| | 1. Quan parlem d'agents intel·ligents? |
| | Intel·ligent, en aquest cas, vol dir que raona utilitzant la lògica com a mecanisme |
| | Diem que un agent racional és el que raona basant-se en lleis universals que modelen els 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. Quan considerem l'entorn d'un agent intel·ligent, |
| | Diem que és inaccessible si per a cada seqüència perceptual donada podem deduir com a mínim dues accions diferents però igualment adequades |
| | Diem que està en un entorn dinàmic si a l'entorn hi ha canvis que no estan causats per les accions de l'agent |
| | Quan és capaça d'aplicar a la seva base de coneixements el raonament lògic |
| | Cap de les anteriors |
| | No contesto... |
| |
| | 3. 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 aprenentatge 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... |
| |
| | 4. En l'aprenentatge mitjançant algorismes genètics |
| | Els codis de Gray asseguren que la representació escollida pels nombres naturals ens maximitzarà la diversitat del conjunt de cromosomes que passen a la següent generació |
| | El mètode d'ordenació ens assegura que tots els cromosomes tenen una probabilitat no nul·la de passar a la següent generació que és proporcional al valor de la funió d'adaptació |
| | Els algorismes genètics són un mètode de resolució de problemes pels que l'espai de recerca és molt gran i pel qual no tenim cap funció heurística clara |
| | Cap de les anteriors |
| | No contesto... |
| |
| | 5. En aprenentatge per algorismes genètics: |
| | Podem dir que 'aprenem' quan les solucions que tenim codificades als cromosomes són 'programes' o 'definicions', i la funció d'avaluació consisteix en 'avaluar' el funcionament del 'programa' o 'validar' el grau de validesa de la 'definició' amb un conjunt d'exemples i contraexemples |
| | És fàcil codificar un programa en C++ en un cromosoma |
| | No es pot donar l'overfitting |
| | Cap de les anteriors |
| | No contesto... |
| |
| | 6. 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 una hipòtesi h, existeix una hipòtesi h' tal que h té menor error que h' sobre el conjunt d'aprenentatge, però h' té un error menor que h sobre el conjunt de test |
| | Cap de les anteriors |
| | No contesto... |
| |
| | 7. En aprenentatge per arbres de decisió: |
| | El valor del desordre mig d'un test dóna 0 si els exemples positius i negatius queden totalment barrejats després d'aplicar el test |
| | Una de les maneres d'arreglar els problemes d'overfitting és afegir a l'arbre alguns tests addicionals |
| | L'overfitting es dona quan donada una hipòtesi h, existeix una hipòtesi h' tal que h té un error més gran que h' sobre el conjunt de test, però h' te un error més gran sobre el conjunt d'aprenentatge |
| | Cap de les anteriors |
| | No contesto... |
| |
| | 8. En el mètode de l'espai de versions, |
| | Hi ha overfitting si el conjunt S o el G queden buits |
| | Si ens arriba un exemple negatiu, s'ha 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... |
| |
| | 9. En el mètode de l'espai de versions, |
| | Mai es pot cometre overfitting |
| | Quan s'acaben els exemples i no ha convergit, si un exemple desconegut és cert per tots els elements de S, segur podem assegurar que és cert |
| | Quan s'acaben els exemples i no ha convergit, si un exemple desconegut és cert per tots els exemples de S però n'hi ha algun de G pel que no ho és, no podem assegurar que és cert |
| | Cap de les anteriors |
| | No contesto... |
| |
| | 10. Memorització |
| | Donats 2n exemples, hi ha un mètodeque ens assegura que trobarem el veí més proper amb un nombre n de comparacions |
| | El veí més proper ens assegura que les respostes que donarà el sistema als exemples desconeguts seran sempre correctes |
| | Només es pot aplicar a exemples amb atributs numèrics |
| | Abans de calcular la distància entre dos exemples cal normalitzar els valors dels atributs, donat que en cas contrari podríem estar comparant malament |
| | No contesto... |
| |
| | 11. Quan volem aprendre una funció f 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 arbitràriament alta, independentment del nombre d'exemples que tinguem |
| | Podem utilitzar un mètode anomenat 'aprenentatge amb funcions de base radial que partany a la família dels algorismes de regressió localment ponderada |
| | Totes les anteriors |
| | No contesto... |
| |
| | 12. En els mètodes d'aprenentatge en general |
| | L'overfiting pot ser causat per errors en la classificació dels exemples que ens dona el mestre |
| | L'extensió d'una hipòtesi està formada per tots els exemples que la hipòtesi diu que són positius |
| | Cada mètode assumeix (de manera explícita o implícita) que la solució pot expressar amb un determinat llenguatge i no amb un altres |
| | Totes les anteriors |
| | No contesto... |
| |