IT 272. Kunstig intelligens (AI) 2000
|
|
- Amanda Samuelsen
- 7 år siden
- Visninger:
Transkript
1 IT 272 Kunstig intelligens (AI) 2000 Fagansvarlig: Professor Agnar Aamodt Institutt for datateknikk og informasjonsvitenskap, Seksjon Lade, Rom 459, Kunstig intelligens (MNFIT-272) - høst Leksjon 1 Emner: Generell introduksjon til faget - hva er kunstig intelligens? - hvorfor kunstig intelligens? - historikk, fagets utvikling Fagets utvikling og basis - ulike tilnærminger til AI-feltet - rasjonalle agenter
2 KUNSTIG INTELLIGENS AI - Artificial Intelligence Foresltåtte definisjoner Den delen av informatikk-feltet som dreier seg om automatisering av intelligent adferd. Det som kunstig intelligens forskerne driver med. "Det som datamaskiner ikke kan". Vitenskapelig vinkling: Studiet av intelligente systemer relatert til datamaskinelle prosesser. Teknologsk vinkling: Utvikle smartere datasystemer INFORMATIKK STUDIE AV INTELLIGENTE SYSTEMER RELATERT TIL KOMPUTASJONELLE PROSESSER HUÃGHOIHOWÃDY REALISERE DATASYSTEMER SOM KAN SIES Å OPPVISE INTELLIGENT ADFERD - DVS. SMARTERE SYSTEMER KDU YLWHQVNDSHOLJ SHUVSHNWLY HUÃNREOHWÃYLDÃHPSLULVNÃYLWHQVNDSHOLJÃPHWRGH.8167,*Ã,17(//,*(16Ã$, KDUÃ WHNQRORJLVN SHUVSHNWLY MATEMATIKK E\JJHUÃÃEODÃSn KDUÃPHWRGHU har metoder FILOSOFI KOGNITIV PSYKOLOGI BIOLOGI.8116.$36%$6(57( ÃÃ 0(72'(5 SUBSYMBOLSKE METODER ADFERDSORIENTERTE METODER
3 HISTORISKE RØTTER Aristoteles Studiet av ting som endrer seg - materie vs. form Logikk - instrument for å forstå tenking, abstraksjon, syllogismer, deduksjon Copernikus, Galileo Nytt verdensbilde - ting er annerledes enn de ser ut Empirisk metode vs. sansing, matematisk analyse, epistemologi Descartes Introspeksjon, reduksjon av sansing - cogito ergo sum Dualisme og mind-body problemet Hume Mind-body problemet - kognisjon er komputasjon Leibniz Tidlig formalisering av logikk og komputasjon Euler Grafteori - tilstandsrom analyse HISTORISKE RØTTER (forts.) Babbage Difference engine - avansert regnemaskin Analytical engine - den første datamaskin, snakker om mønstre av intellektuell aktivitet på et abstraksjonsnivå Bool Formalisering av logikk - AND OR NOT systemet Frege System for Artistoteles' logikk - 1.ordens predikatlogikk, en syntax, en semantikk, og en inferensmetode Tarski Referense teori - kobling mellom symboler og virkelige ting Alan Turing "Computing machinery and intelligence" (1950) - går det an å lage en maskiner som tenker?
4 Turing-testen Turing testen - basert på: "the imitation game" utspørrer - Rent empirisk test av intelligent adferd hos datamaskiner - Kriteria går på funksjonalitet og ytelse, ikke indre struktur - men er dette hva intelligens (tenking) er? - og når er testen bestått? Integrerte systemer, AI + andre, kombinerte AI metoder, Maskinlæring, kunnskapsmodellering, case-baserte metoder, Nevrale nett, genetiske algoritmer, adferdsbaserte metoder Utviklingsverktøy, kommersielle systemer innen databrabsjen, olje, finans, kjemisk industri, etc. 2. gen. ekspertsystemer (dyp kunnsk., strategisk resonnering Kunnskapsbasert fokus, ekspertsystemer DENDRAL, MYCIN, PROSPECTOR $,879,./,1*675(.. Europa, Logikk-orientering, Prolog 1970 Resonnering, generell problemløsning, GPS program 1960 USA, Dartmout-conference, start-aktiviteter, LISP 1950
5 KUNNSKAPSBASERTE METODER er karakterisert ved at kunnskap representeres eksplisitt - modelleres - i form av navngitte begreper og relasjoner mellom disse begrep-navnene kalles V\PEROHU, da de symboliserer - står for - begreper i den virkelige verden (objekter, hendelser, prosesser,...) symbol-strukturene som derved bygges opp, prosesseres av tolknings- og slutningsmetoder (inferensmetoder) slik at ny informasjon kan utledes, konklusjoner kan trekkes, og ny kunnskap kan læres representasjonen av kunnskapen er adskilt fra metodene som prosesser den og er kjernemetodene innen NXQQVNDSVWHNQRORJLÃ for å utvikle NXQQVNDSVEDVHUWHÃV\VWHPHU. KUNNSKAPSBASERTE METODER Representasjon av det som for oss mennesker fortoner seg som kunnskap, i form av symbolstrukturer og inferensmetoder i et datasystem, og på en måte som gjør systemet istand til å tolke symbolene og utifra dette trekke meningsfylte slutninger, gjør at symbolstrukturene kan betraktes som kunnskap for systemet. Dette danner basis for det kunnskapsbaserte paradigmet innen AI, og for rekken av kunnskapsbaserte systemer som er utviklet og i daglig bruk. (Hvorvidt DOO kunnskap kan representeres som symbol-strukturer, og hvorvidt intelligent adferd i sin videste forstand kan forklares - og realisers i en maskin - i form av symbolstrukturer og symbolprosessering, er et åpent spørsmål.)
