatékony kezelése. - Stratégiai döntések, célja a magasabb célok és irányelvek alapján az erőforrások elosztásának biztosítása. 100. Milyen tipikus részekből áll egy döntéstámogató rendszer? Adatbázis menedzsment rendszer Modellbázis menedzsment rendszer Dialógus generáló és menedzsment rendszer 101. Melyek a klasszikus tudásábrázoló módszerek, előnyeik-hátrányaik? A procedurális tudásábrázolás előnyei: - Könnyű a cselekvésre vonatkozó tudást ábrázolni - Könnyű olyan tudást ábrázolni, amely heurisztikát is tartalmaz - A leíró sémákkal nem kezelhető tudást könnyű leírni A deklaratív tudásábrázolási technikák előnyei: - Minden tényt csak egyszer kell ábrázolni - Könnyű új tényeket adni a rendszerhez anélkül, hogy a korábbiakat megváltoztatnánk 102. Mit értünk adatbányászat alatt? Az adatbányászat mintázatok (szabályok) automatikus keresése (felismerése) nagytömegű adatokban. 103. Mi a lényegi különbség a hagyományos és a neurális hálózatra épülő információ feldolgozás között? Mérnöki szempontból a neurális hálózatok olyan Információ-feldolgozó paradigma szerint működnek, melyben a feldolgozó elemek (a neuronok), ezek összeköttetési módszere (a topológia) és a tanítás (tanuló algoritmus) határozza meg a működést. A mesterséges neurális hálózatok jó működését tanítással lehet biztosítani ezáltal képesek a rendelkezésre álló adatokból tudást kinyerni, az összefüggéseket, hasonlóságokat felfedezni, míg a hagyományos információ-feldolgozó rendszerekben algoritmikus számítást alkalmazunk. A neurális hálózatokat nem programozzuk, hanem tanítjuk, így nem csak annyit tudhatnak, amennyit előre beprogramoztunk. A párhuzamos felépítés a nagysebességű működés mellett hibatűrő képességet is biztosít, míg a tanulási képesség lehetővé teszi olyan feladatok – általában közelítő – megoldását, amelyeknél a tudás csak adatok formájában áll rendelkezésre. 104. Melyek a neurális hálózatok általános jellemzői? - A neurális hálózatok nagyon egyszerű processzorokból, az un. neuronokból épülnek fel. - A processzorok változtatható súlytényezőjű összeköttetések hálózatán át kommunikálnak egymással. - A neurális hálózatokat nem programozzuk, hanem tanítjuk. - A tárolt információk a hálózatban elosztottan, a súlytényezők közvetítésével ábrázolódnak. - A neurális hálózatok hibatűrők. Az elosztott párhuzamos tudásreprezentáció miatt a súlytényezők egy részének jelentős megváltozása sem befolyásolja alapvetően a hálózat működését. - A hálózat működését három fő tényező határozza meg: A processzorok átviteli függvénye, a hálózat összeköttetési sémája és a tanítási módszer.
105. Melyek a "McCulloch és Pitts" formális neuron jellemzői? - Először tekintették az agyat számításokat végző szervnek - Sj = Σ(wji * Ii), ahol w = súlytényező; I = bemenet - Oj = 0, ha Sj <= 0; Oj = +1 ha Sj > 0 - Az idegsejt működése „minden vagy semmi jellegű” - Az idegsejt ingerületbe hozásához bizonyos időn belül néhány (legalább 2!?) bemenetet ingerelni kell - Az idegrendszerben az egyetlen jelentős késleltetés a szinapszisoknál jön létre - Bármely gátló szinapszis működése teljesen megakadályozza az idegsejt ingerületbe kerülését - Az idegrendszer összeköttetési hálózata az időben nem változik. 106. Melyek a neurális hálózatok alkalmazásainak közös jellemzői? - A megoldandó problémával kapcsolatban gazdag, reprezentatív adathalmaz áll rendelkezésre - A megoldáshoz szükséges szabályok ismeretlenek és túl költséges a megismerésük - A rendelkezésre álló adathalmaz reprezentatív, de esetleg nem teljes, hibás adatokat is tartalmazhat - Sok bemenő illetve kimenő adat, a megoldás több összefüggő paramétertől függ 107. Mi a különbség az ANN és a CNN között? Az ANN az Artificial Neural Network rövidítése. A mesterséges neurális hálózatok számos változatát foglalja magába. A CNN Cellular Neural Network egy speciális neurális hálózatfajta, melyben a szomszédos elemek ( a hagyományos ANN-hez képest akár lényegesen összetettebb processzorok (neuronok)) szabályos mintázatokban kapcsolódnak. A hálózat működését összeköttetési mintázatok („template”-ek) segítségével lehet változtatni (tanítani) A CNN kifejlesztésében vezető szerepet töltött ben L.O. Chua, L.Yang, és a magyar Roska Tamás. ANN halmaza magába foglalja a CNN-t is (halmaz ábra) 108. Melyek a neurális hálózatok legfontosabb meghatározó tényezői? - A processzorok (neuron, artificial neuron, node, unit, cell) - A hálózati topológia („melyik elemet melyik elemmel kötjük össze”) - A tanító szabályokat alkalmazó algoritmus („súlytényezők beállítása, hangolása”) 109. Melyek a neurális hálózatoknál leggyakrabban alkalmazott átviteli függvények? Ugrásfüggvény, korlátozott lineáris függvény, nemlieráris függvények pl. a szigmoid
Leggyakrabban használt átviteli függvények 1. Ugrás függvény: Oj = 0 vagy -1, ha S <= 0, O j = 1 ha S > 0 1 1 S S 2. Korlátozott lineáris függvény -1 O j = 0, ha S <= 0, 1 O j = S ha 0 <= S < 1 O j = 1 ha S > 1 0 1 3. Szimoid függvény Oj = 1 - 1/(1+S) ha S >= 0 Oj = 1/(1+e-S j) Oj = -1 + 1/(1-S) ha S < 0 1 1 S -1 2009. osz
BMF NIK,
S
IRE 7/21
Dr. Kutor László
110. Hogyan ábrázolhatjuk a különböző hálózat topológiákat? Lehetőségek: 1.szemléletesen az összeköttetések megrajzolásával, vagy 2. az összeköttetéseket leíró súlymátrix segítségével
Tipikus neurális hálózat összeköttetések 1. Elorecsatolt (rétegelt) neurális hálózat
Az elorecsatolt hálóztok alternatív ábrázolása I1
(topológia)
I2
Ii
Súlymátrix
In-1 In
O1 O2
Bemenetek bemeneti réteg „rejtett” réteg
Om
kimeneti réteg
BMF NIK,
2009. osz Dr. Kutor László
IRE 7/22
w1n w2n wjn wmn
O = f (S) S=I*W Mátrix muveletek !
