1. Navesti nekoliko (bar 3) oblasti Vetake inteligencije za koje je zdravorazumsko znanje relevantno. razumvanj prirdng zika, prpznavanj i sintzu gvra, naprdn blik prtraivanja, intligntn intrfs, rbtiku, ambintalnu intlignciu 2. Zbog ega zdravorazumsko znanje i dalje predstavlja izazov za Vetaku inteligenciju? D zrlg dba ljudi psduu dstin milina fragmnata znanja (injnica). Ni dna thnika mainskg unja ili autmatsk akvizici znanja d sada ni uspla da bzbdi prikupljanj vlik kliin znanja. Glavni prblmi: Prikupljanj dvljn vlik kliin (zdravrazumskg) znanja Prdstavljanj razliitih tipva (zdravrazumskg) znanja Flksibiln rznvanj sa zdravrazumskim znanjm Primna vg znanja na nv, nkivan situaci 3. ta je to Cyc? Ukratko objasniti. bzbu trnutn navu i nakmpltniu i mhanizm za rznvanj nad tim znanjm bazu zdravrazumskg znanja

4. ta je to Open Mind Common Sense? Ukratko objasniti. snvna ida v iniciativ da s ira avnst ukljui u prcs prikupljanja znanja Svak m uzti u u vm prcsu r u pitanju znanj k i dca psduu Inspiracia: usph distribuiranih, klktivnih prkata ralizvanih psrdstvm Web-a

5. ta je to ConceptNet? Ukratko objasniti. Bsplatna sftvrska biblitka tvrng kda Razvina nad bazm zdravrazumskg znanja ka s autmatski gnri/aurira iz OMCS krpusa kristi smantik mr ka frmalizam za prdstavljanj znanja Znanj na km ConceptNet zasnvan na : nfrmaln, huristik Napgdni za zdravrazumsk rznvanj nad raznim tkstualnim sadraima

6. ta je to TrueKnowledge? Ukratko objasniti.

1

Karaktristik: Platfrma za prdstavljanj zdravrazumskg znanja u frmatu "razumljivm" mainama/prgramima Ukljuivanj krisnika u razv baz (zdravrazumskg) znanja Prtraivanj na prirdnm ziku Mgunst davanja dirktnih dgvra na pstavljna pitanja Znanj k sistm psdu dlazi iz dva glavna izvra: Znanj imprtvan iz razliitih nlan izvra (baza pdataka, vb satva) Na primr, CIA Factbook, Wikipedia Znanj k ddau krisnici User-friendly prcs ddavanja nvih injnica Prdstavljanj znanja Svaki fragmnt znanja s uva ka psbna injnica ka s m kristiti u prcsu rznvanja (zakljunjivanja) Kada s za nku injnicu prikupi dvljn "dkaza", na s n m tak lak prmniti injnic k su u suprtnsti sa pstim, ptvrnim znanjm s autmatski dbacuu Tim s sistm "titi" d maliciznih krisnika bzbnj validnsti baz znanja Krisnici cnjuu validnst injnica u bazi Krisnici mgu da ptvrd ili pvrgnu validnst svak injnic iz baz Rputacia krisnika i njihv tzv. track record s krist za prcnu znaaa njihvih cna

1. ta je neuronska mrea? (slajd 4) DARPA: Neuronska mrea je sistem koji se sastoji od velikog broja meusobno povezanih, jednostavnih elemenata procesiranja koji rade paralelno. Funkcija NM je odreena strukturom mree, teinom veza, i obradom u elementima procesiranja. Haykin: Neuronska mrea je paralelni distribuirani procesor koji ima prirodnu sposobnost uvanja i korienja iskustvenog znanja. Slinost sa mozgom se ogleda kroz dve osobine: mrea stie znanje kroz proces uenja znanje se uva u vezama izmeu neurona (sinaptikim teinama) Zurada: Vetaki neuro sistemi ili neuronske mree, su elijski sistemi koji mogu da stiu, uvaju i koriste iskustveno znanje.

