Professional Documents
Culture Documents
Yapay Zeka (PDFDrive)
Yapay Zeka (PDFDrive)
Bilim kurgudaki insan benzeri robot, ideal zeki makinedir. Bu, mantıklı
zeki programlar yapmaktan farklıdır.
Diğer Alanlar
Dünya
Algılama Eylem
Çıkarsama
Ekran Çıktısı :
CLAUSES
Ali'nin Hobileri :
hoslanir(ali,okuma). Ne=okuma
hoslanir(ali,film). Ne=film
2 Solutions
GOAL
write("Ali'nin Hobileri :"),nl,
hoslanir(ali,Ne).
01.10.2003 Y. Doç. Dr. Aybars UĞUR (517 Yapay Zeka Dersi) 23
PROLOG (Örnek 2)
araba(marka,yol,yas,renk,fiyat).
GOAL
GOAL
CLAUSES araba(Marka,_,Yas,Renk,_)and
araba(Marka,_,Yas,Renk,_) andYas
Yas<<7.7.
araba(renault,100,5,gri,20). Marka=renault,Yas=5,
Yas=5,Renk=gri
Renk=gri
Marka=renault,
araba(opel,20.5,1,mavi,35). Marka=opel,Yas=1,
Yas=1,Renk=mavi
Renk=mavi
Marka=opel,
araba(kartal,120,15,siyah,10). 22Solutions
Solutions
CLAUSES EkranÇıktısı
Ekran Çıktısı: :
anne(sue,joe). Dede=bill,Torun=joe
Dede=bill, Torun=joe
baba(eric,joe). Dede=george,Torun=eric
Dede=george, Torun=eric
baba(john,sue). Dede=john,Torun=joe
Dede=john, Torun=joe
baba(bill,eric). 33Solutions
Solutions
baba(george,bill).
dede(De,T) :- baba(De,G), baba(G,T).
dede(De,T) if baba(De,G) and anne(G,T).
GOAL
dede(Dede,Torun).
CLAUSES
member(Name, [Name|_]).
member(Name, [_|Tail]):-
member(Name,Tail).
GOAL
member(X,[ali,veli,cemil]).
CLAUSES EkranÇıktısı
Ekran Çıktısı: :
sumlist([],0,0). Average=43
Average=43
sumlist([H|T],Sum,N):- L=[42,36,51],Sum=129,
L=[42,36,51], Sum=129,N=3,
N=3,Ave=43
Ave=43
sumlist(T,S1,N1), 11Solution
Solution
Sum=H+S1, N=1+N1.
print_countries:-
country(X),
write(X), nl, fail.
GOAL
factorial(3,X).
EkranÇıktısı
Ekran Çıktısı: :
CLAUSES
2.236067977yes
2.236067977yes
run:-
A=sqrt(5),
write(A).
GOAL
run.
EkranÇıktısı
Ekran Çıktısı: :
A=2.236067977
A=2.236067977
11Solution
Solution
f : P * -> A
Agent Çatısı :
• Input : percept
• Output : action
• Variables : internal memory
Algoritma :
1. Update-memory(percept)
2. action = Choose-best-action(memory)
3. Update-memory(action)
4. return action
8 2 1 2 3
3 4 7 4 5 6
5 1 6 7 8
3 4
8 2 5 1 6
3 4 7
5 1 6 8 2 8 2
3 4 7 3 4 7
5 1 6 5 1 6
01.10.2003 Y. Doç. Dr. Aybars UĞUR (517 Yapay Zeka Dersi) 47
Örnek Problem 2) 8-queens Problemi
Arama Yöntemleri
• Blind Strategies (Bilgiye dayanmayan arama)
• Heuristic Strategies (Sezgisel arama)
1 2 3
1 2 3 4 5 6
STATE
4 5 7 8
N2
7 8 6 Goal state
8 2 7
Durum Uzayı
Durum Uzayı sonlu
sonlu olsa
olsa bile
bile
3 4
Arama Ağacı
Arama Ağacı sonsuz
sonsuz olabilir.
olabilir.
5 1 6
8 2 8 2 8 4 2 8 2
3 4 7 3 4 7 3 7 3 4 7
5 1 6 5 1 6 5 1 6 5 1 6
01.10.2003 Y. Doç. Dr. Aybars UĞUR (517 Yapay Zeka Dersi) 55
Sezgisel Olmayan Arama Yöntemleri
• Breadth-First
– Bidirectional
• Depth-First
– Depth-limited
– Iterative deepening
• Uniform-Cost
2 3 2 3
4 5 6 7 4 5 6 7
1
• Düğümleri, kuyruğun sonuna ekler.
• i. Düzeydeki tüm düğümler, (i+1).
2 3 Düzeydeki tüm düğümlerden önce
açılır. BFS, hedefe ulaştıran en kısa
yolu bulmayı garantiler.
4 5 6 7
01.10.2003 Y. Doç. Dr. Aybars UĞUR (517 Yapay Zeka Dersi) 57
Çift Yönlü Arama
Bidirectional (BF) Search
Start Goal
4 5 8 11 12
• BFS’nin benzeridir.
• Basit kuyruk yerine öncelik kuyruğu kullanır.
• Düğümler, (o ana kadar gelenler içerisinde) artan
sırada kuyruğa yerleştirilirler.
• Optimal çözümü bulmayı garantiler.
• Best-First Search
• A* Search
• IDA* (Iterative Deepening A*) Search
• SMA* (Simplified Memory-Bounded A*) Search
• Tam değildir
• Optimal değildir.
• Zaman ve Yer Karmaşıklıkları kötüdür (üstel)
• Gerçek-zamanlı Arama
• Optimizasyon Problemlerinde Arama
• CSP’de Arama
Öğrenme algoritmalarında
popülerdir.
01.10.2003 Y. Doç. Dr. Aybars UĞUR (517 Yapay Zeka Dersi) 83
Hill Climbing : Problemleri
• Tahtanın Durumu
• Geçerli Hareketler
• Uç Durumlar
• Strateji
• Minimax’a benzer.
• Farklı olarak, arama ağacının sonuçla ilgili
olmayan dallarını budar.
• Tüm oyun ağacını açmak (alpha-beta dahil) pek
önerilmez. Bir noktada kesilip, ona göre
değerlendirilmelidir.
• Şans oyunları da, minimax algoritmasına ek
yapılarak gerçekleştirilir.