TU Wien:Grundzüge der Artificial Intelligence VO (Egly)/Prüfung 2009-01-20

Hier ein Braindump der Prüfung vom 20.1.2009 aus GAI:

1) Agenten

• ) Woraus besteht ein Agent? Beschreibung der Elemente
• ) true/false zu "rational Agent"
• ) Utility-Based Agent aufzeichnen
• ) Nenne 4 Environment Types mit dazu passenden Umgebungen

2) Minimax

• ) Für welche Art Spiel ist Minimax optimal?

• ) Speicher und Zeitkompl. von Minimax
• ) MiniMax-Bsp. mit R1R1 R1R2 ... bis R3R3
  • MiniMax-Baum erstellen
  • MiniMax mit alpha-beta-pruning erstellen. Die Werte von alpha und beta niederschreiben bzw. nicht durchwanderte Knoten kennzeichnen

3) Suche

• ) Gegeben war ein Baum mit mehreren Zielknoten, den Pfadkosten und den Werten der Heuristik h(n) für jeden Knoten.
  • A*-Suche durchführen
  • Greedy-Suche durchführen. Ist das Ergebnis optimal?

• ) Wann dominiert eine Heuristik eine andere.
• ) Hill climbing pseudocode
• ) 3 Mögl. zu "escape local maxima by allowing some 'bad' moves" angeben

4) gemischt

• ) Schreibe in FOL:

Wenn "Ödipus" ein Rätsel nicht lösen kann, kann niemand dieses Rätsel lösen.

R(x) ... kann Rätsel lösen, "Ödipus" ... Konstante.

• ) True/False Fragen zu obiger Formel (Ist sie erfüllbar, Ist sie gültig, etc.)
• ) Theoriefrage zum Thema KB, Modellen und Satz alpha. (Folie Knowledge Repr. - Models (?))
• ) Partial-Order planing erklären
• ) true/false Fragen zum Thema STIPS / ADL

5) Uncertainty

• ) Marginalisation erklären

• ) eine Tabelle war gegeben
  • komb. Wahrscheinlichkeiten von a, b & c waren gegeben (siehe Folien)

(z.B: (not(a), b, c) = 0.2, (a, b, c)=0.01, (a, not(b), c) = 0.15 usw.)

• • P(not(b)|c) war gesucht.

• ) Bayesian networks: Conditional Independence erklären

[P(V1, ....., Vn) = Produkt (P(Vi | Parents (Vi))]