examen, Exámenes de Construcción

¡Descarga examen y más Exámenes en PDF de Construcción solo en Docsity!

UNB Universitat Autóncena de Barcelona. examen final d'intel-ligéncia artificial 2 Enginyeria Informótica dort curs, 2on semestre pi Deia Examen: Cod nu 7/06/2005 20368 E Fo INSTRUCCIONS: re Taoria ¡ práctiques: Contestar les preguntes lesl. Només hi ha una osció corracta per pregunta. Els alumnes que tinguin el primer parcial aprovat no hegin renunciat a aqueste nota abans d'ara, NO HAN DE CONSTESTAR los preguntes 1, 2, 3, 4, 5 (les que 1enen el simbol 4). Problemes: Fer el problema en un fall a part 1Y Quan parle d'agente intelligents, aj Intelligent, en aquest ces, vol dir que reona utilitzant la lógica preposicional bj Diem que un agent racional és el que es basa per a raonar en lleis universols que modelen processas de raonament irrefutables e) Un agent racional és «l que per cada segúáncia perceptual possible escull 'acció que menys contradiccions 'Sgiques genera respecte la seva base de consixements. 2) * Dls arbres de decii E less amb Palgonaras 13 samrs trobem l'arbre més petit que és consistent amb les dades, <) No poden representar otributs numérics continus, pa dj Diem que hen tet overfiting quan l'arbre resultant és més bastant més gran que l'áptim 3) * U'espai de versions: al Diem que kh GS overfifing si el conjunt S o el G $) Siensoriba un dj Totes les anteriors. * Apreaentaty si numérics di: ss buits, 8 per simulació de l'evolució; 4 a) Lo codificació binaria dels cromosomes és semara millor que qualsove' alto, <) El crevament entre cromosomes mai es pot utilizar simulténiarment a lo mulació a) Cap deles anteriors 5) —* Aprenentatge Bayesid: a) im que totes les hipatesis són equiprobables, llavors la hipdtes! més probable s“anorrana Fipótesi MA? bi cador ¿pica de Bayas es pot implementar fácilment només quan enim un nombre gran d'hipótesis possiales d) Totes les anteriors FINS AQUÍ LES PREGUNTES DEL PARCIAL 6) — Aprenentatge pe- recollida de caso a) — L'algorisme de cálcul del vel més proper ens asegura podem trabar el ve més proper d'un exemple: está acotot en el temps. b) - Ualgerisme de cálc.l del veí més proper no es pot aplicar a conjunts d'sxemples que no tinguin une cardinalitat que sigui poténcia de de an tos! computacional que 7 8] La cuariiculació és degudo a les vuriants dialectals d'une llengua. e) Valgorsme ce Vilerbi ens permel aprendre els porámetres d'una xarxa de Markow oculta: a partir d'exemples. 8) Analis del llenguatge: a) Els símbols no terminals no poden ser etiquetes dels arcs d'una xarxa de trarsició simple Una xarxa de transicó simple pol cralitzcr qualsevol lenguatgs ceneral per una gramatica Ilure de contex,. Dos ele ll pe 1 de la visió basuda en el comportoment, agafar una cosa és més complicar que aixecar-la, Els contorns són inferessants de deledar perqud sempre corresponen a canvis en la profunditat de l'escena. d) Cap de les enteriors. 10] Robótica: a) Unrobol que es lrasllada per una via (som un tren) ds un fipus de robot no holonómic La prop ocepció permel saber a un robol a quina distáncia estan els objactes al seu volta Totes les anter.ors.. et el 31/09/2005 1 INTEL:LIGENCIA ARTIFICIAL Il UnNB Universitat Autónoma de Barcelona: 11) Practiques: Algoritmos Gen s. Respacto a la codificación de los genes: =) Cada gen representa una dudad teniendo un valorara O: y el número de ciudades, según su 'indax" b) Cuando dos o más genes resultan repetidos a causa de una mutación, un mótodo de la dase Aval cumbi ue se visiten varias veces la mísma ciudad d) Cada gen del cromosoma indica un camino distinto dentro del mapa de ciudades. y Práctiques: Aorendizaje Bayesiana. Respecto a la implementación de lo práctica: a) Un objeto de la clase Paraulescinu contiana información tanto sobre la probabilidad incondicional de aparición de cada monograma y bigrama como sobre la probabilidad condicionada de los mismos e cado po de texto b) Un array de objetos de la