JOHDATUS TEKOÄLYYN TEEMU ROOS

Samankaltaiset tiedostot
JOHDATUS TEKOÄLYYN TEEMU ROOS

Johdatus tekoälyyn. Luento : Koneoppiminen. Patrik Hoyer. [ Kysykää ja kommentoikaa luennon aikana! ]

JOHDATUS TEKOÄLYYN TEEMU ROOS

JOHDATUS TEKOÄLYYN LUENTO 4.

JOHDATUS TEKOÄLYYN TEEMU ROOS

TEEMU ROOS (KALVOT MUOKATTU PATRIK HOYERIN LUENTOMATERIAALISTA)

HY / Matematiikan ja tilastotieteen laitos Tilastollinen päättely II, kevät 2017 Harjoitus 1 Ratkaisuehdotuksia Tehtäväsarja I

TEEMU ROOS (KALVOT MUOKATTU PATRIK HOYERIN LUENTOMATERIAALISTA)

JOHDATUS TEKOÄLYYN TEEMU ROOS

30A02000 Tilastotieteen perusteet

Johdatus tekoälyyn (T. Roos) Kurssikoe

JOHDATUS TEKOÄLYYN TEEMU ROOS

E. Oja ja H. Mannila Datasta Tietoon: Luku 2

Bayesin pelit. Kalle Siukola. MS-E2142 Optimointiopin seminaari: Peliteoria ja tekoäly

Mat Sovellettu todennäköisyyslasku A. Moniulotteiset jakaumat. Avainsanat:

Todennäköisyyslaskenta IIa, syyslokakuu 2019 / Hytönen 2. laskuharjoitus, ratkaisuehdotukset

MAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen

Inversio-ongelmien laskennallinen peruskurssi Luento 7

JOHDATUS TEKOÄLYYN TEEMU ROOS

Bayesilainen päätöksenteko / Bayesian decision theory

Tekoäly tänään , Vadim Kulikov (Helsingin Yliopisto)

Tehtäväsarja I Tehtävät 1-5 perustuvat monisteen kappaleisiin ja tehtävä 6 kappaleeseen 2.8.

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

TODENNÄKÖISYYS JA TILASTOT MAA6 KERTAUS

P(X = x T (X ) = t, θ) = p(x = x T (X ) = t) ei riipu tuntemattomasta θ:sta. Silloin uskottavuusfunktio faktorisoituu

Johdatus tn-laskentaan perjantai

Nollasummapelit ja bayesilaiset pelit

1. Kuusisivuista noppaa heitetään, kunnes saadaan silmäluku 5 tai 6. Olkoon X niiden heittojen lukumäärä, joilla tuli 1, 2, 3 tai 4.

6. laskuharjoitusten vastaukset (viikot 10 11)

Viikko 1: Johdantoa Matti Kääriäinen

Juuri 10 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty

ABHELSINKI UNIVERSITY OF TECHNOLOGY

Tutkimustiedonhallinnan peruskurssi

Luku 2. Datasta tietoon: mitä dataa? mitä tietoa?

Johdatus tekoälyyn

X X. Johdatus tekoälyyn. v=1 X O. Kevät 2016 T. Roos. v=1 v= 1 8) 9) 10) X X O X O O. v=1 13) 14) X X X O O X O O X O. v=1 v=1 v= 1.

Johdatus tekoälyyn

Jatkuvat satunnaismuuttujat

Laskuharjoitus 5. Mitkä ovat kuvan 1 kanavien kapasiteetit? Kuva 1: Kaksi kanavaa. p/(1 p) ) bittiä lähetystä kohti. Voidaan

Luento KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja

Yhteistyötä sisältämätön peliteoria jatkuu

2 exp( 2u), kun u > 0 f U (u) = v = 3 + u 3v + uv = u. f V (v) dv = f U (u) du du f V (v) = f U (u) dv = f U (h(v)) h (v) = f U 1 v (1 v) 2

Käytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella:

a. (2 p) Selitä Turingin koe. (Huom. ei Turingin kone.) Minkälainen tekoäly on saavutettu, kun Turingin koe ratkaistaan?

