https://github.com/gabboraron/mi-ea
AI | MI | mesterséges inteligencia
https://github.com/gabboraron/mi-ea
a a-star-algorithm alpha-beta-pruning b genetic-algorithm minimax-algorithm negamax-algorithm
Last synced: 29 days ago
JSON representation
AI | MI | mesterséges inteligencia
- Host: GitHub
- URL: https://github.com/gabboraron/mi-ea
- Owner: gabboraron
- License: mpl-2.0
- Created: 2020-01-02T12:07:00.000Z (about 6 years ago)
- Default Branch: master
- Last Pushed: 2020-06-12T21:44:49.000Z (almost 6 years ago)
- Last Synced: 2025-10-31T10:54:53.332Z (5 months ago)
- Topics: a, a-star-algorithm, alpha-beta-pruning, b, genetic-algorithm, minimax-algorithm, negamax-algorithm
- Homepage: https://people.inf.elte.hu/gt/mi/mi.html
- Size: 35.5 MB
- Stars: 0
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
- License: LICENSE
Awesome Lists containing this project
README
# MI
**jetson**
https://www.nvidia.com/en-us/autonomous-machines/embedded-systems/jetson-nano/learn-ai/
https://courses.nvidia.com/courses/course-v1:DLI+C-RX-02+V1/about
**inteligens rendszerek elmélete youtube sorozat (kb 15 óra)** https://www.youtube.com/watch?v=QP0bdol-5Y0&list=PLSBcNSXgMqreVXQV0dMaVrManDyfGnWvF
**korábbi vizsgakidolgozások**
http://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+&cd=1&hl=en&ct=clnk&gl=hu&client=ubuntu)
## Vissszalépéses keresés 1
> - nincs kör és mélységi korlát figyelés
> - véges körmentes gráfon terminál, ha van megoldás talál egyet
## Vissszalépéses keresés 2
### elsődleges
> nem modelfüggő, nem merít a feladattól és annak modelljétől, nem merít a feladat ismeretiből és a modell sajátosságaiból.
### másodlagos
> modellfüggő, nem függ a feladat imsereteitől, de építa feladat modelljének általános elemére, pl lineáris input stratégia
### heurisztikus
> feladattól származik, nem rögzített megoldással, de a feladatból ismert adatokat használja
## best first
> a csúcsoknak súlya van ~ heursiztika. ezeket figyelembe véve, minidg a **legkisebb fele indul**
https://www.youtube.com/watch?v=kNIEMi9OIwA
## A algoritmus
> 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.
https://www.youtube.com/watch?v=bK3Z61A8R48
## A*
> **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.
https://www.youtube.com/watch?v=hhCT9wyfEqE
> **`A` és `A*` közti különbség:** https://cs.stackexchange.com/questions/50722/algorithm-a-vs-algorithm-a-whats-the-difference
**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!**
## B
Bemenő számok együtteséből kimenő értékeket előáállító rendszer,kapcsolódó, tanítható egységekből áll, pl: mesterséges neuron, hálózati topológia, tanulási szabály, neuronháló.
**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!**
## minimax
> felváltva keres minimumot és maximumot a gyerekek között. **mindig `MAX` az első!!**
https://www.youtube.com/watch?v=vSXF-beEdko
## negamax
> felváltva keres maximumot és negáltak maximumát. **mindig `NEGMAX` az első!!**
https://www.youtube.com/watch?v=q4B72LU0ERI
**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)
## átlagoló kiértékelés
> 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.
https://www.youtube.com/watch?v=f9LcjuwWcdw
## alfa béta vágás
> nem veszi figyelembe az egyébként előnytelen ágakat
>
> 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.
https://www.youtube.com/watch?v=80wILJOXFog
> gyakorlóprogram alfa-béta vágásra: http://inst.eecs.berkeley.edu/~cs61b/fa14/ta-materials/apps/ab_tree_practice/
**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)
## mesterséges genetikus algoritmusok/evolúciós algoritmusok
https://www.youtube.com/watch?v=_0TX-pHKRIc
> **Mintafeladat**
>
> Tervezzen evolúciós algoritmust az utazó ügynök probléma minél jobb megoládásának előállítására!