clase Tipus se vtiliza para almacenar las probabilidades incondicionales de eperición de cado tipo de texto y de cada monogramo/bigrama aun tipo ñ bras claves en dl «) El método hussticador dela ES Lee or se Y iia en lo fose de test pasa GENER la probabilidod de que un texto sea de un tipo determinado. Praciiques: Apranentatg des E 3 des Benz”|/P("Ben: 1 Benz” |*Mercades”y'P(“Mercedes”)/P("Benz”) dy PlMercudes Benz") PY 14) Práctiques: Aprendizaje por Reforzamiento. En cuanto a la elección de la acción: al Gleaming se constituye como el mejor enfoque en cuanto a la el la acción, ya que los elige según el máximo valor de los parejas acción-estado <) — Fl métedo soli: max e ige aquella acción cuya probabilidad es mayor, una vez evaluada la fórmula de Gibbs. di En un esquerna e-grecay, si se fija el parámetro e O todas las acciones tienen la mismo probabilidad de resultar elegidas 15) Práctiques: Aprenenta'ce per Reforc. En l'aprenentatge de l'agent de borsa al Nomás s'actualitzen un cop els velors de la matriz Q durant l'aprerentage, ja que «"ha irmples Falgorisme. bj Tan lala ema ginda del mete eres naderoridle arpoltco descol eeaó ulada. di L'algorisme de Sarsa és millor que el de G-Leaming erqué utilitza informació estadísica dal nou ostal por ponderar Vestat actual RESPOSTES del TEST (1 PER PREGUNTA!) la IcloEsTaTeTc]ofmaTe]cTto 2|a|seIcijobo[z]a[]e|c[o|rfa[]aBm, cl]o 3fafe[|cj|oJselals|c|oi[rala| B| c]oD 4Ta]e|cjo[e[fa[]a]cjo[rmifa| ml cio s|a|e|c|ofiwlafse[cloitisfa Bb] c]o PROBLEMA : Construiu pas a pas l'espai de versics corresponent als exemples i contraexemples segients : Exemple n? [el] 7 C3 c4 c5 Classificació — | 1 L W T U A 5 2 B W E M A E 3 H 1 5 y A z 4 JE w T y J + 5 H vw 5 Y | y 6 L l T U [ J + 7 L l Ss M ] J E Els 5 otributs es poden generalitzor/especif car passant par lo classificació vocal/consonant ay PS S Vocal Consonant / X A a AE. ECDF.2 Fetel 31/05/2005 2 INTEL LIGÉNCIA ARTIFICIAL ll Bloc l y p EN ln a) b) <) d) Tn a) b) o) a) E a) n b) <) d - Un a b referéncia al test de Turing: Se Tot sistema, intel-ligent ha de poder passar quest lesl. ix per identificar agents uulónoms. Podem dir que lol sistema que passa aquest test és intel-ligent. Totes les anteriors son certes. la inducció d'arbres de dec: No té sentit utilitear més una vegada un atribut continu. No té sentit ntilitzar més d'una vegada un atribut discret. Totes les anteriors son certes. Paprenentatge milaucant algorismes gendti La funció d'avaluació ens ajuda a generar poblacions de cromosomes amb un biaix cap a les millors solucions trohades en generacions anteriors : ens ajuda a generar poblacions de cromosomes n diferente. La propierat V'adjacencia és un concepte Y que a Phora estu ben adaptats i entre e as Podem tenir la propietat V'adjucéncia utilitzant el mitode d'ordenació Cap de les anteriors. la resolució del dilema del presoner... Igual que en el cas de la minimilzació de la funció d'Ackley, el valor de la fm- ció d'avaluació per a un individu ens dona una mesura de l'adaptació d'aquest al problema. Definito una funció y =/ problema, que, donat un individu Y ens retorna un valor d'adaptació al La gran die (ó en aquest cas i en el cas d'Ackley, és que ara poder utilitzar una codificació binaria i en el cas d'Ackley no. Cap de les anteriors. an el tema de validació: Quan utilitzem un leave-one-out, és important garantir que els conjunts d'aprenentatge i test estiguin balancejats. Utilitear un 10- Fold és equivalent a repetir 10 vegades un hold out triant els exemples de forma alcatbria cn cada repetició Utilitzar un 10—Fold és equivalent u a repetir 10 vegados un leave-onc-out triant els exomplos de forma aleatoris en cada repolició. Cap de les anteriors. 