súlytényezo
„súlytényezo” 2009. osz
Oj
Kimenetek
w11 w12 w 1i w21 w22 w 2i wj1 wj2 wji wm1 wm2wmi
BMF NIK,
Dr. Kutor László
IRE 7/23
Visszacsatolt neurális hálózat Rétegelt
I1 I2
Teljesen összekötött
I3
1
i j
2
k
3 2009. osz
BMF NIK,
Oi Oj
O = I x W1+ O x W2
Ok IRE 7/24
Dr. Kutor László
111. Hogyan értelmezzük a neurális hálózatok tanító adatait?
A tanító adatok szerkezete Beneno adatok
Elvárt kimeno adatok „célértékek” C1 Cm
Bemenetek 1-n
c1
NH n
m
cm
Teszt adatok Tanító minták 1-k 2009. osz
BMF NIK,
Dr. Kutor László
IRE 7/25
A minták első szakasza (a piros vonal feletti) a tanításra szolgál. Ezek segítségével lehet a hálózat súlytényezői beállítani, (a hálózatot megtanítani). Az adatsor második része a tesztelést szolgálja. Ha ezekre a tanításban nem szereplő adatokra is jól teljesít a hálózat (pl. kevés hibát vét, vagy az összesített hiba kisebb egy elfogadható szintnél) akkor tekinthetjük a hálózatot megfelelően betanítottnak. Felügyelt tanításnál a tanító mintában célértékek is szerepelnek. A felügyelet nélküli esetben csak bemenő adatok, melyek belső (statisztikai) összefüggései alapján az”önszervező” hálózat célrétke nélkül is létre tud hozni osztályozó (csoportosító) működést. 112. Súlymátrix segítségével hogyan ábrázolhatjuk a különböző neurális hálózat topológiákat? A súlytényezők a neuronok közötti összekötetést adják meg. Alkalmas módon ábrázolva (lásd az 110 kérdésben lévő ábrákat!) mátrixként értelmezhetők.
113. Mi a „Hebb” szabály és a „delta” szabály lényege? A Hebb szabály: Ha két neuron egyidejűleg aktív (mindkettő kimenete pozitív, vagy mindkettő negatív) akkor kapcsolatuk megerősödik. Vagyis az összeköttetést biztosító súlytényező növekszik. Ha a két neuron működése ellentétes, akkor a kapcsolatuk (a közöttük lévő egymásra hatás, súlytényező) csökken. wji(t+1) = wji (t) + α* Oi * Oj, ahol α = tanítási tényező, 0 <= α <= 1 A Hebb szabály alkalmazható felügyelet nélküli esetekben, ahol nincs célérték csak a neuronok aktivációs állapota Delta szabály (Widrow- Hoff): a felügyelt tanítás esetén alkalmazható tanító szabály. A kimenő neuron Oj kimeneti értéke helyett a célértéktől való eltérését vesszük számításba. Ha a célérték és kimeneti érték különbsége pozitív, ugyanakkor az Oi is pozitív, (illetve ha a célérték és kimeneti érték különbsége negatív, ugyanakkor az Oi is negatív) akkor a kapcsolat Wji megnövekszik (megerősödik), ellenkező esetekben pedig csökken. wji(t+1) = wji (t) + α * Oi * (Cj – Oj), ahol Cj = célérték, Oj = kimenet 114. Mi a felügyeletes tanítás lényege és algoritmusa? Mottó: „addig változtatjuk (hangoljuk) a súlytényezőket, amíg a bemenetekre adott mintákra a hálózat megfelelő-, előre meghatározott hibahatáron belüli választ nem ad. Algoritmusa: 1. Kezdeti súlytényezők beállítása 2. A tanítóminta bemeneti értéke alapján a hálózat kimeneti értékének kiszámítása. 3. A tanítóminta célértékének összehasonlítása a hálózat célértékével. 4. Szükség esetén a hálózat súlytényezőinek módosítása. 5. A tanítás folytatása mindaddig, amíg a hálózat az összes tanítómintára – egy előre rögzített hibahatárnál kisebb hibával a célértéknek megfelelő kimeneti értéket nem tudja előállítani. 115. Mi a felügyelet nélküli tanítás lényege és algoritmusa Mottó: „a győztes visz mindent, tehát csak annak a neuronnak a súlytényezőit változtatjuk, amelyik a legnagyobb kimenetet mutatja. A változtatást (tanítást) úgy végezzük, hogy ha ugyanazt a tanítómintát tennénk a hálózat bemenetére, akkor még inkább az adott neuron legyen adja a legnagyobb kimenetet (tehát az legyen a győztes)
A versengéses tanító algoritmus (Grossberg)
Mottó:
A gyoztes visz mindent 1. Kezdeti súlytényezok beállítása (inicializálás, véletlenszeru) 0<Wj<1 2. A tanítóminta i-ik értéke (vektora) alapján, a processzorok kimeneti értékeinek kiszámítása.