Tee-se-itse -tekoäly

Ei raportteja roskiin

Sosiaalinen media työnhaussa

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Todennäköisyys (englanniksi probability)

A-osio: Ilman laskinta, MAOL:in taulukkokirja saa olla käytössä. Maksimissaan tunti aikaa.

Kurssilla esitetään lyhyt katsaus niihin todennäköisyyden ja satunnaisprosessien peruskäsitteisiin ja -ominaisuuksiin, joita tarvitaan digitaalisten

Sovellettu todennäköisyyslaskenta B

DBN Mitä sillä tekee? Dynaamisten Bayes-verkkojen määrittely aikasarja-analyysissä Janne Toivola

TILASTOLLINEN OPPIMINEN

KONEOPPIMISEN HYÖDYNTÄMINEN: AUTOMAATTINEN TIKETTIEN KÄSITTELY. Esa Sairanen

Visualisointi käyttöliittymäsuunnittelussa (syksy 2012), muistiinpanot esityksestä Jussi Kurki: Suurten verkkojen visualisointi.

Odotusarvo. Odotusarvon ominaisuuksia Satunnaismuuttujien ominaisuuksia 61

1. Osoita, että joukon X osajoukoille A ja B on voimassa toinen ns. de Morganin laki (A B) = A B.

Mallilukijoiden lukijamallit

P (X B) = f X (x)dx. xf X (x)dx. g(x)f X (x)dx.

JOHDATUS TEKOÄLYYN TEEMU ROOS

Digimarkkinoinnin mahdollisuudet myynnin tukena. Business Forum Ruka Jonna Muurinen Markkinointiviestintätoimisto Kuulu Oy

Matemaatikot ja tilastotieteilijät

Vastauksia. Topologia Syksy 2010 Harjoitus 1

JOHDATUS TEKOÄLYYN TEEMU ROOS

= 5! 2 2!3! = = 10. Edelleen tästä joukosta voidaan valita kolme särmää yhteensä = 10! 3 3!7! = = 120

Lineaarinen optimointi. Harjoitus 6-7, Olkoon A R m n, x, c R ja b R m. Osoita, että LP-tehtävän. c T x = min!

Pelaajien lukumäärä: suositus 3 4 pelaajaa; peliä voi soveltaa myös muille pelaajamäärille

Kerta 2. Kerta 2 Kerta 3 Kerta 4 Kerta Toteuta Pythonilla seuraava ohjelma:

Tilastotieteen aihehakemisto

Viikko 2: Ensimmäiset ennustajat Matti Kääriäinen

Harjoitus 3 ( )

DNA:n kysely esikoulu- ja ala-asteikäisten matkapuhelinten käytöstä

10 helppoa SEO-ohjetta

1. TILASTOLLINEN HAHMONTUNNISTUS

JOHDATUS TEKOÄLYYN TEEMU ROOS

YSILUOKKA. Tasa-arvo yhteiskunnassa ja työelämässä

Tekoäly ja koneoppiminen metsävaratiedon apuna

031021P Tilastomatematiikka (5 op)

SYÖTTÖPOHJA LUKUJEN SYÖTTÖÖN ERI TARKOITUKSIIN

Pelin kautta oppiminen

1 Bayesin teoreeman käyttö luokittelijana

Digimarkkinointi. Ari Tenhunen

1. laskuharjoituskierros, vko 4, ratkaisut

Purot.net Wiki. Tutkielma. Paavo Räisänen. Centria Ammattikorkeakoulu

Ilkka Mellin (2008) 1/5

(x, y) 2. heiton tulos y

Tehtävät. 1. Ratkaistava epäyhtälöt. a) 2(4 x) < 12, b) 5(x 2 4x + 3) < 0, c) 3 2x 4 > 6. 1/10. Sukunimi (painokirjaimin)

Todennäköisyyden ominaisuuksia

T Kevät 2006 Logiikka tietotekniikassa: perusteet Laskuharjoitus 8 (opetusmoniste, kappaleet )

1. Fysiikan ylioppilaskokeessa jaettiin keväällä 2017 oheisen taulukon mukaisesti arvosanoja. Eri arvosanoille annetaan taulukon mukaiset lukuarvot.

