Mesterséges intelligencia

Slides:



Advertisements
Hasonló előadás
Nevezetes algoritmusok
Advertisements

MESTERSÉGES INTELLIGENCIA (ARTIFICIAL INTELLIGENCE)
Megszámlálás Elemi algoritmusok.
Elemi algoritmusok Páll Boglárka.
4. Előadás: A mohó algoritmus
Meteorológiai Előrejelzés Adatbányászati Támogatással Putnoki Gyula GTK ISZAM II.évf. Társszerzők: az ISZAM-os Meteor-team TDK-konferencia 2007 Gödöllő.
Adatbányászat a kontrollingban
Készítette: Mester Tamás METRABI.ELTE.  Egy bemeneten kapott szöveg(karakter sorozat) méretét csökkenteni, minél kisebb méretűre minél hatékonyabb algoritmussal.
Számítógépes algebrai problémák a geodéziában
Matematika II. 5. előadás Geodézia szakmérnöki szak 2010/2011. tanév Műszaki térinformatika ágazat tavaszi félév.
Illés Tibor – Hálózati folyamok
Linux ütemezés  Sokszor változott az évek folyamán  Az alap ütemező egyszerű volt  Prioritásos, futási sorok, RR…  2.4 verzió: O(n) ütemező o (következő.
R++-tree: an efficient spatial access method for highly redundant point data Kalmár Dániel (előadás), Németh Boldizsár (feldolgozás), Hollenczer Péter.
Streaming Algorithms for k-core Decomposition. K-mag dekompozíció Maximális részgráf, amiben minden csúcshoz legalább k részgráfbeli csúcs csatlakozik.
DAG topologikus rendezése
A mentális betegségek osztályozása,
Becsléselméleti ismétlés
Minimax és problémaredukció, egyszerű példák INCK431 Előadó: Dr. Nagy Benedek Norbert Gyakorlatvezető: Kovács Zita 2011/2012. II. félév A MESTERSÉGES INTELLIGENCIA.
Bársony Kristóf számítástechnika IV. évfolyam
A SAT probléma különböző reprezentációinak vizsgálata oktatási szempontból (újratöltve) Az általánosítás fegyvere a kutatásban Kusper Gábor,
Dr. Szalka Éva, Ph.D.1 Statisztika II. IX.. Dr. Szalka Éva, Ph.D.2 Idősorok elemzése.
Dr. Szalka Éva, Ph.D.1 Statisztika II. VII.. Dr. Szalka Éva, Ph.D.2 Regresszióanalízis.
2005. Stratégiai menedzsment és informatikai támogatás (A Vezetői információs rendszerek tantárgyhoz) Gaul Géza.
Miskolci Egyetem Informatikai Intézet Általános Informatikai Tanszé k Pance Miklós Adatstruktúrák, algoritmusok előadásvázlat Miskolc, 2004 Technikai közreműködő:
AVL fák.
IRE 4 /32/ 1 Óbudai Egyetem, NIK Dr. Kutor László2011. TÁMOP – I ntelligens R endszerek E lmélete 4.
2006. október 8.Könyves Vasárnap Mivel foglalkozik a „Mesterséges intelligencia” tudománya? A kezdetektől napjaink kutatásáig. Előadó: Nagy Sára, ELTE.
Kétszemélyes játékok Előadó: Nagy Sára.
Prím algoritmus.
Tökéletes Hash függvények keresése Kasler Lóránd-Péter.
Természetes Színezékek
Miskolci Egyetem Informatikai Intézet Általános Informatikai Tanszé k Pance Miklós Adatstruktúrák, algoritmusok előadásvázlat Miskolc, 2004 Technikai közreműködő:
Statisztika II. VIII. Dr. Szalka Éva, Ph.D..
Statisztika II. III. Dr. Szalka Éva, Ph.D..
KERESÉS (SEARCH).
KERESÉS (SEARCH).
MYCIN Szakértői rendszer.
STATISZTIKA II. 3. Előadás Dr. Balogh Péter egyetemi adjunktus Gazdaságelemzési és Statisztikai Tanszék.
Gépi tanulás Tanuló ágens, döntési fák, általános logikai leirások tanulása.
Többváltozós adatelemzés
Kötvényárazási hibák intelligens javítóalgoritmusának tervezése és fejlesztése GELLÉN ÁGNES IUFQ58.
Fák.
Valós idejű adaptív útvonalkeresés
Részecskenyom analízis és osztályozás Pálfalvi József MSc, Intelligens Rendszerek, Önálló labor 1.
Készítette: Hanics Anikó. Az algoritmus elve: Kezdetben legyen n db kék fa, azaz a gráf minden csúcsa egy-egy (egy pontból álló) kék fa, és legyen minden.
Nevezetes algoritmusok: Fa megvalósítása Készítette: Várkonyi Tibor Zoltán.
Előadó: Nagy Sára Mesterséges intelligencia Kereső rendszerek.
A feladat : Építsünk AVL-fát a következő adatokból:100,170,74,81,136,185,150,122,52,190,144 (Az AVL-fa olyan bináris keresőfa, amelynek minden csúcsára.
A Huffman féle tömörítő algoritmus
Mesterséges Intelligencia 1. Eddig a környezet teljesen megfigyelhető és determinisztikus volt, az ágens tisztában volt minden cselekvésének következményével.
Kapcsolatok ellenőrzése
Háló- (gráf-) algoritmusok
Bellmann-Ford Algoritmus
A játékelmélet és a Kétszemélyes játékok
A probléma gyökere: a szuperpozíció elve
Kétszemélyes játékok.
Kutatási beszámoló 2002/2003 I. félév Iváncsy Renáta.
Bevezetés a méréskiértékelésbe (BMETE80ME19) 2014/
MÉLYSÉGI BEJÁRÁS FZGAF0 – PINTÉR LÁSZLÓ. ALGORITMUS ELMÉLETE Egy s kezdőpontból addig megyünk egy él mentén, ameddig el nem jutunk egy olyan csúcsba,
PhD beszámoló 2003/2004 I. félév Készítette: Iváncsy Renáta Konzulens: Dr. Vajk István.
GPU alapú fotontranszport nagyfelbontású heterogén közegben BME IIT Szirmay-Kalos László Magdics Milán Tóth Balázs.
Mesterséges intelligencia 8. Stratégiai játékok A játék kimenetelére a játékosoknak ellenőrizhető módon van befolyásuk. Pl.: sakk, dáma, póker stb. A.
A malomjáték algoritmusa
Mesterséges intelligencia
Mesterséges intelligencia
Sakk algoritmus.
Algoritmusok és Adatszerkezetek I.
Mesterséges intelligencia
C/C++, hobbi játékprogramozás
Algoritmusok és Adatszerkezetek I.
Előadás másolata:

Mesterséges intelligencia 9

Játékfa A játékfa óriási méretű lehet. Csak bizonyos (előre megadott) mélységben tudjuk legenerálni. A levelekben valamilyen heurisztikát (becslést) kell alkalmazni. 2 heurisztika a 2 játékosnak:

Heurisztika

Minimax algoritmus

Minimax algoritmus (a,p) mélységkorlát 7 9 -4 -7 5 8 2

Minimax algoritmus

Minimax algoritmus (a,p) o1 o2 -4 2 mélységkorlát -4 7 2 -4 7 -7 2 9 5 8 2

Minimax algoritmus problémái Kétfajta heurisztika A keresőfa részei nem használhatók újra

Negamax algoritmus Csak egyfajta heurisztika: A soron következő játékos heurisztikája, azaz:

Negamax algoritmus Működése a minimax-szal megegyezik, a következő eltéréssel: „Váltakozó” szintek esetén:

Negamax algoritmus (a,p) o1 o2 4 -2 mélységkorlát -4 7 2 4 -7 7 -2 9 5 8 2

Negamax algoritmus Ha a szintek nem „váltakozóak”: (a’,p’) (a’1,p’ 1) (a’n,p’ n) ...

Alfabéta vágás A generált fa egyes részei feleslegesek lehetnek. Alfa vágás: 9 max 4 min 9 max 4

Alfabéta vágás A generált fa egyes részei feleslegesek lehetnek. 1 min 8 max 1 min 8