Sj= ? Oi * wji,
Oj = f (Sj)
3. A legnagyobb kimeneti értéku processzor kiválasztása. A gyoztes visz mindent elv alapján, a gyoztes kimeneti értéket 1-re, az összes többi kimeneti értéket 0-ra változtatjuk 3. A gyoztes elem súlytényezoit megváltoztatjuk (csak azokat!)
? Wji (t+1) = Wji (t) + ? wji, ? wji = a (Oi/m-w ji(t)) ahol a = tanulási együttható, 0 < a << 1 (tipikusan 0.01-0.3) m = az aktív bemenetek száma 5. A 2. 3. 4. pont ismétlése amíg a kimenetek két egymást követo tanítási ciklus során nem változnak. IRE 8/21 2009. osz BMF NIK, Dr. Kutor László
116. Hogyan jellemezhetjük a perceptron paradigmát?
A perceptron jellemzoi („Perceptrons” M. Minsky – S. Pappert, 1969) 1. Csak egy réteg tanítását teszi lehetové 2. Csak lineárisan elválasztható csoportokat tud osztályozni. I1 * I2 O 0 0 1 1
0 1 0 1
0 0 0 1
I1
I1 +I2 O I 1 1 0 0 1 1 0 1 1 1
0 0 1 1
I1 + I2 O
1
1
I2
0 0 1 1
0 1 0 1
0 1 1 0
I1 1
1
I2
1
I2
117. Hogyan működik a perceptron tanító algoritmus?
A perceptron tanító algoritmusa Kezdeti súlytényezok beállítása (random !?) Tanítás iter amíg a hiba el nem éri a hibahatárt (Hi <= Hh) k= 0, Hi= 0 Minták iter amíg k = p nem teljesül (ahol p = tanító minták száma) A k.-ik tanítóminta bemeneti vektora alapján processzoronként az aktiváció kiszámítása Sjk= ? Ijk * Wji A köszöb átviteli függvény alapján processzoronként a kimeneti értékek kiszámítása. (Oj) A hálózat súlytényezoinek módosítása. ha Ojk = Cjk akkor wji(t+1) = wji (t) ha Ojk = 0 és Cjk = 1 akkor wji(t+1) = wji (t) + Iik (t) ha Ojk = 1 és Cjk = 0 akkor wji(t+1) = wji (t) - Iik (t) A hálózat hibájának kiszámítása Hj k =Cj k-Ojk A hibák összesítése H i=Hi +Hj k:=k+1 Minták end Tanítás end 2009. osz
BMF NIK,
IRE 8/9
Dr. Kutor László
118. Mire képes és mire nem az egy tanítható réteggel rendelkező perceptron? Csak a lineárisan elválasztható csoportokat tud osztályozni (ellenkezőjére nem képes) Lásd az 1.16-os ábrát! 119. Mi a delta szabály analitikus származtatása? A hibát úgy csökkentjük, hogy a hibafüggvény súlytényező szerinti parciális deriváltját vesszük, és annak arányában változtatjuk meg a súlytényezőt. Mottó: „ a hibafüggvényen a meredekségének megfelelően „lefelé” mozdulunk”! Ha a kimeneti neuronoknál lineáris átviteli függvénnyel számolunk, akkor a hibafüggvény (E) lánc-szabály szerinti deriválásával megkaphatjuk a kezdetben (eredetileg) intuitív alapon meghatározott delta szabályt.
A delta szabály matematikai értelmezése I1 I2 Ii
S
Sj= ? wji * Ii ; Oj = Sj ; E = ½ * ? ( Tj – Oj)2 j i Oj Tj Lineáris átviteli függvény esetén E
j
In
Wji(t+1)=wji(t)- a *Oj*dE/dwji
dE/dwji= dE/dOj * dOj/dSj * dSj/dwj wi dE/dOj = ½ * 2 * (Tj-Oj) * -1= - (Tj-Oj) dO j/dSj=1 i O i
2009. osz
Wi+1
?w
dSji/dwji= d(wj1*I1+…wji*Ii…+ wjn*In)= Ii
wji j Oj T j
Delta szabály
wji(t+1) = w ji (t) + a * Ii * ? w ahol a = tanítási tényezo, 0 <= a <= 1, ? = Tj – Oj IRE 8/14 BMF NIK, Dr. Kutor László
Figyelem, a Word hibája miatt a ? helyett Δ (delta) kellene, hogy legyen!
120. Mi az általánosított delta szabály? A több rétegű (elsősorban) előre csatolt neurális hálózatok tanítására kidolgozott algoritmus. Mottója: „egy összetett hálózatban a súlytényezők változtatatását a hiba létrehozásában játszott szerepük alapján végezzük” Matematikai értelemben a súlytényező változtatása a hiba függvény parciális deriváltja alapján jöhet létre. Bonyolult, több rétegű hálózatnál a lánc-szabály alkalmazásával egy hosszú folyamat eredményeképpen létrehozható egy összefüggés, melybe a változókat behelyettesítve lehet meghatározni a szükséges súlytényező változtatás mértékét. A parciális deriválhatóság fontos feltétele a deriválható átviteli függvény, ezért szokás a rejtett neuronoknál deriválgató (un. szigmoid) függvényt használni. Mivel a kimenő neuronoknál a célértéktől való eltérés, így a hiba közvetlenül számolható a kimeneti rétedben a lineáris átviteli függvény, ezért a hagyományos delta szabály is alkalmazható.