Seuraavat kysymykset koskevat erilaisia tekijöitä, jotka liittyvät digitaaliseen mediaan ja digitaalisiin laitteisiin kuten pöytätietokoneet,

The Metropolis-Hastings Algorithm

Systemointiosamäärä. Nimi: ********************************************************************************

w + x + y + z =4, wx + wy + wz + xy + xz + yz =2, wxy + wxz + wyz + xyz = 4, wxyz = 1.

Se mistä tilasta aloitetaan, merkitään tyhjästä tulevalla nuolella. Yllä olevassa esimerkissä aloitustila on A.

Varma tapahtuma, Yhdiste, Yhdistetty tapahtuma, Yhteenlaskusääntö

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi. Viikko 3. Kaksiulotteiset satunnaismuuttujat

Miten hyvin mallit kuvaavat todellisuutta? Tarvitaan havaintoja.

Muuttujien riippumattomuus

Transkriptio:

JOHDATUS TEKOÄLYYN TEEMU ROOS

X Y Z Å BAYES-VERKKO ON TODENNÄKÖISYYSMALLIN ESITYS VERKON SOLMUT OVAT SATUNNAISMUUTTUJIA (ESIM. NOPAN SILMÄLUKU) VERKON KAARET ( NUOLET ) VASTAAVAT SUORIA RIIPPUUKSIA: EI KAARTA EHDOLLINEN RIIPPUMATTOMUUS (TARKKA SELITYS TODENNÄKÖISYYSMALLINNUS-KURSSILLA) KAARIIN LIITTYY EHDOLLISET TODENNÄKÖISYYDET P(S=s VANHEMMAT S = ) ESIM. VANHEMMAT X ={Y,Z}

X EI SYKLEJÄ Y Z Å X Y Z X YHTEISTODENNÄKÖISYYDET SAADAAN LASKEMALLA P(y,z,X,å) = P(y) P(z) P(x y,z) P(å y) VERTAA KETJUSÄÄNTÖÖN: VANHEMMAT X P(y,z,X,å)= P(y) P(z y) P(x y,z) P(å x,y,z)

X EI SYKLEJÄ Y Z Å X Y Z X YHTEISTODENNÄKÖISYYDET SAADAAN LASKEMALLA P(y,z,X,å) = P(y) P(z) P(x y,z) P(å y) EHDOLLINEN RIIPPUMATTOMU VERTAA KETJUSÄÄNTÖÖN: P(y,z,X,å)= P(y) P(z y) P(x y,z) P(å x,y,z)

ETUJA: X Y Z Å - EHDOLLISET JAKAUMAT HELPOMPI MÄÄRITELLÄ, KOSKA VÄHEMMÄN MÄÄRITELTÄVÄÄ - NOPEUTTAA MYÖS PÄÄTTELYÄ EHDOLLINEN RIIPPUMATTOMUU VERTAA KETJUSÄÄNTÖÖN: P(y,z,X,å)= P(y) P(z y) P(x y,z) P(å x,y,z)

AKKU RADIO SYTYTYS BENSA KÄYNISTYY LIIKKUU

JOS AKKU ON TYHJÄ, RADIO EI SOI EIKÄ SYTYTYS TOIMI. JOS SYTYTYS EI TOIMI, AUTO EI KÄYNNISTY. JOS BENSATANKKI ON TYHJÄ, AUTO EI KÄYNNISTY. JOS AUTO EI KÄYNNISTY, AUTO EI LIIKU. AUTO EI KÄYNNISTY: MISSÄ VIKA? P(TILA HAVAINNOT)? SOIKO RADIO? ONKO BENSAA? HAVAINNOT

