Fragen Flashcards
(113 cards)
1
Q
Was sind die Bereiche von AI
A
- Learning: Reinforcement / ML
- Think: Scheduling / Planning
- Act: Decision Engine / Agent
2
Q
Was ist die Definition eines autonomen Systems?
A
Arbeiten ohne menschliches Eingreifen
3
Q
Beschreiben sie Self CHOP anhand eines Beispiels
A
CHOP means: Self Configuration Self Healing Self Optimization Self Protection
Beispiel Netzzugang: Configuration: Netzzugriff Healing: Stationsfehler Optimization: Handover von einem Mast zum anderen Protection: Authentifizierung
4
Q
Was sind Herausforderungen bei autonomen Systemen?
A
- Dynamische Anpassung an Umgebung
- Hohe Kopmlexität
- Sicherheit, Risiko
5
Q
Was versteht man unter maschinellem lernen?
A
Modell zum Lösen komplexer Probleme
6
Q
Welche Arten von maschinellem lernen gibt es?
A
- Supervised
- Unsupervised
- Reinforcement
7
Q
Was versteht man unter automatisierter Planung?
A
Finden einer optimalen Strategie für ein Problem
8
Q
Welche Methoden zur automatisierten Planung gibt es?
A
- Baumsuche
- Evolutionäre Algorithmen
- Dynamische Programmierung
9
Q
Was ist zu berücksichtigen bei der automatisierten Planung?
A
- Risiken und Unsicherheiten
- Harte Randbedingungen
- Interpretierbare Entscheidungen und Empfehlung
10
Q
Was beschreibt die Entscheidungsfindung?
A
Selbständige Auswahl von Aktionen um eine Aufgabe zu lösen
11
Q
Nenne ein Beispiel zur Entscheidungsfindung
A
Tetris:
Aktionen: links, rechts, drehen links, drehen rechts, warten
Ziele:
Lücken füllen und Stapelhöhe niedrig halten
12
Q
Was ist künstliche Intelligenz?
A
System, dass intelligent erscheint.
- Fokus auf Denken
- Fokus auf Handeln
- Ausgerichtet auf das menschliche Modell (mit allen Mängeln)
- Ausgerichtet auf normatives Modell (wie man sich verhalten soll)
13
Q
Wie kann ein KI System beschrieben werden?
A
KI ist ein System, dass ….
… menschlich handelt:
-> Turing Test um zu prüfen ob ein Computer wie ein Mensch handeln kann
Problem: Nicht reproduzierbar, konstruktiv und nicht für mathematische Analysen geeignet
… menschlich denkt:
Behaviorismus zum Kognitivismus
Ausblenden des Innenlebens -> Mit einbeziehen des Innenlebens
… rational denkt:
Logische Regeln / Grundsätze
… rational handelt:
Das richtige Tun anhand der verfügbaren Informationen
14
Q
Was ist Rationalität?
A
Das was angesichts der aktuellen Informationslage zur maximalen Zielerreichung beiträgt
15
Q
Was ist ein Agent?
A
Eine Entität die die Umgebung durch Sensoren wahrnimmt und durch Aktoren handelt.
16
Q
Was ist eine Agentenfunktion?
A
Eine Funktion von Wahrnehmungshistorien auf Aktionen.
f: P* -> A
17
Q
Was sind Beispiele für Agenten?
A
- Saugroboter
- Thermostat
- Software Agent
18
Q
Was ist ein rationaler Agent?
A
Ein Agent der Aktionen auswählt um die Kennzahl zu maximieren
19
Q
Was bedeutete PEAS?
A
- Performance Measure
- Environment
- Actuators
- Sensors
20
Q
Nenne zwei Beispiele für das PEAS Modell
A
Selbstfahrendes Auto:
Performance Measure: Sicherheit, Zeit, Komfort
Umgebung: Straße, Autobahn, Fußgänger, Tram
Aktoren: Lenkung, Gas, Bremse, Hupe
Sensoren: Lidar, Radar, Kamera
Schnäppchenjäger Kennzahl: Gespartes Geld Umgebung: Internet Aktoren: Web Interface, Web Crawler, Formulare Sensoren: HTML Seiten
21
Q
Was für Arten von Umgebungen existieren?
