{"id":16133613,"url":"https://github.com/gabboraron/mi-ea","last_synced_at":"2026-03-01T14:02:24.104Z","repository":{"id":131753144,"uuid":"231374201","full_name":"gabboraron/MI-EA","owner":"gabboraron","description":"AI | MI | mesterséges inteligencia ","archived":false,"fork":false,"pushed_at":"2020-06-12T21:44:49.000Z","size":37208,"stargazers_count":0,"open_issues_count":0,"forks_count":0,"subscribers_count":1,"default_branch":"master","last_synced_at":"2025-10-31T10:54:53.332Z","etag":null,"topics":["a","a-star-algorithm","alpha-beta-pruning","b","genetic-algorithm","minimax-algorithm","negamax-algorithm"],"latest_commit_sha":null,"homepage":"https://people.inf.elte.hu/gt/mi/mi.html","language":null,"has_issues":true,"has_wiki":null,"has_pages":null,"mirror_url":null,"source_name":null,"license":"mpl-2.0","status":null,"scm":"git","pull_requests_enabled":true,"icon_url":"https://github.com/gabboraron.png","metadata":{"files":{"readme":"README.md","changelog":null,"contributing":null,"funding":null,"license":"LICENSE","code_of_conduct":null,"threat_model":null,"audit":null,"citation":null,"codeowners":null,"security":null,"support":null,"governance":null,"roadmap":null,"authors":null,"dei":null,"publiccode":null,"codemeta":null}},"created_at":"2020-01-02T12:07:00.000Z","updated_at":"2020-06-12T21:44:51.000Z","dependencies_parsed_at":"2023-06-05T21:15:30.003Z","dependency_job_id":null,"html_url":"https://github.com/gabboraron/MI-EA","commit_stats":null,"previous_names":[],"tags_count":0,"template":false,"template_full_name":null,"purl":"pkg:github/gabboraron/MI-EA","repository_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/gabboraron%2FMI-EA","tags_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/gabboraron%2FMI-EA/tags","releases_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/gabboraron%2FMI-EA/releases","manifests_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/gabboraron%2FMI-EA/manifests","owner_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners/gabboraron","download_url":"https://codeload.github.com/gabboraron/MI-EA/tar.gz/refs/heads/master","sbom_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/gabboraron%2FMI-EA/sbom","scorecard":null,"host":{"name":"GitHub","url":"https://github.com","kind":"github","repositories_count":286080680,"owners_count":29970543,"icon_url":"https://github.com/github.png","version":null,"created_at":"2022-05-30T11:31:42.601Z","updated_at":"2026-03-01T13:32:00.443Z","status":"ssl_error","status_checked_at":"2026-03-01T13:32:00.084Z","response_time":124,"last_error":"SSL_connect returned=1 errno=0 peeraddr=140.82.121.6:443 state=error: unexpected eof while reading","robots_txt_status":"success","robots_txt_updated_at":"2025-07-24T06:49:26.215Z","robots_txt_url":"https://github.com/robots.txt","online":false,"can_crawl_api":true,"host_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub","repositories_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories","repository_names_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repository_names","owners_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners"}},"keywords":["a","a-star-algorithm","alpha-beta-pruning","b","genetic-algorithm","minimax-algorithm","negamax-algorithm"],"created_at":"2024-10-09T22:45:10.692Z","updated_at":"2026-03-01T14:02:24.049Z","avatar_url":"https://github.com/gabboraron.png","language":null,"funding_links":[],"categories":[],"sub_categories":[],"readme":"# MI\n\n**jetson**\nhttps://www.nvidia.com/en-us/autonomous-machines/embedded-systems/jetson-nano/learn-ai/\nhttps://courses.nvidia.com/courses/course-v1:DLI+C-RX-02+V1/about\n\n**inteligens