Künstliche Intelligenz

Ähnliche Dokumente
Künstliche Intelligenz

Allgemeine Informatik II

Künstliche Intelligenz

Maschinelles Lernen: Symbolische Ansätze

Semestralklausur zur Vorlesung. Web Mining. Prof. J. Fürnkranz Technische Universität Darmstadt Sommersemester 2006 Termin:

Semestralklausur zur Vorlesung. Web Mining. Prof. J. Fürnkranz Technische Universität Darmstadt Sommersemester 2008 Termin: 4. 7.

Künstliche Intelligenz

Universität Koblenz-Landau Fachbereich Informatik Klausur Einführung in die Künstliche Intelligenz / WS 2003/2004. Jun.-Prof. Dr. B.

Semestralklausur zur Vorlesung. Web Mining. Prof. J. Fürnkranz Technische Universität Darmstadt Sommersemester 2012 Termin:

Klausur zur Vorlesung Algorithmen und Datenstrukturen

Maschinelles Lernen: Symbolische Ansätze

Klausur zur Vorlesung Algorithmen und Datenstrukturen

Maschinelles Lernen: Symbolische Ansätze

Schriftlicher Test Teilklausur 2

Universität Koblenz-Landau Fachbereich Informatik Klausur KI-Programmierung WS 2007/2008. Jun.-Prof. Dr. B. Beckert. 21.

Algorithmen und Datenstrukturen 1 VU 6.0 Nachtragstest SS Oktober 2014

Schriftlicher Test Teilklausur 2

Klausur Algorithmen und Datenstrukturen II 10. August 2015

Klausur. Diskrete Mathematik I. Donnerstag, den um 14 Uhr

Name:... Vorname:... Matr.-Nr.:... Studiengang:...

Beweise aus dem Fach Grundzüge der Künstlichen Intelligenz

Vorlesung im Sommersemester Informatik IV. Probeklausurtermin: 21. Juni 2016

Schriftlicher Test Teilklausur 2

Algorithmen und Datenstrukturen VO 3.0 Vorlesungsprüfung 19. Oktober 2007

Klausur Algorithmen und Datenstrukturen II 01. Agust 2016

Prof. Dr. Peter Knauber. Name:... Vorname:... Unterschrift:...

Lineare Algebra I Abschlussklausur

Klausur. Einführung in die Wirtschaftspolitik (AVWL III) 13. Februar Aufgabe 1: Ökonomische Theorien (10 Punkte)

Uninformierte Suche in Java Informierte Suchverfahren

Klausur Algorithmen und Datenstrukturen

Klausur zur Vorlesung Künstliche Intelligenz

(a, b)-bäume / 1. Datenmenge ist so groß, dass sie auf der Festplatte abgespeichert werden muss.

2. Schriftliche Leistungskontrolle (EK)

2. Schriftliche Leistungskontrolle

Name:... Vorname:... Matr.-Nr.:... Studiengang:...

Aufgabe 1 (Allgemeines)

Prüfung Informatik D-MATH/D-PHYS :00 11:00

Klausur Algorithmen und Datenstrukturen

Klausur Algorithmen und Datenstrukturen

Technische Universität Berlin Fakultät IV - Elektrotechnik und Informatik. Schriftlicher Test - Teilklausur

Lehrstuhl II für Mathematik. Bachelor-Prüfung/Diplom-Vorprüfung/Zwischenprüfung. Höhere Mathematik I

Algorithmen und Datenstrukturen 2 VU 3.0 Nachtragstest SS Oktober 2014

Bitte füllen Sie den untenstehenden Abschnitt nicht aus

Algorithmen und Datenstrukturen 2 VU 3.0 Übungstest SS Juni 2013

Algorithmen und Datenstrukturen Klausur WS 2006/07 Software-Engineering und Technische Informatik Bachelor