A
- Vollständig beobachtbar vs. teilweise beobachtbar: Alles für Sensoren zugänglich?
- Deterministisch vs. Stochastisch:
Folgezustand vollständig bestimmbar? - Episodisch vs. Sequentiell: Kann die Qualität bewertet werden oder ist es von der Zukunft abhängig?
- Statisch vs. Dynamisch: Ändert sich die Umgebung?
- Diskret vs. Kontinuierlich
- Single Agent vs. Multi Agent
22
Q
Zeigen Sie die Umgebungsarten für 2 Beispiele auf
A
Selbstfahrendes Auto:
- Nicht beobachtbar
- Stochastisch
- Sequentiell
- Dynamisch
- Kontinuierlich
- Multi Agent
Schnäppchenjäger:
- Nicht vollständig beobachtbar
- Fast deterministisch
- Sequentiell
- Statisch
- Diskret
- Single Agent
23
Q
Was für verschiedene Agent Typen existieren?
A
- Einfacher Reflex Agent: Sensors und Aktoren. Nur Umgebung - Modell-basierter Reflex Agent: Umgebung + Historie - Ziel-orientierter Agent: Umgebung + Historie + Ziel - Nutzen-orientierter Agent Umgebung + Historie + Ziel + Nutzenfunktion
24
Q
Wie sieht eine Problemdefinition aus?
A
- Ausgangszustand
- Zieltest
- Nachfolgerfunktion
- Kostenfunktion
- Zustandsraum
- Ausgangslage: Start in Arad
- Formulierung des Ziels: Gehe nach Budapest so schnell wie möglich
- Zustandsraum: Verschiedene Städte
- Aktionen: Transfer zwischen Städten
- Nachfolgefunktion: Bewege zur nächsten Stadt
- Zieltest: In Budapest angekommen?
25
Was für Problemtypen existieren?
Single State Problem / Deterministisch
- Agent weiß inwelchem Zustand er sein wird
Conformant Problem / Nicht beobachtbar
- Fehlende Beobachtbarkeit -> Unsicherheit um Ausgangszustand
Contingency / Nichtdeterministisch und teilweise beobachtbar:
- Wahrnehmung liefert neue Infos
- Suche und Ausführung verwoben
Exploration Problem:
- Unbekannter Zustandsraum
26
Nenne ein Beispiel für ein Single State Problem
Staubsauger Welt mit zwei Feldern
27
Nenne ein Beispiel für ein Coformant Problem
Conformant: Nicht beobachtbar:
Staubsauger Welt wo Staubsauger nicht weiß ob Feld sauber oder dreckig
28
Nenne ein Beispiel für ein Contingency Problem
Contingency: Nicht deterministisch und nicht beobachtbar
Staubsauger Welt:
Staubsauger weiß nicht ob Feld dreckig und Feld kann wieder dreckig werden
29
Was sind die Elemente eines Problems?
1. Anfangszustand
2. Nachfolgefunktion
3. Zieltest
4. Pfadkosten
5. Zustandsraum
30
Nach welchen Kriterien werden Suchstrategien bewertet?
- Vollständigkeit: Findet immer eine Lösung wenn sie existiert
- Zeitkomplexität
- Speicherkomplexität
- Optimalität: Findet günstigste Lösung
31
Anhand von was werden Zeit- und Speicherkomplexität gemessen?
- b (branching): Maximaler Verzweigungsgrad des Suchbaums
- d (depth): Tiefe der kostengünstigsten Lösung
- m (max_depth): Maximale tiefe des Zustandsraums (kann unendlich sein)
32
Definieren sie uninformierte Suchstrategien
Uninformierte Strategien verwenden nur die Informationen, die in der Problemdefinition verfügbar sind
33
Was sind Beispiele für uninformierte Suchstrategien?
