Mesterséges Intelligencia Alapjai II. beadandó Orosz György – Vörös Gyula – Zsiák Gergő Pál.

Slides:



Advertisements
Hasonló előadás
Intranet portál bemutató
Advertisements

Autonóm mérésadatgyűjtő és telemetriai rendszer
Szervezetfejlesztés, vezetésfejlesztés
Infrastruktúra-felügyelet a privát felhőben
Pac-Man játék tanulása Megerősítéses Tanulással Mesterséges Intelligencia algoritmusok tesztelése játékokon Gyenes Viktor Eötvös Loránd Tudományegyetem.
INFRASTRUKTÚRA MENEDZSMENT
IRE 8 /38/ 1 Óbudai Egyetem, NIK Dr. Kutor László2011. TÁMOP – I ntelligens R endszerek E lmélete 8.
Készítette: Zaletnyik Piroska
Módszerek sebességi állandók becslésére Kovács Benedek, Budapesti Műszaki és Gazdaségtudományi Egyetem.
Szimuláció a mikroelektronikában Dr. Mizsei János 2013.
A felsőoktatás finanszírozásának alapfogalmai, alapkérdései
Bevezetés a gépi tanulásba február 16.. Mesterséges Intelligencia „A számítógépes tudományok egy ága, amely az intelligens viselkedés automatizálásával.
TUDÁSALAPÚ RENDSZEREK Tudnivalók ILCV441 Előadó: Kovács Zita 2013/2014. I. félév.
A mesterséges intelligencia alapjai
Dr. Kovács Emőd VISZ Díjátadó Ünnepség computer graphics Számítógépi grafika Grafikai irányok, kutatások és egyebek.
Mesterséges neuronhálózatok
SZÁMÍTÓGÉP ARCHITEKTÚRÁK
2005. Stratégiai menedzsment és informatikai támogatás (A Vezetői információs rendszerek tantárgyhoz) Gaul Géza.
MECHANIZMUSOK SZÁMÍTÓGÉPES MODELLEZÉSE
A korszerű vezetés gyakorlata Valljuk, hogy erőfeszítéseinkhez igazodó társasági működés, csak jól felkészült, többirányú kommunikácóra képes, közös célért.
Online hasonlóságelemzések: Online hasonlóságelemzések: Tapasztalatok (kukorica) hozamfüggvények levezetése kapcsán Pitlik László, SZIE Gödöllő (Forrás:
Hiányzók: Varga László, Horváth Balázs Szervezeti környezet.
Ismeretalapú rendszerek alaptechnikái
Tűzoltás vezetés GPS-el?. Sajátosságok Nagy terület - nehezen átlátható Terjedési sebessége, iránya gyorsan változik. Jelentős erő- és eszközigény Gyakori.
Mesterséges Intelligencia Alapjai II. beadandó Orosz György – Vörös Gyula – Zsiák Gergő Pál.
Közlekedésmodellezés Készítette: Láng Péter Konzulens: Mészáros Tamás.
Kovács Dániel László Kovács Dániel László BME-VIK, Méréstechnika és Információs Rendszerek Tanszék Önálló laboratórium.
Gyengén nemlineáris rendszerek modellezése és mérése Készítette: Kis Gergely Konzulens: Dobrowieczki Tadeusz (MIT)
Készítette: Gergó Márton Konzulens: Engedy István 2009/2010 tavasz.
Intelligens felderítő robotok Készítette: Györke Péter Intelligens rendszerek MSC szakirány Konzulens: Kovács Dániel László Méréstechnika és Információs.
ELTE PPK VIZSGAANYAG Felhasználva: Holland-magyar KÖVI Tóth Béla által szerkesztett anyagait.
Szervezetfejlesztés, vezetésfejlesztés, oktatásszervezés
IKIR – Intézményközi Információs Rendszer
Optimalizáció modell kalibrációja Adott az M modell, és p a paraméter vektora. Hogyan állítsuk be p -t hogy a modell kimenete az x bemenő adatokon a legjobban.
SIMON, a humanoid robot Magyarul: „Szájmon” A fémek életre kelnek
