Fachrat Informatik - Forum

Kommen dran.
Ich habe die Klausur zweimal mitgeschrieben und denke, dass ihr irgendein einfaches, ggf. genau so in der Übung behandeltes, Prädikat definieren müsst (append, reverse, etc.). Vielleicht kommen auch zwei Aufgaben dran, ist auf jedenfall ein wichtiger Teil der Klausur.

Gruß
Wolfram T.

Quoted

Original von dimi
hi
hab gehört, dass bei Künstliche Intelligenz I Klausur gar keine Prolog aufgaben drankommen. Stimmt das?

nein, Herr Brase hat letztes Mal angekündigt, dass 1/5 der Aufgaben PROLOG sein werden, d.h. 2 Aufgaben schätze ich mal.
Und wie Herr Brase auch gesagt hat, mann sollte die eine oder andere theoretische PROLOG-Frage beantworten können, also nicht nur programmieren kommt dran.
Die letzten Übungen sind allerding nicht klausurrelevant.
(meine Meinung nach so ab der 7. oder 8. Übung).
Letztes Jahr war PROLOG auch drin, weiß aber nicht wie viele Aufgaben, vermütlich auch 2.
Und wenn ich das richtig verstanden habe, wird in den nächsten Übungen eine Probeklausur vorgerechnet, also zur Übung zu gehen würde sich lohnen

Meine Erinnerung sagt mir zu den Klausuren noch folgendes:

Erste Aufgabe war beidesmal, einen ugs. Text formal mit Hilfe der Prädikatenlogik darzustellen und ich glaube in KNF zu bringen.
Bei mir war es z.B.: "Alle Norweger heissen Knöt, ausser denen, die Wolfström heissen". Die Namen sind von mir, der Rest vom Herrn Brase.

Eine Aufgabe (für die es die meisten Punkte gibt, nämlich 6) behandelt neuronale Netze. Es sollte ein Entscheidungsbaum mit quasi-äquivalenter Funktion gemalt werden.

Eine dritte Aufgabe bittet euch, doch netterweise einen Weg von S zu G zu "berechnen", einmal mit einem banalen Verfahren (Felder zählen zum Ziel oder so) und einmal per Manhattan Distanz.

Dann gab es, wie hier schon richtig bemerkt, auch Wissensfragen, werfe hier mal wahllos wenige Worte ein, die mir dazu einfallen: modens ponens, Negation in Prolog, irgendein Vergleich der Mächtigkeit von verschiedenen "Sprachen"... ich weiss es nicht mehr Irgendwie so etwas war da. Da kommt der Herr Unpräzise wieder zum Vorschein.

Dürften so 7 Aufgaben sein, wenn er 90 Minuten macht, die erste von mir geschriebene Klausur hat er bei 10 Aufgaben spontan auf 120 Minuten gedehnt (Schönen Gruß an Andi B. fällt mir dabei ein ).

Gruß
Wolfström Twelker

Ich komplettiere das mal:

Quoted

Original von Informatik Minister
Eine dritte Aufgabe bittet euch, doch netterweise einen Weg von S zu G zu "berechnen", einmal mit einem banalen Verfahren (Felder zählen zum Ziel oder so) und einmal per Manhattan Distanz.

Das ganze findet in einem n*m-Raster statt (so ca. 15*15 denke ich), in dem einige Felder Hindernisse sind, also nicht besucht werden können. Nun gilt es also Breiten- oder Tiefensuche bzw. eine Variante davon anzuwenden. Ist ist Grunde wie in der Übungsklausur.

Quoted

Dann gab es, wie hier schon richtig bemerkt, auch Wissensfragen, werfe hier mal wahllos wenige Worte ein, die mir dazu einfallen: modens ponens, Negation in Prolog, irgendein Vergleich der Mächtigkeit von verschiedenen "Sprachen"...

Bei letzerem ging es um RDF. Gefragt war nach einem Vergleich der Aussagekraft von RDF und der Prädikatenlogik.


Zudem fallen mir jetzt noch Wissensaufgaben zu Laufzeit und Platzbedarf der Suchalgorithmen ein.

Quoted

Original von Informatik Minister
Es sollte ein Entscheidungsbaum mit quasi-äquivalenter Funktion gemalt werden.

Entscheidungsbaum mit quasi-äquivalenter Funktion
das sagt mir irgendwie gar nicht
Könntest Du bzw. könnte jamand noch was dazu sagen, hab weder im Skript noch in meinem 60-Euronen-Teuren-Buch was dazu gefunden.
Das wäre sehr hilfreich
und daanke für die Klausur-Infos, und wenn Ihr Euch noch an etwas erinnert, dann immer schnell her damit

Quoted

Original von Sinan

Quoted

Original von Informatik Minister
Es sollte ein Entscheidungsbaum mit quasi-äquivalenter Funktion gemalt werden.

Entscheidungsbaum mit quasi-äquivalenter Funktion
das sagt mir irgendwie gar nicht

"quasi-äquivalent" ist ja auch kein Fachausdruck, sondern selber ausgedacht.