A hálózat hibája felügyelt tanítás esetén
Többrétegu neurális hálózatok tanítása (D.E Rummelhart, G.E. Hinton, R.J.Williams, 1986) (David Parker, Yann Le Cun) +…… Hálózat topológia
Oi
i
k
j H
N
Oj
i
Ok
j
Sj
f(s)
i =1
2009. osz
BMF NIK,
IRE 8/12
Dr. Kutor László
A delta szabály matematikai értelmezése I1 I2 Ii
S
Sj= ? wji * Ii ; Oj = Sj ; E = ½ * ? ( Tj – Oj)2 j i Oj Tj Lineáris átviteli függvény esetén E
j
In
Wji(t+1)=wji(t)- a *Oj*dE/dwji
dE/dwji= dE/dOj * dOj/dSj * dSj/dwj dE/dOj = ½ * 2 * (Tj-Oj) * -1= - (Tj-Oj) dOj/dSj=1 i O i
2009. osz
wji
Wi+1
wi ?w
dSji/dwji= d(wj1*I1+…wji*Ii…+ wjn*In)= Ii jO
j
Tj
Delta szabály
wji(t+1) = w ji (t) + a * Ii * ? w ahol a = tanítási tényezo, 0 <= a <= 1, ? = Tj – Oj IRE 8/14 BMF NIK, Dr. Kuto r László
k
pk
A súlytényezoket a hibafüggvény parciális deriváltja szerint változtatjuk
Oj=f(S)= 1/(1+e-S )
j
E = ½ ? ? (Tk-Ok)2
„ A hálózat súlytényezoit a hiba létrehozásában játszott szerepükkel arányosan változtatjuk.” =
N
S j = ∑ w ji Oi
A teljes tanító mintára:
„hiba visszaterjesztés = Back error Propagation”
k
M
Oj
E = ½ ? (Tk-Ok)2
A tanítás (súlytényezo változtatás) mottója:
Tk
Processzor:
Oi
Egy tanító mintánál:
2009. osz
BMF NIK,
IRE 8/13
Dr. Kuto r László
Tanítást leíró összefüggések a többrétegu hálózatoknál Általánosított delta szabály: (deriválás a lánc szabály alapján) dE/dwkj = dE/dOk * dOk/dSk * dSk/dwkj Súlytényezo változtatás a kimeneti rétegben Wkj(t+1) = Wkj(t) + a ? kOj = ?k Wkj (t) + a *(Tk -Ok)*f(Sk)*(1-f(Sk ))*Oj Súlytényezo változtatás a „rejtett” rétegben ?j M Wji(t) + a *? (?k*Wkj)*f(Sj)*(1-f(Sj ))*Oi k=1
2009. osz
(A levezetés a javasolt olvasmányok között található)
BMF NIK,
Dr. Kuto r László
IRE 8/15
Figyelem, a Word hibája miatt a ? helyett Δ (delta) kellene, hogy legyen!
121. Hogyan jellemezhetjük a hiba visszavezető („Back Prop”) paradigmát? Jellemzői: A processzorok átviteli függvénye a kimeneti rétegben lineáris, a rejtett rétegekben nem lineáris (szigmoid). A hálózat topológiája: több rétegű előrecsatolt hálózat. Tanítási módszer: Hiba visszaterjesztő „Back Error Propagation” algoritmus, melynek lényege, hogy „a hálózat súlytényezőit a hiba létrehozásában játszott szerepükkel arányosan változtatjuk.” Lásd az 120-as kérdést! 122. Mi a Kohonen neurális paradigma? N dimenziós input vektorokat topológiailag rendezve képez le 1 vagy 2 dimenzióra. A processzorok átviteli függvénye: korlátozott lineáris függvény Hálózat topológiája: egy rétegű, teljesen összekötött, előrecsatolt
Kohonen önszervezo hálózata (Teuvo Kohonen, 1982) Processzor:
Sj f
Oj = f (Sj)
1
f (Sj )
1
Sj= ? Ii * wji + társ processzorok aktivációja
Sj
Hálózat topológia: egy rétegu, teljesen összekötött, elorecsatolt
2009. osz
BMF NIK,
IRE 8/24
Dr. Kutor László
Tanító algoritmusa: versengéses, önszerveződő tanítás, ahol a súlytényezőket nemcsak a „győztes” neuronnál, hanem annak környezetében is elvégezzük A Kohonen-hálózat egyidejűleg veszi figyelembe a külső adatokat és a belső kapcsolódásokat. 123. Hogyan mőködik a Kohonen tanító algoritmus?
A Kohonen tanító algoritmus 1.) Kezdeti súlytényezok beállítása Kezdeti környezet beállítása 2.) A bemeneti vektor (tanító minta) j rákapcsolása a bemenetekre 3.) Minden processzor elemnél a bemeno vektor és a súlyvektor egyezésének (távolságának) kiszámítása
A súlytényezo megváltoztatása a Kohonen tanuló algoritmusban Wji (t+1) = Wji (t) + ? Wji (t) Ahol ?Wji (t) = a (Ii –Wji)
)2
dj = ¦ I-W j¦ = ? (Ii-Wji ahol N = a bemeneti vektor elemeinek száma
a (t) = a (0)(1 – t/T), t = az adott tanulási iteráció száma T= a teljes tanulási ciklusok száma
Ii = a bemeneti vektor (I) i-ik elemének értéke W ji = a j –ik processzor elemhez tartozó, az i-ik bemenettol érkezo összeköttetés súlytényezoje
A tanulás során módosított környezet nagysága csökken! Nj (t) = N(0)(1-t/T)
4.) A legkisebb eltérést mutató processzor kiválasztása (pl. j) 5.) A kiválasztott elem (j) környezetében (Nj) a súlytényezok módosítása 6.) A 2., 3., 4., 5.-ik lépés ismétlése amíg a kimenetek nem változnak IRE 8/25 2009. osz BMF NIK, Dr. Kutor László 2009. osz
BMF NIK,
Dr. Kutor László
IRE 8/26