- Breitensuche
- Tiefensuche
- Einheitskostensuche
- Beschränke Tiefensuche
- Iterative Tiefensuche
34
Beschreiben Sie anhand eines Beispiels wie Breitensuche funktioniert
- Expandiere flachsten, nicht-expandierten Knoten.
| - Immer in die Breite expandieren (einen runter, und Kinder expandieren)
35
Was sind die Eigenschaften der Breitensuche?
- Vollständigkeit: Ja, wenn endlich
- Zeit: O(b^(d+1))
- Speicher: O(b^(d+1))
- Optimalität: Nein, außer bei Schrittkosten von 1
36
Beschreiben sie die Uniform Cost Search mit Beispiel.
- Expandiere den günstigsten, nicht-expandierten Knoten
- Ähnlich zu Dijkstra
Beispiel zeichnen
37
Was sind die Eigenschaften der Uniform Cost Search?
- Vollständigkeit: Ja, wenn Schrittkosten > 0
- Zeit: Anzahl Knoten Pfadkosten geriner Kosten optimaler Lösung
g<=C*
(g = Pfadkosten, C*=Kosten d. optimalen Lösung)
(O(b^(1+C*/g)))
- Speicher: Anzahl Knoten mit g<=C*
- Optimalität: Ja, Knoten werden in aufsteigender Reihenfolge von g(n) expandiert
38
Beschreiben sie die Tiefensuche mit Beispiel.
- Expandiere den tiefsten, nicht expandierten Knoten
- Einen Branch komplett tief expandieren, dann nächsten
LIFO Warteschlagen. Nachfolger kommen an Anfang
Beispiel zeichnen
39
Was sind die Eigenschaften der Tiefensuche?
- Vollständigkeit: In endlichen Suchräumen ja. In unendlichen oder mit Schleifen nein.
- Zeit: O(b^m) / Schlecht wen m>>d (tiefes Problem, flache Lösung)
- Speicher: O(b*m)
- Optimalität: Nein
40
Beschreiben sie die beschränkte Tiefensuche mit Beispiel
Beispiel zeichnen
| - Es wird immer nur bis zu einem max Level expandiert
41
Beschreiben sie die iterative Tiefensuche mit Beispiel
Beispiel zeichnen
| - Es wird iterativ die beschränkte Tiefensuche von lvl 0 bis max lvl durchgeführt
42
Was sind die Eigenschaften der iterativen Tiefensuche?
- Vollständigkeit: Ja
- Zeit: O(b^d)
- Speicher: O(b*d)
- Optimalität: Nein, außer wenn Schrittkosten = 1
43
Was sind informierte Suchalgorithmen?
-> Algorithmen die weiteres Wissen in Form von Heuristiken benutzen
44
Beschreiben sie die Bestensuche (Best-first search)
- Verwenden eine Evaluationsfunktion für jeden Knoten
| - Expandiert besten Knoten
45
Beschreiben sie die Greedy Suche
- Heuristikfunktion existiert
- Schätzung der Kosten von n bis zum nächsten Ziel
- Expandiert Knoten der dem Ziel am nächsten ist
Baue Baum auf und expandiere immer den Knoten mit dem geringsten Weg zum Ziel
46
Was sind die Eigenschaften der Greedy Suche?
- Vollständigkeit: Nein, bei Schleifen. Ja bei endlich
- Zeit: O(b^m)
- Speicher: O(b^m)
- Optimalität: Nein
47
Beschreiben Sie den A* Algorithmus
- Vermeide Pfade die Teuer sind
- Benutze gute und zulässige(!) Heuristik
Heuristik: f(n) = g(n) + h(n)
- > g(n): Bisherige Kosten von Start bis n
- > h(n): Geschätzte Kosten von h bis Ziel
48
Was ist eine zulässige Heuristik für A*?
h(n) <= h*(n), wobei h*(n) die tatsächlichen Kosten von n sind
- > Heuristik darf niemals überschätzen
- H(n) >= 0 --> h(G) = 0 für Ziel G
49
Was sind die Eigenschaften von A*?