rendszerek elmélete youtube sorozat (kb 15 óra)** https://www.youtube.com/watch?v=QP0bdol-5Y0\u0026list=PLSBcNSXgMqreVXQV0dMaVrManDyfGnWvF\n\n**korábbi vizsgakidolgozások**\nhttp://zyxon.github.io/pages/mi-vizsga.html vagy [cache](http://webcache.googleusercontent.com/search?q=cache:jrdH-2LKvL8J:zyxon.github.io/pages/mi-vizsga.html+\u0026cd=1\u0026hl=en\u0026ct=clnk\u0026gl=hu\u0026client=ubuntu)\n\n## Vissszalépéses keresés 1\n\u003e - nincs kör és mélységi korlát figyelés\n\u003e - véges körmentes gráfon terminál, ha van megoldás talál egyet\n\n## Vissszalépéses keresés 2\n### elsődleges\n\u003e nem modelfüggő, nem merít a feladattól és annak modelljétől, nem  merít a feladat ismeretiből és a modell sajátosságaiból.\n### másodlagos\n\u003e modellfüggő, nem függ a feladat imsereteitől, de építa feladat modelljének általános elemére, pl lineáris input stratégia\n### heurisztikus\n\u003e feladattól származik, nem rögzített megoldással, de a feladatból ismert adatokat használja\n\n## best first\n\u003e a csúcsoknak súlya van ~ heursiztika. ezeket figyelembe véve, minidg a **legkisebb fele indul**\n\nhttps://www.youtube.com/watch?v=kNIEMi9OIwA\n\n## A algoritmus\n\u003e van költsége az élnek, ez alapján tejeszti ki az lagoritmus, a legkisebb fle indul, mint az előző, az **út költsége + a csúcs heurisztikája, ha a csúcsn átmegy az út akkor nem kell figyelembe venni** a heurisztikáját.\n\nhttps://www.youtube.com/watch?v=bK3Z61A8R48\n\n## A*\n\u003e **az út hossza a csúcsba, a csúcs heurisztikája és az addig vezető utat is figyelembe veszi**, `CSÚCS, ÚTHOSSZ, ÚTHOSSZ+HEURISZTIKA` formában. Az, hogy melyik lépésben melyikkel foyltatja attól függ, a `ÚTHOSSZ+HEURISZTIKA`tól függ, ismét a legkisebbet veszi figyelembe. Ha egy csúcsot már érintettünk, de az úthossz nagyobb mint az előző alklaommal akkor nem lép tovább, mer előnytelen. Ha eléri a célt, de a heurisztika nagyobb mint a még be nem járt úton, akkor azzal folytatjuk, és tovább keresünk.\n\nhttps://www.youtube.com/watch?v=hhCT9wyfEqE\n\n\u003e **`A` és `A*` közti különbség:** https://cs.stackexchange.com/questions/50722/algorithm-a-vs-algorithm-a-whats-the-difference\n\n**Mintafeladat:** feladat: [06.HF_ABA.pdf](https://github.com/gabboraron/MI-EA/blob/master/06.HF_ABA.pdf) és mintamegoldás: [ABA.pdf](https://github.com/gabboraron/MI-EA/blob/master/ABA.pdf) **első és utolsó feladata!**\n\n## B\nBemenő számok együtteséből kimenő értékeket előáállító rendszer,kapcsolódó, tanítható egységekből áll, pl: mesterséges neuron, hálózati topológia, tanulási szabály, neuronháló.\n\n**Mintafeladat:** feladat: [06.HF_ABA.pdf](https://github.com/gabboraron/MI-EA/blob/master/06.HF_ABA.pdf) és mintamegoldás: [ABA.pdf](https://github.com/gabboraron/MI-EA/blob/master/ABA.pdf) **középső része!**\n\n## minimax\n\u003e felváltva keres minimumot és maximumot a gyerekek között. **mindig `MAX` az első!!**\n\nhttps://www.youtube.com/watch?v=vSXF-beEdko\n\n## negamax\n\u003e felváltva keres maximumot és negáltak maximumát. **mindig `NEGMAX` az első!!**\n\nhttps://www.youtube.com/watch?v=q4B72LU0ERI\n\n**Mintafeladat:** feladat: [08.HF_game.pdf](https://github.com/gabboraron/MI-EA/blob/master/08.HF_game.pdf)és megoldás: [NegaMax.jpg](https://github.com/gabboraron/MI-EA/blob/master/NegaMax.jpg)\n\n## átlagoló kiértékelés\n\u003e két érték adott `n` és `m`, ez egyébként egy `minimax` fa ahol a `MAX` szinteken `n` a `MIN` szinteken `m` darab elemet átlagolunk, értlemeszerűen a maxon az első m darab legnagyobb, a minen az első n darab legkisebb átlaga kell.