Figyelem, a Word hibája miatt a ? helyett Δ (delta) kellene, hogy legyen! 124. Mikor célszerű neurális hálózatot alkalmazni? - A megoldandó problémával kapcsolatban gazdag adathalmaz áll rendelkezésre - A megoldáshoz szükséges szabályok ismeretlenek - A rendelkezésre álló adathalmaz nem teljes, hibás adatokat is tartalmazhat - Sok összefüggő bemenő adat-, összefüggő kimeneti paraméter áll rendelkezésre 125. Milyen kérdéseket kell eldönteni a neurális hálózatok tervezése során? Processzor szinten: - a processzor átviteli függvénye - a bemenő jelek típusa Hálózat szinten: - a hálózat topológiája - rétegelt struktúránál a rétegek száma - processzorok száma a különböző rétegekben - processzorok típusa a különböző rétegekben Tanítási szinten - tanító algoritmus - tanítási paraméterek (pl.: α, β,….) - a tanítás megállásának feltételei 126. Hogyan lehet összehasonlítani a neurális hálózatok és a szakértöi rendszerek jellemzıit? Neurális hálózatok - szakértői rendszerek Nincs tudás-hozzáférési probléma - nehéz a tudás megszerzése Dinamikus tudásábrázolás - statikus(abb) tudásábrázolás Minta kiegészítő képesség - feltételezzük az adatok (általánosítás = generalizálás) hibátlanságát és ellentmondás mentességét Robusztus - Érzékeny az adatvesztésre (nem érzékeny az adatvesztésre) Interpolálni képes - Nincs intuitív képessége Többet „tudhat” mint ami az adatokból látszik - Legfeljebb olyan jó lehet mint amire felkészítették Nincs magyarázat adás - Részletes magyarázat kérhető Nincs igazoló képessége - A döntéseket viszonylag könnyű igazolni. 127. Mit értünk lágy számítási modell alatt, melyek tipikus formái? A lágy számítási modellek a biológiai információ-feldolgozás példáiból táplálkozó számítógépes információfeldolgozó megoldások (paradigmák) Főbb formái, területei: 1.- Neurális hálózatok, ahol az idegrendszer működése a referencia 2. Genetikus algoritmusok, ami a természetben működő populáció- és relatív jóság alapú kereső módszer számítógépes megoldásával foglalkozik 3. Fuzzy logika, melyben az emberi (homályos) fogalmakkal megfogalmazott szabályokra és az un. tagsági függvényekkel jellemezhető igazságtartalmú változókra épül a számítógépes információ-feldolgozás 128. Mi a Fuzzy logika lényege és alkalmazásának alapfeltevése? - A rendszerek működését és vezérlését meghatározó törvények nyelvi eszközökkel (szavakkal) írja le. - Alapja a Fuzzy halmazelmélet. - Bevezeti a részleges igazságtartalmat. Tagsági függvénnyel értelmezi az átmenetet a 100 százalékban igaz és 100 százalékban hamis között. - A matematika, a számítástudomány és a villamosmérnöki tudományok határterületén helyezkedik el. - A fuzzy értelmezéssel az emberi tudás megjeleníthető a technikában 129. Melyek a Fuzzy logika alkalmazásának ígéretei? - Következetes és szilárd alapot ad a pontatlan és bizonytalan információ feldolgozáshoz. - Interfészt biztosít az emberek által kedvelt nyelvi változók és a számítógépek mennyiségi változói között. - Hidat képezhet az MI szimbólum feldolgozó megközelítése és a neurális hálózatok között.
- A hagyományos modellekkel szemben jelentősen egyszerűbb rendszer leírást tesz lehetővé. 130. Mikor célszerű Fuzzy logikát használni? - Összetett rendszerekben, ahol nehéz, vagy lehetetlen megfelelő rendszermodellt kialakítani - Olyan rendszerekben, melyeket szokásosan emberi szakértő irányít, (emberek adják a bemeneteket vagy a szabályokat) - Olyan rendszerekben melyek folyamatos, vagy közel folyamatos bemenetekkel és nem lineáris kimeneti válaszfüggvényekkel jellemezhetők - Olyan rendszerekben, melyekben a pontatlanság és a homályosság a rendszer gyakori velejárója 131. Mi a tagsági függvény értelmezése (gyakorlati megvalósításai)? Tagsági függvény megadja a változó igazságtartalmát Tagsági (igazság) függvény értelmezése
Gyakorlatban használt tagsági függvények igazság
1.0
Igazság (tagság)
1
Kicsi
közepes
nagy
0.5
sebesség magasság
0.0 100 2009. osz
BMF NIK,
150
200
Dr. Kuto r László
250
sebesség
0
IRE 10/11
Mottó: a lineáris függvényeket sokkal könnyebb megvalósítani, a fuzzy rendszer nem érzékeny a „finomságokra” IRE 10/13 2009. osz BMF NIK, Dr. Kuto r László
132. Hogyan értelmezzük az alapvető logikai függvényeket (és, vagy, komplemens) a Fuzzy logikában? Két fuzzy halmaz AND (metszet) művelete az a halmaz, amely a két argumentum halmaz közös elemeit tartalmazza, minden elemet véve a legkisebb előforduló beletartozási értéken. (MIN) Két fuzzy halmaz OR (unió) művelete az a halmaz, ami minden előforduló elemet tartalmaz a lehető legnagyobb beletartozási értéken véve. (MAX) Egy halmaz negáltján azt a halmazt értjük, mely tartalmazza az összes elemet, de az eredmény halmaz elemeinek tagsági értékeit kivonjuk 1-ből.
Logikai alapmuveletek fuzzy halmazokkal µa Negáció (komplemens) 1- µa
1-µa a
a
µa µb
a b
És (metszet) min (µa, µb ) a és b Vagy (unió) max (µa, µb) a vagy b 2009. osz
BMF NIK,
Dr. Kutor László
IRE 10/15
Az ékezet a Word hibája miatt marad le! 133. Hogyan értelmezzük a szabályt a Fuzzy logikában? A fuzzy szabály egy területként értelmezhető, ami átfogja a fuzzy változók által kijelölt területet
Fuzzy szabályok értelmezése Y B
Ha (feltétel) akkor (következmény) Ha (b) akkor (B)