- Vollständigkeit: Ja, außer es gibt unendlich viele Knoten mit f <= f(G)
- Zeit: Exponentiell in "relativer Fehler von h mal Länge der Lösung"
- Speicher: Alle Knoten
- Optimalität: Ja
50
Wann ist eine Heuristik monoton?
- Zulässig (nicht überschätzen)
- Dreiecksgleichung: f(n') = g(n') + h(n')
h(n) <= c(n, a, n') + h(n')
Direkter Weg muss kleiner oder gleich wie Umweg sein
51
Wann ist eine Heuristik dominant?
Wenn sie für alle Punkte größer ist als die andere Heuristik
h1 und h2
h1(n) >= h2(n) so dominiert h1
52
Was sind relaxierte Probleme bei Heuristiken?
Problem relaxieren -> Vereinfachen
Von dem vereinfachten Problem kann eine Heuristik abgeleitet werden und auf das nicht-relaxierte Problem angewandt werden
53
Was beschreibt die lokale Suche?
- Weg ist das Ziel
| - Anhand von bestehender Lösung wird eine bessere Lösung gesucht
54
Was sind Anwendungsbeispiele für die lokale Suche?
- Finde optimale Konfiguration bei TSP
| - Zeitplan: Finde Konfiguration die Einschränkungen erfüllt
55
Beschreibe den Bergsteigeralgorithmus / Gradient Ascent, Descent
- Algorithmus sieht die Nachbarn und seinen eigenen Status
| - Gehe so lange bis der Nachbar nicht mehr besser ist
56
Was für Probleme kann es beim Bergsteigeralgorithmus geben?
- Lokale Maxima (!)
57
Wie können die Probleme beim Bergsteigeralgorithmus gelöst werden?
- Zufällige Initialisierung
- Zufällige Seitwärtsbewegungen (learning rate)
-> Simulated Annealing nutzen
58
Beschreibe den Algorithmus Simulated Annealing
Idee:
- Vermeide lokale maxima in dem auch schlechte Nachbarn zugelassen werden
- Verringe die Größe und Häufigkeit schlechterer Bewegungen
Loop through the neighbors and check if the value is better.
If better take it, if not take it just with a certain probability.
59
Was sind Ziele der Pfad- und Bewegungsplanung (Motion Planning)?
- Kollisionsfreie Trajektorien
- Roboter soll Zielort so schnell wie möglich erreich
-> Roboter verrichtet Aufgabe durch Bewegung in realer Welt
60
Was sind Herausforderungen bei der Pfad- und Bewegungsplanung (Motion Planning)?
- Berechnung des optimalen Pfads unter Berücksichtigung potentieller Unsicherheiten
- Schnelle Generierung von Aktionen bei unvorhergesehenen Objekten
61
Wie sieht die klassische two layer Architektur bei Motion Planning aus?
Sensordaten helfen planen und Kollisionsvermeidung
Map hilft Planung
Planung hilft Kollisionsvermeidung
Kollisionsvermeidung gibt Aktionen an Roboter
62
Beschreibe / Formalisiere das Problem der Bewegungsplanung
- Startpose des Roboters
- Gewünschte Zielpose
- Geometrische Beschreibung des Roboters
- Geometrische Darstellung der Umgebung
63
Was ist der Konfigurationsraum bei Motion Planning?
- Vektor aus Positionen und Orientierungen
64
Wie ist der Freiraum und die Hindernisregion bei Motion Planning beschrieben?
Arbeitsbereich: W = R^m
Menge der Hindernisse: O elem. W
Roboter: A(q)
Freiraum: C_free
Hindernisregion C_obs = C / C_free
65
Was muss im C-Raum gemacht werden, damit ein Pfad gefunden werden kann?
