Från slides Flashcards

Question

Vilka typer av beslut fattas på den strategiska nivån?

Answer 1

VAD som ska implementeras. På den strategiska nivån fattas långsiktiga beslut som påverkar företagets övergripande riktning. Exempel: ❏ Market positioning (definiera och kommunicera hur ett företag vill bli uppfattat av sina målgrupper på marknaden) ❏ Expansionsplaner ❏ Mergers and acquisitions (Strategiska affärstransaktioner där företag går samman eller ett företag köper ett annat för att uppnå specifika affärsmål, som att få tillgång till nya produkter eller marknader) ❏ Större investeringar

Answer 2

HUR det ska implementeras. Taktiska beslut fokuserar på att IMPLEMENTERA organisationens strategi. Exempel: ❏ Resource allocation ❏ Målformulering ❏ Budgetering ❏ Personalplanering ❏ Koordination mellan avdelningar

Answer 3

Det är dem som implementerar. Operativa beslut handlar om dagliga aktiviteter. Exempel: ❏ Produktionsprocesser ❏ Schemaläggning ❏ Lagerhantering ❏ Kundservice ❏ Kvalitetssäkring

Answer 4

Engångsbeslut utan standardiserade procedurer. Beslutsfattarens intuition spelar en viktig roll eftersom informationssystem ger mindre stöd för dessa beslut. - De är ofta komplexa och involverar hög grad av osäkerhet. Exempel: En VD som bestämmer om företaget ska diversifiera sig till en ny marknad utan att ha en förutbestämd strategi för hur detta ska genomföras.

Answer 5

Dessa beslut har en delvis strukturerad aspekt där viss information och riktlinjer är tillgängliga, men beslutet kräver fortfarande analys och bedömning från beslutsfattaren. Exempel: En produktchef som använder data om kundpreferenser och marknadsanalys för att välja vilka nya produkter som ska utvecklas.

Answer 6

Dessa kan automatiseras eftersom det finns väldefinierade standardprocedurer (rutinmässiga beslut) för dessa typer av beslut. Dessa kallas också programmable tasks. Exempel: Ett företag som använder en algoritm för att fastställa lagersaldo och beställa varor när lagret når en viss nivå.

Answer 7

1) The logical approach - Följer en strukturerad, logisk process med tydliga faser från problemidentifiering till implementering av lösningen. 2) The pragmatic approach - Betonar den dynamiska och sammanflätade naturen av beslutsfattandet, där problem, lösningar och handlingar är intimt förknippade och påverkar varandra.

Answer 8

1. Intelligence phase 2. Design phase 3. Choice phase 4. Implementation phase

Answer 9

Beslutsfattaren samlar in data från olika källor och analyserar organisationens miljö för att identifiera de problem som behöver lösas och möjliga sätt att närma sig dem.

Answer 10

Målet är att definiera kriterierna för beslutet, generera alternativ för att möta kriterierna och fastställa sambandet mellan kriterierna och alternativen. Informationsteknologi stöder inte mycket denna fas av beslutsfattandeprocessen eftersom den kräver förståelse för hur varje alternativ påverkar kriterierna.

Answer 11

Beslutsfattaren väljer det bästa och mest effektiva handlingsalternativet från de tillgängliga alternativen genom att analysera deras relation till kriterierna. Beslutssystemet (DSS) hjälper beslutsfattaren att sortera bland möjliga lösningar och välja den bästa för organisationen genom att erbjuda verktyg för att beräkna kostnads-nyttoförhållanden.

Answer 12

I fasen för implementering planerar organisationen för att genomföra det alternativ som valts och skaffar de resurser som behövs för att genomföra planen. DSS genomför också en uppföljande bedömning av hur väl en lösning fungerar.

Answer 13

Det pragmatiska tillvägagångssättet betonar den sammanflätade naturen av att identifiera problem, hitta lösningar och vidta åtgärder. Det erkänner att dessa element är intimt förknippade och påverkar varandra i en dynamisk process. - mer flexibelt och anpassningsbart, åtgärder baserat på aktuell data och feedback

Answer 14

Under denna fas presenteras ett problem samtidigt som det finns en idé om en potentiell lösning. Det handlar om att identifiera problemet och ha en vision om hur det kan lösas.

Answer 15

I denna fas uppfinns, utvecklas och analyseras olika möjliga handlingsalternativ för att lösa problemet. Syftet är att bedöma om de föreslagna lösningarna är genomförbara och effektiva.

Answer 16

När analys- och utvärderingsfasen är avslutad måste ett beslut fattas genom att välja ett alternativ och agera. Detta är steget där beslutet implementeras och utförs.

Answer 17

Ett interaktivt informationssystem som är utformat för att hjälpa beslutsfattare inom en organisation. Det består av hårdvara, mjukvara, data och matematiska och statistiska modeller. (emphasize semistructured and unstructured tasks)

Answer 18

❏ Communication-driven DSS: Främjar kommunikation och samarbete mellan beslutsfattare. - Exempel: tools such as video conferencing and collaborative document editing platforms --> improve the sharing of information ❏ Data-driven DSS: Använder dataanalystekniker för att stödja beslutsfattande. - Exempel: help to identify patterns, trends, and relationships in data --> informed decisions based on evidence and analysis ❏ Document-driven DSS: Hanterar och analyserar Unstructured information från dokument, rapporter, och textkällor. - Exempel: text mining, natural language processing ❏ Knowledge-driven DSS: Använder expertkunskap för att ge rekommendationer och råd. - typically incorporate expert systems and rule-based reasoning CD med Donkey Kong

Answer 19

❏ Database - innehåller både internal och external data, vilket kan vara allt från företagets egna data till externa marknadsdata eller ekonomiska indikatorer. ❏ Model base - består av olika matematiska och statistiska modeller som används för att analysera data och generera insikter ❏ User access the DSS through user interface/användargränssnitt - ❏ DSS engine manages and coordinates the major components - hanterar tillgången till och användningen av databasen. Den ser till att data är korrekt organiserad, lagrad och tillgänglig för analys.

Answer 20

❏ What-if-analys ❏ Goal-seeking ❏ Sensitivity analysis ❏ Exception (undantag) / Ad hoc reporting analysis ❏ Graphical analysis, forecasting (prognos), simulation, statistic analysis and modeling analysis

Answer 21

Business Intelligence är en gren av DSS som är utformad för att tillhandahålla information relaterad till en organisations framgångsfaktorer. Det skiljer sig från ett vanligt DSS genom att det fokuserar på att integrera och visualisera data för att hjälpa beslutsfattare att identifiera trender och potentiella problem. - digital dashboard - Integrates information from multiple sources and presents it in a unified, understandable format as charts and graphs

Answer 22

Ett datorsystem som efterliknar eller agerar med beslutsfattandeförmågorna hos en mänsklig expert inom ett specifikt område. Dess huvudsakliga syfte är att fungera som en ersättning för en expert genom att använda den expertkunskap som är lagrad i systemet.

Answer 23

❏ Knowledge base (domain-specific) - obtainable from books, magazines, knowledgeable persons, etc. ❏ Inference engine - draws conclusions from the knowledge base ❏ User interface

Answer 24

Några exempel på tidiga expertsystem inkluderar: ❏ MYCIN (medicinsk diagnos av sjukdom) ❏ DENDRAL (kemisk massespektroskopi för att identifiera kemiska beståndsdelar) ❏ PROSPECTOR (geologisk dataanalys för mineraler) ❏ XCON/R1 (konfigurering av datorsystem).

Answer 25

Expertsystem tillämpas i olika branscher och områden, inklusive: ❏ Cancer Decision Support Tool - They analyze the clinical attributes of patients and help in the early diagnosis of diseases like cancer ❏ Rule-Based Expert System in Agriculture - It uses “if-then” rules and facts to find solutions. For instance, it diagnoses the different types of pests that can damage various crops ❏ Intelligent Tutoring System - helps organizations offer customized learning experiences to students. It uses adaptation techniques to provide personalized answers to students based on their learning capability.

Answer 26

Deras oförmåga att generalisera genom analogi för att resonera om nya situationer på samma sätt som människor kan. Tidskrävande och arbetsintensivt att bygga ett expertsystem --> "knowledge acquisition bottleneck" begränsar eftersom det är ineffektivt och tar tid (precis som en flaskhals begränsar flödet av vätska från att rinna ut)

Answer 27

Knowledge-based systems are a particular kind of expert system where the knowledge, stored in a knowledge base, has been obtained from an expert in a specific field.