>
> 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?
>
> Készítsen egy rövid dokumentációt:
>
> - problématér (Mik legyenek a probléma egyedei?)
> - reprezentáció (Hogyan kódoljuk az egyedeket?)
> - rátermettségi függvény (Hogyan mérjük az egyedek rátermettségét?)
> - evolúciós operátorok (Javasoljon kiválasztásra, rekombinálásra, mutációra, visszahelyezésre egy-egy módszert.)
> - stratégiai paraméterek (Mi legyen populáció mérete, a mutáció valószínűsége, az utódképzési- és a visszahelyezési táta?)
> - Mutasson be egy evolúciós ciklust!
**Megoldások:**
- mintamegoldás: [EvolúcióHF_mo.pdf](https://github.com/gabboraron/MI-EA/blob/master/Evol%C3%BAci%C3%B3HF_mo.pdf)
- saját, majdnem tökéletes megoldás: https://github.com/gabboraron/MI-EA/blob/master/MI%20beadand%C3%B3%20genetikus%20algoritmus.pdf
## Automatikus következtetés
> **Mintafeladat**
>
> Axiómák: „Aki tud írni és olvasni, az nem analfabéta. A delfinek analfabéták. Néhány delfin intelligens."
>
> Célállítás: "Vannak olyan intelligens lények, akik nem tudnak írni és olvasni."
>
> Bizonyítsa be rezolúcióval és szabályalapú következtetéssel, hogy a célállítás következik az axiómákból.
>
> Meg kell adni:
>
> - Az axiómák és a célállítás formuláit
> - Kiinduló klózokat
> - Cáfolati gráfot
> - Szabályalapú reprezentációt (tényállítás, szabályok, célállítás)
> - A szabályalapú következtetés irányát.
> - A bizonyítást leíró ÉS/VAGY gráfot
>
> Segítség:
>
> 1. Használja az alábbi szimbólumokat
>
> Predikátum szimbólumok:
>
> - A(x) : x analfabéa
> - I(x) : x intelligens
> - D(x) : x egy delfin
> - IO(x) : x ctud írni és olvasni
>
> 2. A rezolúciónál mindig csak olyan klózpárt rezolváljon, ahol az egyik klóz a célállításból származik.
>
> 3. Ha van IO(x) → ! A(x) szabálya, akkor használhatja az A(x) → ! IO(x) (kontrapozitív) szabályt is.
**Mintamegoldás: [KövetkeztetésHF_mo.pdf](https://github.com/gabboraron/MI-EA/blob/master/K%C3%B6vetkeztet%C3%A9sHF_mo.pdf)**
## bizonytalanság kezelés
https://www.inf.u-szeged.hu/~berendg/?pp=teaching&subj=dm
> **Mintafeladat**
>
> 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.
>
> Válassza ki a probléma valószínűségi változóit, adja meg a probléma valószínűségi hálóját a csúcsok valószínűségi tábláival együtt.
**Mintamegoldás**: https://github.com/gabboraron/MI-EA/blob/master/BizonytalansagkezelesHF.pdf
## Döntési fa
> **Mintafeladat**
>
> Tanuljuk meg, hogy a barátunk (barátnőnk) milyen filmeket szeret megnézni a moziban, ha az alábbiakat figyeltük meg eddig:
HA Származás Feliratos Téma AKKOR Tetszik neki
amerikai igen akció nem
magyar nem akció nem
francia nem vígjáték igen
amerikai igen krimi nem
magyar nem vígjáték igen
amerikai nem romantikus igen
>
> Rajzolja fel a probléma döntési fáját! Ennél mindig a legnagyobb információs előnyt biztosító attribútumot válassza.
>
> (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)
**Mintamegoldás**: https://github.com/gabboraron/MI-EA/blob/master/Dontesi_fa.pdf
## Mesterséges neuronháló
> **Mintafeladat**
>
> 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.)
**Megoldások:**
- mintamegoldás: https://github.com/gabboraron/MI-EA/blob/master/neuronHF.pdf
- 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