In der Aufgabe ging es um folgendes:

Gegeben war ein neuronales Netz in Form einer Funktion in drei Variablen mit Werten in {0, 1}, die eine Ja/Nein-Entscheidung liefert (also Wertebereich der Funktion auch {0, 1}). Daraus sollte man nun einen Entscheidungsbaum konstruieren, der genau dasselbe wie das neuronale Netz leistet. Also eigentlich eine völlig banale Aufgabe: Wertetabelle machen, Baum zeichnen.

Quoted

Original von Joachim
"quasi-äquivalent" ist ja auch kein Fachausdruck, sondern selber ausgedacht.

hehe , da bin ich mal sehr erleichtert, Danke, merci, muchos gracias
Nun hab ich aber eine andere Frage:
Wenn man eine Variable Y in einem Bleif-Networt betrachtet, dann ändern sich die Wahrscheinlichkeiten der Vorfahren und der Nachkommen von Y.
so steht's ja im Skript:

Quoted

If you observe variable Y, the variables whose posterior probability is
different from their prior are:
The ancestors of Y and
their descendants

Meine Frage ist, ob damit nur die DIREKTEN oder ALLE Vorfahren und Nachkommen gemeint sind.

egentlich hab ich noch eine, und zwar, hängt P(N) nur von I ab, oder von I,B und C? (bezogen auf das Beispiel im Skript).

Quoted

Original von Sinan
Wenn man eine Variable Y in einem Bleif-Networt betrachtet, dann ändern sich die Wahrscheinlichkeiten der Vorfahren und der Nachkommen von Y.
so steht's ja im Skript:

Quoted

If you observe variable Y, the variables whose posterior probability is
different from their prior are:
The ancestors of Y and
their descendants

Meine Frage ist, ob damit nur die DIREKTEN oder ALLE Vorfahren und Nachkommen gemeint sind.

Ich meine mich daran zu erinnern, daß alle gemeint sind, würde aber nicht drauf wetten. Das Thema Belief Networks kam in der Vorlesung (die ich damals gehört habe) leider ganz und gar nicht rüber. Und die obskuren Folien von einer anderen Uni halfen auch nicht weiter ...

Habe dann lieber selber mal im Netz recherchiert.

Quoted

egentlich hab ich noch eine, und zwar, hängt P(N) nur von I ab, oder von I,B und C? (bezogen auf das Beispiel im Skript).

Das Prinzip von Belief Networks ist eigentlich total einfach: Man ordnet jedem Knoten (für jede Statuskombination der direkten Vorgänger) Wahrscheinlichkeiten dafür zu, daß sie selber den Status "wahr" oder "falsch" annehmen. Beobachtet man nun einen (oder mehrere) Werte, so lassen sich daraus mit der Bayeschen Formel und einigen Berechnungen Wahrscheinlichkeiten dafür ausrechnen, daß die anderen Knoten einen bestimmten Status haben.


EDIT: Hab nochmal drüber nachgedacht. In Belief Networks sind nur Knoten, die keine gemeinsamen Vorfahren haben, in jedem Fall unabhängig. Daher ist meine Aussage von oben richtig.

Quoted

Original von Joachim
EDIT: Hab nochmal drüber nachgedacht. In Belief Networks sind nur Knoten, die keine gemeinsamen Vorfahren haben, in jedem Fall unabhängig. Daher ist meine Aussage von oben richtig.

versteh ich das jetzt richtig?
wenn man z.B. P betrachtet, dann können nicht nur E,F und L ihren Wert verändern, sondern auch K,Q,R und S, da diese E als gemeinsamen Vorfahren mit P haben.

Quoted

Also eigentlich eine völlig banale Aufgabe: Wertetabelle machen, Baum zeichnen.

jep, banaler gibt's nicht.
nach 2 Stunden Suche im Web nach einem Beispeil, fiel mir ein, dass so etwas wie weiterführende Materialien auf der KI-Seite gibt.
Der Link funktioniert irgendwie nicht, allerdings ist das Beispeil so zu finden:
Kapitel 6 Machinelles Lernen --> weiterführende Materialien --> Folien aus Russel --> Seite 16.

Quoted

Original von Sinan

Quoted

Original von Joachim
EDIT: Hab nochmal drüber nachgedacht. In Belief Networks sind nur Knoten, die keine gemeinsamen Vorfahren haben, in jedem Fall unabhängig. Daher ist meine Aussage von oben richtig.

versteh ich das jetzt richtig?
wenn man z.B. P betrachtet, dann können nicht nur E,F und L ihren Wert verändern, sondern auch K,Q,R und S, da diese E als gemeinsamen Vorfahren mit P haben.

Genau.

