| | 1. Quan parlem d'agents intel·ligents, |
| | Intel·ligent, en aquest cas, vol dir que raona |
| | Diem que un agent racional és el que es basa per a raonar en lleis universals que modelitzin processos de raonament irrefutables |
| | Un agent racional és el que per cada seqüència perceptual possible escull l'acció que menys contradiccions lògiques genera respecte la seva base de coneixements |
| | Cap de les anteriors |
| | No contesto... |
| |
| | 2. En aprenentatge |
| | Diem que tenim un mètode supervisat si utilitza un senyal que li indica si el que ha après és o no és correcte |
| | Diem que és aprenentage conceptual si la funció que intentem aprendre té valors discrets |
| | Definim 'extensió' d'una hipòtesi com el conjunt d'exemples que ens han donat com exemples positius i són certs segons aquella hipòtesi |
| | Cap de les anteriors |
| | No contesto... |
| |
| | 3. En l'aprenentatge mitjançant algorismes genètics |
| | Els codis de Gray ens asseguren la propietat de diversitat |
| | El mètode d'ordenació ens assegura que tots els cromosomes tenen una probabilitat no nul·la de passar a la següent generació que no és proporcional al valor de la funció d'adaptació |
| | Els algorismes genètics són un mètode de resolució de problemes pels que l'espai de recerca és molt gran |
| | Cap de les anteriors |
| | No contesto... |
| |
| | 4. En aprenentatge per arbres de decisió: |
| | No es poden aprendre funcions que tinguin valors numèrics continus, per que els arbres de decisió només accepten atributs discrets |
| | L'arbre més petit que és consistent amb els exemples és sempre l'arbre que millor resultats dona amb el conjunt de test |
| | L'overfitting es dona quan donada una hipòtesi h, existeix una hipòtesi h' tal que h té menor error que h' sobre el conjunt d'exemples, però h' té un error menor sobre l'espai d'exemples |
| | Cap de les anteriors |
| | No contesto... |
| |
| | 5. En el mètode de l'espai de versions, |
| | Diem que hi ha overfitting si el conjunt S o el G queden buits |
| | Si ens arriba un exemple negatiu, s'han d'eliminar aquells models específics que són consistents amb l'exemple |
| | Si ens arriba un exemple negatiu, s'han d'eliminar aquells models generals que són consistents amb l'exemple |
| | Totes les anteriors |
| | No contesto... |
| |
| | 6. Quan volem aprendre una funció f numèrica a partir d'uns quants valors: |
| | S'han d'utilitzar mètodes basats en arbres de decisió |
| | El mètode dels k-veïns més propers ens assegura que podem trobar una h que aproximi f amb una precisió arbitrariament alta, independentment del nombre d'exemples que tinguem |
| | Podem utilitzar un mètode anomenat aprenentatge amb funcions de base radia que pertany a la familia dels algorismes de regressió localment ponderada |
| | Totes les anteriors |
| | No contesto... |
| |
| | 7. En aprenentatge Bayesià |
| | La hipòtesi de Màxim a Posteriori és la que maximitza p(dades|hipòtesi) |
| | Si considerem l'aprenentatge conceptual com un cas particular de l'aprenentatge Bayesià, suposem que totes les hipòtesis tenen la mateixa probabilitat a priori |
| | L'algorisme de Gibbs ens permet implementar l'algorisme del Classificador Ingenu de Bayes quan tenim molts exemples |
| | Cap de les anteriors |
| | No contesto... |
| |
| | 8. L'algorisme EM |
| | Utilitza l'algorisme del veí més proper com a forma de classificació després d'aprendre |
| | Estima quantes Gaussianes necessitem per aproximar un conjunt d'exemples |
| | Pot donar un resultat diferent si l'inicialitzem de forma diferent |
| | Cap de les anteriors |
| | No contesto... |
| |
| | 9. Problema: Quinés el resultat del mètode de l'espai de versions pels exemples següents:
|
ATRIBUTS |
|
VALOR |
| 7 |
Barcleona |
Nit |
+ |
| 7 |
Manresa |
Nit |
+ |
| 8 |
París |
Nit |
- |
| 3 |
Manresa |
Nit |
+ |
| 1 |
París |
Nit |
- |
| 6 |
Cannes |
Dia |
- |
| 2 |
Cannes |
Nit |
- |
| 2 |
Barcleona |
Nit |
- |
A més a més ens diuen que les generalitzacions possibles són:
* Substituir una constant per ?
* Els nombres es poden agrupar en classes (senar i parell)
* Les ciutats es poden agrupar en classes: catalunya={Barcelona,Manresa}, frança={Cannes,París}
|
| | G={(senar,?,no)}, S={(senar, catalunya, no)} |
| | S={(senar, catalunya, no)}, G={(senar, catalunya, ?)} |
| | S={(senar, manresa,no), (senar, barcelona, no)}, G={(senar, catalunya, ?)} |
| | Cap de les anteriors |
| | No contesto... |
| |