Perzeptronen. Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg

Übungsblatt 2 Lösungen

Klausur Einführung in die Wirtschaftspolitik

Klausur Grundlagen der Künstlichen Intelligenz

Analysis 1 Informationsblatt zur Klausur

Algorithmen und Datenstrukturen (Informatik II) SS Klausur

Klausur Algorithmen und Datenstrukturen II 29. Juli 2013

Technische Universität Berlin Fakultät IV Elektrotechnik und Informatik. 8. Aufgabenblatt

Analysis für Informatiker und Statistiker Abschlussklausur

Aufgabe Punkte Aufgabe Σ Punkte. Note:

Analysis für Informatiker und Statistiker Abschlussklausur

TheGI 2: Berechenbarkeit und Komplexität. Veranstalter: Uwe Nestmann, Johannes Borgström, Philipp Küfner Sommersemester

Semestralklausur Einführung in Computer Microsystems

Klausur Algorithmen und Datenstrukturen

Nachklausur zur Vorlesung

Klausur Nichtsequentielle Programmierung

1. Klausur zu Vektor- und Matrizenrechnung I und II WS 2009/10 und SS 2010 am Dienstag, dem 27. Juli 2010

Klausur zur Vorlesung Einführung in das Operations Research im Wintersemester 2007/2008

Es sind ausser Schreibzeug und Papier keinerlei Hilfsmittel erlaubt, das Pult ist abgeräumt oook, den Rechner dürfen Sie gebrauchen!

Klausur SoSe Juli 2013

TECHNISCHE UNIVERSITÄT MÜNCHEN Fakultät für Mathematik. Grundlagen der Nichtlinearen Optimierung. Klausur zur Vorlesung WS 2008/09

Lehrstuhl II für Mathematik. Bachelor-Prüfung/Diplom-Vorprüfung/Zwischenprüfung. Höhere Mathematik I

Klausur zur Vorlesung. Finanzwirtschaft II (SS 2010) 27. Juli 2010

Grundlagen der Künstlichen Intelligenz

Grundlagen der Künstlichen Intelligenz

KLAUSUR ZUM BACHELORMODUL PROBEKLAUSUR VORLESUNG COMPUTERLINGUISTISCHE ANWENDUNGEN PROBEKLAUSUR, DR. BENJAMIN ROTH KLAUSUR AM

Klausur Algorithmen und Datenstrukturen II

Klausur Mathematik II für Wirtschaftswissenschaftler. Name:... Vorname:... Matr. Nr.:... Studiengang:...

Schriftlicher Test Teilklausur 2

Endkontrolle Informatik-Propädeutikum (Ermel/Hartung/Nichterlein/Niedermeier, Wintersemester 2013/14)

Lehrstuhl II für Mathematik

Wissensbasierte Suche

Klausur Algorithmen und Datenstrukturen

Masterprüfung Spezialisierungsmodul Organisation und Führung Wintersemester 2016/17, 14. März 2017

Vorname:... Matrikel-Nr.:... Unterschrift:...

Thinking Machine. Idee. Die Thinking Machine Visualisierung versucht, die Denkprozesse eines Schachcomputers sichtbar zu machen

Klausur zur Vorlesung Informatik III Wintersemester 2007/2008

Kryptographie. Klausur mit Lösung zum Wintersemester 2008/2009. Name, Vorname:... Matrikelnummer:... Studiengang:... Diplom Bachelor Master

Informatik 3 Theoretische Informatik WS 2015/16

Einführung in Heuristische Suche

DAP2-Klausur

Klausur: Modellierung Prof. Dr. U. Kastens, Universität Paderborn Wintersemester 2000/ , 09:00 11:00 Uhr

MUSTERLÖSUNG KLAUSUR ZUR ALGEBRA I. Prof. Dr. Daniel Plaumann Konstantinos Lentzos Wintersemester 2016/ Februar Nachname: Vorname:

Lehrstuhl II für Mathematik. Bachelor-Prüfung/Diplom-Vorprüfung/Zwischenprüfung. Höhere Mathematik I. Matrikelnummer:

Datenstrukturen und Algorithmen 2. Klausur SS 2001

2. Klausur Datenstrukturen und Algorithmen SS 2014

6. Sich selbst organisierende Datenstrukturen

Computational Intelligence 1 / 20. Computational Intelligence Künstliche Neuronale Netze Perzeptron 3 / 20

Übungsblatt 6 Lösungen

TheGI 2: Berechenbarkeit und Komplexität. Prof. Dr.-Ing. Uwe Nestmann Oktober 2008

AUFGABEN. Klausur: Modul Problemlösen in graphischen Strukturen. Termin:

Klausur Algorithmentheorie

Name:... Vorname:... Matrikel-Nr.:... Studienfach:...