Answer 28

De är viktiga eftersom de utgör grunden för intelligent beslutsfattande. Utan en meningsfull representation av kunskap och möjligheten att dra slutsatser baserade på denna kunskap, kan systemet inte effektivt analysera data, fatta informerade beslut eller ge värdefulla resultat.

Answer 29

Effektiv kunskapsrepresentation möjliggör att relevant kunskap fångas och organiseras på ett sätt som gör att systemet kan erbjuda insikter, rekommendationer och lösningar som är anpassade till den expertis och de domänspecifika regler som styr problemområdet.

Answer 30

Produktionssystem är den mest populära typen av expertsystem idag. Kunskap representeras som flera regler som specificerar vad som bör eller inte bör dras från olika situationer. Dessa regler kan uttryckas i IF-THEN-format. - production system = en typ av rule based system = en typ av KBS?

Answer 31

Inference is the process of chaining multiple rules together based on available data. Förmågan att dra logiska slutsatser och göra deduktioner baserade på tillgänglig information och kunskap. Mekanismer: - rule-based reasoning - fuzzy logic - probabilistic reasoning - machine learning algorithms Det är viktigt för intelligenta system eftersom det gör att de kan bearbeta inputs, bedöma situationer och generera meningsfulla resultat eller rekommendationer, vilket förbättrar deras användbarhet inom olika domäner.

Answer 32

❏ Forward chaining (data-driven) - reasoning from facts to the conclusions resulting from those facts - best for prognosis, monitoring, and control ❏ Backward chaining (goal driven) - reasoning in reverse from a hypothesis, a potential conclusion to be proved to the facts that support the hypothesis - best for diagnosis problems - måldriven inferensmetod

Answer 33

Processen att dra logiska slutsatser från given information. I AI är reasoning förmågan hos en dator att göra deduktiva slutsatser baserade på data och kunskap. Det är en nyckelkomponent i AI-applikationer som expertsystem, natural language processing och maskininlärning

Answer 34

När ett AI-system resonerar om ett problem kan det använda: ❏ Knowledge representation för att lagra och manipulera data ❏ Reasoning-algoritmer för att dra slutsatser ❏ Inlärningsalgoritmer för att förbättra sin prestanda över tid

Answer 35

❏ Deductive reasoning ❏ Inductive reasoning ❏ Abductive reasoning

Answer 36

När man börjar med en uppsättning premisser och sedan använder dem för att logiskt härleda en slutsats. Deduktivt resonemang börjar med en allmän regel eller teori och drar en SPECIFIK slutsats från den. Detta är den typ av resonemang som används i matematiska bevis.

Answer 37

När man börjar med en uppsättning data och sedan försöker härleda en GENERELL regel eller princip från den datan. Induktivt resonemang börjar med specifika observationer och drar en allmän slutsats från dem. Detta är den typ av resonemang som används i statistiska inferenser.

Answer 38

När man börjar med en uppsättning data och en generell regel eller princip, och sedan försöker härleda vilket specifikt fall av den datan som regeln eller principen gäller för. Abduktivt resonemang börjar med en observation och letar efter den mest sannolika förklaringen. Detta är den typ av resonemang som används i diagnostiskt resonemang, till exempel när en läkare försöker diagnostisera en patients sjukdom baserat på symtom.

Answer 39

Reasoning gör det möjligt för datorer att dra logiska slutsatser från data och kunskap och att fatta beslut baserat på dessa slutsatser. Detta är avgörande för att AI-applikationer ska kunna lösa komplexa problem och anpassa sig över tid.

Answer 40

En Knowledge Base (KB) är en samling av meningar representerade i ett kunskapsrepresentationsspråk som beskriver världen. Den lagrar alla fakta och relationer om ett problem och används av agenten för att dra slutsatser baserat på den information som finns lagrad. - KB = organiserad samling av fakta och regler som används av ett expert- eller kunskapsbaserat system för att fatta beslut och lösa problem Exempel: ❏ Fakta (Symptom) - Patient har feber. - Patient har hosta. - Patient har andningssvårigheter. - Patient är trött. - Patient har ont i halsen. - Patient har varit i kontakt med någon med influensa. ❏ Regler Regel 1: - IF patient har feber AND hosta AND andningssvårigheter THEN diagnos = influensa. Regel 2: - IF patient har ont i halsen AND feber THEN diagnos = halsfluss. Regel 3: - IF patient är trött AND feber AND kontakt med någon med influensa THEN diagnos = influensa. Regel 4: IF patient har hosta AND ont i halsen THEN rekommendation = vila och drick mycket vätska. etc. När patientens symptom (fakta) matas in i systemet, används reglerna för att dra slutsatser om diagnos och rekommendationer

Answer 41

En inferensregel är en procedur som hjälper till att lösa problem genom att tillämpa kunskap. När frågor ställs till KB, bör svaren följa från vad som tidigare har lagts till i KB. Inferensregler används för att dra slutsatser baserat på kända fakta.

Answer 42

Kunskapsregler (declarative rules) anger alla fakta och relationer om ett problem och lagras i kunskapsbasen. - Kunskapsregel 1: IF patient har feber THEN patient har en infektion. - Kunskapsregel 2: IF patient har ont i halsen THEN patient kan ha halsfluss. Inferensregler (procedural rules) ger råd om hur man löser ett problem baserat på kända fakta och kan innehålla regler om regler (metaregler). - Ingerensregel 1: IF needed data is not known THEN ask the user. - Inferensregel 2: IF flera regler är applicerbara THEN använd den regel med högst prioritet först.

Answer 43

Forward chaining är en DATADRIVEN sökning i ett rule-based system där man börjar med tillgängliga fakta och försöker dra slutsatser. Determines conclusion based on evidence. Användningsområde: Denna metod är bäst att använda när alla fakta är tillgängliga från början och för prognos-, övervaknings- och kontrollproblem.

Answer 44

Backward chaining är en GOAL-DRIVEN sökning i ett rule-based system där man börjar med en potentiell slutsats och arbetar bakåt genom en kedja av regler för att hitta fakta som stödjer slutsatsen. Checks if evidence supports conclusion. Användningsområde: Denna metod är bäst att använda för diagnostiska problem.

Answer 45

Valet mellan forward chaining och backward chaining baseras på hur en domänexpert löser problemet. Om experten först samlar in data och sedan drar slutsatser används forward chaining. - if all facts available up front --> forward chaining Om experten börjar med en hypotes och sedan försöker hitta fakta för att bevisa den används backward chaining - duagnostic problrms --> backward chaining

Answer 46

Att en regel "fires" innebär att alla hypotetiska delar (if-delarna) av regeln är uppfyllda och att regeln tillämpas. Inference engine kontrollerar alla regler i kunskapsbasen (forward or backward direction) och fortsätter tills inga fler regler kan "fire" eller tills ett mål är uppnått.

Answer 47

Vanliga inferensproblem inkluderar konflikter mellan regler. Dessa hanteras genom att: 1. Establish a goal and stop firing rules when goal is achieved 2. Fire the rule with the highest priority 3. Fire the most specific rule 4. Fire the rule that uses the data most recently entered P_N_S (utan vokaler) Högst prioritet Mest specifik Nyligen fick data

Answer 48

Forward chaining: + allows you to conclude anything - is expensive (kräver beräkningsresurser och minne) Backward chaining: + Premises directs which facts are needed (sparar resurser genom att endast bearbeta relevanta fakta och regler som leder till målet + rule trace provides explanation (tydlig förklaring till hur målet nåddes, spåra tillbaka) - requires known goals

Answer 49

En kunskapsbaserad agent behöver en kunskapsbas och en inferensmekanism. • kunskapsbas • inferensmekanism Den lagrar meningar i sin kunskapsbas, drar nya slutsatser med inferensmekanismen och använder dessa för att bestämma vilka åtgärder som ska vidtas.