AKKU RADIO SYTYTYS BENSA KÄYNISTYY LIIKKUU

AKKU VARMASTIKO? RADIO SYTYTYS BENSA KÄYNISTYY LIIKKUU

AKKU 95% TOD.NÄK. RADIO SYTYTYS BENSA KÄYNISTYY LIIKKUU

90% TOD.NÄK. AKKU RADIO SYTYTYS BENSA KÄYNISTYY LIIKKUU

AKKU RADIO SYTYTYS 99% BENSA TOD.NÄK. KÄYNISTYY LIIKKUU

AKKU RADIO SYTYTYS BENSA KÄYNISTYY 99% TOD.NÄK. LIIKKUU

90% TOD.NÄK. AKKU RADIO SYTYTYS BENSA KÄYNISTYY LIIKKUU

AKKU 95% TOD.NÄK RADIO SYTYTYS BENSA KÄYNISTYY LIIKKUU

P( AKUSSA VIRTAA )=0.9 P( RADIO AKUSSA VIRTAA )=0.9 P( RADIO AKUSSA VIRTAA )=0 P( SYTYTYS AKUSSA VIRTAA ) = 0.95 P( SYTYTYS AKUSSA VIRTAA )=0 P( BENSAA ) = 0.95 P( KÄYNNISTYY SYTYTYS JA BENSAA ) = 0.99 P( KÄYNNISTYY S TAI B ) = 0 P( LIIKKUU KÄYNNISTYY ) = 0.99 P( LIIKKUU KÄYNNISTYY ) = 0

P( AKKU KÄYNNISTYY, RADIO, BENSAA ) =? KÄPISTELIJÄN LÄHESTYMISTAPA: 1. GENEROI MILJOONA TAPAUSTA. 2. VALITSE TAPAUKSET, JOISSA AUTO EI KÄYNNISTY, RADIO SOI JA BENSAA ON. 3. KATSO KUINKA SUURESSA OSASSA AKUSSA ON VIRTAA.

SATUNNAISAPPROKSIMAATIO SATUNNAISOTANTAAN PERUSTUVA ( MONTE CARLO- ) APPROKSIMAATIO: P(S) KUINKA MONESSA S N KUINKA MONESSA A JA S P(A S) KUINKA MONESSA S

SATUNNAISAPPROKSIMAATIO Ω A S

SATUNNAISAPPROKSIMAATIO Ω A S P(A, S) P(A S) = P(S)

SATUNNAISAPPROKSIMAATIO SATUNNAISOTANTAAN PERUSTUVA APPROKSIMAATIO: P(S) KUINKA MONESSA S N KUINKA MONESSA A JA S P(A S) KUINKA MONESSA S KUN N, APPROKSIMAATIO SUPPENEE KOHTI OIKEAA ARVOA.

GENEROI-MONIKKOJA(N, Malli): for i = 1 to N: EHDOLLINEN JAKAUMA for X in Malli.Muuttujat: X = SATUNNAISLUKU(X.Jakauma(VANHEMMAT(X))) print X print \n

GENEROI-MONIKKOJA(N, Malli): for i = 1 to N: for X in Malli.Muuttujat: X = SATUNNAISLUKU(X.Jakauma(VANHEMMAT(X))) print X print \n SOLMUT, JOISTA NUOLI X:ÄÄN

GENEROI-MONIKKOJA(N, Malli): for i = 1 to N: for X in Malli.Muuttujat: X = SATUNNAISLUKU(X.Jakauma(VANHEMMAT(X))) AKKU print X print RADIO \n SYTYTYS SOLMUT, BENSA JOISTA VANHEMMAT(AKKU) = VANHEMMAT(RADIO) = {AKKU} VANHEMMAT(SYTYTYS) = {AKKU} KÄYNISTYY LIIKKUU NUOLI X:ÄÄN VANHEMMAT(KÄYNNISTYY) = {SYTYTYS, BENSA}

