1 Introduktion till AI AI=“Få maskiner att göra sånt som, om…” AI kognitionspsykologi 3 viktiga områden: Kunskapsrepresentation Sökning (och kontroll)

Slides:



Advertisements
Liknande presentationer
Att förstå anonymiteten (översättning från
Advertisements

Att identifiera och utveckla ledare
1 Handelshögskolan i Stockholm 2 Lunds universitet
En Dag i Ramadan Ramadan
Har du anställda som behöver använda bärbara datorer eller surfplattor för att komma åt affärskritiska program utanför kontoret? Har.
Att söka till högskolan
Relationsdatabasdesign
Romersk skulptur Exempel Förutsättningar Kännetecken
© Anders Broberg, Ulrika Hägglund, Lena Kallin Westin, 2004 Datastrukturer och algoritmer Föreläsning 4.
Task Analysis (”uppgiftsanalys”) inom MDI
Kommunikation Studieteknik: Presentationsteknik
xn + yn = zn Problemlösning Några enkla metoder
Tillämpning av bolagsstyrningskoden vid årsstämmor 2005 och 2006.
Leif Håkansson’s Square Dancer Rotation
Hur kom Bibeln till? Torsdagen den 14 januari Kvällens ämne:
The big 5 1.
© Anders Broberg, Ulrika Hägglund, Lena Kallin Westin, 2003 Datastrukturer och algoritmer Föreläsning 4.
Börsföretagens krisberedskap. 2 Var har ert företag kontor/anläggningar? (Flera alternativ kan anges)
Elkraft 7.5 hp distans: Kap. 3 Likströmsmotorn 3:1
1 Sårbarhetsanalyser av vägnät Erik Jenelius Transport- och lokaliseringsanalys, KTH Referensgruppsmöte 30 november 2006.
Nya studera.nu Målgrupper och struktur. Målgrupper Potentiella studenter Studenter i systemet Forskarstudenter Andel av besökarna per målgrupp? Prioritering.
Växjö 21 april -04Språk & logik: Kontextfria grammatiker1 DAB760: Språk och logik 21/4: Kontextfria 10-12grammatiker Leif Grönqvist
Stora additionstabellen
Växjö 15 april -04Språk & logik: Reguljära uttryck1 DAB760: Språk och logik 15/4: Finita automater och 13-15reguljära uttryck Leif Grönqvist
Barn och Utbildning Föräldraenkät 2011 Totalt resultat förskola Svarsfrekvens hela enkäten (förskola och skola) 39 %
V E R S I O N N R 2. 0 T A V E L I D É E R I M I L J Ö.
V ersion Dialogseminarium – Patientens väg i vården Välkommen!
Medlemsföretaget Byggmästarn i Helsingborg Östra Göinge 2012 Lokalt företagsklimat.
Medlemsföretaget Byggmästarn i Helsingborg Kungsör 2012 Lokalt företagsklimat.
Medlemsföretaget Byggmästarn i Helsingborg Emmaboda 2012 Lokalt företagsklimat.
© Anders Broberg, Ulrika Hägglund, Lena Kallin Westin, 2004 Datastrukturer och algoritmer Föreläsning 3.
Programmering B PHP Lektion 2
Att få rätt saker att hända
INFÖR NATIONELLA PROVET
Programmering B PHP Lektion 3
Eva 10 år -Jag vet att det kostar, men hur lång tid kan det ta.
1 Vänsterskolan Debattartiklar. 2 Aktuell krok 3 Aktuella krokar 1. Direkt krok.
Digitalteknik 7.5 hp distans: 5.1 Generella sekvenskretsar 5.1.1
