| | 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 |
| | Diem que és un agent racional ideal si per cada seqüència perceptual possible fa aquella acció que maximitza la seva mesura d'avaluació a partir de l'evidència propocionada per la seqüència perceptual i del seu coneixement, |
| | No contesto... |
| |
| | 2. Quan considerem l'entorn d'un agent intel·ligent, |
| | Diem que és inaccessible si per cada seqüència perceptual donada podem deduir com a mínim dues accions diferents però igualment adequades |
| | Diem que està en un entorn dinàmic si per acada sequencia perceptual donada podem deduir com a inim dues acciones diferents pero igualment adequades |
| | Quan es capaç d'aplicar a la seva base de conexiements 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 binaris |
| | Definim "extensió" d'una hipotesi com el conjunt d'exemples que ens han donat com a exemples positius i són certs segons aquella hipotesi. |
| | Cap de les anteriors |
| | No contesto... |
| |
| | 4. En l'aprenentatge mitjantçant algorismes genètics |
| | Els codis de Gray ens asseguren que la representació escollida pels nombres natulars complirà la propietat d'adjancència |
| | El mètode d'ordenació ens assegura que tots els cromosomes tenen una probabilitat no nul·la de passar a la següent generaciól que és proporcional al valor de la funció d'adaptació |
| | Els algorismes genetics son un metode de resolucio de problemes pels que l'espai de recerca es molt gran i pel qual no tenim cap funcio heuristica clara |
| | Cap de les anteriors |
| | No contesto... |
| |
| | 5. En aprenentatge per algorismes genetics |
| | Normalment, el punt que més cost computacional representa es l'avaluacio de la funcio d'adaptacio |
| | Es facil 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 numerics continus, per que els arbres de decisio nomes acdpten atributs discrets |
| | L'arbre mes petit que es consistent amb els exemples es sempre l'arbre que millor resultats dona amb el conjunt de test |
| | L'overfitting es dona quan donada una hipotesi h, existeix una hipotesi h' tal que h té menor error que h' sobre el conjunt d'aprenentatge, pero h' té un error menor que h sobre el conjunt de test |
| | Cap de les anteriors |
| | No contesto... |
| |
| | 7. En aprenentatge per arbres de desicio |
| | El valor del desordre mig d'un test dóna 1 si els exemples positius i negatius queden totalment barrejats despres d'aplicar el test |
| | Una de les maneres d'arreglar els problemes d'overfitting es afegir a l'arbre alguns tests addicionals |
| | L'overfitting es dona quan donada una hipotesi h, existeix una hipotesi h' tal que h té un error mes gran que h' sobre el conjunt de test, pero t' té un error més gran sobre el conjunt d'aprenentatge |
| | Cap de les anteriors |
| | No contesto... |
| |
| | 8. En el metode de l'espai de versions |
| | 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 no són consistents amb l'exemple |
| | Si ens arriba un exemple negatiu, s'han d'eliminar aquells models generals que són consistents amb l'exemple |
| | Cap de les anteriors |
| | No contesto... |
| |
| | 9. En el metode de l'espai de versions |
| | Mai es pot cometre overfitting |
| | Quan s'acaben els exemples i no ha convergit, si un exemple desconegut es cert per tots els elements de S i per cap de G, segur podem assegurar que es cert |
| | Quan s'acaben els exemples o no ha convergit, si un exemples desconegut es cert per tots els elements de S pero n'hi ha algun de G per que no ho és, no podem assegurar que es cert |
| | Cap de les anteriors |
| | No contesto... |
| |
| | 10. Memorització |
| | Donats 2n exemples, hi ha un metodes que ens assegura que trobarem el veí mes 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 numerics |
| | Cap de les anteriors |
| | No contesto... |
| |
| | 11. Quan volem aprendre una funcio f numerica a partir d'uns quants valors |
| | S'han d'utilitzar metodes basats en arbres de decisio |
| | El metode dels k-veins mes propers ens assegura que podem trobar una h que aproximi f amb una precisio arbitrariament alta, independentment del nombre d'exemples que tinguem |
| | Podem utilitzar un metode anomenat "aprenentatge amb funcions de base radial" que pertany a la familia dels algorismes de regressio localment ponderada |
| | Totes les anteriors |
| | No contesto... |
| |
| | 12. En els metodes d'aprenentatge en general |
| | L'overfitting pot ser causat per errors en la classificacio dels exemples que ens dona el mestre |
| | L'extensio d'una hipotesi esta formada per tots els exemples que la hipotesi diu que son positius |
| | Cada metode assumeix (de manera explicita o implicita) que la solucio es pot expressar amb un determinat llenguatge i no amb un altre |
| | Totes les anteriors |
| | No contesto... |
| |