GENEROI-MONIKKOJA(N, Malli): for i = 1 to N: for X in Malli.Muuttujat: X = SATUNNAISLUKU(X.Jakauma(VANHEMMAT(X))) print X print \n X = AKKU: X.JAKAUMA( ) = (0.1, 0.9) X = RADIO: X.JAKAUMA(VANHEMMAT(X)) = (1.0, 0.0) JOS AKKU (0.1, 0.9) JOS AKKU X = K: X.JAKAUMA(VANHEMMAT(X)) = (1.0, 0.0) JOS S, B (1.0, 0.0) JOS S, B (1.0, 0.0) JOS S, B (0.01, 0.99) JOS S, B

P( AKKU KÄYNNISTYY, RADIO, BENSAA ) =? EKSAKTI LÄHESTYMISTAPA: P(A, K,R,B) P(A K,R,B) = ------------------- P( K,R,B) P(A, K,R,B) = P(A, R, S, B, K, L) + P(A, R, S, B, K, L) + P(A, R, S, B, K, L) + P(A, R, S, B, K, L) ω 2 ω 3 ω 10 ω 11 TAAS SUMMA ALKEISTAPAHTUMIEN TOD.NÄK.!

P( AKKU KÄYNNISTYY, RADIO, BENSAA ) =? EKSAKTI LÄHESTYMISTAPA: SUMMIEN TERMIT SAADAAN HELPOSTI BAYES-VERKOSTA, ESIM. P(A, R, S, B, K, L) = P(A) P(R A) P(S A) P(B) P( K S,B) P(L K) ELI TULO, JONKA TEKIJÖINÄ P(MUUTTUJA VANHEMMAT). KAIKKI TEKIJÄT ON MÄÄRITELTY ALUSSA. EI KÄYDÄ LÄPI TARKEMMIN TÄLLÄ KURSSILLA

KONEOPPIMINEN LINKKI VIDEOON: INTERVIEW WITH PROF.POGGIO FOR THE MCGOVERN INSTITUTE FACULTY PROFILE. MIT 2009-2010

KONEOPPIMINEN MÄÄRITELMÄ: KONE = TIETOKONE, TIETOKONEOHJELMA OPPIMINEN = ONGELMANRATKAISUKYVYN PARANTUMINEN KOKEMUKSEN AVULLA TOISIN SANOEN... SEN SIJAAN ETTÄ OHJELMOIJA KIRJOITTAA TARKAT SÄÄNNÖT JONKUN ONGELMAN RATKAISUUN, OHJELMOIJA OHJEISTAA TIETOKONETTA OPPIMAAN ESIMERKEISTÄ MONISSA TAPAUKSISSA TIETOKONEOHJELMA VOI TÄLLÖIN OPPIA RATKAISEMAAN JOTAIN TEHTÄVÄÄ PAREMMIN KUIN OHJELMOIJA ITSE OSAA!

MIKSI KONEOPPIMISTA? NYKYPÄIVÄNÄ ON HELPPOA JA HALPAA: - KERÄTÄ DATAA (HALVAT SENSORIT, PALJON JO DIGITAALISTA) - TALLENTAA DATAA (KOVALEVYTILA HALPAA) - LÄHETTÄÄ DATAA (LÄHES ILMAISTA NETISSÄ) JOTEN: KAIKKI KERÄÄVÄT SUURIA MÄÄRIÄ DATAA! - YRITYKSET: KAUPAT (OSTOTAPAHTUMAT), HAKUKONEET (HAKULAUSEKKEET, VALINNAT), FINANSSISEKTORI (OSAKKEET, VALUUTTAKURSSIT), TEHTAAT (ERILAISET SENSORIT), SOSIAALINEN MEDIA (FACEBOOK, TWITTER,...), KAIKKI PALVELIMET - TIEDE: GEENISEKVENSSIT, GEENIEKSPRESSIO, HIUKKASKOKEET FYSIIKASSA, TÄHTITIEDE,... MUTTA: MITEN HYÖDYNTÄÄ SITÄ?