Answer 50

Possible conditions and solutions Lägg till mer

Answer 51

State where the searching process starts

Answer 52

The ultimate aim of searching process

Answer 53

“What to solve”

Answer 54

Strategy for controlling the search

Answer 55

Tree representation of search space, showing possible solutions from initial state

Answer 56

a list of nodes that wait to be checked ❏ Samlingen av noder som är näst på tur att utforskas. ❏ Fringen expanderas när nya noder läggs till, och de nyaste noderna placeras vanligtvis längst bak i fringen för utforskning.

Answer 57

To expand a node is to generate all of its children

Answer 58

❏ Sökalgoritmer som inte använder någon heuristik eller specifik kunskap om problemet för att vägleda sökningen. ❏ De fokuserar endast på att utforska sökutrymmet med hjälp av tillgänglig information i problemdefinitionen.

Answer 59

En sökstrategi där man först utforskar alla möjliga handlingar från starttillståndet, sedan alla möjliga handlingar från de nya tillstånden som de leder till, och så vidare. Det fortsätter på detta sätt i lager, successivt utökar sökningen från starttillståndet.

Answer 60

En sökstrategi som utforskar vägen till målet genom att välja den billigaste vägen, mätt i kostnad, från starttillståndet till varje möjligt tillstånd.

Answer 61

En sökstrategi som utforskar så långt längs en gren av sökträdet som möjligt innan det vänder tillbaka och utforskar andra grenar.

Answer 62

En variant av depth-first search där sökningen begränsas till en viss maximal djupnivå i sökträdet.

Answer 63

Typ Sick-Sack Depth för varje breddnivå En hybrid av depth-first search och breadth-first search där sökningen börjar som ?depth-first search? med begränsad djup och gradvis ökar djupet tills målet hittas.

Answer 64

❏ BFS explores all the neighboring nodes at the current depth before moving on to the nodes at the next depth level. ❏ DFS explores as far as possible along each branch before backtracking. ❏ BFS is best suited for finding the shortest path or all possible solutions. DFS is better for problems where any solution is acceptable, or where the solution is likely to be found closer to the starting point. ❏ The choice of algorithm depends on the specific problem and its requirements.

Answer 65

"The field of study that gives computers the ability to learn from data without being explicitly programmed." - Istället för att följa fördefinierade regler, lär sig maskininlärningssystem genom att analysera och identifiera mönster i stora datamängder.

Answer 66

❏ Supervised learning - Datorn lär sig av exempel där rätt svar är känt. ❏ Unsupervised learning - Datorn hittar mönster och grupper i data utan att veta rätt svar i förväg. ❏ Reinforcement learning (förstärkningsinlärning) - lär sig genom att interagera i en miljö och erhålla belöning eller straff baserat på sina handlingar

Answer 67

En metod inom maskininlärning där en algoritm lär sig från en uppsättning träningsdata som innehåller både ingångar och deras korresponderande korrekta utgångar. Algoritmen använder dessa data för att lära sig att göra korrekta förutsägelser eller klassificeringar på nya, osedda data Exempel: ❏ Klassificering - Ett e-postfilter som tränas på en dataset där varje e-postmeddelande är märkt som antingen "spam" eller "inte spam". Algoritmen lär sig mönster och egenskaper hos spam och kan sedan korrekt klassificera framtida e-postmeddelanden. ❏ Regression - En algoritm som förutspår huspriser baserat på historiska data som inkluderar funktioner som husstorlek, antal rum, plats, och försäljningspris. Algoritmen lär sig relationen mellan dessa funktioner och priserna och kan sedan förutsäga priset för ett nytt hus baserat på dess egenskaper.

Answer 68

Definition: Unsupervised learning är en metod inom maskininlärning där algoritmer försöker hitta mönster eller grupperingar i en datamängd utan att använda fördefinierade etiketter eller svar. Algoritmen lär sig från osorterade data och försöker identifiera dolda strukturer Exempel: Tänk dig att du har en stor mängd kunddata från en butik, inklusive ålder, inköpshistorik och geografisk plats. Genom att använda en klusteralgoritm som K-means kan du gruppera kunder med liknande beteenden utan att veta i förväg vilka grupper som finns. Detta kan hjälpa butiken att anpassa sina marknadsföringsstrategier baserat på olika kundsegment. - Ett klusteranalysprogram grupperar kunder baserat på deras köpvanor för att identifiera olika kundsegment utan att veta i förväg vilka grupper som finns.

Answer 69

Reinforcement learning är en metod där en agent, som kan vara en algoritm eller datorprogram, lär sig fatta beslut genom att interagera med en miljö. Agenten får belöningar eller straff baserat på sina handlingar och använder denna feedback för att förbättra sina framtida beslut och maximera den kumulativa belöningen över tid. Exempel: Träning av en AI att spela schack. Här agerar AI som agenten som gör drag i spelet (miljön). Efter varje drag får AI feedback i form av belöningar (t.ex. att vinna spelet) eller straff (t.ex. att förlora en pjäs). Genom att kontinuerligt spela och lära sig från resultaten, förbättrar AI sin strategi för att maximera sina chanser att vinna framtida spel - Ett datorprogram lär sig spela schack genom att spela många partier mot sig själv och förbättrar sina strategier baserat på om det vinner eller förlorar varje parti.

Answer 70

NLU innebär att ta en talad eller skriven mening och avgöra vad den betyder.

Answer 71

Ta en formell representation av vad du vill säga och hitta ett sätt att uttrycka det på ett naturligt (mänskligt) språk ( Skillnaden mellan formell representation och naturligt språk ligger i hur informationen presenteras. Formell representation är ofta strukturerad och använder ett precist, logiskt språk som kan förstås av datorer eller andra maskiner. Naturligt språk å andra sidan är det sätt människor normalt kommunicerar med varandra, med alla nyanser, idiomer och grammatiska konstruktioner som är karakteristiska för det mänskliga språket. )

Answer 72

Kortfattat: Identifiera den känslomässiga tonen. En process inom Natural Language Processing (NLP) som syftar till att identifiera och extrahera känslomässiga toner och känslor som uttrycks i text. Huvudsyftet med sentimentanalys är att bestämma om en given textuttryckar positiva, negativa eller neutrala känslor och att kvantifiera känslorna i texten.

Answer 73

Några möjliga tillämpningar av sentimentanalys är att bedöma om en recension är positiv eller negativ, att förstå vad människor tycker om en produkt eller film, att mäta konsumenters förtroende och att analysera allmänhetens åsikter om politiska kandidater eller frågor.

Answer 74

Sentimentanalys kan användas för att förutsäga valresultat eller marknadstrender genom att analysera allmänhetens känslor och attityder mot olika ämnen eller frågor.

Answer 75

Genom att analysera konsumenters känslor och attityder kan sentimentanalys ge insikter om hur produkter uppfattas och påverkar köpbeslut, vilket kan vara värdefullt för marknadsföring och produktutveckling.

Answer 76

NLP är en subkategori inom AI som fokuserar på interaktionen mellan datorer och människor genom naturligt språk. Huvudsyftet med NLP är att möjliggöra för datorer att förstå, tolka och svara på mänskligt språk på ett meningsfullt och användbart sätt.

Answer 77

❏ Text analysis: - Analyzing the structure and meaning of text, including syntax (sentence structure) and semantics (meaning). ❏ Speech recognition - Converting spoken language into text ❏ Natural Language Generation - Producing human-like text from data inputs ❏ Machine Translation - Translating text from one language to another ❏ Sentiment Analysis - Determining the sentiment or emotion expressed in a piece of text ❏ Named Entity Recognition (NER) - Identifying and classifying key elements in text, such as names of people, organizations, locations, etc. ❏ Question Answering - Building systems that can answer questions posed in natural language ❏ Text Summarization - Creating a concise summary of a larger text document.

Answer 78

❏ Lexical analysis: Identifierar och klassificerar ord, namngivna enheter och utför stavning. ❏ Syntactic analysis: Skapar syntaktiska strukturer och granskar grammatiken. ❏ Semantic analysis: Förståelse av betydelsen av ord och meningar. ❏ Pragmatic analysis: Förståelse av språket i sammanhang och tolkning av avsikten bakom texten.