6 Kunnskap - Informasjon - Data Kunnskap Læring Utdyping Informasjon Tolking Tolkede symbolstrukturer - brukes til å tolke data og utdype informasjon - er en del av, er inni, en beslutningsprosess Tolkede symboler og symbol strukturer - gis inn til en beslutningsprosess - kommer ut av en beslutningsprosess Data Observerte, ikke-tolkede symboler - tegn, mønstre KUNNSKAPSBASERTE METODER - UTVIKLINGSTRENDER Heuristiske regler 5HJHOEDVHUWHÃV\VWHPHU (f.eks.: MYCIN)
7 KUNNSKAPSBASERTE METODER - UTVIKLINGSTRENDER Kontroll-kunnskap Heuristiske regler (NVSOLVLWWÃNRQWUROONXQQVNDSÃ (f.eks. NEOMYCIN) Ã - kunnskap om typer regler for typer tilstander KUNNSKAPSBASERTE METODER - UTVIKLINGSTRENDER Kontroll-kunnskap Heuristiske regler Dyp kunnskap Dypere modeller, lærebok-kunnskap - flere relasjoner, semantiske nett (f. eks: CASNET)
8 KUNNSKAPSBASERTE METODER - UTVIKLINGSTRENDER Kontroll-kunnskap Heuristiske regler Spesifikke case Dyp kunnskap )UDÃJHQHUHOOÃNXQQVNDSÃWLOÃVLWXDVMRQVVSHVLILNNHÃFDVH (f.eks. CYRUS, PROTOS) - case-basert resonnering KUNNSKAPSBASERTE METODER - UTVIKLINGSTRENDER Kontroll-kunnskap Heuristiske regler Spesifikke case Dyp kunnskap,qwhjuhuwhãv\vwhphuã (f.eks. SOAR, CREEK, META-AQUA) - totalarkitekturer for intelligent problemløsning
9 0$6.,1/ 5,1* aktivt AI- felt hele tiden, ny giv i det siste flere kommersielle produkter og systemer i drift 0HWRGHW\SHU : similaritetsbasert vs. forklaringbasert l æring læring av generell vs. spesifikk kunnskap læring av begreper vs. læring for problemløsning symbol-læring vs. subsymbolsk læring NOEN ANVENDELSESOMRÅDER Spill - velegnet for tilstandsrom analyse - well-strukturert problem med stort søkerom - noen spill krever ekspert-kunnskap - aktivt område tidligere, nesten borte nå Matematiske bevis - velegnet for logikk-resonnering - matematikere bruker erfarings-kunnskap - relatert til programverifikasjon, VLSI-testing,... Ekspertsystemer (kunnskapsbaserte rådgivingssytemer) - vekt på eksplisitte modeller av domenekunnskap - regelbasert paradigme ga kraftig og rask vekst - endring til kombinerte resonneringsmetoder - fra lukkede til åpne, interaktive systemer - mot grundigere kunnskapsmodeller og læring ved erfaring
10 NOEN ANVENDELSESOMRÅDER (forts.) Naturlig språk forståelse - mye arbeid nedlagt, spesielt innen syntax-analyse - problemer med semantisk analyse, generelt sett - vellykkede systemer innen avgrensede områder Robotikk - relatert til planlegging, og til kunstig syn - fysisk interaksjon med omgivelsene et stort AI-problem Andre - bildeforståelse, opplæringssystemer, systemutvikling, nettverksbaserte agenter... UTVIKLINGSVERKTØY System skall (Eks.: Ekspertsystem-skall) Høy-nivå modellerings- og konstruksjonsspråk, bibliotekspakke-systemer (Inference Tools) Programutviklings-omgivelser, objekt-orienterte språk (CLOS, Smalltalk, C++, Java) Symbolbehandlende språk (Lisp, Prolog) Generelle programmeringsspråk (Fortran, Pascal, C)
11 En kritikk av kunnskapsbaserte metoder Mennesker representerer VLQ kunnskap i maskinen, den kan defor ikke bli PDVNLQHQV. Nyttig kritikk, men satt på spissen. Berører kunnskapsrepresentasjons-problemet generelt. -.RQVHNYHQVHUÃIRUÃLQWHUDNWLYHÃUnGJLYLQJVV\VWHPHU : Utviklingsmetoder der mindre vekt legges på datamaskinen som problemløser, mer på samspillet mellom maskin og bruker. En utfordring er at systemet må ha eller bygge opp kunnskap om interaksjons-omgivelsen. -.RQVHNYHQVHUÃIRUÃO ULQJ : Større grad av erfaringsbasert læring, der systemene lærer gradvis ved å delta i løsningen av reelle problemer i det miljø de virker. For (morgen)dagens ekspertsystemer : Fra 'tradisjonelle' problemløsende systemer til DNWLYHÃDGDSWLYHÃEHVOXWQLQJVVW WWHV\VWHPHU SUBSYMBOLSKE METODER NEVRALE NETT Distribuert representasjon i et nettverk av noder koblet sammen via lenker (konneksjonisme). Ingen eksplisitt, direkte representasjon av begreper og sammenhenger. GENETISKE ALGORITMER Representasjon i form av bit-strenger som maniplueres vha. genetiske operatorer. Bit-strengene kan representere begreper, men ikke nødvendigvis.
12 NEVRALE NETT Et nettverk av noder delvis koblet i sammen via lenker. Lenkene som går inn til en node kan medføre at noden aktiveres, som igjen medfører at lenken ut fra noden gis en verdi. En node i nettet: u Y Y Y Y i1 Aktiveringsverdien for en node (u) bestemmes av en aktiveringsfunksjon der styrken på inn-lenkene (i) samt av vektingen av dem (v) er input-parametre. Nevrale nett trenes opp ved at inndata gis inn, utdata registreres og resultatet tilbakeføres til nettet. i2 i3 i4 Egnede anvendelser: - Problemer der det er vanskelig å identifisere og beskrive kunnskap på eksplisitt form. - F.eks.: tolking av bilder, tolking og syntese av tale. Adferdsbaserte metoder Fra kognitive til biologiske - og etologiske - modeller av intelligent adferd. Intelligent adferd forårsakes ikke av modeller som er representert i maskinen, den oppstår i vekselvirkning med omgivelsene. Basis for det nye fagfeltet 'Artificial Life'.