Ich erkläre nochmal das Prinzip von Belief Networks:

Jeder Knoten im Netzwerk stellt ein Ereignis dar (im stochastischen Sinne). Den Ereignissen, die keine Vorgänger haben, wird eine Eintrittswahrscheinlichkeit zugeordnet. Den Ereignissen, die Vorgängerereignisse haben, werden auch Eintrittswahrscheinlichkeiten zugeordnet, jedoch bedingt unter den direkten Vorgängerereignissen. Im Beispiel würde man für den Knoten L die Wahrscheinlichkeiten P(L | E \cap F), P(L | E \cap \lnot F), P(L | \lnot E \cap F) und P(L | \lnot E \cap \lnot F) festlegen.

Nun hat man ein Netzwerk und kann (mit einigem Aufwand, aber im Grunde nur mit der Bayeschen Formel und dem Satz von der totalen Wahrscheinlichkeit) für jedes Ereignis seine Eintrittswahrscheinlichkeit berechnen (und das unter jeder beliebigen Bedingung). Also im Beispiel etwa P(R | B \cap J \cap \lnot N) oder P(M | F).

Im nächsten Schritt macht man Beobachtungen: man stellt fest, daß bestimmte Ereignisse (oder ihre Gegenereignisse) eingetreten sind. Auf der Basis dieser Beobachtungen lassen sich nun die Wahrscheinlichkeiten für das Eintreten der anderen Ereignisse ausrechnen (genau wie oben beschrieben). Beobachtet man beispielsweise die Ereignisse H und \lnot J und möchte die Eintrittswahrscheinlichkeit des Ereignisses Q bestimmen, so ist diese P(Q | H \cap \lnot J).

Es "ändern" sich also nicht die Wahrscheinlichkeiten im Netzwerk, man verwendet nur andere Bedingungen.

Ich habe mal kurz die "Fragen" zum Thema "Suchen" durchgearbeitet. Wenn jemand sich näher damit beschäftigt hat, würde ich mich über Hinweise auf Fehler freuen...

* Was ist Iterative Tiefensuche?
Limitierte Tiefensuche, die für verschiedene Tiefen durchlaufen wird.
Tiefensuche die zunächst bis zur Tiefe von 1 sucht, dann bis zur Tiefe von 2, dann bis zur Tiefe von 3 usw.

* Wie groß ist der Speicherplatz der iterativen Suche bei einem binären Baum?
b*d

* Was ist A*?
Eine informierte Suchstrategie

* Nennen Sie die Eigenschaften von A*
f(n)=g(n)+h(n)
Kombination aus uniformer Kostensuche und Heuristik

* Wie gut oder wie schlecht ist A*?
ziemlich gut, vollständig und optimal wenn h nicht überschätzt

* Was passiert beim Überschätzen von h in A*?
A* ist nicht mehr vollständig und optimal

* Was ist eine zulässige Heuristik?
h überschätzt nicht die Kosten zum Ziel

* Wie groß ist der Speicherbedarf in A* im worst-case?
???

* Kann ich bei A* in endlosen Schleifen laufen?
???

* Wird immer die beste Lösung mit A* gefunden?
nein, wegen Überschätzen in h

* Ist A* immer optimal?
nein, wegen Überschätzen in h

* Ist der Speicherbedarf bei A* im schlimmsten Fall mit dem der Tiefen- oder Breitensuche vergleichbar?
ja, ist ähnlich der Tiefensuche

* Vergleichen Sie Breiten- und Tiefensuche.
Breitensuche ist vollständig und optimal, benötigt aber viel Speicher
Tiefensuche ist weder vollständig (bei Limitierung) noch optimal, benötigt aber weniger Speicher

* Nennen Sie Beispiele für uniformierte Suchalgorithmen
Breiten- und Tiefensuche

* Was der Vorteil der Tiefensuche?
Speicherbedarf

* Was ist Simulated annealing?
Informierte Suche, kann aus lokalen Maxima entkommen da auch ungünstige Wege verfolgt werden

* Was ist Greedy-search?
Einfache, informierte Suchestrategie, benutzt h(n)

wurde in der letzten vorlesung/übung nochmal erwähnt welche themen nun klausurrelevant sind? ich kann mich erinnern das prof nejdl zwischendurch auch schonmal ein nicht-klausurrelevantes thema besprochen hat...

Herr Brase hat eine zweite Probeklausur vorgerechnet und sagte, dass die Klausur eher der zweiten Probleklauser ähnlich sein wird.
n bisschen mehr Theorie. als praktische Aufgaben kommen in Frage:
Prolog
einen umgangsprachlichen Satz in Prädikatenlogik schreiben.
einen Satz in CNF umwandeln.

Hallo,
da ist eine Frage im Skript und zwar ob es eine Entsprechnung zum Existenzquantor in PROLOG gibt?
kennt jemand die Antwort?

alle variablen in PROLOG sind allquantifiziert, daher würde ich sagen, dass es das nicht gibt.

PROLOG kann keinen Existenzquantor!

hm kann man nich einfach das dementsprechen dann von existenz- zu all-quantor umformen?

sprich

exists x: F -> not forall x: not F ?

PROLOG kennt negation nur durch scheitern...

Hast Recht..
Wenn man ein "not" will, kann man sich nur mit

helfen