brmiversity: Um lá inteligence a teoretická informatika

Podobné dokumenty
brmiversity: Um lá inteligence a teoretická informatika

brmiversity: Um lá inteligence a teoretická informatika

brmiversity: Um lá inteligence a teoretická informatika

brmiversity: Um lá inteligence a teoretická informatika

P íklad 1 (Náhodná veli ina)

brmiversity: Um lá inteligence a teoretická informatika

Soft Computing (SFC) 2014/2015 Demonstrace u ení sít RCE, Java aplikace

1. (18 bod ) Náhodná veli ina X je po et rub p i 400 nezávislých hodech mincí. a) Pomocí ƒeby²evovy nerovnosti odhadn te pravd podobnost

e²ení systém lineárních rovnic pomocí s ítací, dosazovací a srovnávací metody

Pravd podobnost a statistika - cvi ení. Simona Domesová místnost: RA310 (budova CPIT) web:

Vektor náhodných veli in - práce s více prom nnými

brmiversity: Um lá inteligence a teoretická informatika

Vektory. Vektorové veli iny

Text m ºe být postupn upravován a dopl ován. Datum poslední úpravy najdete u odkazu na staºení souboru. Veronika Sobotíková

Domácí úkol 2. Obecné pokyny. Dbejte na formáln správný zápis výpo tu! Pro vy íslení výsledku pro binomické rozd lení pouºijte nap. Maple nebo Matlab.

nazvu obecnou PDR pro neznámou funkci

na za átku se denuje náhodná veli ina

Trénování sítě pomocí učení s učitelem

Skalární sou in. Úvod. Denice skalárního sou inu

Derivování sloºené funkce

Státnice - Rekurzivní a rekurzivn spo etné mnoºiny

Semestrální práce z p edm tu URM (zadání), 2014/2015:

Algoritmizace a programování

P íklady k prvnímu testu - Pravd podobnost

Seminá e. Ing. Michal Valenta PhD. Databázové systémy BI-DBS ZS 2010/11, sem. 1-13

Algoritmizace a programování

Integrování jako opak derivování

Reálná ísla a posloupnosti Jan Malý

Obsah. Úvodem 9 Komu je kniha určena 9 Forma výkladu 9 Konkrétní postup výuky 10 Příklady ke knize 11

Pr b h funkce I. Obsah. Maxima a minima funkce

Geometrické plány (1)

10 je 0,1; nebo taky, že 256

Jméno: P íjmení: Datum: 17. ledna 2018 Nechci zápo et p i hodnocení niº²ím neº (nezávazné): vadí mi vystavení mého hodnocení na internetu.

brmiversity: Um lá inteligence a teoretická informatika

Neuronová síť. x 2 x 3. σ j. x 4. x 5. Menu: QCExpert Prediktivní metody

Katedra obecné elektrotechniky Fakulta elektrotechniky a informatiky, VŠB - TU Ostrava 16. ZÁKLADY LOGICKÉHO ŘÍZENÍ

T i hlavní v ty pravd podobnosti

Modelování v elektrotechnice

VYUŽITÍ NEURONOVÝCH SÍTÍ PROSTŘEDÍ MATLAB K PREDIKCI HODNOT NÁKLADŮ PRO ELEKTRICKÉ OBLOUKOVÉ PECE

Základní praktikum laserové techniky

TIP: Pro vložení konce stránky můžete použít klávesovou zkratku CTRL + Enter.

Binární operace. Úvod. Pomocný text

Magnetic Levitation Control

5. Aplikace diferenciálního a integrálního po tu v jedné dimenzi ZS 2017/18 1 / 32

2C Tisk-ePROJEKTY

Obsah. Pouºité zna ení 1

Marketing. Modul 5 Marketingový plán

KUPNÍ SMLOUVA uzavřená podle 588 a násl. občanského zákoníku

Směrnice pro přijímání a vyřizování žádostí o poskytnutí informací podle zákona č. 106/1999 Sb. o svobodném přístupu k informacím

Pokusné ověřování Hodina pohybu navíc. Často kladené otázky

Pračka EVOGT 14064D3. Návod k použití

Cvi ení 7. Docházka a testík - 15 min. Distfun 10 min. Úloha 1

Rovnice a nerovnice. Posloupnosti.

NÁHRADA ŠKODY Rozdíly mezi odpov dnostmi TYPY ODPOV DNOSTI zam stnavatele 1) Obecná 2) OZŠ vzniklou p i odvracení škody 3) OZŠ na odložených v cech

Statistika pro geografy. Rozd lení etností DEPARTMENT OF GEOGRAPHY

STUDNY a jejich právní náležitosti.