Languages and Tools for Object-Oriented Development Klausur Wintersemester 2007/2008

Große Lösungsräume. Leon Schmidtchen Hallo Welt Seminar - LS Leon Schmidtchen Große Lösungsräume Hallo Welt Seminar - LS2

Transkript:

Klausur zur Vorlesung Künstliche Intelligenz Prof. J. Fürnkranz / Dr. G. Grieser Technische Universität Darmstadt Sommersemester 2007 Termin: 23. 7. 2007 Name: Vorname: Matrikelnummer: Fachrichtung: Wiederholer: ja nein Diplom Master Bachelor Punkte: (1)... (2)... (3)... (4)... (5)... (6)... Summe: Aufgaben: Diese Klausur enthält auf den folgendenseiten 6 Aufgaben zu insgesamt 100 Punkten. Jede Aufgabe steht auf einem eigenen Blatt. Kontrollieren Sie sofort, ob Sie alle sieben Blätter erhalten haben! Zeiteinteilung: Die Zeit ist knapp bemessen. Wir empfehlen Ihnen, sich zuerst einen kurzen Überblick über die Aufgabenstellungen zu verschaffen, und dann mit den Aufgaben zu beginnen, die Ihnen am besten liegen. Papier: Verwenden Sie nur Papier, das Sie von uns ausgeteilt bekommen. Bitte lösen Sie die Aufgaben auf den dafür vorgesehenen Seiten. Falls der Platz nicht ausreicht, vermerken sie dies bitte und setzen die Lösung auf der letzten Seite fort. Brauchen Sie zusätzlich Papier (auch Schmierpaper), bitte melden. Fragen: Sollten Sie Teile der Aufgabenstellung nicht verstehen, bitte fragen Sie! Abschreiben: Sollte es sich herausstellen, daß Ihre Lösung und die eines Kommilitonen über das zu erwartende Maß hinaus übereinstimmen, werden beide Arbeiten negativ beurteilt (ganz egal wer von wem in welchem Umfang abgeschrieben hat). Ausweis: LegenSie IhrenStudentenausweis und Lichtbildausweis sichtbaraufihren Platz. Füllen Sie das Deckblatt sofort aus! Hilfsmittel: Zur Lösung der Aufgaben ist ein von Ihnen selbst handschriftlich beschriebenes DIN-A4-Blatt erlaubt. Gedruckte Wörterbücher sind für ausländische Studenten erlaubt, elektronische Hilfsmittel (Taschenrechner, elektronische Wörterbücher, Handy, etc.) sind verboten! Sollten Sie etwas verwenden wollen, was nicht in diese Kategorien fällt, bitte klären Sie das bevor Sie zu arbeiten beginnen. Aufräumen: Sonst darf außer Schreibgerät, Essbarem, von uns ausgeteiltem Papier und eventuell Wörterbüchern nichts auf Ihrem Platz liegen. Taschen bitte unter den Tisch! Gutes Gelingen!