6. Tin Paprenentatge miljangant algorismes genéticas, a) La diversitat és un conccple que ens ajuda a generar poblacions de cromosomes que, a més a més d'estar ben adaptats, comparteixen trets comuns. b) En general, la representació binária dels eromosomes ens facilita la implementació de Poperaci de ercuamont, fent més fácil que el resultat d'un creuament formi part del conjunt de possib: solucions al problema. RE €) La propietar d'adjacencia és un concopte que ens ajuda a generar poblacions de cromosomes que a Vhora esten ben adaptots i entre ells són diferents d) Cap de les anteriors. 7. Quan parlem d'agents intelligent, a) Diem que un agent racional és el que es basa per raonar en 1h de raonament irrefutables. wniversals que modelen processos b) Iatelligcnl, cu aquest cas, vol dir que raona vtilitzant la lógica preposicional, representada generalment utilibzant llenguatges tipus Prolo c) Un agent racional és defincix com un agent que, per a cada segiiencia perceptual possible, cscull aquella acció que maximitza la seva mesura Putililal basant-se en la segiiéncia i en el coneixement acumnlat. d) Cap de les anteriors és correcta 8. En aprenentatgo Bayesia. a) El clasificador ingenu de Bayes ens dóna el millor resultat, peró pot ser molt difícil Vimple- mentar cuan hi ha moltes Hipótesis. b) L'algorismo de Gibb Aipótesis. s ens permet utilitzar el classificador ingenua de Bayes quan tenim moltes ) El clasificador óptim de Bayes ens dóna el millor resultat, peró pot ser molt difícil «implementar quan hi ha moltes hipótesis. d) Cap de les anteriors. . Arbres de decisió: a Diem que han fet overíitling quen Varbre resultant és més gran que Páptim b) Els arbres de decisió són equivalents, a Phora d'expressar una hipbtesi, a un llen- guatge de lógica proposicional. c Quan [em indueció amb V'algorismo 113 sempre trobem |" les dades. rhre més petit que és consistent amb d) No poden representar abributs numtrics continus, pezó si numérica discrets. 10. En el tema de memorització, donal un coujunt Vexemples (21,92), (10, Yn)).- a Constrnim un arbre de decisió wtiliteant la funció d'entropia. b) L'espai de serca té N dimensions. e, Si tenim N exemples d'aprenentatge, Vas d) Pespai de o bre de decisió tindrá log, N fulles. a té dues dimensions. 16. 17. 18 19: 20, En la classilcació de dedes nuuiériques, a) La maximització de la norma 1 Ru [all = aljur] +... + clessificador és una forma Eevitar Poverfilting. |) dels parámetres d'un b) Les máquines de suport vectorial és ama forma de combinar el resultat ima série de classifi- cadors simples per obtenir una classificació més robusta, €) Les máquines de suport vectorial no es paden aplicar a conjunts linialment no separables perque són exclusives pels linialment separables. d) Cap de les anteriors. En Visió, a) T'enfocament ens permet detectar els contorns d'una imatge. b) El fax dptic és més fácil de calcular quan tenim molts contorns. c) El fu d) Lil fux óptic és més difícil de calenlar quan tenim molts contorms optic no depén dels contorns. Ln el tema de classiáicació de dades munériques: a) L'Adaboost ens permet combinar classificadors lineals per resoldre problemes no lineals. b) L'Adaboost ens permet combinar classilicadors bineris per resoldre problemes multi-classe. €) 1'Adaboost només es pot aplicar a problemes linea! d) Cap de les anteriors és certa. Análisi del llenguatgo: a) El processament sembntic elimina totes les ambigiitats de les estructures sintáctiques abans de passar-les al nivell pragmátic o contextual b) Les xarxes de transició rocursivos poden analitzar qualscvol llenguatge generat per una gramática lliure de context, E Els símbols no terminals no podon scr ctiquctes dels arcs d'una xarxa de transició simple. d) Cap de les anteriors Comunicació i Parla: a) Dins de les con:ponents ce Pacte comunicatin ficar concret vola transmetre DP'emissor. ingúíístic, Vanalisi es refereix a inferir quin signi- 1) La coarticulació és deguda a les variante dialectals d'una llengua. €) A partir un model de Marcov ocult, V'algorisme de coarticulació ens permet donar 1ma prob- abilital a une segiiencia de valors. d) Cap de les anteriors és certa. Només s'admet 1ma resposta per a cada pregunta, en cas que e possible, s Noe Prova DE VALIDACIÓ D'INTEL-LIGENCIA ARTIFICIAL 11 1368 Data: 05/09/2008 Opció: 2 Nom:.. DNI: idereu que lú ha més duza resposta sposte marcada quedaran invalidades leccioneu la més general. Les proguates amb més d'u corregirá cap resposta que no estigui marcada al reqmadre. Cada resposta correcta suma 1 punt, i cada resposta incorrecta penalitza 0.2. 