13 Definisjoner av AI - runde to 4 perspektiver på AI-systemer Systemer som tenker som mennesker (kognitiv-psykologisk vinkling) Systemer som oppfører seg som mennesker (menneskelig adferdsbasert vinkling) Systemer som tenker rasjonelt (logikk-basert vinkling) Systemer som oppfører seg rasjonelt (rasjonell agent-basert vinkling) STATUS, KUNSTIG INTELLIGENS - Oppsummert AI forskningen er en pådriver innen informatikk-feltet, bl.a. ved å angripe problemer som andre metoder ikke håndterer. Ekspertsystemer er blitt en kommersiell suksess, og regelbaserte systemer er på vei inn i 'tradisjonell' databehandling. Systemer som lærer av erfaring blir neste viktige 'gjennombrudd'. Case-baserte metoder ser lovende ut. Alternativer til det kunnskapsbaserte paradigmet blomstrer opp: Nevrale nett, genetiske algoritmer. Forskjellige typer anvendelser av intelligente datamaskinsystemer krever forskjellige typer 'intelligens' (dvs. fundamentalt forskjellige metoder): Metodesettet for å bygge nyttige og brukervennlige datasystemer utvides og forbedres stadig. AI-feltet er en viktig bidragsyter til dette.
MNFIT 272. Kunstig intelligens (AI) 2002
MNFIT 272 Kunstig intelligens (AI) 2002 Fagansvarlig: Professor Agnar Aamodt Institutt for datateknikk og informasjonsvitenskap, IT Vest, Rom 322, Email agnar.aamodt@idi.ntnu.no Kunstig intelligens (MNFIT-272)
DetaljerIT Kunstig intelligens (AI) 2006
IT 2702 Kunstig intelligens (AI) 2006 Fagansvarlig: Professor Agnar Aamodt Institutt for datateknikk og informasjonsvitenskap, IT Vest, Rom 322, Email agnar.aamodt@idi.ntnu.no Kunstig intelligens (IT-2702)
Detaljer)RUVNQLQJVPHWRGLNNLQQHQ.XQVWLJLQWHOOLJHQV
.XQVWLJLQWHOOLJHQV01),7 )RUHOHVQLQJ Emner: )RUVNQLQJVPHWRGLNNLQQHQ.XQVWLJLQWHOOLJHQV - Revidert definisjon - AI som empirisk vitenskap - Kognitiv vitenskap som metodisk tilnærming - Epistemologiske problemer
DetaljerMNFIT-272 Kunstig intelligens Forelesning 4.
MNFIT-272 Kunstig intelligens Forelesning 4. Emner: Søkesystemer - styring og kontroll av søk - søkesystemer i praksis Produksjonssystemer - regelbasert søking - som generell problemløsningsmodell - praktiske
DetaljerINF1800 LOGIKK OG BEREGNBARHET
INF1800 LOGIKK OG BEREGNBARHET FORELESNING 1: INTRODUKSJON Roger Antonsen Institutt for informatikk Universitetet i Oslo 19. august 2008 (Sist oppdatert: 2008-09-03 12:35) Velkommen til INF1800! Introduksjon
Detaljer10. EKSAMENSDAGER 1997/98
10. EKSAMENSDAGER 1997/98 SIDE 335 10. EKSAMENSDAGER 1997/98 H-97 V-98 AKVAKULTUR AK 100 Akvakultur 25.11 04.06 AK 101 Vannkjemi/oseanografi 15.12 03.06 AK 102 Lovverk/forvaltning innen fiske og akvakultur
DetaljerProgrambeskrivelse for revidert versjon av bachelorprogrammet Matematikk, informatikk
Programbeskrivelse for revidert versjon av bachelorprogrammet Matematikk, informatikk og teknologi (MIT) Tabell 1 Revidert versjon av Matematikk, informatikk og teknologi Programnavn: Vertsinstitutt: Navn
DetaljerINF2820 Datalingvistikk V2014. Jan Tore Lønning
INF2820 Datalingvistikk V2014 Jan Tore Lønning INF2820 Datalingvistikk 19. januar 2014 2 I dag: 1. Time: Datalingvistikk: motivasjon og eksempler Praktisk informasjon 2. Time: Endelige tilstandsteknikker
DetaljerDybdelæring: hva er det - og hvordan kan det utvikles? Sten Ludvigsen, UiO
Dybdelæring: hva er det - og hvordan kan det utvikles? Sten Ludvigsen, UiO Metaforer om læring Meteforer om læring Læring som distribuert kognisjon Metaforer om læring Metaforer om læring Multiple perspektiver
DetaljerUKE 2 Forstå bruk/ datainnsamling. Plenum IN1050 Julie og Maria
UKE 2 Forstå bruk/ datainnsamling Plenum IN1050 Julie og Maria Hva skjer i dag? FORSTÅ BRUKER - Kognisjon - Mentale modeller DATAINNSAMLING - 5 key issues - Utvalg og populasjon - Typer data - Metoder
DetaljerHeuristisk søking (kap. 4) Emner: Kunstig intelligens (MNFIT-272) Forelesning 4
Kunstig intelligens (MNFIT-272) Forelesning 4 Emner: Problemløsning som søking (forts.) -Heuristisk søk, generelt -Søking i spill Søkekontroll -Produksjonssystem -Blackboard system Heuristisk søking (kap.
DetaljerEksamensoppgave i PSY2019 Arbeids- og organisasjonspsykologi
Psykologisk institutt Eksamensoppgave i PSY2019 Arbeids- og organisasjonspsykologi Faglig kontakt under eksamen: Fay Giæver Tlf.: Psykologisk institutt 73598253 Eksamensdato: 01.12.17 Eksamenstid (fra-til):
DetaljerKapittel 3: Litt om representasjon av tall
MAT1030 Diskret Matematikk Forelesning 3: Litt om representasjon av tall Dag Normann Matematisk Institutt, Universitetet i Oslo Kapittel 3: Litt om representasjon av tall 26. januar 2010 (Sist oppdatert:
DetaljerLinjen for Datateknikk Valg av emner i vårsemesteret - 3. årskurs. Bård Kjos Institutt for datateknikk og informasjonsvitenskap
Linjen for Datateknikk alg av emner i vårsemesteret 3. årskurs Bård Kjos Institutt for datateknikk og informasjonsvitenskap 1 Studiestruktur 3., 4. og 5. årskurs Semester Emner 10 Hovedoppgave 9 Ikketekn.