Vorlesung Künstliche Intelligenz 2 Klausur Aufgabe 1 Suche (20 Punkte) Betrachten Sie folgenden Suchgraph wobei i und k die beiden einzigen Lösungen repräsentieren. Entlang der eingezeichneten Verbindungen entstehen jeweils Kosten von 10, die Kosten zwischen Knoten, die keine direkte oder indirekte Verbindung haben, sind. 1 a Geben Sie die Reihenfolge an, in der die Knoten bis zum Finden einer Lösung besucht werden, für: Breitensuche a, b, c, d, e, f, g, h, i (1 Punkt) Tiefensuche a, b, e, j, f, g, k (1 Punkt) Iterierte Tiefensuche, startend bei Tiefe 1 und Erhöhung der Tiefenschranke jeweils um 1 a, a, b, c, d, a, b, e, f, g, c, d, h, i (2 Punkte) 1 b Berechnen Sie die Reihenfolge, in der die Knoten von dem A -Algorithmus besucht werden, wobei folgende Heuristik verwendet wird: a b c d e f g h i j k h( ) = 3 5 80 35 5 20 10 30 0 0 0 Wenn zwei Knoten die gleiche Bewertung haben, wird derjenige zuerst ausgewählt, der im Alphabet weiter HINTEN kommt. Geben Sie alle Zwischenschritte an, d.h. welche Knoten jeweils offen sind, deren Werte für g(n), h(n) und f(n) sowie, welcher Knoten jeweils ausgewählt wird bzw. warum die Suche abgebrochen wird.

Vorlesung Künstliche Intelligenz 3 Klausur (5 Punkte) Begonnen wird mit dem Knoten a, wir erhalten die folgenden Nachfolger: b [g(b) =10, h(b) =5, f(b) = 15] Als nächstes wählen wir Knoten b aus, damit erhalten wir folgende offenen Knoten: e [g(e) =20, h(e) =5, f(e) = 25] f [g(f) =20, h(f) =20, f(f) = 40] g [g(g) =20, h(g) =10, f(g) = 30] Als nächstes wählen wir Knoten e aus, damit erhalten wir folgende offenen Knoten: f [g(f) =20, h(f) =20, f(f) = 40] g [g(g) =20, h(g) =10, f(g) = 30] j [g(j) =30, h(j) =0, f(j) = 30] Jetzt ist Gleichstand zwischen g und j, es wird j ausgewählt; somit ergibt sich folgende Openlist: f [g(f) =20, h(f) =20, f(f) = 40] g [g(g) =20, h(g) =10, f(g) = 30] Nun wird g gewählt: f [g(f) =20, h(f) =20, f(f) = 40] k [g(k) =30, h(k) =0, f(k) = 30] Und dann schließlich k: f [g(f) =20, h(f) =20, f(f) = 40] Da k ein Endknoten ist und alle anderen f-werte größer als 30 sind, terminiert der Algorithmus. 1 c Ist die mit der Heuristik von 1-b gefundene Lösung optimal? Begründung? (2 Punkte) Nein, da i eine Lösung mit geringeren Kosten ist. 1 d Welche Werte müßten in der obigen Heuristik mindestens geändert werden, damit sie zulässig (admissible) wird? Auf welche Werte könnten sie gesetzt werden? (3 Punkte) Nur d muß geändert werden, auf einen Wert 10. 1 e Ist die obige Heuristik konsistent? Begründung? (3 Punkte) Nein, da sie ja nicht admissible ist (und consistent impliziert admissible). 1 f Gilt folgende Aussage: Wenn h eine zulässige (admissible) Heuristik ist, dann ist h(n) =0für alle Zielzustände n.? Begründung? (3 Punkte) Ja, da ein Zielzustand keine Kosten bis zum Zielzustand hat, und eine zuässige Heuristik diese Kosten unterschätzen muß.

Vorlesung Künstliche Intelligenz 4 Klausur Aufgabe 2 α-β-suche (18 Punkte) Gegeben sei der folgende Suchbaum (im Knoten a ist MAX am Zug): 2 a Geben Sie den MiniMax-Wert des Wurzelknotens an (3 Punkte) MiniMax =8. 2 b Führen Sie eine Alpha-Beta Suche durch (die Nachfolger eines Knotens werden, wie in der Vorlesung, von links nach rechts durchsucht). Geben Sie die Knoten an, die bei dieser Suche nicht durchsucht werden, und geben Sie für alle durchsuchten Knoten an, mit welchem Alpha-Beta Fenster sie durchsucht werden. [, + ] a [, + ] b [, + ] e [, + ] l [7, + ] m [, 7] f [, 7] n o wird geprunt, da 8(f) > 7(β cutoff) [7, + ] c [7, + ] g [7, + ] p [7, + ] q h, r, s, i, t, u werden geprunt, da 5(c) < 7(α cutoff) [7, + ] d [7, + ] j [7, + ] v [8, + ] w [7, 8] k [7, 8] x y wird geprunt, da 9(x) > 8(β cutoff) 2 c Geben Sie die Hauptvariante (Principal Variation) an.