Um lá inteligence II

2. Ur íme sudost/lichost funkce a pr se íky s osami. 6. Na záv r na rtneme graf vy²et ované funkce. 8x. x 2 +4

1.7. Mechanické kmitání

1.2.7 Druhá odmocnina

Kuželosečky a kvadriky ve škole i kolem

Zákon o elektronickém podpisu

Uživatelská dokumentace

účetních informací státu při přenosu účetního záznamu,

-1- N á v r h ČÁST PRVNÍ OBECNÁ USTANOVENÍ. 1 Předmět úpravy

Typy umělých neuronových sítí

Seznámení žáků s pojmem makra, možnosti využití, praktické vytvoření makra.

Teorie her. Klasikace. Pomocný text

ROZCVIČKY. (v nižší verzi může být posunuta grafika a špatně funkční některé odkazy).

NÁZEV/TÉMA: Období dospělosti

Konceptuální modelování

Finanční úřad pro Liberecký kraj 1. máje 97, Liberec

TROJÚHELNÍK. JAN MALÝ UK v Praze a UJEP v Ústí n. L. sin α = b a.

Uložené procedury Úvod ulehčit správu zabezpečení rychleji

1. Spo t te limity (m ºete pouºívat l'hospitalovo pravidlo) x cotg x 1. c) lim. g) lim e x 1. cos(x) =

KRAJSKÝ ÚŘAD JIHOMORAVSKÉHO KRAJE Odbor dopravy Žerotínovo náměstí 3/5, Brno

Regrese a nelineární regrese

Jevy, nezávislost, Bayesova v ta

2 Trochu teorie. Tab. 1: Tabulka pˇrepravních nákladů

Sazba zdrojových kód. Jakub Kadl ík

Připomínky veřejné ochránkyně práv

Cesta kolem světa za 80 dní. Cesta kolem světa pro 2-6 hráčů od 10 let od Michaela Rienecka, Kosmos 2004

Aktuality a trendy v převodních cenách 17. června 2014

brmiversity: Um lá inteligence a teoretická informatika

( x ) 2 ( ) Další úlohy s kvadratickými funkcemi. Předpoklady: 2501, 2502

ALLEX FX Programovatelný logický automat. Katalogový list. říjen Programovatelné logické automaty

FAKULTNÍ NEMOCNICE KRÁLOVSKÉ VINOHRADY. Šrobárova 1150/50, Praha 10, IČ:

Matematické metody rozhodování

Limity funkcí v nevlastních bodech. Obsah

R O Z S U D E K J M É N E M R E P U B L I K Y

Orientační průvodce mateřstvím a rodičovstvím v zadávacích dokumentacích poskytovatele

Miroslav Čepek

Žádost o finanční podporu (neinvestiční dotaci) ze Sociálního fondu Zlínského kraje na podporu sociálně zdravotních aktivit pro rok 2014

Operace nad celými tabulkami

Objektově orientované databáze

Co je L Y X? Vlastnosti a nástroje Instalace Zdroje. Adam Farnik. V B - TU Ostrava. Elektronické publikování, 2008

na tyč působit moment síly M, určený ze vztahu (9). Periodu kmitu T tohoto kyvadla lze určit ze vztahu:

Nastavení vestav ného p evodníku Ethernet -> sériová linka ES01

FINANČNÍ MODELY. Koncepty, metody, aplikace. Zdeněk Zmeškal, Dana Dluhošová, Tomáš Tichý

Zadání. Založení projektu

Transkript:

brmiversity: Um lá inteligence a teoretická informatika P edná²ka. 8 brmlab 2011

Outline 1 Adaptivní agenti 2 Neuronové sít 3 Vy íslitelnost

Metody pro ízení agent Animat: Sensory um lá mysl efektory Action selection problem

Metody pro ízení agent Animat: Sensory um lá mysl efektory Action selection problem Reaktivní if-then pravidla Kone né stavové automaty Free-ow architektura Neuronové sít (p í²t ) SOAR (pozd ji)

Reaktivní plánování Reaktivní plánování vybírá pouze p ímo následující akci na základ aktuálního kontextu

Reaktivní plánování Reaktivní plánování vybírá pouze p ímo následující akci na základ aktuálního kontextu If-then pravidla: If p then A, prioritizovaná (produk ní pravidla) A m ºe být akce nebo sekvence akcí s pam tí (reexy) Rychlá evaluace: RETE a lazy vyhodnocování (pozd ji) # When starts : not at home && be in picking state if see_obstacle then change_direction if basketful_of_m. and picking then stop_picking if see_mush. and picking then pick_up_the_mush. if midday and picking then stop_picking if home then END if picking then move_random if not_picking then move_home (Brooks, 1986; Wooldridge, 2002)

Simple Hierarchical Reactive Planning Dekomopzice? SHRP! Hierarchické reaktivní plánování: A m ºe být sada dal²ích if podcíle, ifový strom s implicitním and po cest Modelový cyklus: Appetitive Taxis Consumatory Clean Jak vybírat top-level cíle? Jízdní ád, pudy, dlouhodobé plány Subsump ní architektura