2. Koje su osnovne komponente vetakog neurona? (slajd 9, 10) Osnovni delovi: telo(soma), dendriti(ulazi), akson(izlaz), sinapse(spojevi)

2

output = f (w1in1+ +wninn)

3. Navesti i nacrtati grafike osnovnih funkcija prenosa koje se koriste u neuronskim mreama. (slajd 11)

3

4. Navesti osnovne karakteristike neuronskih mrea. (slajd 23) Imaju sposobnost uenja Imaju sposobnost generalizacije Imaju sposobnost asocijacije Otporne na pogrean ulaz i um

5. Navesti tipine probleme za koje probleme se koriste neuronske mree. (slajd24) Klasifikaciju Prepoznavanje (oblika, govora, vektora...) Aproksimaciju funkcija Optimizaciju Obradu signala Modeliranje sistema Predvianje Kontrolu i upravljanje

6. Navesti tipine sluajeva kada su neuronske mree kandidat za primenu (slajd25) Kada nema jasno definisanog matematikog modela ili drugog reenja Kada je potrebna otpornost na nepotpun ili pogrean ulaz Kada je potrebna sposobnost uenja Visokodimenzionalnost Kada se sa NM postiu bolji rezultati nego sa alternativnim reenjima (npr. odziv u realnom vremenu, tolerancija na greke)

4

7. Objasniti u emu se sastoji uenje kod neuronskih mrea (slajd 15) Uenje: procedura podeavanja teina veza tako da mrea dobije eljenu funkcionalnost Uenje sa uiteljem supervised Uenje bez uitelja unsupervised

8. Koji su osnovni problemi u primeni neuronskih mrea? (slajd 26) Nedostatak semantike u strukturi Da li je neki problem uopte reiv sa NM? Problemi sa odreivanjem arhitekture i treningom za odreenu primenu Plastinost / stabilnost

9. Navesti nekoliko vrsta neuronskih mrea sa prostiranjem signala unapred(slajdovi 17, 19, 21) 10. Navesti tri algoritama za uenje neuronskih mrea (slajd 16) LMS Perceptron Learning Delta rule Back propagation

11. ta je osnovno ogranienje kod neuronske mree tipa Perceptron? (slajd 19) Samo za linearno separabilne probleme. 12. Zbog ega je bila znaajna pojava vieslojnih perceptrona? (slajd 21) Reava nelinearne probleme 1. Navesti nekoliko (bar 3) primera primene tehnologija procesiranja prirodnog jezika Kntkstn zavisna prvra pravpisa (spell-checking) Krkcia pravpisa, prvra gramatik ispravnsti Blj (smantik) prtraivanj Naprdni u dnsu na prtraivanj zasnvan na kljunim rima kstrakcia infrmacia kstrakcia injnica i rlacia iz dkumnata Nvi intrfsi: Razumvanj gvra Sistmi zasnvani na dialgu

5

Mainsk (autmatsk) prvnj ...

2. Navesti razloge zbog kojih razumevanje prirodnog jezika predstavlja vrlo sloen problem. Prirdni zik : Pun vismislnih ri i izraza Zasnvan na krinju kntksta za dfinisanj i prns znanja Pun fuzzy, prbabilistikih izraza Baziran na zdravrazumskm znanju i rznvanju Kljuna kmpnnta drutvnih rlacia (intrakci mu ljudima)

3. Navesti osnovne nivoe razumevanja jezika.

Slvita struktura zika: Fntika/mrflgia: K ri su krin (u datm tkstu)? Sintaksa: K fraz su prisutn? K ri mdifikuu dna drugu? Smantika: K (bukvaln) znanj krinih ri i fraza? Pragmatika: ta s m zakljuiti iz injnic da nk rka nt u dat situacii? Kakva rakcia s ku?