ESIMERKKI 1 MITEN OHJELMOIDA TIETOKONETTA PELAAMAAN ESIM RISTINOLLAA? VAIHTOEHTO 1: KATSO KOKO PELIPUU LÄPI, VALITSE OPTIMAALISESTI (VAIN HYVIN YKSINKERTAISET PELIT!) VAIHTOEHTO 2: OHJELMOIJA KIRJOITTAA SÄÄNNÖT, TYYLIIN JOS VASTUSTAJALLA ON KAHDEN SUORA JA KOLMAS ON VAPAA, ESTÄ SUORA LAITTAMALLA OMA MERKKI SIIHEN, JNE (TYÖLÄSTÄ, VAIKEAA!) VAIHTOEHTO 3: TIETOKONEOHJELMA KOKEILEE ERILAISIA SÄÄNTÖJÄ, JA PELAA ITSEÄÄN (TAI MUITA) VASTAAN KOKEILLEN MILLÄ SÄÄNNÖILLÄ VOITTAA JA MILLÄ SÄÄNNÖILLÄ HÄVITÄÄN, OPPIEN NÄIN VOITTAMAAN ( KONEOPPIMINEN )

ESIMERKKI 1 ARTHUR SAMUEL (50-60 LUVUILLA): TIETOKONEOHJELMA OPPII PELAAMAAN TAMMEA OHJELMA PELAA ITSEÄÄN VASTAAN TUHANSIA KERTOJA, OPPII MITKÄ POSITIOT OVAT HYVIÄ, MITKÄ HUONOJA (SEN PERUSTEELLA, KUINKA USEIN NE JOHTAVAT VOITTOON/ HÄVIÖÖN) OHJELMA TULEE LOPULTA PAREMMAKSI KUIN SITÄ OPETTAVA OHJELMOIJA

ASETELMA ERÄS KONEOPPIMISEN MÄÄRITELMÄ ON ETTÄ TIETOKONE PARANTAA SUORITUSKYKYÄÄN SUORITTAESSAAN JOTAIN TIETTYÄ TEHTÄVÄÄ SITÄ MUKAAN KUN SE NÄKEE ESIMERKKEJÄ. SIISPÄ TÄYTYY EROTTAA: TEHTÄVÄ: MITÄ KONE/OHJELMA YRITTÄÄ TEHDÄ? MINKÄ ONGELMAN SE RATKAISEE? HYVYYSMITTA: MITEN MITATAAN KUINKA HYVIN KONE/OHJELMA RATKAISEE TEHTÄVÄÄ? ESIMERKIT/DATA: MIKÄ ON SE KOKEMUSPOHJA/ESIMERKKIDATA JONKA PERUSTEELLA KONE/OHJELMA OPPII?

ESIMERKKI 2 AUTOMAATTINEN KASVOJENTUNNISTUS (FACEBOOK, APPLE,... ): OHJELMOIJA KIRJOITTAA SÄÄNTÖJÄ: JOS TUMMA LYHYT TUKKA, JOSKUS SILMÄLASIT, ISO NENÄ, NIIN SE ON MIKKO (EI TOIMI! MITEN TUNNISTAA TUKAN? MITEN ARVIOIDA NENÄN KOKO? JNE...) TIETOKONEELLE NÄYTETÄÄN (KUVA, NIMI)-ESIMERKKIPAREJA, TIETOKONE OPPII ITSE MITKÄ PIIRTEET OVAT RELEVANTTEJA (VAIKEA ONGELMA, MUTTA MAHDOLLISTA JOS RIITTÄVÄSTI ESIMERKKEJÄ!)

ESIMERKKI 3 ROSKAPOSTIN SUODATUS: OHJELMOIJA KIRJOITTAA SÄÄNTÖJÄ: JOS SISÄLTÄÄ VIAGRA, NIIN SE ON ROSKAA (VAIKEAA, EIKÄ KÄYTTÄJÄLLE RÄÄTÄLÖITY) KÄYTTÄJÄ OHJEISTAA TIETOKONETTA, MITKÄ POSTIT OVAT ROSKAA, TIETOKONE OPPII ITSE LUOKITTELUSÄÄNNÖT.

ESIMERKKI 4 HAKULAUSEKKEIDEN ENNUSTAMINEN: OHJELMOIJA ANTAA VALMIIN SANAKIRJAN. (SANAT MUUTTUU!) EDELLISET HAKULAUSEKKEET KÄYTETÄÄN ESIMERKKEINÄ! HAKUTULOSTEN JÄRJESTÄMINEN: OHJELMOIJA KIRJOITTAA TARKAN KAAVAN JOLLA PISTEYTETÄÄN SANAN ESIINTYMISMÄÄRÄ, LINKKIEN MÄÄRÄ, Y.M. JA SITTEN JÄRJESTETÄÄN PISTEIDEN MUKAAN. (MISTÄ OHJELMOIJA TIETÄÄ MITEN ERI SIVUN OMINAISUUDET PITÄISI PAINOTTAA?) TALLENNETAAN MITKÄ LINKIT VALITAAN MINKÄKIN HAKULAUSEKKEEN JÄLKEEN, JA LAITETAAN SUOSITUIMMAT SIVUT KÄRKEEN (YRITETÄÄN ENNUSTAA MITÄ KÄYTTÄJÄ HALUAA!)

ESIMERKKI 5 KÄSINKIRJOITETTUJEN MERKKIEN TUNNISTAMINEN: (POSTIN LAJITTELU, VANHOJEN KIRJOJEN DIGITOINTI,...)

ESIMERKKI 6 AUTOT JOTKA EIVÄT TARVITSE KULJETTAJAA: Sebastian Thrun: Google s Driverless Car TED Conferences, LLC

ESIMERKKI 6 AUTOT JOTKA EIVÄT TARVITSE KULJETTAJAA: Sebastian Thrun: Google s Driverless Car TED Conferences, LLC...driving itself...

ESIMERKKI 7 SUOSITUSJÄRJESTELMÄT: AMAZON.COM: JOS OSTIT TÄMÄN KIRJAN, SAATAT MYÖS OLLA KIINNOSTUNUT TÄSTÄ TOISESTA KIRJASTA NETFLIX.COM: KÄYTTÄJÄT ARVIOIVAT ELOKUVIA, JÄRJESTELMÄ EHDOTTAA SEN POHJALTA KÄYTTÄJILLE UUSIA ELOKUVIA ( NETFLIX PRIZE : $1.000.000 PALKINTO, VUODET 2006-2009) HTTP://WWW.YOUTUBE.COM/WATCH? FEATURE=PLAYER_DETAILPAGE&V=IMPV70ULXYW

ESIMERKKI 8 KONEKÄÄNTÄMINEN: PERINTEINEN TAPA: SANAKIRJA JA KIELIOPPI NYKYÄÄN (ENEMMÄN JA ENEMMÄN): TILASTOLLINEN KONEKÄÄNTÄMINEN, JOKA PERUSTUU ESIMERKKEIHIN/DATAAN

KAVEREIDEN EHDOTTAMINEN: ESIMERKKI 9 VOIKO FACEBOOK KAVERIGRAAFIN PERUSTEELLA ARVATA TUNTEVATKO KAKSI HENKILÖÄ TOISENSA VAIKO EI? OSAAKO TWITTER ARVATA KETÄ OLISIT KIINNOSTUNUT SEURAAMAAN??