DetaljerPraktisk bruk av maskinlæring i vedlikehold
Praktisk bruk av maskinlæring i vedlikehold MainTech konferansen 2018 Andreas Marhaug. Trondheim 04.04.2018 Alpinlandslaget https://www.dagbladet.no/sport/osterrike-og-sveits-fortviler-etter-norskalpinrevolusjon---hva-i-all-verden-driver-norge-med/67657591/amp
DetaljerUiO - Universitetet i Oslo
UiO - Universitetet i Oslo UiO-fag sp. NTNU-fag Uspes IT ENT1000 - Entreprenørskap 10 TIØ4230 - Entreprenørskap og markedsorientert produktutvikling Uspes Kommentar OK? 2,5 2017.01.27 Exphil03 - Examen
DetaljerInterAct Hvor er vi nå? Hvor skal vi? Knut STUA 11. februar 2015
InterAct Hvor er vi nå? Hvor skal vi? Knut STUA 11. februar 2015 Grunnleggende prinsipper 1. Baklengsdesign Innsatsfaktorer Læringsmiljø Lykkes faglig og profesjonelt På fakultetet, instituttene, programmene,
DetaljerForskningsmetoder i menneske-maskin interaksjon (MMI)
Forskningsmetoder i menneske-maskin interaksjon (MMI) Kapittel 1- Introduksjon Forskningshistorie innenfor MMI Den første konferansen ble holdt i 1982 Annet arbeid i feltet fant sted før 1982 Konferanser
DetaljerDet matematisk-naturvitenskapelige fakultet Økt forståelse for matematikk ved bruk av programmering Sinusseminar 2019
Det matematisk-naturvitenskapelige fakultet Økt forståelse for matematikk ved bruk av programmering Sinusseminar 2019 Henrik Hillestad Løvold Institutt for Informatikk, UiO Program 1. Hva er programmering?
Detaljer2.5 BACHELORGRADSPROGRAM I
2.5 BACHELORGRADSPROGRAM I INFORMATIKK 2.5 BACHELORGRADSPROGRAM I SIDE 69 Informatikk er læren om innhenting, tilrettelegging og bearbeiding av data, informasjon og kunnskap ved hjelp av moderne data-teknologi,
DetaljerINF2820 Datalingvistikk V2015. Jan Tore Lønning
INF2820 Datalingvistikk V2015 Jan Tore Lønning INF2820 Datalingvistikk 21. januar 2015 2 I dag: 1. Time: Datalingvistikk: motivasjon og eksempler Praktisk informasjon 2. Time: Endelige tilstandsteknikker
DetaljerEmnebeskrivelser for emner tatt ved Universitetet i Oslo. Presentasjon laget av Joakim Hjertås
Emnebeskrivelser for emner tatt ved Universitetet i Oslo Presentasjon laget av Joakim Hjertås 10. mars 2005 Innhold INF4110 - Programmeringsspråk 2 INF4200 - Algoritmer og effektivitet 3 INF4330 - Problemløsning
DetaljerINF2820 Datalingvistikk V2016. Jan Tore Lønning
INF2820 Datalingvistikk V2016 Jan Tore Lønning INF2820 Datalingvistikk 20. januar 2016 2 I dag: 1. Time: Datalingvistikk: motivasjon og eksempler Praktisk informasjon 2. Time: Regulære språk OBS: Lov å
DetaljerInformasjon om studieprogrammet Beregningsorientert informatikk
Informasjon om studieprogrammet Beregningsorientert informatikk Beregningsorientert informatikk kombinerer kunnskaper og ferdigheter i matematikk og informatikk, og legger spesielt vekt på utvikling av
DetaljerMAT1030 Diskret Matematikk
MAT1030 Diskret Matematikk Forelesning 10: Mengdelære Roger Antonsen Institutt for informatikk, Universitetet i Oslo 24. februar 2009 (Sist oppdatert: 2009-02-25 08:27) Kapittel 5: Mengdelære MAT1030 Diskret
DetaljerHva er dybdelæring: Hvorfor er det viktig, og hva betyr det for arbeidet i klasserommene? Sten Ludvigsen UiO
Hva er dybdelæring: Hvorfor er det viktig, og hva betyr det for arbeidet i klasserommene? Sten Ludvigsen UiO Fremtidens læring Koble kunnskap mellom ulike kilder/ressurser Tolkning av data (visuelle, auditive,
DetaljerVelkommen! I dag. Viktige beskjeder. Studieadministrasjonen. IN Høst Siri Moe Jensen Geir Kjetil Sandve Henrik Hillestad
IN1000 - Høst 2019 Siri Moe Jensen Geir Kjetil Sandve Henrik Hillestad Velkommen! I dag Første innføring i Python Hva fikk dere med dere og hvem er dere? (mentimeter)
DetaljerKapittel 5: Mengdelære
MAT1030 Diskret Matematikk Forelesning 10: Mengdelære Roger Antonsen Institutt for informatikk, Universitetet i Oslo Kapittel 5: Mengdelære 24. februar 2009 (Sist oppdatert: 2009-02-25 08:27) MAT1030 Diskret
DetaljerForelesning inf Java 1
Forelesning inf1000 - Java 1 Tema: Javas historie Bestanddelene i et Java-program Programvariabler Ole Christian Lingjærde, 22. august 2013 Ole Chr. Lingjærde Institutt for informatikk 22. august 2013
DetaljerLæreplan i psykologi - programfag i studiespesialiserende utdanningsprogram
Læreplan i psykologi - programfag i studiespesialiserende Fastsatt som forskrift av Utdanningsdirektoratet 03.06. 2009 etter delegasjon i brev 26. september 2005 fra Utdannings- og forskningsdepartementet
Detaljer2.5 BACHELORGRADSPROGRAM I INFORMATIKK
SIDE 87 2.5 BACHELORGRADSPROGRAM I INFORMATIKK Informatikk er læren om innhenting, tilrettelegging og bearbeiding av data, informasjon og kunnskap ved hjelp av datateknologi, og om hvilken betydning bruk
DetaljerIntroduksjon til programmering og programmeringsspråk. Henrik Lieng Høgskolen i Oslo og Akershus
Introduksjon til programmering og programmeringsspråk Henrik Lieng Høgskolen i Oslo og Akershus Kategorisering av programmeringsspråk? Deklarativ vs. imperativ Lav nivå vs. høy nivå Kompilert vs. tolket
DetaljerKapittel 3: Litt om representasjon av tall
MAT1030 Diskret Matematikk Forelesning 3: Litt om representasjon av tall, logikk Roger Antonsen Institutt for informatikk, Universitetet i Oslo Kapittel 3: Litt om representasjon av tall 20. januar 2009
DetaljerVelkommen til MAT1030!