1 Mössbauer-spektrumok illesztése: vonalalak A kibocsátott  -sugárzás energiaspektruma Lorentz-görbe alakú: I : sugárzás intenzitása  : frekvencia 
Dr. Kovács Emőd VISZ Díjátadó Ünnepség computer graphics Számítógépi grafika Grafikai irányok, kutatások és egyebek.
Ismeretlen terhelésű szakaszok adaptív szabályozása József K. Tar, Katalin Lőrinc, László Nádai Budapesti Műszaki Főiskola H-1034 Budapest, Bécsi út 96/B.
Project Domino Marczin Tamás Tóth Tamás IAR2008. Tartalom 1.A célkitűzés 2.Kutatások 3.Felépítése A szoftver A hardver 4.Szoftver 5.Hardver 6.Működése.
Petri-hálón alapuló modellek analízise és alkalmazásai a reakciókinetikában Papp Dávid június 22. Konzulensek: Varró-Gyapay Szilvia, Dr. Tóth János.
Megbízható harmadik generációs mobil távközlő hálózatok tervezése genetikus algoritmussal Szigeti János Konzulensek: Cinkler Tibor (TTT) Szlovencsák Attila.
Rendszám Felismerő Rendszer Fajt Péter Vácz István
Anytime algoritmusok az információ-átvitelben Írta Benedecsik Csaba Konzulens Dr. Várkonyiné Kóczy Annamária.
Részecskenyom analízis és osztályozás Pálfalvi József MSc, Intelligens Rendszerek, Önálló labor 1.
Elektronikus tanulási forráskezelő keretrendszer, kompetencia-fejlesztő program adatbázis létrehozása Calderoni program.
i.e. SMART üzleti ötletek versenye SWOT analízis workshop
Menetrend optimalizálása genetikus algoritmussal
Webfejlesztés, Internet Explorer 10 Komjáthy Szabolcs
WP-Dyna: tervezés és megerősítéses tanulás jól tervezhető környezetekben Szita István és Takács Bálint ELTE TTK témavezető: dr. Lőrincz András Információs.
Részecskenyom analízis és osztályozás Pálfalvi József MSc, Intelligens Rendszerek, Önálló labor 1. Egyetemi konzulens: dr. Dobrowiecki Tadeusz (BME MIT)
Biomimetikus neuronális hálózatok evolúciója (RET Tudományos Nap 2007) Szathmáry Eörs programvezető.
Gyorsulás, lassulás. Fékút, féktávolság, reakció idő alatt megtett út
PÁRHUZAMOS ARCHITEKTÚRÁK – 13 INFORMÁCIÓFELDOLGOZÓ HÁLÓZATOK TUDÁS ALAPÚ MODELLEZÉSE Németh Gábor.
Mesterséges Neurális Hálózatok 3. előadás
1/19 Hogyan tájékozódnak a robotok? Koczka Levente Eötvös Collegium.
Eötvös Konferencia, 2008 április 26. Kovács Máté 1 Útkeresések optimalizálása számítógépes játékokban.
1.Kanonikus felügyelt tanulási feladat definíciója (5p) 1.Input, output (1p) 2.Paraméterek (1p) 3.Hipotézisfüggvény (1p) 4.Hibafüggvény/költségfüggvény.
Kontinuum modellek 1.  Bevezetés a kontinuum modellekbe  Numerikus számolás alapjai.
Operációkutatás I. 1. előadás
Google Autó Lengyel Róbert Óbudai Egyetem, 2015.
Startup felvásárlások multikulturális hátterének elemzése, avagy mesterséges intelligencia alapú ellenőrzőszámítás diszkriminancia-elemzéshez Barta Gergő,
Genetikus algoritmusok
Mesterséges intelligencia
Témavezető: Dr. Oniga István Fejlesztők: Erdős andrás Zákány józsef
Mesterséges intelligencia
Tudásalapú rendszerek
C/C++, hobbi játékprogramozás
Szimuláció a mikroelektronikában
Bunkóczi László, Dr.Pitlik László, Pető István, Szűcs Imre
I-QRS ÉletjelfigyelőTelemetriás Rendszer
Előadás másolata:

Mesterséges Intelligencia Alapjai II. beadandó Orosz György – Vörös Gyula – Zsiák Gergő Pál

Feladatkitűzés Adott egy négyzethálós térkép, amin az egyik pontból el kell jutni egy másik pontba. A térkép minden négyzetéhez tartozik egy “járhatóság” érték. Ezen a térképen kell elvezetnie egy algoritmusnak egy járművet, úgy, hogy minél jobban az úton maradjon. Adott egy négyzethálós térkép, amin az egyik pontból el kell jutni egy másik pontba. A térkép minden négyzetéhez tartozik egy “járhatóság” érték. Ezen a térképen kell elvezetnie egy algoritmusnak egy járművet, úgy, hogy minél jobban az úton maradjon. Javasolt MI módszerek: genetikus algoritmusok, neurális hálók. Javasolt MI módszerek: genetikus algoritmusok, neurális hálók. Elkészítendő: moduláris felépítéssel GUI-s térkép generáló rész, jármű “kinematika” (kézzel vezetés), vezető algoritmus, vezetés megjelenítés. Elkészítendő: moduláris felépítéssel GUI-s térkép generáló rész, jármű “kinematika” (kézzel vezetés), vezető algoritmus, vezetés megjelenítés.

Rövid áttekintés Egészséges verseny a csapatban: három különböző MI módszer implementációja Egészséges verseny a csapatban: három különböző MI módszer implementációja Emberi vezetés Emberi vezetés Komoly fizikai modell a színfalak mögött Komoly fizikai modell a színfalak mögött Talajtípusok különböző fizikai paraméterekkel Talajtípusok különböző fizikai paraméterekkel GUI textúrázott térképpel GUI textúrázott térképpel

Mesterséges Intelligencia módszerek Univerzális neurális struktúra (O.Gy.) Univerzális neurális struktúra (O.Gy.) Szabály alapú rendszer genetikus algoritmussal (V.Gy.) Szabály alapú rendszer genetikus algoritmussal (V.Gy.) Hibrid algoritmus (Zs.G.) Hibrid algoritmus (Zs.G.)

Térkép, fizika szolgáltatásai – avagy mit érzékelnek a vezetőink? Látómező lekérése Látómező lekérése Optimális pozíció meghatározása Optimális pozíció meghatározása „Inverz szimuláció” „Inverz szimuláció” Kontrollpontok meghatározása Kontrollpontok meghatározása „Fitnesz” „Fitnesz”

Univerzális Neurális vezető Teljesen lináris neurális hálózat Teljesen lináris neurális hálózat Input: látómező pontjai, aktuális sebesség Input: látómező pontjai, aktuális sebesség Tanulás: optimális pont és inverz szimuláció segítségével, delta-szabállyal Tanulás: optimális pont és inverz szimuláció segítségével, delta-szabállyal

Szabály alapú vezető Egyszerű szabály alapú felépítés Egyszerű szabály alapú felépítés Input: kontrollpontok Input: kontrollpontok Tanulás: evolúciós algoritmussal, elitképzés a fitneszfüggvény segítségével Tanulás: evolúciós algoritmussal, elitképzés a fitneszfüggvény segítségével

Hibrid vezető Alapvetően neurális felépítésű több nemlinearitással Alapvetően neurális felépítésű több nemlinearitással Input: sebesség, kontrollpontok Input: sebesség, kontrollpontok Tanulás: optimális pont, inverz szimuláció alapján delta-szabállyal Tanulás: optimális pont, inverz szimuláció alapján delta-szabállyal

Eredmények Univerzális vezetőnél tanulás nem konvergál, kérdéses az architektúra relevanciája – nemlinaritások nélkül nem tudja karakterizálni a vonalvezetést Univerzális vezetőnél tanulás nem konvergál, kérdéses az architektúra relevanciája – nemlinaritások nélkül nem tudja karakterizálni a vonalvezetést Szabály alapú vezetőnél jól eltalált tanulás, okos ágensek – leginkább hatásos megoldás Szabály alapú vezetőnél jól eltalált tanulás, okos ágensek – leginkább hatásos megoldás Hibrid vezetőnél van jó paraméterezés, de a tanulás nem konvergál (néha elég okos lesz) – sok a becsült érték, amik alapján tanul Hibrid vezetőnél van jó paraméterezés, de a tanulás nem konvergál (néha elég okos lesz) – sok a becsült érték, amik alapján tanul Gyula nyert Gyula nyert

Vigaszdíj Habár a két neurális struktúra nem hozta a várt eredményeket, de fejlesztésük, tesztelésük során elég sok utat (és zsákutcát) végigjártak a tagok, és ezáltal megérezték a paradigma erősségeit, lehetőségeit és korlátait Habár a két neurális struktúra nem hozta a várt eredményeket, de fejlesztésük, tesztelésük során elég sok utat (és zsákutcát) végigjártak a tagok, és ezáltal megérezték a paradigma erősségeit, lehetőségeit és korlátait Meg azért jó buli volt Meg azért jó buli volt

Köszönjük a figyelmet! Gyuri, Gyula, Gergő