-> Das kontinuierliche Gelände muss diskretisiert werden
Entweder:
1. Kombinatorische Planung:
- Erfassen von C_free in Graphen und finden einer Lösung
2. Stichprobenbasierte Planung:
- Mit Kollisionserkennung C-Raum nach Lösung abtasten und nach Lösung durchsuchen
66
Was ist das Ziel der kombinatorischen Suche und wie wird sie ermöglicht?
Ziel: Sequenz von Aktionen finden die zum Ziel führen
Möglich durch:
- Uninformierte Suche (keine weiteren Infos gegeben)
- Informierte Suche: Weitere Infos mittels Heuristiken gegeben
67
Was sind typische Annahme in der Robotik für die Pfadplannung?
1. Roboter ist lokalisiert
2. Roboter berechnet Weg anhand Belegungsraster
3. Richtigen Befehle zur Bewegung werden ausgeführt
68
Wofür wird die Faltung der Gitterwelt benötigt? Beschreiben sie diese
- Hindernisse werden größer und dadurch in größerem Radius umfahren
- Roboter bewegt sich auf kürzestem Weg
Kosten = Weglänge * Belegungswahrscheinlichkeit
-> Zellen mit hoher Wahrscheinlichkeit werden vermieden
69
Was ist die 5D Planung?
- Problem: Suchraum zu groß um ihn zu untersuchen
| - Idee: Suche im diskretisierten 2D Raum
70
Beschreiben den 5D Algorithmus
1. Aktualisiere Rasterkarte in 2D
2. Finde Pfad mit A* in 2D Raum
3. Bestimmung des Pfads. Annahme 2D Pfad ist in Nähe von 5D Pfad
4. Finde Pfad in 5D Raum
71
Beschreibe Probabilistic Road Map (PRM)
- PRM erzeugt Graph von Konfigurationen ohne Kollisionen
| - Mit A* kann Pfad von Start zu Goal gefunden werden
72
Beschreiben den Probabilistic Road Map Algorithmus
- Find all collision free points
| - Connect nearest points to path
73
Was sind die Vor- und Nachteile von Probabilistic Road Map (PRM)?
Vorteile:
- Algorithmisch sehr einfach
- Sehr explorativ
- Es können Garantie über die Wahrscheinlichkeit getroffen werden -> Mehr abtasten der Punkte -> Wahrscheinlichkeit für Pfad sinkt
Nachteil:
- Aufwendige Berechnung für die Vorausberechnung einer vollständigen Roadmap
74
Was kann Probleme bei Probabilistic Road Maps verursachen?
--> Schmale Passagen
| Es ist unwahrscheinlich, dass genau diese Punkte ausgewählt werden
75
Was sind Rapidly Exploring Random Trees (RRT)?
- Methode zum finden eines Weges
| - Es wird vom Start Knoten zufällige Nachbarn bis zum Goal verbunden
76
Beschreibe RRT bidirektional
- Zwei Bäume: q_start und q_goal
- Wachsen in gegenseitige Richtung
q_target...q_new---q_near
q_near--q_new...q_target
77
Was sind Vort- und Nachteile von RRT?
+ Algorithmisch einfach
+ Explorativ
+ Konzentration auf einzelnes start, goal Problem
+ Bäume aus mehreren Anfragen können zu Roadmap zusammengeführt werden
- Metrik nicht immer einfach
- Lokaler Planer nicht immer trivial
78
Was ist die Motivation von Fuzzy Systemen?
- Am menschlichen Konzept der Unsicherheit / Unpräzision zu orientieren
Z.B. Autofahren, Einparken / Finanzielle Entscheidungen
79
Beschreibe das Sorites Paradoxon
- Es gibt keine konkrete Definition eines Haufens
- Ein Haufen ist auch ein Haufen wenn Elemente entfernt werden
- > Ist ein Sandhaufen klein wird ein weiteres Korn es nicht ändern
- > Ein Sandhaufen mit einem Sandkorn ist klein
- > Folgerung alle Sandhaufen sind klein
80
Wie wird die Zugehörigkeit von Fuzzy Mengen bestimmt?