1JeapoTfeja 1Jafb[eja 2fajbleja 12|a|b[ela 3[a|[b[cja m3ja[b[eja] ajajbjejd 14 |a[b[eja 5Bla]b[ce[d I5BJafbiel|d ejajbfeja I6|a[bfeja Calafbleld 17|a|blejd C8la|jbleld 18|a|bjejd s|ajbjejd 19|a[b[ejda 10|a[bje[d 20fa[bfefd 1 En la class ficació de corren brossa: a) Á partir de la codilicació en forma de Bay uf Words, busquem els bigrazes més fregiients per tal de detectar els correu brossa b) Apliquer el elassificador óptim de Bayes per obtenir la probabilitat de que un determinal correu signi brossa o no. €) La codificació en forma de Bag of Words ens permet codificar la informació necessária per la classificació de forma molt compacta. d) Cap de les anteriors ln Paprenentatge mitjancant algorismes genétics, a) La funció d'avaluació ens ajuda u generar poblacions de cromosomes que, y zués a més d'estar ben adaptats, són Uferents entre el h) Podem tenir la propietat P'adjacéncia utilitzant una representació dels individus mitjancant codis de Gray. €) La propietat d'adjacéncia és un concepte que ens ajuda a generar poblacions de cromosomes Prop 8 pi que u Phora estas bcn adaptato 1 entre ello cón diferents d) Cap de les anteriors 11. - Análisi del lenguatge: a) Fl processament semántic elimina totes les arbi ructures sintáctiques abans de passurles al nivell pragniátic o contextual. b) Les xarxes de transició recursives poden analitzar qualsevol llenguatge generat per una gramática lliure de context. €) lis símbols no terminals no poden ser etiquetes dels ares una xarxa de transició simple. d) Cap de les anteriors. . En el Lema de validació: a) En general cl métode més fiable de validació és el Fold-out. b) És important que quen s'aplica un lenve-one-out, cls conjunts d'aprenentatge i de test quedin balancejats (el nombre d'exemples de les diferents classes és similar). €) Quan tenim un conjunt molt gran de dades, en general no podem aplicar mm leave- one-out degut al gran nombre d'aprenentatges que caldria fer. d) Cep de les anteriors. Algorismes genttics. El métode d'ordenació a) Ajuda a mantenir la diversitat dins de la població b) Sutilitza quan volerz maximitzar funcions amb variables reals. €) Dóna les matelxos possibilitats de sobreviure a tots els individus de la poblac d) Cap de les anteriors. Comunicació i Parla. a) A partir d'un model de Marcov ocult, l'algorisme de V probabilitat a una segiiéncia de valors. "bi ens permet donar ima b) Dins de les components de Vacte comunicatiu lingúístic, Vanálisi es refercix a inferir quin signi £cat concret volía Lrausmeobre Pemissor e) La coartientació és deguda a les variants dialectals d'una lengua, 4) A partir d'un model de Marcov ocmlt, Palgorisme de coartienlació ens permet donar una prob- abilitat a wma seqúencia de valors. . En aprenentatge Bayesiá. a) Cal eliminar les hipdtesis que són inconsistents amb algun exemple. b) Per a grans conjunts d'hipotesis, el classificador ingenua de Bayes és difícil Paplicar i per bant 2 de Bayes. o s ui de la distribució de les d) Cap de les anteriors. 13. Snposem el segitert conjunl Vobservacions, on volem saber si un vehicle és economic: 14. 