Answer 79

Varje steg i bearbetningen bygger på det föregående för att möjliggöra en omfattande förståelse av naturligt språk. ❏ Lexical: breaking down the sentence into tokens - "The quick brown fox jumps over the lazy dog" : [The, quick, brown, fox, jumps, over, the, lazy, dog]. ❏ Syntactic: undersöker dess struktur - The quick brown fox" = subject - "jumps" = verb - "over the lazy dog" = prepositional phrase ❏ Semantic: tolkar dess betydelse - "quick," "brown," and "lazy" = descriptors of "fox" and "dog" respectively - understanding the action "jumps over" ❏ Pragmatic: tolkar textens intentioner och kontextuella betydelse

Answer 80

Traditionella NLP-metoder har haft begränsningar när det gäller att förstå och bearbeta naturligt språk. Detta har lett till utvecklingen av mer avancerade, kontextmedvetna tekniker inom området.

Answer 81

It represents text as an unordered collection (or "bag") of words, disregarding grammar and word order but keeping multiplicity. It focuses solely on the frequency of the words in the text. Syftet med Bag-of-Words (BoW)-modellen är att representera text som en oordnad samling av ord och att extrahera funktioner från texten. Det används för att omvandla text till numeriska funktioner som kan användas för olika maskininlärningsalgoritmer.

Answer 82

1. Corpus creation: Collect a set of documents to analyze. This collection is called a corpus 2. Vocabulary building: Create a vocabulary of all unique words in the corpus. Each unique word becomes a feature in the model 3. Tokenization: Tokenize each document in the corpus into individual words (tokens) 4. Vectorization: För varje dokument skapas en vektor där varje dimension motsvarar ett ord i vokabulären. Värdet i varje dimension är frekvensen av det motsvarande ordet i dokumentet. - For each document, create a vector where each dimension corresponds to a word in the vocabulary. The value in each dimension is the frequency of the corresponding word in the document. - This can be represented as a matrix where rows represent documents and columns represent words.

Answer 83

Dokument 1: "The cat sat on the mat." Dokument 2: "The dog sat on the log." Tokenisering: Dokument 1: ["the", "cat", "sat", "on", "the", "mat"] Dokument 2: ["the", "dog", "sat", "on", "the", "log"] Vokabulär: ["cat", "dog", "log", "mat", "on", "sat", "the"] Dokument 1 vektor: [1, 0, 0, 1, 1, 1, 2] Dokument 2 vektor: [0, 1, 1, 0, 1, 1, 2]

Answer 84

❏ Text classification ❏ Sentiment analysis ❏ Information retrieval ❏ Document clustering

Answer 85

De använda algoritmerna: ❏ Latent Semantic Analysis (LSA) - analyzes the relationships between words and phrases in a document to identify the underlying concepts. It can be used to identify related terms, find synonyms, and group similar documents together ❏ Text Summarization - can automatically create a condensed summary of a longer document by extracting the most important sentences or phrases ❏ Named Entity Recognition (NER) - NER algorithms identify and classify named entities (such as people, organizations, and locations) in a document ❏ Sentiment analysis - identify and classify the emotional tone of a document, such as whether it expresses positive or negative sentiment. This can be useful for applications such as market research, brand monitoring, and customer feedback analysis

Answer 86

Latent Semantic Analysis (LSA) är en teknik inom naturlig språkbehandling och informationssökning som används för att analysera relationer mellan ett set dokument och de termer de innehåller. LSA identifierar mönster i relationerna mellan termerna och koncepten som finns i en stor samling text. Exempel: I en samling artiklar om sport kan LSA identifiera att termer som "boll", "match" och "mål" ofta förekommer tillsammans i artiklar om fotboll, och därmed identifiera konceptet "fotboll" även om ordet "fotboll" inte används direkt.

Answer 87

SVD är en matematisk teknik som delar upp dokument-term-matrisen i tre matriser (U, Σ, V^T) för att reducera dimensioner och bevara information. Genom att behålla de största singulärvärdena kan vi representera dokument och termer i ett mindre konceptutrymme som fångar de mest betydande semantiska relationerna. - Exempel: Om vi ursprungligen har 1000 termer och 500 dokument, kan vi kanske reducera detta till 100 termer och 100 dokument i det nya utrymmet, vilket fångar de mest betydande mönstren.

Answer 88

1. Document-Term Matrix Creation: En matris skapas där rader representerar dokument och kolumner representerar termer (ord). Varje cell i matrisen representerar frekvensen av termen i dokumentet. - Exempel: Två dokument, "Cats eat fish" och "Dogs eat meat", ger matrisen Cats Dogs eat fish meat [1 0 1 1 0] // Dokument 1 [0 1 1 0 1] // Dokument 2 2. Term Weighting: Frekvenserna i dokument-term-matrisen transformerar med viktningsscheman som Term Frequency-Inverse Document Frequency (TF-IDF) för att återspegla termers betydelse i dokument. - Exempel: Om ordet "eat" är vanligt förekommande, minskar dess vikt, medan "fish" och "meat" får högre vikt. 3. Singular Value Decomposition (SVD): LSA tillämpar SVD på term-dokumentmatrisen. - Exempel: Matrisen delas upp i tre matriser U, Σ, och V^T. - Genom att behålla endast de största singulärvärdena i Σ-matrisen (och motsvarande kolumner i U och V^T), reducerar vi dimensionerna av data. Detta innebär att vi kan representera dokumenten och termerna i ett mindre, men mer informativt, konceptutrymme. 4. Dimensionality Reduction: Genom att endast behålla de främsta singulära värdena får vi en reducerad dimensionell representation av term-dokumentmatrisen. - Exempel: De mest betydande termerna och deras relationer till dokumenten behålls 5. Concept Space Representation: Kolumnerna representerar termer i det reducerade konceptutrymmet och raderna representerar dokumenten. Detta nya rum fångar den latenta strukturen i datan och belyser relationer mellan termer och dokument som inte var explicit uppenbara i det ursprungliga högdimensionella rummet. - Exempel: Dokument som är nära varandra i detta nya utrymme är semantiskt liknande, trots att de kanske inte innehåller exakt samma ord.

Answer 89

❏ Information retrieval - search accuracy - hämta dokument som är semantiskt relaterade till en förfrågan (även om exakta termer inte används) ❏ Document similarity - mätning av likheten mellan dokument ❏ Text summarization - identify main topics and concepts and then summarize ❏ Topic modeling - LSA can reveal underlying topics in a set of documents based on the patterns of term usage.

Answer 90

❏ Latent Semantic Analysis (LSA) ❏ Textsummering ❏ Named Entity Recognition (NER) ❏ Sentimentanalys

Answer 91

Also known as: "entity identification" "entity chunking" "entity extraction" Syfte: Identify and classify named entities (such as people, organizations, and locations) in unstructured text into pre-defined categories such as person, names etc.

Answer 92

Also known as: "opinion mining" or "emotion AI" Systematiskt identifiera, extrahera, kvantifiera och studera känslomässiga tillstånd och subjektiv information i text. - The goal is to answer the question: “What do people feel about a certain topic?” Användningsområden: ❏ Market research ❏ Brand monitoring ❏ Customer feedback analysis - Voice of the customer (VOC) - Voice of the market (VOM) - Voice of the Employee (VOE) - Brand Mangement - Financial Markets - Government Intelligence

Answer 93

❏ IBM Watson - En plattform för textanalys - is a question- answering computer system capable of answering questions posed in natural language ❏ Gavagai Explorer - Textanalysverktyg ❏ Lexalytics och TextRazor - Textanalysplattform ❏ Google Cloud Natural Language - En molntjänst för textanalys Alla nämnda kan hjälpa till att extrahera meningar, följa ämnesspår, hitta förhållanden och rikta sig mot specifika målgrupper.

Answer 94

Några algoritmer som nämns är PageRank, HITS (Hyperlink-Induced Topic Search), SALSA (Stochastic Approach for Link-Structure Analysis), SimRank (Similarity Ranking) och TrustRank.

Answer 95

PageRank är en länkanalysalgoritm som används för att ranka webbsidor baserat på deras viktighet eller relevans. Det underliggande antagandet är att mer betydelsefulla webbplatser är mer benägna att få fler länkar från andra webbplatser.

Answer 96

PageRank-algoritmen fungerar genom att webben representeras som en riktad graf där varje nod är en webbsida och varje riktad kant är en hyperlänk från en sida till en annan. Varje sida tilldelas initialt en lika PageRank-värde. Därefter uppdateras PageRank-värdet för varje sida iterativt baserat på PageRank-värdena för sidor som länkar till den. En dämpningsfaktor används för att säkerställa konvergens av PageRank-distributionen.