\n\nhttps://www.youtube.com/watch?v=f9LcjuwWcdw\n\n## alfa béta vágás\n\u003e nem veszi figyelembe az egyébként előnytelen ágakat\n\u003e\n\u003e pl: ha adott szintre a minimum kell és a előző maximumot keres akkor ha a az egyk ág klegkisebb értéke is nagyobb mint a a másik ág maximuma úgy azon nm kell kisázmolni a maximumot, hiszen a végén úgyis csak a kisebb érdekel a következő szintre.\n\nhttps://www.youtube.com/watch?v=80wILJOXFog\n\u003e gyakorlóprogram alfa-béta vágásra: http://inst.eecs.berkeley.edu/~cs61b/fa14/ta-materials/apps/ab_tree_practice/\n**Mintafeladat:**: feladat: [08.HF_game.pdf](https://github.com/gabboraron/MI-EA/blob/master/08.HF_game.pdf)  és megoldás: [Alfa-béta.jpg](https://github.com/gabboraron/MI-EA/blob/master/Alfa_b%C3%A9ta.jpg)\n\n## mesterséges genetikus algoritmusok/evolúciós algoritmusok\nhttps://www.youtube.com/watch?v=_0TX-pHKRIc\n\n\u003e **Mintafeladat**\n\u003e\n\u003e Tervezzen evolúciós algoritmust az utazó ügynök probléma minél jobb megoládásának előállítására!\n\u003e\n\u003e Adott n város a közöttük vezető utak költségeivel. Melyik a legolcsóbb olyan útvonal, amely egy adott városból indulva mindegyik várost  pontosan egyszer érintve visszatér a kiinduló városba?\n\u003e\n\u003e Készítsen egy rövid dokumentációt:\n\u003e \n\u003e - problématér (Mik legyenek a probléma egyedei?)\n\u003e - reprezentáció (Hogyan kódoljuk az egyedeket?)\n\u003e - rátermettségi függvény (Hogyan mérjük az egyedek rátermettségét?)\n\u003e - evolúciós operátorok (Javasoljon kiválasztásra, rekombinálásra, mutációra, visszahelyezésre egy-egy módszert.)\n\u003e - stratégiai paraméterek (Mi legyen populáció mérete, a mutáció valószínűsége, az utódképzési- és a visszahelyezési táta?)\n\u003e - Mutasson be egy evolúciós ciklust!\n\n**Megoldások:**\n- mintamegoldás: [EvolúcióHF_mo.pdf](https://github.com/gabboraron/MI-EA/blob/master/Evol%C3%BAci%C3%B3HF_mo.pdf)\n- saját, majdnem tökéletes megoldás: https://github.com/gabboraron/MI-EA/blob/master/MI%20beadand%C3%B3%20genetikus%20algoritmus.pdf\n\n## Automatikus következtetés\n\u003e **Mintafeladat**\n\u003e\n\u003e Axiómák: „Aki tud írni és olvasni, az nem analfabéta.  A delfinek analfabéták. Néhány delfin intelligens.\" \n\u003e\n\u003e Célállítás: \"Vannak olyan intelligens lények, akik nem tudnak írni és olvasni.\"\n\u003e\n\u003e Bizonyítsa be rezolúcióval és szabályalapú következtetéssel, hogy a célállítás következik az axiómákból.\n\u003e \n\u003e Meg kell adni:\n\u003e\n\u003e - Az axiómák és a célállítás formuláit\n\u003e - Kiinduló klózokat\n\u003e - Cáfolati gráfot\n\u003e - Szabályalapú reprezentációt (tényállítás, szabályok, célállítás)\n\u003e - A szabályalapú következtetés irányát.\n\u003e - A bizonyítást leíró ÉS/VAGY gráfot\n\u003e\n\u003e Segítség:\n\u003e \n\u003e 1. Használja az alábbi szimbólumokat\n\u003e \n\u003e Predikátum szimbólumok:\n\u003e \n\u003e - A(x)     : x analfabéa\n\u003e - I(x)      : x intelligens\n\u003e - D(x)    : x egy delfin\n\u003e - IO(x) : x ctud írni és olvasni\n\u003e \n\u003e 2. A rezolúciónál mindig csak olyan klózpárt rezolváljon, ahol az egyik klóz a célállításból származik.\n\u003e\n\u003e 3. Ha van IO(x) → ! A(x) szabálya, akkor használhatja az A(x) → ! IO(x) (kontrapozitív) szabályt is.