Vorlesung Künstliche Intelligenz 5 Klausur (3 Punkte) a d j v 2 d Kann es im allgemeinen vorkommen, daß Alpha-Beta alle Knoten durchsuchen muß, die auch Minimax durchsuchen muß? Wovon hängt das ab? (3 Punkte) Ja, wenn die Knoten in ungünstiger Reihenfolge durchsucht werden.

Vorlesung Künstliche Intelligenz 6 Klausur Aufgabe 3 Planen (18 Punkte) Betrachten Sie folgende STRIPS-Probleme: 3 a Beschreiben Sie folgendes Planungsproblem: Der Agent befindet sich in einem Haus, die Tür ist zu. Das Ziel ist, außerhalb des Hauses bei geschlossener Tür zu sein. Der Agent kann die Haustür öffnen und schließen sowie durch die Tür aus dem Haus hinaus gehen. Repräsentieren Sie dieses Planungsproblem in STRIPS (d.h. geben Sie an, welche Fakten Sie zur Beschreibung benutzen, wie die initiale und die Endsituation aussieht sowie die Aktionen). (8 Punkte) Fakten: door open, door closed, in house, outside Start-State: in house, door closed Goal-State: outside, door closed Actions: open door close door go out PREC: door closed PREC: door open PREC: in house, door open ADD: door open ADD: door closed ADD: outside DEL: door closed DEL: door open DEL: in house 3 b Gegeben sei folgende Weltbeschreibung: Anfangssituation: f 2 Zielsituation: f 4,f 1 action : a 1 preconditions : f 1,f 3 add : f 4 delete : f 1 action : a 2 preconditions : f 2 add : f 4,f 3 delete : action : a 3 preconditions : f 2 add : f 1 delete : f 3 Geben Sie den kompletten Suchbaum an (d.h. hören Sie nicht nach der erste gefundenen Lösung auf), der beim Rückwärtsplanen entsteht. Basierend auf diesem Suchbaum, geben Sie alle gefundenen Pläne an, die das Problem lösen.

Vorlesung Künstliche Intelligenz 7 Klausur (10 Punkte) f1, f4 a2 a3 f1, f2 f2, f4 a3 a1 a2 f2 f1, f2, f3 f2 a2 f1, f2 a3 f2 Die gefundenen Pläne sind also: a 3,a 2 a 3,a 2,a 1,a 3 a 2,a 3

Vorlesung Künstliche Intelligenz 8 Klausur Aufgabe 4 Bayes sche Netze (18 Punkte) Die Wahrscheinlichkeiten, daß zwei Keller (A und B) überflutet werden, hängen wie folgt davon ab, ob es Hochwasser gibt oder nicht: Berechnen Sie die Wahrscheinlichkeit, daß Keller A überflutet wird, jeweils unter den in 4-a und 4-b gegebenen Annahmen. In beiden Fällen muß der Rechengang Ihres Lösungswegs ersichtlich sein. 4 a Keine weiteren Informationen sind bekannt (4 Punkte) P (a) = P (a h) P (h)+p(a h) P ( h) = = 0.8 0.1+0.1 0.9 =0.17 4 b Es ist bekannt, daß Keller B bereits überflutet wurde. (10 Punkte) P (A H, b) = α P (A, H, b) = = α P (H) P (A H) P (b H) = = α (P (h) P (A h) P (b h)+p( h) P (A h) P (b h)) A = true: P (h) P (a h) P (b h)+p( h) P (a h) P (b h) = 0.1 0.8 0.9+0.9 0.1 0.2 = 0.9 0.1 (0, 8+0.2) = 0.09 1=0.09 A = false: P (h) P ( a h) P (b h)+p( h) P ( a h) P (b h) = 0.1 0.2 0.9+0.9 0.9 0.2 = 0.9 0.2 (0.1+0.9) = 0.18 1=0.18 Normalisierung 1 P (A H, b) =α 0.09, 0.18 = 3, 2 3 P (a b) = 1 3, d.h., die Wahrscheinlichkeit, daß Keller A überflutet ist, wenn man weiß, daß Keller B überflutet ist, ist ein Drittel. 4 c Die beiden in 4-a und 4-b berechneten Wahrscheinlichkeiten sind unabhängig bedingt unabhängig abhängig