Answer 97

Bayes sats, även känt som Bayes teorem, är en sats inom sannolikhetsteorin som används för att bestämma betingade sannolikheter, det vill säga sannolikheten för ett utfall givet ett annat utfall. Satsen har fått sitt namn efter matematikern Thomas Bayes (1702-1761), som utvecklade den.

Answer 98

Bayes sats används för att kombinera insamlade statistiska data med andra informationskällor, såsom expertutlåtanden och allmänt kända fakta, för att beräkna sannolikheter för olika händelser eller utfall.

Answer 99

En intelligent agent är ett program som kan fatta beslut eller utföra tjänster baserat på dess miljö, användarinmatning (user input) och erfarenheter.

Answer 100

❏ Sensorer: För att uppfatta miljön ❏ Effectors/acutators: För att agera i miljön (omvandlar kontrollsignaler till fysiska handlingar)

Answer 101

En agent ska agera rationellt, vilket innebär att den gör det rätta. Det rätta är den handling som gör att agenten blir mest framgångsrik. Agentens framgång utvärderas genom en fast prestationsmått som bedömer sekvensen av observerade handlingseffekter på miljön.

Answer 102

❏ Miljöns dynamik och förutsägbarhet. ❏ Accessibility av fully eller partial information. ❏ Antalet agenter och deras samspel.

Answer 103

Simple reflex agents: ❏ Agerar baserat på nuvarande percept, utan hänsyn till historik. - inget minne, bara ser och gör - A simple reflex agent follows pre-defined rules to make decisions. It only responds to the current situation without considering the past or future consequences Goal-based: ❏ Agerar baserat på en specifik målstat, vilket innebär att den tar beslut för att nå ett visst mål. Learning agent: ❏ Förbättrar sina prestationer genom att lära sig från erfarenheter.

Answer 104

Mänsklig agent: Använder ögon, öron och andra organ som sensorer; händer, ben, mun och andra kroppsdelar som effektorer. Robotagent: Använder kameror och infraröda avståndsmätare som sensorer; olika motorer som effektorer.

Answer 105

❏ Autonom: Kan arbeta självständigt. ❏ Interagerar med andra agenter och miljön. ❏ Reaktiv till miljön: Kan reagera på förändringar. ❏ Proaktiv: goal-directed och kan agera för att uppnå specifika mål.

Answer 106

Att en agent är autonom innebär att den kan fatta beslut och utföra uppgifter självständigt, utan konstant mänsklig inblandning.

Answer 107

❏ Reaktiv: Agenten kan reagera snabbt på förändringar i miljön. ❏ Proaktiv: Agenten är målstyrd och agerar för att uppnå långsiktiga mål

Answer 108

❏ Fully observable: - Agenten kan direkt och fullständigt observera miljöns nuvarande tillstånd. - Exempel: ett schackspel. ❏ Partially observable: - Agenten kan inte direkt observera miljöns fullständiga tillstånd. - Exempel: ett kortspel som poker.

Answer 109

Deterministic: Nästa tillstånd är helt bestämt av nuvarande tillstånd och agentens handlingar, utan slumpmässighet. - Exempel: ett schackspel där varje drag har en förutsägbar effekt. Stochastic: Det finns osäkerhet eller slumpmässighet i utfallen av handlingar. Nästa tillstånd är inte helt förutsägbart. - Exempel: ett tärningsspel där utfallet av en handling beror på tärningskast.

Answer 110

Episodic: Agentens erfarenheter är uppdelade i oberoende episoder, där varje episod är självständig. - Exempel: ett frågesportspel där varje fråga är oberoende av de andra. Sequential: Agentens handlingar påverkar framtida perceptioner och beslut, vilket innebär att episoderna är beroende av varandra.

Answer 111

Static: - Element och deras egenskaper förblir konstanta över tid. - Exempel: ett pusselspel. Dynamic: - Element eller egenskaper kan förändras oförutsägbart. - Exempel: ett realtidsstrategispel.

Answer 112

Discrete: - Begränsat antal distinkta och tydligt definierade percept och handlingar. - Exempel: ett schackspel. Continuous: - Percept och handlingar existerar längs ett kontinuerligt spektrum. - Exempel: en självkörande bil.

Answer 113

Fördelar: ❏ Enkel att designa och implementera ❏ Ger snabba svar på miljöförändringar ❏ Hög tillförlitlighet om sensorerna är noggranna och reglerna väl utformade Nackdelar: ❏ Misslyckas om sensorerna är felaktiga eller reglerna dåligt utformade ❏ Saknar minne eller tillstånd vilket begränsar användningsområdet ❏ Kan inte anpassa sig till nya situationer

Answer 114

En målbaserad agent använder information från sin miljö för att uppnå specifika mål. Den använder sökalgoritmer för att hitta den mest effektiva vägen mot sina mål. Agenten genomgår följande steg: - perception - reasoning - action - evaluation - goal completion

Answer 115

Fördelar: ❏ Enkel att implementera och förstå ❏ Lätt att utvärdera prestation baserat på måluppfyllelse ❏ Väl lämpad för väl definierade och strukturerade miljöer Nackdelar: ❏ Begränsad till ett specifikt mål ❏ Kan inte anpassa sig till förändrade miljöer ❏ Ineffektiv för komplexa uppgifter med för många variabler

Answer 116

En lärande agent är en AI-agent som kan lära sig av tidigare erfarenheter och förbättra sin prestanda. Den börjar med grundläggande kunskaper och anpassar sig automatiskt genom maskininlärning.

Answer 117

❏ Learning Element: Ansvarig för att lära sig och göra förbättringar baserat på erfarenheter från miljön. ❏ Critic: Ger feedback till learning element baserat på agentens prestation jämfört med en förutbestämd standard. ❏ Performance Element: Väljer och utför externa handlingar baserat på information från learning element och critic. ❏ Problem Generator: Föreslår handlingar för att skapa nya och informativa erfarenheter för learning element för att förbättra prestandan.

Answer 118

1. Observation: Agenten observerar sin miljö genom sensorer eller andra ingångar. 2. Learning: Agenten analyserar data med algoritmer och statistiska modeller, lär sig av feedback om sina handlingar och prestationer. 3. Action: Baserat på vad den har lärt sig, agerar agenten i sin miljö för att bestämma hur den ska bete sig. 4. Feedback: Agenten får feedback om sina handlingar och prestationer genom belöningar, straff eller miljömässiga signaler. 5. Adaptation: Agenten ändrar sitt beteende och beslutsfattande baserat på feedback, uppdaterar sin kunskap och anpassar sig till sin miljö.

Answer 119

❏ Kan omvandla idéer till handlingar baserat på AI-beslut. ❏ Kan följa grundläggande kommandon som talade instruktioner för att utföra uppgifter. ❏ Kan utvecklas över tid, till skillnad från klassiska agenter som utför fördefinierade handlingar.

Answer 120

❏ Kan leda till partiska eller felaktiga beslut. ❏ Höga utvecklings- och underhållskostnader. ❏ Kräver betydande datorresurser. ❏ Beroende av stora mängder data. ❏ Saknar mänsklig intuition och kreativitet.

Answer 121

❏ Sensorer: Temperaturgivare som mäter rummets aktuella temperatur. ❏ Effektorer: Värmesystem och kylsystem som kontrollerar rummets temperatur. ❏ Condition-Action Rules: - OM temperaturen är under en viss tröskel VÄRM rummet. - OM temperaturen är över en viss tröskel KYL rummet. - OM temperaturen är inom ett bekvämt intervall GÖR INGENTING. ❏ Miljö: Rummet som kan variera i temperatur beroende på väderförhållanden och beläggning

Answer 122

❏ Sensorer: - Smutsdetektorer som upptäcker smuts på golvet. - Hinderdetektorer som upptäcker hinder (som möbler eller väggar) i robotens väg. ❏ Effektorer: - Rörelseaktuatorer som kontrollerar robotens rörelse (t.ex. hjul). - Städaktuatorer som aktiverar borstar eller dammsugare för att rengöra golvet. ❏ Condition-Action Rules: - OM smuts upptäcks, STÄDA nuvarande plats. - OM hinder upptäcks framför, VÄND vänster eller höger för att navigera runt. - OM ingen smuts eller hinder upptäcks och det finns outforskad yta framför, FORTSÄTT framåt. - OM alla områden är rena, STOPPA och återvänd till laddningsstationen. ❏ Miljö: Rummet som innehåller smuts och hinder som roboten måste navigera runt medan den städar.