MAT1030 Diskret Matematikk Forelesning 1: Algoritmer, pseudokoder, kontrollstrukturer Roger Antonsen Institutt for informatikk, Universitetet i Oslo Velkommen til MAT1030! 13. januar 2009 (Sist oppdatert:
DetaljerMAT1030 Diskret Matematikk
MAT1030 Diskret Matematikk Forelesning 1: Algoritmer, pseudokoder, kontrollstrukturer Roger Antonsen Institutt for informatikk, Universitetet i Oslo 13. januar 2009 (Sist oppdatert: 2009-01-14 16:44) Velkommen
DetaljerMAT1030 Diskret matematikk
MAT1030 Diskret matematikk Forelesning 14: Rekursjon og induksjon Dag Normann Matematisk Institutt, Universitetet i Oslo 27. februar 2008 Oppsummering Mandag repeterte vi en del om relasjoner, da spesielt
Detaljer3.8 MASTERGRADSPROGRAM I INFORMATIKK
SIDE 165 Hovedfagsstudiet i informatikk (cand.scient-studiet) er under avvikling, og det vil ikke lenger bli tatt opp nye studenter til dette studiet. Studenter som allerede er i gang med hovedfagsstudier
DetaljerSnapshots of AI methods and applications
Snapshots of AI methods and applications Agnar Aamodt and Keith Downing Institutt for datateknikk og informasjonsvitenskap Seksjon for Intelligente Systemer NTNU Hva er Kunstig Intelligens 1 AI = Things
DetaljerKort repetisjon fra 3. forelesning. Hva er identitetsteori? Type identitet og tokenidentitet Identitetsteori og reduksjonisme
Kort repetisjon fra 3. forelesning Hva er identitetsteori? Type identitet og tokenidentitet Identitetsteori og reduksjonisme Hva taler for typeidentitetsteori? Oppløser problemet med mental-fysisk interaksjon
DetaljerTuringtesten, symbolsystemhypotesen og kunnskapsproblemet. ITSLP /01/2008 Erik Velldal
Turingtesten, symbolsystemhypotesen og kunnskapsproblemet ITSLP1100-22/01/2008 Erik Velldal Kan maskiner tenke? Hva slags type spørsmål er dette? Empirisk / teknologisk? Filosofisk? (Copeland) Siden maskiner
DetaljerIntroduksjon til programmering og programmeringsspråk
Introduksjon til programmering og programmeringsspråk Henrik Lieng Høgskolen i Oslo og Akershus https://code.org/ Veldig høy-nivå programmering med Scratch End-user programming Overtone, Tidal, etc., bygger
Detaljer2.10 INFORMATIKK 2.10 INFORMATIKK SIDE 139
SIDE 139 Vedtatt av Lærerhøgskolens råd 17. juni 1982, 14. nov. 1982, 26. mai 1983 og 8. mars 1984 med endringer sist vedtatt av Fakultet for fysikk, informatikk og matematikk 12. mars 1997. Informatikk
DetaljerMAT1030 Forelesning 10
MAT1030 Forelesning 10 Mengdelære Roger Antonsen - 24. februar 2009 (Sist oppdatert: 2009-02-25 08:27) Kapittel 5: Mengdelære Oversikt Vi har nå innført de Boolske operasjonene, union snitt komplement
DetaljerEt t ilst andsrom er en representasjon av en problemløsningsstruktur.
Kunstig intelligens (MNFIT-272) Forelesning 3 Emner: Problemløsning som søking - generell søk - heuristisk søk AI språk - egenskaper generelt - Prolog -Lisp TILSTANDSROM måltilstander mellomtilstander
DetaljerMAT1030 Forelesning 3
MAT1030 Forelesning 3 Litt om representasjon av tall Dag Normann - 26. januar 2010 (Sist oppdatert: 2010-01-26 14:22) Kapittel 3: Litt om representasjon av tall Hva vi gjorde forrige uke Vi diskuterte
DetaljerFra program til emner
Fra program til emner Knut Mørken Seminar for emne- og semesterkomiteer 29. mars 2016 Utfordringer Testing av undervisningsformer i hytt og Ikke oppdatert undervisningsmateriell pine? Sammenheng mellom
DetaljerDatateknologi - masterstudium (2-årig) MIDT - 2015. 1. år
Datateknologi - masterstudium (2-årig) MIDT - 2015 1. år Retningsvalg frist : 2015-09-15 * Algoritmer og HPC * Databaser og søk * Datamaskiner og systemprogramvare * Digital virksomhetsutvikling * Interaksjonsdesign
DetaljerForelesning 14. Rekursjon og induksjon. Dag Normann februar Oppsummering. Oppsummering. Beregnbare funksjoner
Forelesning 14 og induksjon Dag Normann - 27. februar 2008 Oppsummering Mandag repeterte vi en del om relasjoner, da spesielt om ekvivalensrelasjoner og partielle ordninger. Vi snakket videre om funksjoner.