16. . E Origen | Marca | Color | Década | Tipus || Económic Japó | Honda | Bleu | 1950 | Utilitadi + Japó | Toyota | Verd 1970 _ | Esportiu = Japó | Toyota | Blau | 1990 | Utilitari + EEUU | Chuysler | Vermell [1980 | Utilitan = Japó Honda Blanc 1980 Utilitari + Japó | Houda |Vermel | 1990 | Utiltari E Després Caplicar V'algorisme de Pespai de versions: a) b) 5 a) a) b) [3 d a) b 2 d E a b € d Ar Obtenim el segñeut estat: (G= (Japó, ?,?,?, Ullitari)), 5 = (Cap L'espai es col-lapsa indicant que no hi ha cap hipótesi con d'aprenentatge. ibem a la hipotesi única. ?, Blau, ?, Utilitari), (Japó Blanc, ?, Utilitari))) nt amb el conjunt Obtenim el segtient estat: ?, Utilitari) Diera que han fet overfibting quen Parbre sesultant és més gran que Poptira Diem que han fet overfitting quan Parbre resultant no és consistent amb els exemples del es d'nprenentalge. Quan fem inducció amb Palgorisme 1.03 sempre trobermn Parbre més petit que és consistent amb les dades. Cap de les anteriors. algorismes genéti Lil métode d*ordenació augmenta la probabilitat de que els individus menys adaptats siguin seleccionats. etic és una cerca aleatoria. Un algorisme La probabilitat de mutació ha de ser molt alta per facilitar la convergencia. Cap de les anrer aprenentelge Bayesió. El classióicador ingeru de Bayes ens dóna el 2millor resultat, peró pot ser molt difícil Vimple- rentar quen hi ha moltes hipotesis. L'algorisme de Gibbs ens permet utilitzar el clasificador óptim de Bayes quan tenim moltes hipdtesis. Donat un conjunt de dades D, en la classiícació per máxima versemblang: constant per a totes les hipdtesis h. ssumeix p(D|h) Cap de les anteriors. PROVA DE VALIDACIÓ D'INTEL-LIGENCIA ARTIFICIAL TT Codi: 20368 Data: 02/09/2009 Opcid: Contestat Nor: DNI: NIL Només s'admet una resposta per a cada pregunta, en cas que consideren qme hi ha més d'una resposta possib.e, seleccionen la més general. Les preguntes amb més d'una resposta :murcada quedaran invalidados, No es corregirá cap resposta que no ostigui marcado al requadre. Cada resposta correcta suma 1 punt, i cada resposta incorrecta penalitza 0.25. Merca una de les segients opcions: Examen parcial aprovat. Només contesto el Bloc 13. Examen parciel aprovat, peró renmeio a la nota. i contesto els dos Blocs A+B. Examen parcial suspés. He de contestar els dos Blocs A | B. Conteste en aquests requedres: Bloc A [ Bloc B ] MENA El 1Ja]bJe]a] 2[a[b|e|d 12|a[bjeld 3fajb[feja] Ms pafbfeja 4 Jajb cjd l1Ja|b ec|d 5la[b eld 15|a[b c|d éJajbje[d Me |ajbje|d 7|a[b]e[d ra |bjejd 3fajbje|d 18|a|bje|d 9la|bjejd 19 ]|a|bfeja 10 [a[bfejd 20[a[bje id E a) b) e y c d . En: 2 b <) a) [5 a) b) o d . En a b) <) 5) - Quan parlem ¿agents intel ligents, Diem que un agent racional és el que es de raonament irrefutables. sa. per raonar en lleis universals que modelen processos Un agent racional és defineix com un agent que, per a cada seqiiéncia perceptual possible, escnll aquella acció que maximilza la sova mesura Putilitat basant-se en la seqiiéncia i en el coneixement acumulat. Intelvigent, en aquest cas, vol dir que raona ulililzant la lógica preposicional, representada generalment ntilitzant llenguarges tipus Prolog. Cap de les anteriors és correcta. Paproncntatgo mitjancant algorismes gendt En genoral, la representació binaria dels cromosomes ens facilita Passolizment de la propictat d'adjacéncia. La diversitat és un concepte que ens ajuda a generar poblacions de cromousomes que, a més a més d'estar hen adaptats, són diferents enbre ells. La propietat d'adiacóncia és im concepte que ens ajuda a generar poblacions de cromosomces qne a l'hora estan ben adaptats i entre ells són diferents. Cap de les anteriors. la inducció d'arbres de decisió: A les fulles hi trobez els atributs amb valors desconneguts A les fulles de Varbre trobem els atributs amb una entropía més alta, A les fulles de Varbre trobem els atriouts amb una entropía més baixa. Cap de les anteriors. cl tema de validació: Urilitzar un 10—Fold és equivalent a repetir 10 vegades un hold-ont triant els aleatoria en cada repetició. xemples de forma. Quan utilitzem un 10—Fold, és important garantir que els conjunts d'aprenentalge 1 test estiguin balancejats. Tuilitzar un 10 Fold és equivalent a a repetir 10 vegades un leave. de forma aleatoria en cada repetició. me-out triant els exemples Cap de les anteriozs. Paprenentatgo mitjancant algorismes genéties, El procés evalutin icament um model de competició entre individus en un entorn de recursos limitats. El procés evolutiu és un métode de recerca aleatoria. El procés evolutiu é un procés dirigit a solucionar un problema. Cap de les anteriors. 