- Es existiert eine Teilmenge U
- Jedes u hat einen Zugehörigkeitsgrad zwischen 1,0
1 -> Volle Zugehörigkeit
0 -> Keine Zugehörigkeit
81
Was sind Anwendungsbeispiele für Fuzzy Mengen?
- Klassifikation
| - Entscheidungsunterstützung
82
Nenne die Formel für Manhattan und Euklidische Distanz
Manhattan: \sum_{n=1}_{N} (|a_i - b_i|)
Euklidisch: \sqrt{\sum_{n=1}_{N} (|a_i - b_i|)^2}
83
Beschreibe den K-Means Algorithmus
Initialisiere Cluster Centroids
Wiederhole bis Konvergenz oder max_iter:
1. Weiße jede Observation dem nächsten Centroid zu
2. Berechne avg von neuen Centorids
84
Was ist eine Beispielfunktion für Fuzzy Clustering
Sum[i->c]{Sum[j->n]{u_i,j ^w * d^2(b_i, x_i)
"Closed" = U ** w * D
Zugehörigkeitsgrade ** Fuzzifier * Distanz
85
Warum kann nicht einfach die Zielfunktion minimiert werden und in K-Means eingefügt werden?
- K-Means hat nur Range (0,1) und kein Intervall
| - > Algorithmus würde Zielfunktion komplett minimieren und dadurch wäre es wieder crisp
86
Was ist das Ziel einer Archetypischen Analyse?
-> Finden der extremen Beobachtungen in einem Datensatz
87
Was sind Bedingungen für die archetypische Analyse?
- Alle Beobachtungen werden durch konvexe Kombinationen der Archetypen angenähert
- Alle Archetypen sind konvexe Kombinationen der Beobachtungen
88
Wie funktioniert der Archetypische Algorithmus?
Init:
- Wahl Anzahl Archetypen K
- Init Archetypen Z und Koeffizienten alpha, beta
Wiederhole bis RSS klein oder max_iter:
1. Finde bestes alpha für Archetypen Z:
2. Neuberechnung der Archetypen Z': Löse GS X=alpha*Z'^t
3. Finde bestes beta
4. Neuberechnung Archetypen Z: Z=X*beta
5. Berechne Residuenquadratsumme RSS
89
Was sind prinzipielle Lösungsansätze zum Lösen von Optimierungsproblemen?
Analytische Lösung:
- Effizient aber nur selten anwendbar
Vollständige Durchforstung / Bruteforce:
- Ineffizient
Blinde Zufallsuche:
- Meist ineffizient
Gesteuerte Suche:
- Vss: Ähnliche Elemente ähnlichen Funktionswert
90
Nenne zwei Beispiele für Optimierungsprobleme (v.a. für EA geeignet)
- Füllen eines Rucksacks mit max Wert und Gewichtsbeschränkung
- TSP
91
Was ist die Formel für RSS bei archetypische Analyse?
```
RSS = || X - alpha * Z^t||^2
Z = X^t*beta
```
```
X = n x m
beta = n x k
alpha = n x k
Z = m x k
```
92
Beschreibe die Motivation hinter evolutionären Algorithmen.
- EA basieren auf der biologischen Evolutionstheorie
- Zufällige Variation entstehen vorteilhafte Eigenschaften
- Natürliche Auslese
- Survival of the fittest
93
Erkläre drei beliebige Prinzipien der Evolutionsbiologie
Diversität:
- Alle sind verschieden
Variation:
- Neue Varianten durch Mutation
Vererbung:
- Variation an nächste Generation vererben
Natürlich Auslese:
- Unterschiedliche Tauglichkeit, unterschiedliche Vermehrung
94
Was für Elemente hat ein evolutionärer Algorithmus?