Parallel-rooted Ordered Slip-stack Hierarchy POSH: Hierarchická if-then pravidla s pudy (drives), postupy (competencies) a skripty (action patterns) Drive: Základní reaktivní patterny okamºit spou²t jící reakce Competency: Reaktivní plány postupn spou²t jící reakce Action pattern: Slepá posloupnost akcí (Bryson, 2002) ( RDC LIFE ( GOAL ( fail )) ( DRIVES (( grooming ( TRIGGER (( want -to - groom ))) groom -comp )) (( receive - grooming ( TRIGGER (( being - groomed ))) tolerate - grooming )) (( exploring ( TRIGGER ()) explore -comp ))) ( C groom - comp ( GOAL ( fail )) ( ELEMENTS (( groom -gp ( TRIGGER (( partner - chosen ) (aligned -w - target ))) groom -note )) ((new -partner -gp ( TRIGGER (( being - groomed ))) choose -groomer -as - partner )) (( align -w -gp ( TRIGGER (( partner - chosen ) (touching - target ))) engage )) (( touch -gp ( TRIGGER (( partner - chosen ))) approach )) (( choose -gp ( TRIGGER ()) choose -grooming - partner )))) ( C explore - comp ( GOAL ( fail )) ( ELEMENTS...)))

Belief Desire Intention Practical reasoning: Deliberative vs. means-ends Obecná ²ablona výb ru top-level cíl : BDI Máme n jakou p edstavu, na základ nich touºíme po r zných v cech a z toho se dopracujeme k úmyslu n co konkrétního provést Beliefs mohou být mylné Desires jsou budoucí zajímavé moºnosti agenta Intentions jsou akce, ke kterým se agent rozhodl Cyklus: Vygeneruj moºnosti, rozhodni se pro jednu, na základ vstup proltruj moºnosti Provádí se intentional stack, POSH-like

FSM a Fuzzy logika Kone ný automat; stav je akce (aktivuj efektor), p echod je vstup (vstup ze senzor ) Hierarchický FSM n které stavy jsou samy FSM; umoº uje dekompozici Probabilistický FSM p echody jsou asociovány i s pravd podobnostmi

FSM a Fuzzy logika Kone ný automat; stav je akce (aktivuj efektor), p echod je vstup (vstup ze senzor ) Hierarchický FSM n které stavy jsou samy FSM; umoº uje dekompozici Probabilistický FSM p echody jsou asociovány i s pravd podobnostmi Fuzzy mnoºina X je (X, m), m : X [0, 1] Defuzzikace weighted MOM Fuzzy FSM fuzzy stavy i p echody, MIN-MAX metoda a prahování stav Modelování emocí

Free-ow architektura Alternativy: Afordance; viz pozd ji reprezentace znalostí. (Tyrrell, 1993)

Otázky? P í²t : Metody pro u ení agent.

Outline 1 Adaptivní agenti 2 Neuronové sít 3 Vy íslitelnost

ANN Revisited Um lé neurony (výpo etní krabi ky) dostávají vstupy ( ísla) a na jejich základ generují výstup ( íslo) Obvykle: Vrstvy striktn odd lené, vstupní vrstva se vstupy zvn j²ku, výstupní vrstva s výstupem pro uºivatele, skryté vrstvy vyhodnocují r zné charakteristiky vstup Dnes: Více vrstev neuron, jak je u it? Input Hidden Output

Backpropagation Revisited My²lenka: Závislosti mezi vstupy a výstupy dokáºeme p im en matematicky popsat Chceme upravit váhy podle chyby, kterou propagovaly; v t²í váha nese v t²í chybu

Backpropagation Revisited My²lenka: Závislosti mezi vstupy a výstupy dokáºeme p im en matematicky popsat Chceme upravit váhy podle chyby, kterou propagovaly; v t²í váha nese v t²í chybu Iterujeme u ení podle vstupních mnoºin: Zjistíme chybu výstupu Spo ítáme gradient chyby podle vah jednotlivých spoj Chybu se pokusíme zredukovat posunutím vah proti gradientu Chybu zp tn ²í íme do p edchozí vrstvy a opakujeme

Vylep²ení u ení ANN Inicializace vah: rozumn malé, náhodné, vyváºené Chyt ej²í sestup podle gradientu Roz²í ení gradientu derivacemi druhého ádu Relaxa ní metody: perturbace vah Modulární sít, úprava parametr (prahy, neurony) Genetické algoritmy

BP s momentem Setrva nost (moment): Zamez oscilacím v úzkých údolích (zejména jsou-li osy r zn dlouhé) E E w i,j(t + 1) = α + w i,j(t) γ(w i,j(t) w i,j(t 1)) Najít α a γ je magie α musí být kompromis mezi lokálními minimy a oscilacemi