134. Mi a Fuzzy logikát alkalmazó szabályalapú rendszer blokkvázlata és működése?
Fuzzy logikát alkalmazó szabályalapú rendszer Bemeneti változók
Kimeneti változók
Konkrét - Fuzzy átalakító
Következteto rendszer
Fuzzy - Konkrét átalakító
Bementi tagsági függvények
Fuzzy szabály adatbázis
Kimeneti tagsági függvények
Konkrét (crisp) érték fuzzyvá alakítása = „fuzzyfikálás” Fuzzy változók konkrét értékké alakítása = „ defuzzifikálás” 2009. osz
BMF NIK,
Dr. Kutor László
IRE 10/16
135. Mi a Fuzzy logika alkalmazásának menete? 1. A bemeneti és kimeneti változók és tagsági függvényeinek meghatározása. 2. A Fuzzy szabályok létrehozása. 3. Következtető (válaszkiválasztó) mechanizmus kiválasztása. 4. Szimulátor segítségével a rendszermodell működésének ellenőrzése, „behangolása”. 136. Mi a Mamdani-féle következtetés értelmezése? A következtetés eredményeként keletkező fuzzy halmazt a bemenő adatok fuzzy halmaza és a szabálybázist leíró fuzzy reláció (max-min) kompozíciójaként állítja elő
A Mamdani modell (
Max-min következtetés
igazság
igazság
bemeneti változó
kimeneti változó
Max-szorzat következtetés igazság
igazság
bemeneti változó 2009. osz
BMF NIK,
Dr. Kuto r László
kimeneti változó IRE 10/21
137. Miért van szükség válasz kiválasztó technikákra a Fuzzy logikában? A változók gyakran átfedő tagsági függvényei miatt egyszerre több szabály is aktivizálódik. Technikai rendszerekben az egyértelmű válasz létrehozásához (fuzzy-crisp átalakításhoz) a számos egyidejűleg aktív szabályból létre kell hozni az egyértelmű kimenetet.
138. Mi a maximáló, a „singleton”, a központi valamint a súlyozott átlagoló módszer lényege? A maximáló válaszkiválasztó módszer szerint azt a válasz alkalmazzuk melynek a maximális az igazság értéke. Singleton módszer szerint a tagsági függvényt egyetlen értékkel helyettesítjük A központi módszernél a tagsági függvény középértékét választjuk kimenetnek Súlyozott átlagoló módszer szerint az aktivált szabályok kimeneteinek (tagsági függvényeinek) súlyozott átlagát vesszük ahol a súly = a tagsági függvény területével Válaszkiválasztó technikák 2.
Válaszkiválasztó technikák 1.
Céljuk:: A számos egyidejuleg aktivizált szabály kiértékelésével egy konkrét válasz kiszámítása
Céljuk:: A számos egyidejuleg aktivizált szabály kiértékelésével egy konkrét válasz kiszámítása
3. Központ (centroid) módszer
1. Maximáló módszer: Az aktivizált (egyidejuleg muködo ((„tüzelo”) szabályok kimeno változói közül a legnagyobb hatást adót választjuk
Igazság
Igazság
4. Súlyozott átlagoló módszer: Az aktivált szabályok kimeneteinek (tagsági függvényeinek) súlyozott átlagát vesszük k Súly = a tagsági függvény területe k = (XaSa+XbSb)/2 IRE 10/19 2009. osz BMF NIK, Dr. Kutor László
Igazság
2. „singleton” módszer 2009. osz
BMF NIK,
Dr. Kutor László
IRE 10/18
139. Mi a biológiai inspirációjú informatika, az un. "lágy számítási modellek "kapcsolata?
Lágy számítási modellek kapcsolata a NH
b 1
GA
3
b 2 a FL
b a 1 a.) a neurális hálózat tanítása (súlykeresés), topológia megkeresése b.) az egyed rátermettségének változtatása a tesztelés során 2 a.) Fuzzy változók tagsági függvényeinek meghatározása, Fuzzy szabályok keresése b.) Fuzzy kiértékelo módszerek alkalmazása az egyedek rátermettségének meghatározására 3 a.) a neurális hálózatok adaptív tulajdonságainak bevitele a Fuzzy logikát alkalmazó rendszerekbe. b.) szabályok automatikus feltárása tapasztalati adatokból 2009. osz