Bild 1 Hur använder vi KursInfo idag? Högskolan i Skövde.
Ett test för att definiera den fysiska konditionen utförs.
TÄNK PÅ ETT HELTAL MELLAN 1-50
Lennart Edblom, Frank Drewes, Inst. f. datavetenskap 1 Föreläsning 6: Semantik Statisk semantik Attributgrammatiker Dynamisk semantik Axiomatisk.
1 Joomla © 2009 Stefan Andersson 1. 2 MÅL 2 3 Begrepp Aktör: en användare som interagerar med webbplatsen. I diagrammet till höger finns två aktörer:
Listor En lista är en föränderlig ordnad samling objekt.
Medlemsföretaget Byggmästarn i Helsingborg Åtvidaberg 2012 Lokalt företagsklimat.
TietoEnator © 2007presentationPage 1 Mina meddelanden Procapita +
Fakta om undersökningen
SEO Manager för EPiServer LÅT REDAKTÖRERNA VARA REDAKTÖRER.
Marknadsförarens mall för att skapa köpares persona!
Arbetsflöde med ProSang för Vävnad
Täckningsgrad Dec 2014 – feb 2015 Täckningsgrad Dec 2014 – feb 2015.
Medlemsföretaget Byggmästarn i Helsingborg Katrineholm 2012 Lokalt företagsklimat.
Välkommen till Dataföreningens möte om ”e-leg” 12 april 2012, kl
Högskoleverkets kvalitetskonferens i Umeå 2007
1 Anneli Juhlin FP
1. Konnektionism – grunderna
Täckningsgrad Dec 2014 – jan 2014 Täckningsgrad Dec 2014 – jan 2014.
Designstöd Daniel Fällman Institutionen för informatik Umeå universitet Design och utvärdering, 5 poäng.
1 Logging and monitoring of TCP traffic in SSH tunnels Masters thesis Anton Persson.
Nackaungdomars fritid - en undersökning Tidpunkt Skolår 7, 9, Gy år 2 okt 2004 Skolår 4 okt 2005 Metod för insamling.
Kartminne En serie bilder som ger övning av ”rutinen” Tänk på: –Vart är jag på väg? –Varifrån är kontrollen lättast att ta? –Vilken är sista säkra? –Förenkla.
Problemlösning. Programmeringsmetaforer Instruktion Konstruktion Problemlösning Adaptation Demonstration.
Räkna till en miljard 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13,14,15,16,17,18,19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, En miljard är ett.
© Anders Broberg, Ulrika Hägglund, Lena Kallin Westin, 2003 Föreläsning 12 Sökning och Sökträd.
1 Mjukvaru-utveckling av interaktiva system God utveckling av interaktiva system kräver abstrakt funktionell beskrivning noggrann utvecklingsmetod Slutanvändare.
1 Jan Lundström OV’s Hemsida Utbildning Ledare. 2 Jan Lundström OV’s Hemsida Standard Lagrum.
När infaller Julafton och hur ofta?
Kognitiva processer och representationer n Propositionella representationer lagrar information i LTM n Aktivationsspridning möjliggör åtkomst n Men sen.
Sökning – introduktion Blind vs. heuristisk blind – bara strukturen heuristisk – värderar alternativen heuristisk överlägsen vid hög kostnad men värdering.
Introduktion till AI AI=“Få maskiner att göra sånt som, om…”
Presentationens avskrift:

1 Introduktion till AI AI=“Få maskiner att göra sånt som, om…” AI kognitionspsykologi 3 viktiga områden: Kunskapsrepresentation Sökning (och kontroll) Lärande

2 Kunskapsrepresentation Vad finns för kunskap inom området? Hur representera denna i datorn? Hur manipulera/förändra?

3 Sökning = Val bland alternativ Relaterat till kunskapsrepresentation Vad är en (tillräckligt) bra lösning? Vad är kostnaden för “dåliga” sökvägar? Finns det en lösning? När sluta?

4 Inlärning Vilken kunskap finns/ges från början? Hur genereras och integreras ny kunskap med gammal? “Lärare”, ”kritiker”… Vem? Hur? Vilken roll spelar exempel?

5 Kunskapsrepresentation Syntax och semantik 2 delar: kunskapsbas och interpretator/motor Det finns inga “rätt” och “fel”… Realism Prestanda Speciella problem (t.ex. granularitet) Avvägning! Ofta reduktionistisk kunskapssyn

6 Typiska frågor Tydlighet Effektivitet Omfång Vokabulär Modularitet Utökbarhet Åtkomst Resonemang Arbetsfördelning Modifierbarhet

7 Översikt av tekniker för kunskapsrepresentation Semantiska nät Frames Scripts Regelbaserade representationer Logik

8 Semantiska nät Propositionell kunskap is-a / a-kind-of vid hierarki is-a-part-of / has-part vid dekomposition Ärvning av egenskaper vanligt Problem: (generellt) hur detaljerad ska man vara?

9 Frames Flera informationsbitar => en En samling “slots” och “slot fillers” Default (förväntningar) Hierarkiska relationer

10 Scripts Kausal kedja Typiska händelser Ofta ordnade i spec. ordning Används för att förstå korta berättelser “Common sense” krävs också

11 Regelbaserade representationer Produktionsregler Ofta expertsystem 3 delar: Regelbas (if…then…) Kontext Interpretator

12 Logik Första ordningens predikatlogik vanlig Verkar inte vara kognitivt plausibel Sundhet och kompletthet

13 Sökning – introduktion Blind vs. heuristisk blind – bara strukturen heuristisk – värderar alternativen heuristisk överlägsen vid hög kostnad men värdering kostar också Stora sökträd vanliga schack: möjliga lägen

14 Sökning - introduktion Alla söktekniker har för- och nackdelar Val beror på typ av träd: “buskigt”? djupt? var är målnoderna? Önskvärt: garanterad att hitta målnod om det finns optimal lösning effektiv = minstantal undersökta alternativ

15 Blind sökning Fyra vanliga: Bredden först Djupet först Uniform cost Hill-climbing

16 Heuristisk sökning Blinda sökmetoder utforskar alla alter-nativ (om målnod saknas) Heuristiska metoder använder information om: domänen sökrymden målnoders egenskaper Heuristiska metoder: utforskar bara de intressantaste alternativen vilka är de? tumregler används

17 Heuristisk sökning A* bygger på Uniform cost utöver kostnad också en evalueringsfunktion uppskattar avståndet från aktuell nod till målnod om evalueringsfunk- tionen alltid underskattar det verkliga avståndet, hittas optimal lösning admissable väljer den nod där kostnad hittills + uppskattad återstående kostnad är minst

18 Kontroll Kontrollfrågor: hur ska information flöda? hur ska delar sam- arbeta? hur ska delar utformas? 5 kontroll-scheman: regelbaserat agenda frame-procedurer blackboard means–end analysis

19 Inlärning Det är ganska lätt att uppnå viss framgång inledningsvis, men extremt svårt att upprätthålla inlärningen de första resultaten beror ofta direkt på (bra) val av: representation sökstrategi kontrollmekanism kritik: resultaten är “inbyggda”

20 Inlärning Inlärning viktigt p.g.a: ökar förståelse för både maskin och människa datorer blir kraftfullare och mer användbara “hjälp till självhjälp” kan behövas när människan inte räcker till, t. ex. vid konstruktion av expertsystem

21 Inlärning 5 frågor: arkitektur exemplens roll typ av inlärning ursprunglig kunskap algoritmer

22 Inlärning Arkitektur vilken komponent står för inlärningen? varifrån kommer kritiken? vilken kunskap finns i systemet?

23 Inlärning Exempel hur används exempel? vem tillhandahåller dem? externt eller internt? vilka egenskaper bör de ha? vilka typer finns? hur genereras de? i vilken ordning presenteras de?

24 Inlärning Typ av inlärning Exempel: “rote” memorization? kan detaljer fyllas i? deduktivt, induktivt, genom analogier kan osäkerhet hanteras? kan råd tas emot? sker inlärningen steg för steg?

25 Inlärning Ursprunglig kunskap vilka primitiv finns från början? vilken detaljnivå och omfattning har domänkunskapen? hur är domänkunskapen strukturerad? finns en “bias” i representationen?

26 Inlärning Algoritmer generalisering specialisering induktion deduktion analogier