Answer 123

Gemini: En stor språkmodell från Google som använder förstärkningsinlärning för att förbättra problemlösningsförmågor. AI Sandbox: Ett ad-verktyg från Meta som låter annonsörer utforska nya generativa AI-drivna verktyg för att skapa unika annonser Speak AI: En tjänst som erbjuder automatisk transkription av ljud och video till text samt integrationer för att automatisera arbetsflöden. Camel AGI: En agentramverk som använder rollbaserat spel för att vägleda chattagenter mot att slutföra uppgifter och förbättra dialogsystem.

Answer 124

Ett problem-solving agent är en typ av AI-agent som kan identifiera och lösa problem genom att utföra en serie av handlingar för att nå en önskad målsättning.

Answer 125

1. Deterministic, fully observable: - kallas "single-state problems" där agenter är medvetna om sin exakta status och lösningen är en sekvens av handlingar. 2. Non-observable: - kända som "sensorless problems" där agenter kanske inte har någon aning om var de befinner sig och lösningen är en sekvens av handlingar. 3. Non-deterministic och/eller Partially observable: - benämns som "contingency problems" där framtida händelser eller omständigheter är möjliga men inte kan förutsägas med säkerhet. 4. Unknown state space: - identifierade som "exploration problems" som involverar navigering genom ett state space där hela utrymmet inte är känt från början.

Answer 126

En deterministisk algoritm producerar alltid samma utdata för samma indata och genomgår samma steg i varje körning. - Exempel: Följ ett recept för att baka en tårta. Resultatet är alltid detsamma om du följer samma steg. En icke-deterministisk algoritm kan däremot producera olika utdata för samma indata i olika körningar och kan visa olika beteenden för samma indata vid olika körningar. - Exempel: Spela ett brädspel med vänner. Resultatet kan variera varje gång på grund av olika val och slumpmässiga händelser.

Answer 127

NP-fullständiga problem är en klass av matematiska problem för vilka effektiva lösningar saknas. Exempel på NP-fullständiga problem inkluderar Travel Salesman Problem (TSP), industriell logistikoptimering och schemaläggningsproblem Alldeles för tunga för att beräkna så man kan använda heuristics.

Answer 128

Constraint Programming (CP) är en metod för att lösa kombinatoriska problem genom att modellera problemet som en uppsättning variabler, där varje variabel har en domän av möjliga värden, och en uppsättning begränsningar som specificerar relationerna mellan dessa variabler. Målet är att hitta en lösning där alla variabler tilldelas värden som uppfyller alla begränsningar. CP letar efter möjliga kombinationer för att lösa problem som uppfyller alla regler. CP används i olika områden, inklusive schemaläggning, planering, resursallokering och konfiguration.

Answer 129

Problem-solving: ❏ Löser ett konkret problem ❏ Fokuserar på att identifiera och lösa problem med kända parametrar Planering: ❏ Väljer och utför handlingar för att uppnå ett mål ❏ Hanterar osäkerhet och begränsningar i miljön

Answer 130

Planering kan förenklas genom att: ❏ Utnyttja egenskaper hos problemet för att förenkla sökningen. ❏ Använda explicita representationer av state, goal, actions och plans. - alltså tydligt beskriver alla komponenter i ett problem ❏ Tillämpa goal decompisition ("divide and conquer") för att bryta ner komplexa mål i mindre, hanterbara delar. (❏ Använda flexibla sökstrategier och specialiserade algoritmer för att effektivisera planeringsprocessen.)

Answer 131

"Closed world assumption" antar att världens modell innehåller allt som roboten behöver veta, vilket innebär att inga överraskningar kan förekomma. - en princip som antar att allt som inte uttryckligen är känt eller specificerat som sant, anses vara falskt.

Answer 132

Man står inför "frame problem", vilket handlar om hur man representerar verkliga situationer på ett sätt som är beräkningsmässigt hanterbart. - handlar om att avgöra vilken information som är relevant att inkludera för att förstå och förutsäga en situation, samtidigt som man undviker att överbelasta systemet med onödiga detaljer

Answer 133

STRIPS (Stanford Research Institute Problem Solver) är ett språk som används för att representera och lösa planeringsproblem inom AI. Det används för att modellera state, goal, actions och åtgärder i planeringsdomäner.

Answer 134

Progression: ❏ Framåtriktad planering. ❏ Överväger effekterna av alla möjliga åtgärder i ett givet tillstånd. ❏ Syftar till att förutsäga framtida tillstånd och händelser baserat på aktuellt tillstånd och möjliga åtgärder. Regression: ❏ Bakåtriktad planering. ❏ Undersöker vad som måste ha varit sant i det tidigare tillståndet för att uppnå ett mål. ❏ Syftar till att bakåt räkna från målet till starttillståndet för att identifiera de nödvändiga handlingarna eller villkoren för att uppnå målet.

Answer 135

En planeringsalgoritm som kan placera två handlingar i en plan utan att bestämma i vilken ordning de måste utföras. Det tillåter problem decomposition och kan ta fördel av parallellism för att hitta effektiva lösningar. Exempel: Ta på sig strumpan och skorna. Det finns ingen ordning som måste vara först. Två saker kan komma samtidigt. Vänster strumpa-vänster sko och sen höger ELLER strumpor först och sen skor

Answer 136

A neural network implements a function y = f(·); // output (prediction of the ANN Replace · by sum of the weighted input variables y = f(x1 * w1 + x2 * w2)

Answer 137

Training: - justera vikterna baserat på fel mellan den förutsagda och den faktiska utgången, vanligtvis med hjälp av en inlärningsalgoritm som Perceptron Learning Rule

Answer 138

Activating the network * Inputs (neurons): x1,x2 * Output (pulse): y * output y (1 | 0) * Activation (soma): f(.) Training the Network: * Weights (synapses): * weights (w1, w2) ≈ parameters Updating weights: * If the network is working like it should, you don’t need to update the weights! 1) Compare: * network output y (ANN prediction), to * expected output t (ANN target) 2) Update: * the weights update of the network is proportional to the network error (t – y)

Answer 139

En Single Layer Perceptron är den enklaste formen av en artificiell neuronnätverk (ANN) med en enda lager av neuroner.

Answer 140

SLP används för att hitta gränser mellan olika grupper av data, där varje grupp representerar en klass. Den lär sig att dra gränser som framgångsrikt klassificerar dataobjekten.

Answer 141

Syftet med träningen är att lära nätverket de parametrar som behövs för att korrekt klassificera data genom att anpassa vikterna i nätverket baserat på felet mellan den förutsagda och den faktiska utmatningen.

Answer 142

Activation av en SLP bestäms av en icke-linjär gating-funktion, där vikterna multipliceras med inmatningarna och summeras för att generera en aktiveringsnivå. - mata in data, multiplicera inputs med vikter, summera produkterna och skicka summan genom en aktiveringsfunktion (ofta en stegfunktion) för att få ett binärt resultat (0 eller 1)

Answer 143

Det innebär att SLP bara har ett lager av neuroner, vilket gör den till den enklaste formen av ett neuronnätverk. Den har en uppsättning inmatningsneuroner och en uppsättning utmatningsneuroner utan några hidden layers.

Answer 144

1. Jämför nätverksutmatningen med den förväntade utmatningen. 2. Uppdatera vikterna baserat på felet mellan den förutsagda och den faktiska utmatningen.

Answer 145

SLP försöker lösa problemet med att hitta gränser mellan olika klasser av data för att kunna klassificera nya dataobjekt korrekt.

Answer 146

Vi kan antingen manuellt välja värdena för vikterna eller använda en inlärnings-/träningsregel (det vanligaste) som tillåter nätverket att lära sig från erfarenhet (av data).

Answer 147

Perceptron-inlärningsregeln är 𝑤′= 𝑤 + 𝛼𝑥(𝑡−𝑦) där ❏ 𝑤 är vikterna, ❏ 𝛼 är inlärningshastigheten, ❏ 𝑥 är inmatningsdatan, ❏ 𝑡 är den förväntade utmatningen och ❏ 𝑦 är den faktiska utmatningen Regelns syfte är att justera vikterna baserat på skillnaden mellan den faktiska och den förväntade utmatningen.