DetaljerSeksjon for Intelligente Systemer. Agnar Aamodt (Seksjonsleder) Keith Downing (Nestleder)
Seksjon for Intelligente Systemer Agnar Aamodt (Seksjonsleder) Keith Downing (Nestleder) Hypen rundt A.I. in three to eight years we will have a machine with the general intelligence of an average human
DetaljerDigitalisering: Digitale infrastrukturer for læring og progresjon. Sten Ludvigsen, UV, UiO
Digitalisering: Digitale infrastrukturer for læring og progresjon Sten Ludvigsen, UV, UiO Kompetanseutvikling historisk Sentrale begreper Kompetanse Holdninger Ferdigheter I et utdannings- og læringsperspektiv
DetaljerValg av kontaktpersoner/tillitsvalgte. MAT1030 Diskret matematikk. Oppsummering av kapittel 2. Representasjon av hele tall
Valg av kontaktpersoner/tillitsvalgte MAT1030 Diskret matematikk Forelesning 4: Tall som data Dag Normann Matematisk Institutt, Universitetet i Oslo 23. januar 2008 Før vi tar pause skal vi velge to til
DetaljerTDT4110 Informasjonsteknologi, grunnkurs Uke 35 Introduksjon til programmering i Python
TDT4110 Informasjonsteknologi, grunnkurs Uke 35 Introduksjon til programmering i Python Professor Guttorm Sindre Institutt for datateknikk og informasjonsvitenskap Læringsmål og pensum Mål Vite hva et
DetaljerNOVEMBERKONFERANSEN TRONDHEIM HEIDI STRØMSKAG. Kunnskap for en bedre verden
FLISLEGGING FOR Å FINNE EN MATEMATISK SETNING NOVEMBERKONFERANSEN TRONDHEIM 25.11.2015 HEIDI STRØMSKAG Kunnskap for en bedre verden AGENDA En aktivitet å utvikle en tilsiktet kunnskap som løsning på et
DetaljerIfis bachelorundervisning fra 2017
Ifis bachelorundervisning fra 2017 En rapport fra Sundvollen-konferansen 2015 Dag Langmyhr 1 1 Planlegging av bachelorprogrammene Første «prosjekt» var å planlegge den fremtidige 3-årige bachelorutdanningen
DetaljerINF2820 Datalingvistikk V2017 Forelesning 1.1, 16.1 Jan Tore Lønning
INF2820 Datalingvistikk V2017 Forelesning 1.1, 16.1 Jan Tore Lønning INF2820 Datalingvistikk 16. januar 2017 2 I dag: 1. Time: Datalingvistikk: motivasjon og eksempler Praktisk informasjon 2. Time: Regulære
DetaljerINF2220: Time 8 og 9 - Kompleksitet, beregnbarhet og kombinatorisk søk
INF0: Time 8 og 9 - Kompleksitet, beregnbarhet og kombinatorisk søk Mathias Lohne mathialo Rekursjonseksempel Eksempel Finn kjøretid for følgende program: (Ex11 b) 1 float foo(a) { n = Alength; 3 4 if
Detaljer2.10 INFORMATIKK 2.10 INFORMATIKK SIDE 109
SIDE 109 Vedtatt av Lærerhøgskolens råd 17. juni 1982, 14. nov. 1982, 26. mai 1983 og 8. mars 1984 med endringer sist vedtatt av Fakultet for fysikk, informatikk og matematikk 11.02.1998. Informatikk er
DetaljerRobotene kommer - Introduksjon om RPA og AI
Robotene kommer - Introduksjon om RPA og AI Hva er kunstig intelligens, hva kan det brukes til og hvordan må man bygge compliance inn i jobben som utføres? Høstseminar 18. oktober 2017 18.10.2017 Knowit
Detaljer4.5 EMNEBESKRIVELSER - INFORMATIKK
SIDE 279 4.5.1 EMNER I BACHELORGRADEN I INFORMATIKK Grunnleggende emner IT1101 Informatikk basisfag, 7,5 studiepoeng Forelesninger: 3 timer pr. uke Aktivitet: Øvingsforelesn. (1 time pr. uke) Øvinger (4
DetaljerMAT1030 Diskret Matematikk
MAT1030 Diskret Matematikk Forelesning 29: Kompleksitetsteori Roger Antonsen Institutt for informatikk, Universitetet i Oslo 13. mai 2009 (Sist oppdatert: 2009-05-17 22:38) Forelesning 29: Kompleksitetsteori
DetaljerBeregninger i ingeniørutdanningen
Beregninger i ingeniørutdanningen John Haugan, Høyskolen i Oslo og Akershus Knut Mørken, Universitetet i Oslo Dette notatet oppsummerer Knuts innlegg om hva vi mener med beregninger og Johns innlegg om
DetaljerIntroduksjon. MAT1030 Diskret Matematikk. Introduksjon. En graf. Forelesning 22: Grafteori. Roger Antonsen
MAT1030 Diskret Matematikk Forelesning 22: Grafteori Roger Antonsen Institutt for informatikk, Universitetet i Oslo Introduksjon 21. april 2009 (Sist oppdatert: 2009-04-21 15:13) MAT1030 Diskret Matematikk
DetaljerForelesning 29: Kompleksitetsteori
MAT1030 Diskret Matematikk Forelesning 29: Kompleksitetsteori Roger Antonsen Institutt for informatikk, Universitetet i Oslo Forelesning 29: Kompleksitetsteori 13. mai 2009 (Sist oppdatert: 2009-05-17
Detaljer24. AUGUST Diskret matematikk. onsdag 23. august 2017
24. AUGUST 2017 Diskret matematikk onsdag 23. august 2017 1 Hva er matematikk? Matematikk er, likhet med norsk, engelsk og Java, et språk om man kan uttrykke noe i, f.eks. sammenhenger og sannheter. Symbolene
DetaljerIntroduksjon. MAT1030 Diskret matematikk. Søkealgoritmer for grafer. En graf
Introduksjon MAT13 Diskret matematikk Forelesning 21: Grafteori Roger Antonsen Matematisk Institutt, Universitetet i Oslo 9. april 28 Vi skal nå over til kapittel 1 & grafteori. Grafer fins overalt rundt
DetaljerMAT1030 Diskret matematikk
MAT1030 Diskret matematikk Forelesning 21: Grafteori Roger Antonsen Matematisk Institutt, Universitetet i Oslo 9. april 2008 Introduksjon Vi skal nå over til kapittel 10 & grafteori. Grafer fins overalt
DetaljerMAT1030 Diskret Matematikk
MAT1030 Diskret Matematikk Forelesning 10: Mengdelære Dag Normann Matematisk Institutt, Universitetet i Oslo 17. februar 2010 (Sist oppdatert: 2010-02-17 12:40) Kapittel 5: Mengdelære MAT1030 Diskret Matematikk
DetaljerKapittel 5: Mengdelære
MAT1030 Diskret Matematikk Forelesning 10: Mengdelære Dag Normann Matematisk Institutt, Universitetet i Oslo Kapittel 5: Mengdelære 17. februar 2010 (Sist oppdatert: 2010-02-17 12:41) MAT1030 Diskret Matematikk
Detaljer2.5 BACHELORGRADSPROGRAM I INFORMATIKK
2.5 BACHELORGRADSPROGRAM I INFORMATIKK SIDE 89 2.5 BACHELORGRADSPROGRAM I INFORMATIKK Informatikk er læren om innhenting, tilrettelegging og bearbeiding av data, informasjon og kunnskap ved hjelp av datateknologi,
DetaljerPsykologi anno 2010. Del I: Psykologi er mer enn psykoterapi. Ved psykologspesialist Åste Herheim
Psykologi anno 2010 Del I: Psykologi er mer enn psykoterapi Ved psykologspesialist Åste Herheim Psykologi anno 2010, del I: læreplanmål Fra psykologi 2, del 1: beskrive og forklare forskjellen på ulike
DetaljerOrienteringsmøte bachelor Orienteringsmøte bachelor Utdanningsleder Ragnhild Kobro Runde
Orienteringsmøte bachelor Oversikt Omstrukturering av bachelorprogrammene - hva og hvorfor Overgangsordninger Praktiske forhold Aller først... Ingen endringer for deg som følger normal studieprogresjon.