4. ta je to ekstrakcija informacija? IE thnlgia zasnvana na analizi prirdng zika sa ciljm kstrakci infrmacia prdfinisanim tipvima ntitta, rlacia ili dgaaa.

5. Objasniti razliku izmeu ekstrakcije informacija (information extraction) i pronalaenja informacija(information retrieval). IE s vma razliku d IR-a IR sistm prnalazi rlvantn tkstv i przntu ih krisniku (ka t t Google ini) IE sistm analizira tkstv i przntu sam sgmnt infrmacia (izvun iz tksta) za k krisnik m biti zaintrsvan

6

6. Navesti osnovne tipove ekstrakcije informacija. Prpznavanj imnvanih ntitta (Named Entities (NE) recognition) NE s m dnsiti na razliit vrst ntitta (ljudi, rganizaci, datumi, i sl) Razravanj krfrnci (Co-reference (CO) resolution) Ki ntitti i rfrnc (npr. zamnic) s dns na istu pavu/stvar/pam Prpznavanj pisa ntitta (Descriptions resolution) K atribut ntitti imau? Prpznavanj rlacia (Relations resolution) K rlacia pst mu ntittima? Prpznavanj dgaaa (Events resolution) Idntifikacia dgaaa u kima ntitti ustvuu 7. Ukratko objasniti benefite koji se postiu primenom ekstrakcije informacija u oblasti marketinga. IE m pmi u unaprnju marktink kampanj na snvu analiz rzultata prthdnih akcia

8. Ukratko objasniti benefite koji se postiu primenom ekstrakcije informacija u oblasti odnosa sa javnou (PR) IE sistmi pmau da s brz idntifikuu ngativn publikaci i cn kak bi s t pr dragval i spri/umanji ngativni publicitt 9. Navesti inioce koji utiu na performanse procesa ekstrakcije informacija. - specifinost - sloenost 10. Objasniti meru Precision za procenu efikasnosti ekstrakcije informacija ta ona predstavlja i kako se izraunava? Precision Da li su svi kstrahvani sgmnti infrmacia rlvantni?

Precision = A / (A U B)11. Objasniti meru Recall za procenu efikasnosti ekstrakcije informacija ta ona predstavlja i kako se izraunava?

7

Recall Da li su svi rlvantni sgmnti infrmacia prpznati? Tan Pgrn B D

kstrahvani A Nisu kstrahvani C

Recall = A / (A U C)12. Koja su to dva osnovna podproblema od kojih se sastoji problem razreavanja koreferenci (coreference resolution) anaphoric resolution npr. Da s zamnica he dnsi na imnicu Tom; proper noun resolution Npr. da sld imnic znaavau isti ntitt: IBM, IBM Europe, International Business Machines Ltd., . . .

13. Navesti softverske komponente koje ine ANNIE (A Nearly New Information Extraction system)

14. emu je namenjen Tokenizer? Tokenizer Dli tkst na vma dnstavn tkn Ka t su brvi, znaci intrpunkci i ri razliitg tipa

15. emu je namenjen i na koji nain funkcionie Gazetteer? Gazetteer Kristi list imna da bi prpzna imnvan ntitt u tkstu gazetteer list su bini tkstualni falvi, sa dnim pdatkm (imnm) u svak linii Svaka lista sadri skup imna, ka t su imna gradva, rganizacia, dana u ndlji,... index fal s kristi za pristup vim listama; Svaki tkn ki dgvara nkm imnu iz nk d vih lista bi antiran sa glavnim (major type) tipm i pdtipm (minor type) tg imna.