12, 18N 16 En el tema ¿COC (Error Correcting Output Codos) a) En la fase de descodificació es Lria com a classe de sortida, aquella que té un codi més semblant al de l'exemple que estem classificant. b) Combinem hipótesis bináries simples per al V'obtenir ma hipótesi binaria més robusta. u) En la fase de descodificació és important acorar correctament el nombre (hipótesis. d) Cap de les anteriors ás certa. Anávisi del llenguatee: a) Elsmecanis:mes computacionals que ens permeten implementar un analitzador semantic s'anome- nen xarxos de transició b) Les gramátiques son el mecanismo computacional que ens permet implementar un analitzador semáutic, ) Els mecanismes computacionals que cas permeten implementar un analitzador sintáctic "anomenen xarxes de transició. d) Cap de les anteriors és certa. . En el tema de robótica: Els algoristes online: a) Assumeixen un desconeixement sobre la posició exacta del robot, i per tant, cal situar punts de referencia en V'entorn, els quals cos permetran reposicionar el robot correctament. b) Utilitzen ma partició en cel-les de Pespai de cerca per tan de trobar la millor trajectória des Pan punt inicial a un punt objectiu. c) Assumeixen la uti ització im procés prev: Vesqueletització de Pespai. d) Cap de les anteriors és certa. lin la classificació de correu brossa: a) Apliquen el classificador áptim de Bayes per obtenir la probabilitat de que un determinat corrou sigui bro: om. b) A partir de la codificació cn forma de Bag of Words, busquem els bigrames més freqiients per tal de detectar els correus brossa. €) La codificació en forma de Bag ef Words ens permet cod per la classificació de forma molt compacta. car la informació necessária d) Cap de les anteriors és certa. Comunicació i Parla: a La comunicació telepática no és viable entre agents, ni tant sols quan els són iguals, b) La comunicació telcpático ens és útil quan els agents comparteixen la mateixa representació del món. Cc La comunicació telepática ens és úbil nom propers. agents que es comuniquen estan molt d Cap de les anteriors és certa, 4 17. En la classificació de dades nurériques, 18. 19. 20. a) b) E Ñ b E d Les maquin a) b) Les máquines de suport vectorial no es poden aplicar a conjunts lintalment no separables perque són exclusives pels linialnent separubles. Les máquines de mport vectorial és ma forma de combinar el resultat Puna série de classifi- cadozs simples per obtenir una classificació més robusta. La minimització de la norma 1 /() = 07] =0([15]+...+ %,)) dels parámetres d'un classificador és una forma d'evitar Poverfitting. Cap de les anteriors és certa, el tema de classificació de dades aumériques: T'Adaboost ens permet combinar classificadors binaris per resoldre problemes mnlti-classe L'Adaboost només es pot aplicar a problemes lineas. L'Adaboost ens permet combinar classificadors lineals per resoldre problemes no lincals. Cap de les anteriors és certa. el tema de visió, El flux úptic ens és útil per extraure informació sobre variacions en la distáncia entre la camera ¡un altre objecte. Saben que existeix una relació l a 1 entre une imatge 1 la escena que la ha generat. La visió utilitza les lleis de formació de les imatges per tal de trobar aquesta relació. Les lesques de tocar, agafar i aixecar recuereixen ma reconstrneció de la. escena, i només es poden dur a terme després d'un procés de natura sintáctica que cus dona una descripció detallada del món tridimensional i do les scvos propictats Cap de les anteriors és cerra. s de vectors de suport (SVM) lineals: La classificació d'un exemple ("entrada deptn de Lols els exemples d'aprenentatge. La classificació d'un exemple d'entrada depén només dels exemples elegits com a vectors de suport. La classiicació Pua exemple Ventrada depéón només dels exemples que estan en el conjunt convex dels exemplos d'aprenentatgo. La classilicació d'un exemple d'entrada depen dels parámetres del mucli ntilitzat, 3. En Robótica, a) Un robor que es trasllada per una vía (com un tren) és un tipus de robot no holonómic, b) L'espai de confignracions generalitzat representa els estats del robot i d'altres ob- jectes de entorn. <) La propiocepció permet saber a nn robot a quina distáncia estan els objectes al seu voltant d) Totes les anteriors són correctos. 