DetaljerLinjen for datateknikk - NTNU
Informasjon om sivilingeniørstudiet ved Linjen for datateknikk - NTNU Bård Kjos Institutt for datateknikk og informasjonsvitenskap 1 Generelt om siv.ing.studiet 5 års heltidsstudium - 20 vekttall pr. årskurs
DetaljerI Kapittel 2 lærte vi om tall i alternative tallsystemer, i hovedsak om binære tall, oktale tall og heksadesimale tall.
Forelesning 4 Tall som data Dag Normann - 23. januar 2008 Valg av kontaktpersoner/tillitsvalgte Før vi tar pause skal vi velge to til fire tillitsvalgte/kontaktpersoner. Kontaktpersonene skal være med
DetaljerClick to edit Master title style
Click to edit Master title style Mestre Ambisiøs Matematikkundervisning København, 9. april 2019 astrid.bondo@matematikksenteret.no Et innblikk i MAM-prosjektet hva vi legger i ambisiøs matematikkundervisning
DetaljerMengder, relasjoner og funksjoner
MAT1030 Diskret Matematikk Forelesning 15: og induksjon Dag Normann Matematisk Institutt, Universitetet i Oslo Mengder, relasjoner og funksjoner 9. mars 2010 (Sist oppdatert: 2010-03-09 14:18) MAT1030
Detaljer1/18/2011. Forelesninger. I dag: Obligatoriske oppgaver. Gruppeundervisning. Jan Tore Lønning & Stephan Oepen
INF2820 Datalingvistikk V2011 Jan Tore Lønning & Stephan Oepen til INF2820 Datalingvistikk Ole Johan Dahls hus 18. januar 2011 2 I dag: 0 Praktisk informasjon OBS: Lov å stille spørsmål underveis Forelesninger
DetaljerSammenheng mellom læringsutbyttebeskrivelse og vurdering. Christian Jørgensen
Sammenheng mellom læringsutbyttebeskrivelse og vurdering Christian Jørgensen Bio100 - Fire deleksamener Deleksamen Maks poeng 1: Flervalg og kortsvar 20 2: Regneøvelse i Excel med rapport 20 3: Presentasjon
DetaljerINF2810: Funksjonell Programmering. Oppsummering og eksamensforberedelser
INF2810: Funksjonell Programmering Oppsummering og eksamensforberedelser Erik Velldal & Stephan Oepen Universitetet i Oslo 18. mai 2017 I dag 2 Kort oppsummering Praktisk om eksamen Hvem vant konkurransen
DetaljerINF2820 Datalingvistikk V2018 Forelesning 1 del 1, 15. jan. Jan Tore Lønning
INF2820 Datalingvistikk V2018 Forelesning 1 del 1, 15. jan. Jan Tore Lønning INF2820 Datalingvistikk 14. januar 2018 2 I dag: 1. Time: Datalingvistikk: motivasjon og eksempler Praktisk informasjon 2. Time:
DetaljerINF 4130. 8. oktober 2009. Dagens tema: Uavgjørbarhet. Neste uke: NP-kompletthet
INF 4130 8. oktober 2009 Stein Krogdahl Dagens tema: Uavgjørbarhet Dette har blitt framstilt litt annerledes tidligere år Se Dinos forelesninger fra i fjor. I år: Vi tenker mer i programmer enn i Turing-maskiner
DetaljerLær kidsa programmering med
Lær kidsa programmering med Hva er programmering? Hvorfor skal barna lære det?...og hvordan? av Torbjørn Skauli Et program er en oppskrift som sier hva datamaskinen skal gjøre (* Start dagen *) PROGRAM
DetaljerInnhold. Innledning... 11
Innhold Innledning... 11 1 Paideia og retorikk i antikken... 17 1.1 Innledning... 17 1.2 Paideia... 19 1.3 Retorikkens fødsel... 21 1.4 Retorikken i Athen... 24 1.5 Retorikken i Roma... 26 1.6 Retorikkens
DetaljerINF2820 Datalingvistikk V2011. Jan Tore Lønning & Stephan Oepen
INF2820 Datalingvistikk V2011 Jan Tore Lønning & Stephan Oepen til INF2820 Datalingvistikk Ole Johan Dahls hus 18. januar 2011 2 I dag: 0 Praktisk informasjon 1. Hvorfor datalingvistikk? 2. Hva er utfordringene?