16. emu je namenjen Semantic Tagger i kako on funkcioe? 8

Semantic Tagger Kristi pravila kak bi prcizni dfinisa tipv imnvanih ntitta idntifikvanih u prthdnim fazama Zasnvan na JAPE ziku za dfinisanj pravila

17. Koja je uloga Ortomachera? Orthomatcher - mguu idntifikaciu krfrnci - Dda rlaci dnaksti izmu imnvanih ntitta k idntifikva i antira semantic tagger

18. ta je to WordNet? grmna lksika baza nglskg zika Razvina na Princeton University Slbdn (bsplatn) dstupna Razvini su i rasplivi APIs za brn prgramsk zik

19. Objasniti ukratko strukturu WordNeta. Imnic, glagli, pridvi i prilzi su grupisani u skupv pmvnih sinnima, tzv. synsets Svaki synset s dnsi na dan pam. Synsets su musbn pvzani dgvarauim smantikim (kncptualnim) i lksikim rlaciama

1. ta karakterie fazu razvoja Weba poznatu pod nazivom Web 2.0? Prmn u nainu na ki ljudi krist Web, N na nvi thnlki talas Drugu gnraciu Internet srvisa fkusiranih primarn na online klabraciu i dljnj sadraa mu krisnicima. 2. U poslednje vreme sve ee je u upotrebi termin Web 3.0 ta ovaj termim oznaava? dnsi s na tru gnraciu Internet srvisa ki, klktivn psmatrani, in nt st bi s mgl nazvati Intligntnim Web-m

9

Adrsira prblm bilja pdataka i ndstatka znanja

3. Navesti karakteristike dananjeg Weba, tzv. Weba dokumenata (Web of Documents) Analgia: glbalni fal sistm Dizaniran za: krinj d stran ljudi Primarni bkti: Dkumnti Likvi: izmu dkumnata (ili njihvih dlva) Stpn strukturiransti bkata: prilin nizak Smantika sadraa i likva: implicitna

4. ta je to Web podataka (Web of Data)? Veb pdataka (Web of Data) vizia Veba ka dn gigantsk glbaln baz pdataka

5. Navesti glavne karakteristike Weba podataka. Glavn karaktristik: Pdaci (na Vebu) su strukturirani i intrlinkvani Smantika pdataka i linkva ksplicitn data mgun izvravanj slnih upita nad vi izvra

6. Navesti osnovne principe na kojima se zasniva koncept linkovanih podataka (Linked Data). Kristiti URIs ka naziv rsursa Npr. Kristiti HTTP URIs bzbditi rlvantn pdatk rsursu ki URI idntifiku krinjm standarda (RDF, SPARQL) Npr. rdfs:label Belgrade U pis URI-a ukljuiti i linkv na drug URIs, kak bi s stvari fkat linkvanja pdataka na Vbu Npr. dbpedia-owl:capital

7. ta je to Semantiki Web? Nardni krak u vlucii Veba pdataka Intligntni Vb Rznvanj nad pdacima intgrisanim iz razliitih, distribuiranih izvra

10

Intligntni agnti vr prtragu i prpruku sadraa Sistmi za prpruku na nivu itavg Web-a

8. Ideja Semantikog Weba je da sadraji na njemu budu razumljivi: a) samo ljudima b) samo mainama (npr. inteligentnim agentima) c) i ljudima i mainama

9. Na slici su predstavljeni gradivni blokovi (tj. tehnologije) Semantikog Weba. Sloite ih tako da oni ine Semantic Web Cake (tanije jedan njen deo). Objasniti zbog ega su ovi blokovi upravo na ovaj nain poreani u okviru Semantic Web Cake. OWL URI RDF SPARQL RDFS

10. ta je URI i emu je namenjen? Uniform Resource Identifier (URI) is a string of characters used to identify a name or a resource on the Internet. 11. ta je RDF i emu je namenjen? RDF mdl za prdstavljanj znanja na Vbu zasnvan na tripltima. 11

RDF vam mguu da tvrit sv pdatk aplikaciama psrdstvm Vba. 12. Napisati jedan (proizvoljan) RDF triplet i predstaviti ga: 1) grafiki; 2) korienjem TURTLE sintakse. @PREFIX dc: . @PREFIX foaf: