Proč?. pokud jsme schopni vytvořit stroj, který bude úlohu řešit problém je algoritmizovatelný příklad.

Slides:



Advertisements
Podobné prezentace
Lineární klasifikátor
Advertisements

Grafové algoritmy.
Skupenské přeměny látek
Návrh parkování Návrh zastávek MHD.
Analýza spolehlivosti tlakové nádoby metodou Monte Carlo Jakub Nedbálek Katedra Aplikované Matematiky, Fakulta Elektrotechniky a Informatiky VŠB - Technická.
Krychle ABCDA´B´C´D´s podstavou ABCD v obecné rovině a
Úvod do Teorie her. Vztah mezi reálným světem a teorií her není úplně ideální. Není úplně jasné, jak přesně postavit herněteoretický model a jak potom.
Stavový prostor. • Existují úlohy, pro které není k dispozici univerzální algoritmus řešení • různé hry • problém batohu, problém obchodního cestujícího.
Prohledávání stavového prostoru
UPPAAL příklady Jiří Vyskočil 2010.
Tomáš Prejzek ZŠ T. Stolzové Kostelec nad Labem Prosinec 2012
Zajímavé aplikace teorie grafů
Rekonstrukce povrchu objektů z řezů Obhajoba rigorózní práce 25. června 2003 Radek Sviták
LOGISTICKÉ SYSTÉMY 6/14.
Cvičení Úloha 1: Rozhodněte zda posloupnost znaků v poli délky n tvoří palindrom (slovo, které je stejné při čtení zprava i zleva). Př.: [a,l,e,l,a] [a,n,n,a]
Diskrétní matematika Opakování - příklady.
Aplikace teorie grafů Základní pojmy teorie grafů
Úvod Klasifikace disciplín operačního výzkumu
Zlepšování jakosti.
A5M33IZS – Informační a znalostní systémy Datová analýza I.
ALGO – Algoritmizace 1. cvičení
Základní škola a Mateřská škola, Šumná, okres Znojmo OP VK Tematický celek: Informatika Název a číslo učebního materiálu VY _32_INOVACE_04_13.
Alg51 Rozklad problému na podproblémy Postupný návrh programu rozkladem problému na podproblémy –zadaný problém rozložíme na podproblémy –pro řešení podproblémů.
Architektury a techniky DS Tvorba efektivních příkazů I Přednáška č. 3 RNDr. David Žák, Ph.D. Fakulta elektrotechniky a informatiky
Genetické algoritmy. V průběhu výpočtu používají náhodné operace. Algoritmus není jednoznačný, může projít více cestami. Nezaručují nalezení řešení.
Úvod do umělé inteligence
Paralelní programování
Induktivní logické programování
ADT Strom.
Medians and Order Statistics Nechť A je množina obsahující n různých prvků: Definice: Statistika i-tého řádu je i-tý nejmenší prvek, tj., minimum = statistika.
KIV/ZI cvičení 8 Tomáš Potužák.
Umělá inteligence. Prvotní výzkum zpracovávání informace byl zaměřen na: a) počítačové simulace b) optimální metody řešení problémů.
Získávání informací Získání informací o reálném systému
Vzdělávací oblast: Matematika Autor: Vlasta Lindovská Jazyk: Český
Hana Kotinová Struktura a cíl práce Metody předzpracování dat Systémy předzpracování dat Historie vývoje DPT Jak program pracuje Budoucnost.
Radek Horáček IZI425 – Teorie kódování a šifrování
III. Řešení úloh v testech Scio z matematiky
Goniometrické funkce.
Informatika I 2. přednáška
Prezentace produktu Microsoft Excel. ČAS Vrátí číslo, které představuje určitý čas. Toto číslo vrácené funkcí ČAS je desetinné číslo v rozmezí od 0 do.
TI 7.1 NEJKRATŠÍ CESTY Nejkratší cesty - kap. 6. TI 7.2 Nejkratší cesty z jednoho uzlu Seznámíme se s následujícími pojmy: w-vzdálenost (vzdálenost na.
Zobrazení rovinným zrcadlem
ZOBRAZENÍ TĚLESA V OBECNÉ ROVINĚ
Systémy pro podporu managementu 2
KIV/PRO Cvičení Přátelské mince Mějme nově založený stát – Je potřeba vydat vlastní měnu – Uvažujme pouze mince, bankovky zanedbáme Vstup:
VY_32_INOVACE_21-10 TEST č. 1.
Algoritmy vyhledávání a řazení
IDENTIFIKÁTOR MATERIÁLU: EU
Přebíhání na síti při vlastním podání
Střední průmyslová škola strojnická Olomouc, tř.17. listopadu 49 Výukový materiál zpracovaný v rámci projektu „Učíme moderně“ Registrační číslo projektu:
PRÁCE , VÝKON VY_32_INOVACE_01 - PRÁCE, VÝKON.
IDENTIFIKÁTOR MATERIÁLU: EU
POČET PRAVDĚPODOBNOSTI
Pravděpodobnost. Náhodný pokus.
Artificial Intelligence (AI).  „Úloha patří do oblasti umělé inteligence, jestliže řešení, které najde člověk považujeme za projev jeho inteligence.
Systémy pro podporu managementu 2 Inteligentní systémy pro podporu rozhodování 1 (DSS a znalostní systémy)
Aplikační počítačové prostředky X15APP MATLAB Katedra elektroenergetiky, Fakulta elektrotechniky ČVUT, Technická 2, Praha 6 Ing. Zbyněk Brettschneider.
Umělá inteligence Minského definice: UI je věda o vytváření strojů nebo systémů, které budou při řešení určitého úkolu užívat takového postupu, který –
P-těžké, np-těžké a np-úplné problémy
Automaty a gramatiky.
Plánování trajektorie pro bezpilotní letoun za účelem sledování pozemních objektů pomocí inerciálně stabilizované kamerové platformy Michal Kreč Vedoucí.
Doc. Josef Kolář (ČVUT)Prohledávání grafůGRA, LS 2010/11, Lekce 4 1 / 15Doc. Josef Kolář (ČVUT)Prohledávání stavového prostoruGRA, LS 2013/14, Lekce 11.
Sylabus V rámci PNV budeme řešit konkrétní úlohy a to z následujících oblastí: Nelineární úlohy Řešení nelineárních rovnic Numerická integrace Lineární.
Vyhledávání vzorů (template matching)
Elektrotechnická fakulta ČVUT KATEDRA KYBERNETIKY Vedoucí prof. Ing. Vladimír Mařík, DrSc. KATEDRA KYBERNETIKY ELEKTROTECHNICKÁ.
NEJKRATŠÍ CESTY Nejkratší cesty - kap. 6.
Optimalizace SQL dotazů
Výpočetní složitost algoritmů
Induktivní statistika
Algoritmizace a datové struktury (14ASD)
Transkript prezentace:

proč?

pokud jsme schopni vytvořit stroj, který bude úlohu řešit problém je algoritmizovatelný příklad

když to nejde

online úloha data se mění v průběhu řešení data nejsou dopředu známa ale to v zásadě nevadí, je to jen komplikace více cílových stavů potřebujeme strategii předvídat tah soupeře zhodnotit různá řešení strategie = dlouhodobý plán kroků nutných k dosažení cíle

Stroj projde Turingovým testem, pokud skutečný člověk po položení několika písemných otázek nedokáže rozlišit, jestli odpověď pochází od stroje nebo od (skrytého) člověka. rozpoznání obrazu, zpracování obrazu (identifikace písemné otázky) robotika, manipulátory (příjem otázky nebo jiného objektu) zpracování přirozeného jazyka (zpracování textu otázky a „porozumění“ otázce) strojové učení (vytvoření databáze znalostí, která se použije k zodpovězení otázky) reprezentace znalostí (ukládání informací naučených během provozu a jejich vyhledávání) automatické usuzování (vytvoření odpovědi na základě významu otázky a známých znalostí) Alan Turing, 1950

Počítač roku × 1 x 0,001Mhz (server x core x frekvence) 1920B RAM 5120B HDD Počítač roku 2011 (1:51) – Watson Počítač roku × 32 × 3,25 GHz > 15TB RAM ∞ HDD

Jaká je strategie pro piškvorky (3×3)?

Tah na střed Tah na roh, kde je volná diagonála Pokud můžeme dokončit řadu, dokončeme ji Pokud může protihráč dokončit řadu, zablokujme ji Tah na hranu, kde zablokujeme protihráče a současně můžeme vytvořit řadu Tah na volnou hranu, pokud není volná hrana, tah na roh.

IF PrvníTah THEN Tah(B2) ELSE IF DruhýTah THEN // máme provést druhý tah // najdeme volnou diagonálu IF Volno(A1) AND Volno(C3) THEN // je volné pole A1 i pole C3 Tah(A1) ELSE Tah(A3) ELSE IF TřetíTah IF Soupeř(A1) THEN // musíme blokovat soupeře tahem na stranu IF Soupeř(A3) THEN Tah(A2) ELSE IF Soupeř(C1) THEN Tah(B1) ELSE IF Soupeř(C3) THEN // musíme blokovat soupeře tahem na stranu IF Soupeř(A3) THEN Tah(B3) ELSE IF Soupeř(C1) THEN Tah(C2) IF NOT TahProveden THEN // nenašli jsme soupeřovu nedokončenou řadu, soupeř táhl špatně IF Můj(A1) THEN //vlastníme pole A1, dokončíme diagonální řadu Tah(C3) ELSE Tah(C1) ELSE //čtvrtý tah // podle přechozího tahu zkusíme vždy nejprve dokončit vodorovnou nebo svislou řadu, potom // zkusíme tah na stranu, kde je poslední možnost vytvořit řadu, pro každý směr je jedno pravidlo IF PředchozíTah = A2 THEN IF Volno(C2) THEN Tah(C2) ELSE Tah(B1) ELSE IF PředchozíTah = B1 THEN IF Volno(B3) THEN Tah(B3) ELSE Tah(C2) ELSE IF PředchozíTah = B3 THEN IF Volno(B1) THEN Tah(B1) ELSE Tah(A2) ELSE IF PředchozíTah = C2 THEN IF Volno(A2) THEN Tah(A2) ELSE Tah(B3)

zatím zahrnuje 17 možných tahů

situace hrací plochy: pokud začíná počítač: 9 · 7 · 5 · 3 = 945 (105) univerzálně: 9! = některé nejsou dosažitelné některé nejsou smysluplné počítač nehraje současně za oba výsledek: něco mezi 30 a 1329 hrací plocha 4×4 = 2,09 · hrací plocha 5×5 = 1,55 · papír A5 ≈ 1260 polí = 1,6 ·

Velikost programu závisí na velikosti úlohy. Dobrá strategie může snížit složitost úlohy o několik řádů. Málokterá strategie je zaručená. Blokovací strategie nefunguje vůbec. Časová složitost řešení hrubou silou roste faktoriálem. Délka naivního algoritmu roste skoro stejně rychle.

Závislost počtu operací na velikosti vstupu. Neříká jak dlouho to bude trvat. Říká jak se to bude zpomalovat. Příklad

Transformace úlohy na stavový prostor. Definujeme: možné stavy problému možné přechody z jednotlivých stavů počáteční stavy cílové stavy Celý stavový prostor můžeme reprezentovat pomocí grafu pokud možno stromového pokud možno konečného

Úlohu jsme převedli na: nalezení a výběr nejvhodnějšího přechodu do dalšího stavu už jen potřebujeme zjistit co je nevhodnější stav Můžeme to zkusit alespoň odhadnout každý stav ohodnotíme heuristická funkce – odhad hodnocení vybereme ten nejlepší pro odhad hodnocení stavu musíme zjistit i stavy, které za ním následují algoritmus nahlíží do budoucnosti

Hodnocení piškvorky jsou hra s „nulovou sumou“ viz příklad Prohledání úplné prohledávání do šířky úplné prohledávání do hloubky minimaxová metoda, prořezáváníprořezávání 90% algoritmů umělé inteligence

Většina umělé inteligence se zabývá tím jak hodnotit stavy jak rychle prohledávat velké stavové prostory