Answer 148

Om vikterna är för svaga ökar vi dem när felet är positivt: If the error t−y > 0 (e.g. t=1, y=0), we increase w by a small amount Om vikterna är för starka minskar vi dem när felet är negativt: If the error t-y <= 0 (e.g. t=0, y=1), we decrease w by a small amount

Answer 149

En parameter som bestämmer storleken på viktjusteringar vid varje träningssteg. Hög inlärningshastighet kan leda till snabbare men instabil konvergens (kan orsaka att nätverket "hoppar över" den optimala lösningen) Låg hastighet ger långsammare men stabilare träning.

Answer 150

Vi presenterar olika kombinationer av indata (x1 och x2) och deras förväntade utmatning (t), sedan justerar vi vikterna baserat på perceptron-learning rule tills nätverket konvergerar till att producera rätt utmatning för alla indata.

Answer 151

Vikterna 𝑤1 och 𝑤2 uppdateras genom att använda perceptron-learning rule: 𝑤′ = 𝑤 + 𝛼𝑥(𝑡−𝑦) medan tröskeln (𝜃 eller 𝑤0) uppdateras på samma sätt.

Answer 152

Fördelar: + Simple and easy to implement. + Training time is relatively fast compared to other neural network architectures. + Good for binary classification tasks and linearly separable problems. + Can be used as a building block for more complex neural network models Nackdelar: - Limited to linearly separable problems and cannot learn complex decision boundaries. - Can only model a single output variable. - Not suitable for tasks that require multi-class classification. - Can suffer from the vanishing gradient problem when training on deep networks. - Prone to overfitting on noisy data or data with high dimensionality.

Answer 153

Pixels/pixelvärden

Answer 154

* Collect and preprocess data: Gather a dataset of labeled text data and preprocess it by cleaning, normalizing, and encoding the text data. (Preprocess = Rensa texten: Ta bort specialtecken, siffror och konvertera texten till små bokstäver. Normalisera texten: Stava ord korrekt och standardisera texten. Stoppord: Ta bort stoppord som "and", "is", "in" osv. Stamning eller lemmatization: Konvertera ord till deras rotform.) * Split the data: Split the data into training, validation, and testing sets. * Prepare the input: Convert the preprocessed text data into numerical representations using techniques such as tokenization, vectorization, or word embeddings.

Answer 155

Nej, pixelförstärkningsrepresentation är inte lämplig för komplexa problem eftersom den endast representerar en bild som en matris av pixelvärden, vilket kan vara svårt för nätverket att generalisera från och skapa meningsfulla mönster eller insikter.

Answer 156

En central algoritm i träningen av artificiella neurala nätverk, som används för att minimera skillnaden mellan nätverkets förutsägelser och de faktiska målvärdena (labels). Algoritmen justerar vikterna i nätverket för att reducera fel (loss)

Answer 157

❏ Deep learning algorithms rely on large amounts of data to learn patterns and make predictions ❏ They use backpropagation, a technique for adjusting the weights in the neural network to minimize the error ❏ Deep learning algorithms are capable of unsupervised learning ❏They can also perform feature extraction ❏ Deep learning algorithms are highly flexible and can adapt to new data and tasks, making them ideal for applications where the data or requirements may change over time.

Answer 158

❏ Konvolutionella lager använder filter (även kallade kernels) för att extrahera features. ❏ The filters slide over the input data, performing a mathematical operation called convolution ❏ By stacking multiple convolutional layers, CNNs can learn more complex and abstract features ❏ Pooling layers are used to reduce the size of the feature maps produced by the convolutional layers, * making the network more computationally efficient. * The most common type of pooling is max pooling, which selects the maximum value from a small region of the feature map. ❏ The output from the convolutional and pooling layers is flattened and fed into the fully connected layers, * which perform a classification task

Answer 159

❏ RNNs have loops in their architecture which enables them to process sequences of inputs ❏ They maintain an internal state or "memory" which is then used to inform future predictions or decisions ❏ Ett vanligt RNN-arkitektur är Long Short-Term Memory (LSTM) nätverket. ❏ RNN tillämpningar: - språkmodellering - taligenkänning - maskinöversättning - bildtextning - musikgenerering One limitation: computationally expensive to train

Answer 160

❏ GANs är en typ av neural nätverksarkitektur som består av två huvuddelar: en generator network och ett discriminator network. ❏ The generator network *takes a random noise vector as input generates new data, *images or text, that resemble the real data ❏ The discriminator network *takes in both real and generated data *tries to classify which is which ❏ The two networks are trained together in a game-like fashion, * where the generator tries to fool the discriminator and the discriminator tries to correctly classify the data. ❏ One limitation of GANs is that they can be difficult to train and may suffer from mode collapse, *where the generator produces limited variations of the same output instead of diverse outputs.

Answer 161

1. Identify the problem 2. Choose the right architecture 3. Prepare the data t ex: (CNNs) for image recognition, (RNNs) for sequential data, (Transformer models) for natural language processing 4. Train the model - adjust the hyperparameters: learning rate, antal lager etc. 5. Evaluate the model 6. Fine-tune the model

Answer 162

❏ Överanpassning (overfitting) inträffar när modellen passar för bra på träningsdatan men presterar dåligt på osedd data (pga brus?) ❏ Det kan undvikas genom att använda tekniker som regularization (lägger till en straffterm, förlustfunktion), dropout (slumpmässig andel av neuroner stängs av under träning och förhindrar att neuroner blir beroende av varandra), eller att minska modellens komplexitet (färre lager eller färre neuroner) ❏ Genom att använda en separat valideringsuppsättning (del av datan som används specifikt för att utvärdera modellens prestanda men inte träna modellen) kan man övervaka modellens prestanda och justera den vid behov för att undvika överanpassning.

Answer 163

RL innebär att en agent lär sig genom interaktion med miljön genom positiv (belöning) och negativ (straff/kostnad) återkoppling. Det är en av de maskininlärningsmetoder som är mest kopplade till mänskligt och djuriskt tänkande, inlärning och beslutsfattande.

Answer 164

RL innefattar beslut som baseras på tillstånd (states), åtgärder (actions), belöningar (rewards) och eventuellt modeller av miljön.

Answer 165

MDP är en matematisk ram som beskriver en sekvens av beslut som tas av en agent i en miljö. Key point! Den har Markov-egenskapen, vilket innebär att valet av åtgärd av agenten endast beror på det nuvarande tillståndet och inte på tidigare tillstånd.

Answer 166

Att ha Markov-egenskapen innebär att valet av åtgärd förenklas, vilket gör att det är enklare att beräkna och kommunicera optimala handlingar. - It means that the current state the agent is in contains all information needed for taking the optimal action (decision) ... - So, the history of state transitions (actions that lead the agent from one state to another) does not provide extra information Example 2: The flight trajectory of a cannon ball – position and velocity gives us all the information needed regarding future state transition probabilities. We do not need to know the past history

Answer 167

Värderingarna av tillstånd uppdateras med hjälp av Temporal Difference (TD) Error, som beräknar skillnaden mellan det förutsedda värdet och det faktiska värdet av belöningen.

Answer 168

SARSA och Q-Learning är två kända RL-algoritmer som används för att hitta de bästa vägarna till målet.

Answer 169

Temporal Difference (TD) learning-algoritmen möjliggör att handlingar väljs som tar hänsyn till både nuvarande och förutsedd framtidig belöning i RL, vilket gör det till en Markov Decision Process (MDP).

Answer 170

Spel ger dynamiska och utmanande miljöer eftersom de innehåller många variabler och interaktioner som kräver snabba och adaptiva beslut. Det är också lätt att mäta prestanda och jämföra olika algoritmers resultat i spel.

Answer 171

DeepMind har bidragit till utvecklingen av Deep Q Networks (DQN), Advantage Actor-Critics (A2C/A3C), och AlphaGo-algoritmerna, som alla har använts för att lösa komplexa problem inom Deep Reinforcement Learning. Dessa algoritmer har framgångsrikt testats på Atari-spel och brädspel.