Vorlesung Künstliche Intelligenz 9 Klausur Begründen Sie Ihre Antwort. (4 Punkte) P (a) und P (a b) sind abhängig, da P (a) = B P (a B) P (B), d.h.wennp (a b) wächst/fällt, wächst/fällt auch P (a).

Vorlesung Künstliche Intelligenz 10 Klausur Aufgabe 5 Neuronale Netze (18 Punkte) Gegeben sei folgendes Neuronales Netz. Hierbei besitzt jedes Neuron die Aktivierungsfunktion a i =2 in i =2 j w jia j. g 2 2 e f 2 4 3 1 1 d a b c 5 a Berechnen Sie die Ausgabe des Netzes für den Eingabevektor (a, b, c) =( 1, 1, 1). Geben Sie Ihre Zwischenschritte an. (4 Punkte) in d =1 a d =2 in e =2 1+4 2=6 a e =12 in f =3 2+ 1 1=7 a f =14 in g =2 12 + 2 14 = 53 a g = 104 5 b Nehmen wir (fälschlicherweise!) an, daß bei Eingabe des Vektors (1, 1, 1) das Netz den Wert 1 berechnen würde, der Zielwert sei jedoch 0. Berechnen Sie den Fehlerwert i für die Neuronen g, e und d (d.h. g, e und d ). (8 Punkte) g(in i ) = 2 in i g (in i )=2 i g = (0 1) g (in g )= 2 e = (w eg g) g (in e )=2 2 2= 8 f = 8 analog d = (w de e + w df f) g (in g )=(4 8+3 8) 2= 112 5 c Geben Sie ein Perzeptron mit Schwellwert 0 an, das die logische Funktion (a b) c implementiert. Hierbei kodieren wir true als 1 und false als -1. (6 Punkte) zum Beispiel: bias: Gewicht 0.5 a, b: Gewicht 1 c: Gewicht 2

Vorlesung Künstliche Intelligenz 11 Klausur Aufgabe 6 Philosophische Grundlagen (8 Punkte) Erklären Sie das Chinese Room Argument und eine mögliche Erwiderung Ihrer Wahl. In einem Raum sitzt jemand, der kein chinesisch versteht. Er kann mit schriftlichen Nachrichten durch einen Briefschlitz mit der Aussenwelt kommunizieren. Jede schriftliche Eingabe wird mit Hilfe eines (englischen) Regelbuchs bearbeitet, das angibt, wie die Zeichen auf der Eingabe in Zeichen auf der Ausgabe transformiert werden sollen. Die Ausgabe wird dann durch den Briefschlitz zurückgegeben. Das Szenario ist dem Turing-Test nachempfunden. Searle möchte damit zeigen, daß, selbst wenn aus dem Raum perfekte Antworten kommen, d.h. das System den Turing-Test bestehen würe, es klar ist, daß nichts in dem Raum chinesisch versteht, d.h. daß hier keine Intentionalität vorhanden sein kann, die seiner Ansicht nach Intelligenz bedingt. Der Turing-Test ist daher, laut Searle, nicht zuläßig. Dagegen könnte man, z.b., einwenden, daß ja auch in menschlichen Gehirnen kein Einzelteil Verständnis hat, das Gesamtsystem jedoch schon. Analog könnte man das System des Raums + Regelbuch + Person als Einheit betrachten, und sagen, daß dieses Verständnis hat.