\n\n**Mintamegoldás: [KövetkeztetésHF_mo.pdf](https://github.com/gabboraron/MI-EA/blob/master/K%C3%B6vetkeztet%C3%A9sHF_mo.pdf)**\n\n## bizonytalanság kezelés\nhttps://www.inf.u-szeged.hu/~berendg/?pp=teaching\u0026subj=dm\n\u003e **Mintafeladat**\n\u003e\n\u003e Egy gépjármű akkumulátorának állapotára az úgynevezett „zöld szem” színe alapján következtethetünk: ez 0.95 valószínűséggel elsötétül, ha az akkumulátor lemerült, de 0.2 valószínűséggel akkor sem zöld, ha az akkumulátor jó. A gépjármű indító-motora csak 0.1 valószínűséggel működik lemerült akkumulátorral, de száz esetből egyszer nem üzemel akkor se, ha az akkumulátor jó. Az akkumulátort nem rég vásároltuk (jó állapotban van), így egy a kilenchez (10-ből egy) annak esélye, hogy lemerült. A benzin-motor 0.9 valószínűséggel nem indul be, ha az indító-motor nem forog, de 0.2 eséllyel akkor sem, ha az indító-motor működik.\n\u003e\n\u003e Válassza ki a probléma valószínűségi változóit, adja meg a probléma valószínűségi hálóját a csúcsok valószínűségi tábláival együtt. \n\n**Mintamegoldás**: https://github.com/gabboraron/MI-EA/blob/master/BizonytalansagkezelesHF.pdf\n\n## Döntési fa\n\u003e **Mintafeladat**\n\u003e\n\u003e Tanuljuk meg, hogy a barátunk (barátnőnk) milyen filmeket szeret megnézni a moziban, ha az alábbiakat figyeltük meg eddig:\n\n      HA  Származás                    Feliratos                             Téma               AKKOR            Tetszik neki\n\n          amerikai                        igen                               akció                                  nem\n          magyar                          nem                                akció                                  nem\n          francia                         nem                                vígjáték                               igen\n          amerikai                        igen                               krimi                                  nem\n          magyar                          nem                                vígjáték                               igen\n          amerikai                        nem                                romantikus                             igen\n\u003e\n\u003e Rajzolja fel a probléma döntési fáját! Ennél mindig a legnagyobb információs előnyt biztosító attribútumot válassza.\n\u003e\n\u003e (Néhány entrópia érték: E(1/2,1/2)=1.0; E(1/3,2/3)=0.92; E(1/4,3/4)=0.81; E(1/5,4/5)=0.72; E(2/5,3/5)=0.97)\n\n**Mintamegoldás**: https://github.com/gabboraron/MI-EA/blob/master/Dontesi_fa.pdf\n\n## Mesterséges neuronháló\n\u003e **Mintafeladat**\n\u003e\n\u003e Tervezzen egy olyan neuronhálózatot, amely síkbeli koordináta rendszer pontjairól el tudja dönteni, hogy azok beleesnek-e azon origó középpontú rombuszba, amelynek átlói a koordináta tengelyekre esnek (origóban metszik egymást) és 2 egység hosszúak. Használjon Rosenblatt-féle perceptronokat. (A perceptronok súly-tényezőit \"kézzel\" kell kiszámolnia.)\n\n**Megoldások:** \n- mintamegoldás: https://github.com/gabboraron/MI-EA/blob/master/neuronHF.pdf \n- saját, full pontos megoldás: https://github.com/gabboraron/MI-EA/blob/master/MI-mesters%C3%A9ges_neuronhalo.pdf és adatbázis hozzá: https://github.com/gabboraron/MI-EA/blob/master/rombok(1).ods\n","project_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fgabboraron%2Fmi-ea","html_url":"https://awesome.ecosyste.ms/projects/github.com%2Fgabboraron%2Fmi-ea","lists_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fgabboraron%2Fmi-ea/lists"}