4. Conranicació i Parla: a) Dins de les components de Pacte comunicatiu lingñístic, Vanalisi os refercix a inferic quin sigui ficat coneret volia transmetre lem y. b) El model típic de processament de la parla (ven) aplica una quantització veclorial a los dades numériques digitalitzades i corresponents al senyal acústic, reduint-les qñiéncia V'etiquetes simbóliques. e) La coarticulació és deguda a les variants dialectals dmma llengua. a uma $ a) Talgorisme de Viterbi ens permet aprendre els parámetres d'una xarxa de Markov oculta a 5. Suposem cl segiient conjunt d'observacions, on volem saber si un vehicle és económic: Origen | Marca | Culor | Década | Tipus || Económic 1] Japó | Honda | Blan | 1980 | Vtilitari + 2 [Japó | Toyota | Verd | 1970 | Esportiu 37 tapó] Toyota | Blau | 1990 | Utilitari 1 4 [| EEUU | Chrysler | Vermell 1980 Utilitari 5 Japó Honda | Blanc 1980 Utilitari Després d'aplicar Palgorisme ce l'espai de versions: a) L*espai es col-lapsa indicant que no hi ha cap hipótesi consistent amb el conjunt d'aprenentatge. ¿G= (Japó, ?,?,7,7)),S = [Gapó, Monda, 7, ?, Utilitari)J) €) Arribem a la hipótesi única. d) Obteniz el segúent estat: (C= [(Japó,?,?,?, Utilitari)], 5 = (Japó, ?,?, Blau, Utilitari), (Japó. ?. ?. Blanc, Utilitari))) 6. Análisi del llenguatge a) Els símbols no terminals no poden ser efiqnetes dels ares d'una xarxa de transició sivmpl b) Una xarxa de transició simple pol analitzar qualsevol llenga lliure de context tge generat per una gramática e) El processament semántic pol passar estrueturos sintáctiques que encara són am- bigúes al nivell pragmátic o contextual. d) Cap de les anteriors. 10. 11. . Aprenentatee no simbólic: = /(á,x) que millor aproximi wma fimció desconeguda tributs discrets (etíquetes). a) Tobjectin és aprendre una funció y = f'(2), on Z ha de sor un vector b) Iestratégia ECOC de classiáicadors binar €) 1+Acaboost serveix per obtenir ua cla: ficadors bixaris. veix per obtenir un classiicador binari robust a partir de la combinació sificador multi-clasee a partir de la combinació de classi- d) Cap de les anteriors. . Algorismes genétics. El métode Pordenació. a) Ajuda a mantenir la diversital dins de la població. b) En comparació amb el métode estándard, dóna més possibililals de sobreviure als individus dolents de la població. E S uilitza quan volem minimitzar funcions amb variables ri d) Cap de les ante 10LS. . En aprenentalge Baycsió. a) Cal climinar les hipótesis que són inconsistents amb algnm exemple. b) Sassumeix que no lenim cap concixoment a priori de les hipdtesis ni de la distribució de les dades. e) Podem classificar combinant les prediccions de múltiples hipótesis. A) Cap de les anteriors. En aprenentatge Bar a) El classificador óptim de Bayes ens dóna el millor resultat, perá pot ser molt difícil d'implementar quan hi ha moltes hipótesi b) El cassificador ingenu de Bayes ens dóna el millor resultat, peró pot ser molt difícil d'imple- mentar quan hi ha moltes hipotesis. € L'alzgorisme de Gibbs ens permet vrilitzar el clasificador ingenu de Bayes quan tenim moltes hipotesis. d) Cap de les anterio Arbres de decisió: a) Quan fem indueció amb Falgorisme 1,03 sempre trobem l'arbre més petit que és consistent amb les dades. b) No poden representar atributs numérics contimas, peró si mimarics discrets. €) Diem que han fet overftting quan Parbre resultant és més gran que P'óptim d) Els arbres de decisió són equivalents, a Phora d'expressar una hipútesi, a un llen- guaulge de logica proposicional.