Основи штучного інтелектуШпаргалка

Шпаргалка: основи штучного інтелекту

Ключові ідеї курсу: агент, логіка, нечіткий, пошук, нейромережі й метафори з природи. Терміни в тілі — англійською, як у уроках.

Агенти й середовище

  • Агент

    Сприймає середовище через датчики, діє через actuators, прагне до цілей. Охоплює роботів і програмні системи.

  • Сприйняття і агент функція

    Сприйняття — один момент сприйняття; історія сприйняття → дія через агент функція (таблиця правил або програма).

  • Типи агент

    Simple reflex — правила на сприйняття; модель-based — памʼять про світ; ціль-based — план; utility-based — компроміс; навчання — покращення з досвіду.

  • Властивості середовища

    Observable / partial, deterministic / stochastic, static / dynamic, discrete / continuous — визначають, який агент доречний.

Ландшафт і навчання

  • AI vs ML

    Штучний інтелект — парасолька підходів; машинне навчання — навчання з даних. У продукті часто суміш правил, моделей і пошуку.

  • Типи ML

    З учителем (мітки), без учителя (структура), reinforcement (винагорода), іноді напівкероване. Тип задачі задає дані й метрику.

  • Глибоке навчання (ідея)

    Багатошарове виділення ознак: CNN (зір), RNN/sequence, генеративний мережі. Не замінює прості методи на малих даних.

Логіка й експертні системи

  • Пропозиційна логіка

    AND, OR, NOT, implication; таблиці істинності. Компактна для малих фактів, слабко масштабується на «усіх людей».

  • First-order логіка

    Predicates, змінні, квантори ∀ / ∃ — говорити про багато обʼєктів компактно.

  • Експерт система

    Знання база + рушій виведення + UI. Пояснюваність, але brittleness і дороге maintenance → далі нечіткий.

Нечіткий і пошук

  • Нечітка логіка

    Належність у [0,1][0,1] замість true/false; правила експерта + defuzzification. Сильна в побутовій техніці.

    μA(x)∈[0,1]\mu_A(x)\in[0,1]

  • Пошук простір

    Стан, переходи, ціль, path. Branching factor впливає на вартість пошуку.

  • BFS / DFS

    Неінформований пошук: BFS — коротший шлях за кількістю ребер (памʼять); DFS — глибина (ризик нескінченності без visited).

  • A*

    Оцінка f=g+hf=g+h: пройдений шлях + евристика. Admissible hh → оптимальність (за умовами).

    f(n)=g(n)+h(n)f(n)=g(n)+h(n)

Мережі й природа

  • Нейрон

    zz = ваги·вхід + зміщення; a=φ(z)a=\varphi(z). Прихований шар будують ознаки; навчання підлаштовує ваги.

    a=φ(w⋅x+b)a=\varphi(w\cdot x+b)

  • Генетичні алгоритми / рої

    Популяція, пристосованість, selection–схрещування–мутація; PSO / ACO — exploration vs exploitation у великому просторі.

← До програми курсу