- Anfangspopulation
- Bewertungsfunktion / Fitnessfunktion
- Auswahlmethode wer in nächste Generation kommt
- Genetische Operatoren z.B. Mutation / Crossover
- Abbruchkriterien / Parameter
95
Warum ist Simulated Annealing kein evolutionärer Algortihmus?
- Es gibt nicht immer Nachkommen
| - Es gibt kein Aussterben
96
Aus was besteht ein Individuum?
1. Genotyp
2. Strategieparameter
3. Fitness
97
Was ist die formale Definition der Selektrionsoperator?
- Selektion selektiert Indizes der Individuen durch Gütewerte
- Es werden n Objekte selektriert die weiter kommen
98
Beschreibe den Mutationsschritt Rekombination (Crossover)
- Wahl einer zufälligen Trennstelle
| - Tausch an dieser Trennstelle mit anderem Objekt
99
Beschreiben den Mutationsschritt Mutation
- Ersetzen zufälliger Gene
100
Welche genetische Operatoren existieren?
- Rekombination
| - Mutation
101
Was ist der Unterschied zwischen genetischen und evolutionären Algorithmen?
Genetische sind binär kodiert und evolutionäre können problemspezifisch kodiert werden.
102
Was für Eigenschaften sollte der evolutionäre Algorithmus (Code) haben?
1. Ähnliche Phänotypen haben ähnliche Genotypen
- > Mutation von einem ist ähnlich wie davor
2. Fitness ist ähnlich bei ähnlichen Kandiaten
3. Suchraum ist unter den evolutionären Operatoren abgeschlossen
- > Keine Stadt wird doppelt besucht
- > Checke für Fehler z.B. doppelte Stadt
103
Nenne die Prinzipien der Selektion
- Selektionsdruck. Besser Individuen haben besser Chancen zum überleben
- Durchforstung des Suchraums (explore)
- Ausbeutung der Individuen (exploit)
104
Was beschreibt die Spieletheorie?
- Spieltheorie betrachtet strategische Interaktionen innerhalb eine Gruppe von Individuen
- Handlungen eines Jeden wirken sich auf das Ergebnis aus
- Individuen wollen ihr bestes Ziel erreichen (Rationalität)
105
Was ist die Definition eines Normalform Spiels?
- Modelliert Situationen in denen Spieler Strategien wählen ohne Wahl der anderen Spieler zu kennen
106
Was ist das Nash Gleichgewicht?
- Es lohnt sich für keinen Spieler eine andere Strategie auszuwählen, selbst wenn der andere Spieler eine andere wählt
107
Was ist Autonomie?
Eigenschaft von Agent, dass das Verhalten von der eigenen Erfahrung abhängt und nicht nur von der Programmierung
108
Warum brauch ich eine Zielformulierung vor der Problemformulierung?
Ziel entscheidet was interessant ist, was ignoriert werden kann, was abstrahiert werden muss.
Problem: Entscheidung welche Aspekte manipuliert / ignoriert werden
Problem vor Ziel: Wir nehmen potentiell unwichtige Dinge mit in die Berechnung
Iterativ: Ziel -> Problem Form. -> Problem lösen
109
Was ist ein Zustand?
-> Eine physische Konfiguration
110
Was ist ein Knoten?
- > Eine Datenstruktur in einem Suchbaum die auf einen Zustand verweist
- Hat Eltern, Kinder
- Hat Tiefe, Pfadkosten
111
Was ist eine linguistische Variable?
Das Feature
112
Was ist ein linguistischer Term / Wert
- Ausprägung des Features
- Subjektiver Wert
- e.g. heiß, kalt / groß, klein
113
Wieso brauchen wir den Fuzzifier?
- Weil sonst auf 0,1 minimiert wird
- Mit Fuzzifier bekommen kleinere Werte, größere Chancen
- Weil größere Werte bestraft werden