Dynamický parametr u ení E E w i,j(t + 1) = α i w i,j(t) V nelineárním p ípad je t eba α i volit dynamicky Silva-Almeida Urychluj, pokud se nezm nilo znaménko; α = uα i i, u > 1 Zpomaluj, pokud se znaménko zm nilo; α = dα i i, d < 1 Exponenciální r st/pokles m ºe být p íli² velký Delta-bar-delta Pokud se nezm nilo znaménko; α i = u + α i, Pokud se znaménko zm nilo; α i = dα i, d < 1 Zm na znaménka oproti δ i = (1 Φ) i E + Φδ i

Super SAB Kombinace dynamického α a momentu Zp tné ²í ení s momentem; pokud se nezm nilo znaménko derivace, α = α + α i i Pokud se zm nilo znaménko derivace, undo, zmen²i parametr u ení α = α α i i a zkus znovu

Interní reprezentace znalostí Jak posoudit efektivitu interní reprezentace (vah skrytých neuron )?

Interní reprezentace znalostí Jak posoudit efektivitu interní reprezentace (vah skrytých neuron )? Chceme neurony, které jsou aktivní (výstup 1), pasivní (výstup 0) nebo tiché (0.5) N co mezi tolik nep ispívá k jednozna né klasikaci Jak byste ud lali vzore ek?

Interní reprezentace znalostí Jak posoudit efektivitu interní reprezentace (vah skrytých neuron )? Chceme neurony, které jsou aktivní (výstup 1), pasivní (výstup 0) nebo tiché (0.5) N co mezi tolik nep ispívá k jednozna né klasikaci Jak byste ud lali vzore ek? TODO

Interní reprezentace znalostí Jak posoudit efektivitu interní reprezentace (vah skrytých neuron )? Chceme neurony, které jsou aktivní (výstup 1), pasivní (výstup 0) nebo tiché (0.5) N co mezi tolik nep ispívá k jednozna né klasikaci Jak byste ud lali vzore ek? TODO Je²t lep²í je mít neurony, které jsou bu aktivní nebo pasivní (nejsou nikdy zbyte né)

Interní reprezentace znalostí Jak posoudit efektivitu interní reprezentace (vah skrytých neuron )? Chceme neurony, které jsou aktivní (výstup 1), pasivní (výstup 0) nebo tiché (0.5) N co mezi tolik nep ispívá k jednozna né klasikaci Jak byste ud lali vzore ek? TODO Je²t lep²í je mít neurony, které jsou bu aktivní nebo pasivní (nejsou nikdy zbyte né) Interní reprezentace by m la být jednozna ná (hodn odli²ná pro hodn odli²né výstupy)

Pro ezávání ANN Zbavíme se neuron s uniformní reprezentací Zbavíme se neuron s identickou i inverzní reprezentací v i jiným Výslednou sí nazveme redukovanou, m ºeme ji vºdy vytvo it

Otázky? P í²t : ANN úpln jinak asociativní pam ti.

Outline 1 Adaptivní agenti 2 Neuronové sít 3 Vy íslitelnost

V ta o rekurzi M jme ƒrf f. Pak a (tzv. pevný bod), x : Ψ(f (a), x) Ψ(a, x) D kaz: M jme a = s 1 (z, z) (z si vymyslíme). Ψ(s 1 (z, z), x) má index e a lze zapsat jako Ψ(s 1 (z, z), x) Ψ(e, z, x) Ψ(s 1 (e, z), x). M ºeme dosadit z = e a dostaneme Ψ(f (a), x) Ψ(f (s 1 (e, e)), x) Ψ(e, e, x) Ψ(s 1 (e, e), x) Ψ(a, x). Varianty: M ºeme vyrobit místo a celou funkci g a ud lat to pro více prom nných.

Riceova v ta M jme netriviální t ídu ƒrf A. Pak mnoºina B = {x : Ψ(x) A} není rekurzivní

Riceova v ta M jme netriviální t ídu ƒrf A. Pak mnoºina B = {x : Ψ(x) A} není rekurzivní Nelze ur it, zda dva programy d lají to samé!

Riceova v ta M jme netriviální t ídu ƒrf A. Pak mnoºina B = {x : Ψ(x) A} není rekurzivní Nelze ur it, zda dva programy d lají to samé! D kaz sporem: Vezm me b B a c / B. Sestrojme f (x), f (B) = c, f ( B) = b. Nalezn me pevný bod e. Co kdyº e B resp. e / B?

Otázky? P í²t : Algoritmicky nerozhodnutelné problémy.

D kuji vám pasky@ucw.cz P í²t : Um lá inteligence (strojové u ení). Neuronové sít. Evolu ní algoritmy (schémata, EP, GP). Datové struktury (binární vyhledávací stromy).