BMF NIK,
Dr. Kutor László
IRE 10/25
140. Helyezze el a formalizált tudás dimenziójában a neurális elvű és a Fuzzy logikára épülő modelleket!
A tudás dimenziója
Tapasztalati tudás (Neurális hálózatok)
Képletek szabályok ismerete (Szabály alapú rendszerek)
Tendencia jellegu, hozzávetoleges
141. Melyek az elosztott mesterséges intelligencia rendszerekben megoldandó alapvető problémák? • Hogyan írjuk le, bontsuk fel és rendeljük hozzá a problémákat a feladat megoldására szerveződő külön-külön intelligens alrendszerek között, valamint a részeredményeket hogyan szintetizáljuk? • Hogyan biztosítsuk az alrendszerek kommunikációját és interakcióját? • Milyen nyelvet, protokollt használjanak, és mikor kommunikáljanak? • Hogyan biztosítsuk az alrendszerek koherens viselkedését, és hogyan kerüljük el az esetlegesen káros összeütközéseket? • Hogyan jön létre az alrendszerek működésének ütemezése? • Milyen technikai megoldásokat használjunk az elosztott mesterséges intelligencia rendszerek tervezésére és építésére, optimalizálására? 142. Mit értünk beágyazott „ambiens” intelligens rendszer alatt? A beágyazott ambiens rendszerek: • A befogadó fizikai/kémiai/biológiai környezetükkel intenzív, valós idejű információs kapcsolatban álló, • Autonóm működésű, • Szolgáltatás-biztos (dependable), • “láthatatlan” számítógépes rendszerek, melyek • Lokálisan (általában) korlátozott, • globálisan (általában) bőséges erőforrásokkal (idő, adat, tápellátás, memória, ...) rendelkeznek. 143. Jellemezze és hasonlítsa össze a hagyományos és az elosztott mesterséges intelligencia (EMI) megközelítéseket! A hagyományos rendszerek rendszerint egy problémát egy programrendszerrel oldottak meg, Az elosztott rendszerekben a problémát több egymással együttműködő, illetve versengő alrendszer párhuzamosan oldja meg. A párhuzamos rendszerek jelentősen hatékonyabb megoldásokat kínálhatnaqk azonban alkalmazásukhoz számos problémát kell megoldani, amelyek például a következők: • Hogyan írjuk le, bontsuk fel és rendeljük hozzá a problémákat a feladat megoldására szerveződő különkülön intelligens alrendszerek között, valamint a részeredményeket hogyan szintetizáljuk? • Hogyan biztosítsuk az alrendszerek kommunikációját és interakcióját? • Milyen nyelvet protokollt használjanak és mikor kommunikáljanak? • Hogyan biztosítsuk az alrendszerek koherens viselkedését, és hogyan kerüljük el az esetlegesen káros összeütközéseket? • Hogyan jön létre az alrendszerek működésének ütemezése? • Milyen technikai megoldásokat használjunk az elosztott mesterséges intelligencia rendszerek tervezésére és építésére, optimalizálására? Tipikus elosztott rendszer példák a Holland-féle osztályozó rendszer, a tábla paradigma, valamint az elosztott ambiens rendszerek. 144. Jellemezze a Holland féle osztályozó (Classifier) rendszer főbb részeit és működését! A Holland féle osztályozó rendszer egy hierachikus szabály alapú párhuzamos problémamegoldó rendszer. Magja az un. osztályozó rendszer ami több részből áll: 1. A bemeneti interfész a környezet aktuális állapotát szabványos üzenetté alakítja át. 2. Az osztályozók tárolója: a rendszer információ feldolgozó eljárásait leíró szabályokat tartalmazza. 3. Az üzenet lista: egyrészt a bemeneti interfésztől, másrészt az aktivizált és engedélyezett szabályoktól érkező üzeneteket tartalmazza.
4. Kimeneti interfész: átalakítja az üzenetek egy részét olyan rendszer-válaszokká, melyek módosítják a környezet állapotát. Az osztályozó mag működését egy inkrementális súlyozó-tanító rendszer a működés során lépésről-lépésre változtatja, javítja. A rendszerben új szabályok keresését a genetikus algoritmus alkalmazása biztosítja. Erre azért van lehetőség, mivel a szabályok felfoghatók egy egységes leírású elemekből álló populációnak, melyben az egyedi szabályok sikerességi mutatóval is rendelkeznek. 145. Mi a "Bucket Brigade" algoritmus célja és mőködése? A Bucket Brigade nevű alhgoritmus a Holland-féle osztályozó rendszer tanuló algoritmusa, ami elosztott, inkrementális tanulást biztosít. Feladata a működésben részt vevő szabályok sikerességi mutatójának lépésrőlépésre való módosítása. Az osztályozó (szabály) felépítése: Ha (feltétel) akkor (következmény, hatás vagy üzenet) , sikeresség(s(t)) A szabály aktivizálásában szerepet játszó tényezők: R(c) = feltétel megfelelés (Relevance), S(c,t)= korábbi sikeresség (strength) A szabályok az aktivizálásukért versenyeznek. A verseny a felajánlás (Bid) alapján dől el B(c) B(c,t)=k*R(c)*S(c,t) A győztes a felajánlást átadja annak a szabálynak, ahonnan az üzenet kapta. 146. Melyek a Holland féle osztályozó rendszer főbb jellemzői? - Párhuzamos rendszer. - Üzenet-továbbításos rendszer. - Szabály alapú tudásábrázolás. - Adaptív, a tanulás az un. Bucket Brigade algoritmusra épül. - Folyamatos szabálykereső mechanizmussal rendelkezik, mely a genetikus algoritmusokra épül. 147. Mi a tábla- (blackboard) paradigma lényege, melyek főbb komponensei? A tábla paradigma egy elosztott párhuzamos probmlémamegoldó paradigma. Főbb elemei: A tábla (Blackboard) paradigma Newel (1963), Simon (1975) Elosztott inkrementális problémamegoldó rendszer Tábla Szakértok (tudásforrások)
2009. osz
Ütemezo
BMF NIK,
Dr. Kuto r László
IRE 11/9
1. Szakértők, tudásforrások, melyek jellemzői: független alrendszerek, melyek belső tudásábrázolása és következtető mechanizmusa rejtett, 2. Tábla, melyen keresztül minden kommunikáció lebonyolódhat. Úgy felfogható mint egy kommunikációs interfész, egy általánosan hozzáférhető adatbázis (kollektív emlékezet), valamint egy átmeneti tároló és trigger mechanizmus 3. Ütemező, ami mint felügyelı és ütemezı és irányítja a problémamegoldás menetét figyelembe véve az egyes tudás források közremőködéséből eredő várható hasznot, és nyomon követi a problémamegoldás menetét 148. Melyek a tábla- (blackboard) paradigma fontosabb jellemzıi? - Inkrementális problémamegoldás - A tudás források (szakértők) függetlensége, moduláris rendszer. Újabb szakértők adhatók a rendszerhez a korábbiak módosítása nélkül. A gyengén szereplő szakértők munkája javítható, vagy eltávolíthatók a rendszerből.
- Különböző probléma-megoldó technikák egyidejűleg alkalmazhatók. Minden szakértő fekete doboznak tekinthető, csak a kommunikációs nyelvük közös - Flexibilis tudásábrázolás - Nincsenek korlátozások, hogy milyen információk kerülhetnek a táblára - Közös az interakciós nyelv, melynek szintakszisa és a szemantikája előre meghatározott - Eseményalapú aktiváció, célvezérelt aktivitás. Minden szakértő keresi a lehetőséget, hogy közreműködjön a feladat megoldásában - A vezérlés szükségessége: ki írhat a táblára, és mi a közreműködés ára. 149. Melyek a képfeldolgozás területei, megoldandó feladatai és jellemzői? - Alapvető képfeldolgozás (kép-kép leképzés): digitális kép létrehozása, a leképezési hibák kijavítása, jellemző tulajdonságok kiemelése - Alakfelismerés (jellemzők meghatározása, azonosítása): a képet jellemző sajátságok felismerése a kép a képen előforduló alakzatok azonosítása - Képfelismerés (leírás, értelmezés, azonosítás): a képen rögzített objektumok felismerése adatbázis alapján 150. Melyek a nyelvtechnológia területei, megoldandó feladatai és jellemzői?
