INFORMATIKAI KAR DOKTORI PROGRAM
SZIGORLATI TEMATIKA

Mesterséges intelligencia



1. Probléma tér fogalma, szûkítésének lehetõségei. A problémák irányított gráffal történõ szemléltetése: általános és speciális útkeresési problémák. Gráfreprezentáció: keresési feladat gráfokban. -gráfok, ÉS/VAGY gráfok. Keresõ rendszer fogalma, részei, vezérlési stratégiák osztályozása, heurisztika szerepe.
2. A mesterséges intelligencia reprezentációs modelljei, ezek közül részletesen: állapottér reprezentáció, probléma redukció, probléma dekompozíció, és gráfreprezentációik.
3. Logikai reprezentáció a mesterséges intelligenciában. Feladatok megfogalmazása elsõrendû predikátum kalkulusban. A válaszadás problémája. Klóz alapú és szabályalapú reprezentáció. Nem-monoton logikák. A logikai reprezentáció és a szemantikus hálók kapcsolata. A kapcsolódó gráfreprezentációik.
4. Nemmódosítható keresések. Lokális keresések (hegymászó algoritmus, tabu-keresés, szimulált hûtés), kommutatív rendszerek, evolúciós algoritmusok.
5. Visszalépéses keresés változatai és tulajdonságai. Az iteratívan mélyítõ visszalépéses keresés. Korlatozás-kielégítés probléma.
6. Általános gráfkeresõ algoritmus és tulajdonságai. Csökkenõ kiértékelõ függvény és tulajdonságai. Nem-informált (szélességi keresés, mélységi gráfkeresés, egyenletes keresés) heurisztikus gráfkeresések (A mohó keresés, az A, A*, Ac algoritmus és tulajdonságai). Az A* algoritmus hatékonysága (jobban informáltság, megengedhetõ heurisztikák és megengedhetõ algoritmusok összehasonlítása a memória igény alapján, A* algoritmus futási ideje, B algoritmus).
7. Kétszemélyes játékok reprezentálása, nyerõ stratégia létezése. Minimax algoritmus és javításai (pl. alfabéta levágás)
8. Rezolúciós következtetés. Az általános rezolúció az elsõrendû predikátum kalkulusban. Skolemizált konjunktív normálformára hozás, egyesítõ algoritmus, rezolúció. Rezolúciós stratégiák, bináris rezolúció.
9. Szabályalapú következtetés. Az elõre illetve hátrafelé láncolás és az illesztés problémája. Elõre illetve visszafelé haladó következtetés. Szabályalapú szakértõ rendszerek.
10. Bizonytalanságkezelés forrásai, módszereinek osztályozása. Klasszikus valószínûség számításra épülõ módszerek: Bayes hálók. Alternatív módszerek: Dempster-Shafer elmélet, fuzzy következtetés, MYCIN megbízhatósági faktora.
11. Döntéshozatal. Döntéselmélet=valószínûség-elmélet+hasznosságelmélet. Döntési hálók alkalmazás. Dinamikus valószínûségi hálók, Markov láncok. Dinamikus döntési hálók a szekvenciális döntési problémáknál.
12. Észlelés és navigálás. Képalkotás, lépfeldolgozási mûveletek, 3-D információ kinyerése. Navigálás és manipulálás látás segítségével. Navigálás és mozgástervezés. Beszédfelismerés.
13. Tervgenerálás. Probléma redukció és probléma dekompozíció a tervgenerálásban. Módosított dekompozíciós módszerek. Szituáció kalkulus.
14. Tanulás fogalma, tanuló eljárások csoportosítása. Döntési fák és hipotézisek tanulása. Megerõsítéses tanulás.
15. Mesterséges neuronhálók. A mesterséges neuron, a topológia, a tanulási módszerek. Nevezetes topológiák (pl a Hopfield és a perceptron topológia). A perceptron és a backpropagation modell jellemzése és alkalmazásai.
16. Ágensek és multi-ágens rendszerek. Ágensek tulajdonságai (ideális racionális, autonom), struktúrája, és kategóriái (reflexszerû, célorientált, hasznosságorientált). Ágens és környezetének kapcsolata. Kommunikáció ágensek között: kooperáló és versengõ ágensek.

 


Irodalom:


Russel, J. S., Norvig, P.: MI - modern megközelítésben, Panem Kft, 2000.
Futó I. (szerk.): Mesterséges intelligencia, Aula Kiadó, 1999.