Answer 172

Områden som kan dra nytta av tillämpningar av RL inkluderar: ❏ robotik/autonoma fordon (självkörande bilar) ❏ spel ❏ webbnavigation ❏ chattbots (naturlig språkbehandling) ❏ rekommendationssystem.

Answer 173

För att bygga ett system för att lösa ett problem behöver man: definiera problemet, analysera problemet för att identifiera viktiga funktioner, isolera och representera dessa funktioner, och välja en lämplig problemlösningsmetod.

Answer 174

Några viktiga termer inkluderar: (search space) (initial state) (goal state) (problem space) (search strategy) (search tree).

Answer 175

En sökstrategi bedöms utifrån dess fullständighet (huruvida den alltid hittar en lösning om en finns), tidskomplexitet (antal genererade noder), utrymmeskomplexitet (maximalt antal noder i minnet) och optimalitet (om den alltid hittar en minsta-kostnadslösning).

Answer 176

Oinformerade sökstrategier använder endast information som finns tillgänglig i problemdefinitionen, medan informerade sökstrategier använder ytterligare heuristik eller kunskap om problemet. Exempel på oinformerade strategier inkluderar bredden-först-sökning och djupet-först-sökning, medan exempel på informerade strategier inkluderar A*

Answer 177

Bredden-först-sökning utforskar alla grannnoder på samma djup innan den går vidare till nästa djupnivå, medan djupet-först-sökning utforskar så långt som möjligt längs varje gren innan den backar.

Answer 178

Bredden-först-sökning är komplett om trädet är ändligt, optimerad om kostnaden per steg är 1, men den har en stor minnesanvändning då den behåller varje nod i minnet.

Answer 179

Djupet-först-sökning är inte komplett eftersom den kan fastna i oändliga djup eller loopar, och den är inte optimal eftersom den inte nödvändigtvis hittar den kortaste vägen till målet.

Answer 180

Det beror på problemet. Bredden-först-sökning är bäst för att hitta kortaste vägen eller alla möjliga lösningar, medan djupet-först-sökning är bättre för problem där vilken lösning som helst är acceptabel eller när lösningen förmodligen finns nära startpunkten.

Answer 181

A* algoritmen är en heuristisk sökalgoritm som använder en uppskattning av kostnaden för att nå målet från en given nod. Den är effektiv eftersom den kombinerar fördelarna med både bredden-först- och djupet-först-sökning samtidigt som den undviker deras respektive nackdelar genom att använda heuristik för att fokusera på de mest lovande vägarna och undvika att utforska olovliga vägar.

Answer 182

Lokala sökalgoritmer är lämpliga för optimeringsproblem där målet är att hitta en tillfredsställande lösning snarare än en optimal lösning. Exempel inkluderar konstruktionsproblem, maskininlärning, spel och schemaläggning.

Answer 183

Iterativ fördjupande sökning används för att hitta en lösning genom att successivt öka djupet på sökningen tills en lösning hittas. Det är användbart när den exakta djupnivån inte är känd på förhand eller när det finns begränsningar för minnesanvändningen.

Answer 184

Förståelse för AI-sökalgoritmer är viktigt eftersom de används för att lösa en mängd olika problem inom artificiell intelligens och kan bidra till att automatisera processer, förbättra effektiviteten och fatta bättre beslut. De är också en central del av AI-forskning och innovation.

Answer 185

Artificiell intelligens (AI) är ett övergripande område som handlar om att skapa intelligenta maskiner som kan utföra uppgifter som normalt kräver mänsklig intelligens. Maskininlärning är en delmängd av AI som fokuserar på att lära datorer att göra specifika uppgifter utan att explicit programmera dem för det.

Answer 186

De tre historiska stegen inom djupinlärning är: uppkomsten av neurala nätverk, ökad tillgång till data och beräkningskraft samt utvecklingen av nya algoritmer och träningsmetoder.

Answer 187

Cognitive robotics handlar om att kombinera principer från biologisk kognition med robotteknik för att skapa robotar som kan förstå och interagera med sin miljö på ett mer intelligent sätt

Answer 188

De två paradigmen är den cognitivistiska och emergenta paradigmen.

Answer 189

I cognitivistisk modellering representerar kunskapen objekt i den yttre världen genom isomorfism, medan emergent modellering innebär att representationerna korrelerar med objekten i världen snarare än att de står för dem direkt.

Answer 190

En av de viktigaste skillnaderna är att en "contemporary decision maker" har begränsad rationalitet och påverkas av olika kognitiva biaser och misstag, medan en "perfect rationality" människa anses vara oändligt rationell och självisk.

Answer 191

Matematisk formulering av modeller tvingar dem att vara precisa, fullständiga och självkonsekventa, vilket gör det möjligt att arbeta ut deras fulla konsekvenser och undvika självmotsägelser.

Answer 192

Några av ämnena som täcks inkluderar perception, neurorobotik, utvecklingsrobotik, kognitiva arkitekturer, social kognition och språk och kommunikation.

Answer 193

HRI definieras som "design, förståelse och utvärdering av robotsystem som involverar människor och robotar som interagerar genom kommunikation."

Answer 194

❏ Precision ❏ Hastighet ❏ Kontroll

Answer 195

Robotar används för att utföra farliga uppgifter och minimera riskerna för människor i farliga miljöer, som visat sig i Fukushima-katastrofen där robotar bidrog till att hantera situationen.

Answer 196

Det innebär att kombinera robotens positionering med dess kraftkontroll för att förbättra interaktionen och hanteringen av krafter i miljön, vilket är viktigt för att roboten ska kunna interagera med omgivningen på ett mer naturligt sätt.

Answer 197

Anpassningsförmåga, inlärning och autonomi är viktiga egenskaper för framtidens robotar i oförutsägbara miljöer.

Answer 198

Robotar kan användas för fysisk rehabilitering genom att hjälpa patienter att återfå rörelseförmåga och för mental rehabilitering genom att stödja individer med autism spektrumstörning.

Answer 199

Embodied enablers innebär att robotar utökar våra kapaciteter genom att integrera fysisk form och funktion, vilket gör det möjligt för dem att bättre stödja och förbättra mänskliga aktiviteter.

Answer 200

Relationen har utvecklats från att se robotar som "slavar" som utför uppgifter långt från människor i industriella miljöer, till att bli samarbetspartners och symbiotiska artefakter som arbetar nära och tillsammans med människor.

Answer 201

En av de stora utmaningarna är att designa ett "ömsesidigt delat interaktivt utrymme" mellan människor och maskiner, så att människor vill använda teknologin för att uppnå och stödja sina mål.

Answer 202

HRI kan ha en stark ekonomisk och social påverkan genom att förändra hur vi lever och interagerar med teknologi, vilket kan leda till nya sätt att leva och arbeta.

Answer 203

Kunskapsrepresentation är de tekniker och processer som används för att lagra och representera kunskap i datorsystem på ett sätt som möjliggör användning av intelligenta agenter eller system. Det är viktigt för att bygga system som kan agera och fatta beslut baserat på befintlig kunskap.

Answer 204

Några önskvärda egenskaper inkluderar att alla typer av kunskap i domänen kan representeras, att det är enkelt att lägga till ny kunskap och härleda ny kunskap från den existerande.

Answer 205

Naturligt språk är extremt uttrycksfullt och används av människor, vilket gör det till en naturlig form av kunskapsrepresentation

Answer 206

Nackdelar inkluderar komplex syntax och semantik, tvetydighet och att det inte är helt regelbundet.

Answer 207

Ett Production System är en modell för att lägga till kunskap i kognitiva simuleringar. Det består av ett långtidsminne (production memory) och ett korttidsminne (working memory) och använder production rules för att definiera vilka handlingar som ska utföras baserat på förutsättningar

Answer 208

Logic Theorist och General Problem Solver var tidiga försök att bygga kognitiva simuleringar. De definierade heuristiska algoritmer för att simulera mänsklig kognition genom att börja i ett visst tillstånd och försöka ta sig till ett måltillstånd, exempelvis genom att bevisa logiska teorem

Answer 209

McCarthy introducerade formaliserade logikmodeller istället för heuristiska regler. Dessa modeller använde deklarativt arbetssätt och formell logik för att representera kunskap, vilket ledde till utvecklingen av AI-språk som LISP och PROLOG.