A nyevtechnológia területei 1. Beszéd eloállítás
kötött-szavas kötetlen szótáras (Text To Speech)
Tárolt mintákból építkezo Szintetizált beszéd
1 3
2 4
2. Beszéd felismerés
Személyfüggo Személyfüggetlen Izolált szavakat felismero: 1 2 Folyamatos beszédet felismero: 3 4 A számozás a nehézségi fokozatokat jelzi
3. Gépi fordítás 2009. osz
BMF NIK,
Dr. Kuto r László
IRE 11/12
151. Melyek a robotok típusai, generációi, jellemzői és megoldásra váró problémái? Első generáció: kizárólag vezérléssel működtethetők, a környezet változásait nem érzékelik. Második generáció: környezetüket szenzorokkal vizsgálják, az így szerzett és a saját működésükről nyert információk alapján a számítógép bármikor képes módosítani a robot mozgását, például kikerüli a váratlanul útjába került akadályokat. Feladataikat magas szintű programnyelven határozzák meg. Harmadik generáció: alkalmazkodnak a környezet változásaihoz, alakokat és helyzeteket ismernek fel, hanggal is vezérelhetők, esetenként hanggal tudnak válaszolni, önálló döntéseket hoznak, bonyolult feladatokat oldanak meg, tanuló mechanizmusokkal is rendelkeznek. 152. Mi az inkrementális-, alulról építkező robotépítés célja, elvárásai és javasolt módja? Cél: Olyan autonóm és intelligensnek tekinthető lény létrehozása, amely az emberekkel együtt létezik (él?). Elvárások az autonóm és intelligens viselkedő lényekkel szemben: - Megfelelően és időben reagáljon a dinamikusan változó környezeti hatásokra. - Robusztus legyen: a környezet kisebb nagyobb változása ne okozhassa a viselkedés összezavarodását. - Célokkal kell rendelkeznie. „szerepe van a földön” A megvalósítás javasolt módja: (Brooks szerint) - Inkrementális építkezés - Minden egyes részfunkció megvalósításánál biztosítjuk a rendszer teljes működését - Minden alrendszer önálló érzékelő és vonatkozó képességgel rendelkezzen - Az alrendszerek üzenetekkel tartják egymással a kapcsolatot, egymást serkentik vagy gátolják. 153. Jellemezze a Brooks féle magába foglaló architektúrát, rajzolja le a tipikus alrendszer sémáját! - A részfunkciók önálló megvalósítása, az alrendszereknek nincs szüksége a felettük levı rendszerek kontrolljára
- Minden rétegnek önálló szerepe van - Az összetett rendszer építése inkrementálisan, lépésrıl lépésre történik, a magasabb rétegek építik az alacsonyabb rétegeket - A céloknak nincs központi reprezentációja, amelyek közül valamilyen központi eljárás választana. Minden alrendszer végzi a feladatát - Az alrendszerek tesztelése mindig a valóságos helyzetben történik. Így elkerülhetı, hogy csak leegyszerősített un.játék problémákkal foglalkozzon - A rétegek az elnyomás és a tiltás-gátló mechanizmusokon keresztül működnek együtt
A magába foglaló architektúra vázlata és jellemzoi gátlás gátlás
Érzékelo
idozítés
Érzékelo Véges állapotú alrendszer
A véges állapotú alrendszer részei: regiszterek (üzenetek fogadására, belso állapotok tárolására) véges állapotú gép egyszeru információ feldolgozó kapacitással belso idozítok Az alrendszerek jellemzoi: rögzített hosszúságú üzeneteket fogad és küld aszinkron
2009. osz
BMF NIK,
IRE 11/27
Dr. Kuto r László
154. Mi az ágens paradigma értelmezése, melyek a tipikus ágens feladatok, és alkalmazások? Az ágens paradigma a feladatmegoldás egy új megközelítése. Az objektum orientált paradigmához képest itt az egységek még több mindent foglalnak magukban. Az ágensek esemény vagy célvezérelt autonóm programok, amelyek valaki érdekében cselekszenek. Szokás őket „soft botok”-nak is nevezni. Tipikus ágens feladatok: - A bejövő információk szűrése, megválaszolása - Döntéstámogatás és szakértői (különböző adatbázisok alapján) - Ismétlődő feladatok elvégzése (pl: rendszergazdai munkák, bevásárló ágensek, kereskedő ágensek, interfész ágensek) - Titkári feladatok (programszervezés)
Ágensek részei, kapcsolatos problémák
Ágensek tulajdonságai 2009. osz
beágyazottság reaktivitás tudás helyzetfüggoség autonómia kezdeményezo képesség célvezérelt viselkedés tanuló képesség, adaptivitás idobeni állandóság kommunikációs képesség BMF NIK,
Antropomorf tulajdonságok (mentális állapotok): ? ? ? ? ? ? ? ?
Dr. Kuto r László
racionalitás szándék megbízhatóság igazmondás vélekedés elkötelezettség érzelmek személyiség IRE 11/30
Célok illetve a felhasználói igények tárolása A feladat végrehajtásához szükséges ismeretek tárolása, kezelése A cél eléréséhez szükséges eroforrások elérhetoségének leírása Költség és idohatárok Megoldandó problémák Platform-független nyelv (JAVA, Applescript, TeleScript) számlázás (adók) információ védelem információforrás megkeresése kommunikáció felelosség 2009. osz
BMF NIK,
Dr. Kuto r László
IRE 11/31