DetaljerINF2810: Funksjonell Programmering. Oppsummering og eksamensforberedelser
INF2810: Funksjonell Programmering Oppsummering og eksamensforberedelser Erik Velldal & Stephan Oepen Universitetet i Oslo 18. mai 2017 I dag 2 Kort oppsummering Praktisk om eksamen Hvem vant konkurransen
DetaljerHCI, Interaksjon, grensesnitt og kontekst. Intervju, spørsmålstyper og observasjon
VELKOMMEN REPETISJON HCI, Interaksjon, grensesnitt og kontekst UCD og livssyklusmodell Kognisjon og mentale modeller Intervju, spørsmålstyper og observasjon Behov, krav, personas og scenario DEL 1 HCI,
DetaljerEKSAMEN I EMNE. TDT4136 Logikk og resonnerende systemer. Tirsdag 4. desember 2007 Tid: kl. 09.00 13.00
Side 1 av 6 Faglig kontakt under eksamen: Tore Amble (94451) En engelsk versjon av oppgaven er vedlagt. Oppgaven kan besvares på engelsk eller norsk. BOKMÅL EKSAMEN I EMNE TDT4136 Logikk og resonnerende
DetaljerAnalyse av Algoritmer
Analyse av Algoritmer Lars Vidar Magnusson 10.1.2014 Asymptotisk notasjon (kapittel 3) Kompleksitetsklasser Uløselige problem Asymptotisk Notasjon Asymptotisk analyse innebærer å finne en algoritmes kjøretid
DetaljerDagens plan. INF3170 Logikk. Induktive definisjoner. Eksempel. Definisjon (Induktiv definisjon) Eksempel
INF3170 Logikk Dagens plan Forelesning 2: Induktive definisjoner, utsagnslogikk og sekventkalkyle Christian Mahesh Hansen Institutt for informatikk, Universitetet i Oslo 1 Induktive definisjoner 2 29.
DetaljerMAT1030 Forelesning 22
MAT1030 Forelesning 22 Grafteori Roger Antonsen - 21. april 2009 (Sist oppdatert: 2009-04-21 15:13) Introduksjon Introduksjon Vi skal nå over til kapittel 10 & grafteori. Grafer fins overalt rundt oss!
Detaljer10. EKSAMENSDAGER 2001/02
10. EKSAMENSDAGER 2001/02 SIDE 311 10. EKSAMENSDAGER 2001/02 H -01 V-02 AKVAKULTUR MNK AK 101 Vannkjemi/oseanografi (emnet er utgått) 17.12 05.06 MNK AK 104 Lovverk/forvaltning innen fiske og akvakultur
DetaljerSamfunnsmessige barrierer og drivere for klimaomstilling. Åshild Lappegard Hauge
Samfunnsmessige barrierer og drivere for klimaomstilling Åshild Lappegard Hauge SFI 8-årig senter for innovasjon Oppstart april 2015 Fire arbeidspakker om klimatilpasning: 1) bygninger, 2) overvann, 3)
DetaljerRisikostyring og digitalisering i transportsektoren
Risikostyring og digitalisering i transportsektoren Sizarta Sarshar Avd. Risiko, Sikkerhet og sikring Sektor for Digitale Systemer Institutt for energiteknikk Temaer Rask utvikling og operasjonalisering
DetaljerHume: Epistemologi og etikk. Brit Strandhagen Institutt for filosofi og religionsvitenskap, NTNU
Hume: Epistemologi og etikk Brit Strandhagen Institutt for filosofi og religionsvitenskap, NTNU 1 David Hume (1711-1776) Empirismen Reaksjon på rasjonalismen (Descartes) medfødte forestillinger (ideer)
DetaljerLast ned Hva er kunstig intelligens - Jim Tørresen. Last ned
Last ned Hva er kunstig intelligens - Jim Tørresen Last ned Forfatter: Jim Tørresen ISBN: 9788215023441 Format: PDF Filstørrelse: 24.86 Mb I boken hva er KUNSTIG INTELLIGENS gir forfatteren en lettfattelig
DetaljerLast ned Hva er kunstig intelligens - Jim Tørresen. Last ned
Last ned Hva er kunstig intelligens - Jim Tørresen Last ned Forfatter: Jim Tørresen ISBN: 9788215023441 Antall sider: 120 sider Format: PDF Filstørrelse:11.72 Mb I boken hva er KUNSTIG INTELLIGENS gir
DetaljerKONTROLLSTRUKTURER. MAT1030 Diskret matematikk. Kontrollstrukturer. Kontrollstrukturer. Eksempel (Ubegrenset while-løkke)
KONTROLLSTRUKTURER MAT1030 Diskret matematikk Forelesning 2: Flere pseudokoder. Representasjoner av tall. Dag Normann Matematisk Institutt, Universitetet i Oslo 16. januar 2008 Mandag innførte vi pseudokoder
DetaljerMaskin læring et praktisk eksempel
Maskin læring et praktisk eksempel Introduksjon og erfaringer fra forprosjekt Alcoa Gunnar Andreas Aarvold Mo I Rana Olje & Gassklynge Helgeland 14.02.2018 Mål for møtet: Hva er prediktivt vedlikehold?
DetaljerMAT1030 Diskret Matematikk
MAT1030 Diskret Matematikk Forelesning 7: Logikk, predikatlogikk Roger Antonsen Institutt for informatikk, Universitetet i Oslo 10. februar 2009 (Sist oppdatert: 2009-02-11 01:52) Kapittel 4: Logikk (predikatlogikk)
DetaljerELCOM deltagerprosjekt: Elektronisk strømmarked. Siri A. M. Jensen, NR. Oslo Energi, 3.desember 1996. Epost: Siri.Jensen@nr.no.
ELCOM deltagerprosjekt: Elektronisk strømmarked Siri A. M. Jensen, NR Oslo Energi, 3.desember 1996 1 Hva gjøres av FoU innenfor Elektronisk handel og markedsplass? Elektronisk handel -> Information Highway
DetaljerINF2810: Funksjonell Programmering. Oppsummering og eksamensforberedelser
INF2810: Funksjonell programmering INF2810: Funksjonell Programmering Oppsummering og eksamensforberedelser Erik Velldal Universitetet i Oslo 28. mai 2015 I dag Kort oppsummering Praktisk om eksamen Hvem
Detaljer