INTELIGENTNI SISTEMI PITANJA IZ NEURONSKIH MREA 2011

Slajdovi Predavanje 1 http://is.fon.rs/sites/default/files/NeuronskeMrezePredavanje_1-2011.ppt 1. ta je neuronska mrea? (slajd 4, 10) Matematiki modeli po uzoru na mozak Bioloka i vetaka NM

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 13, 14) Ulazna funkcija sumiranja Funkcija transfera Ulazi sa teinskim koeficijentima Izlaz

output = f (w1in1+ +wninn) 3. Navesti i nacrtati grafike osnovnih funkcija prenosa koje se koriste u neuronskim mreama. (slajd 15)

4. Navesti osnovne karakteristike neuronskih mrea. (slajd 23) (najvaznije karakteristike) 1. Imaju sposobnost uenja 2. Imaju sposobnost generalizacije 3. Otporne na pogrean ulaz i um 5. Navesti tipine probleme za koje probleme se koriste neuronske mree. (slajd 24) Klasifikacija Prepoznavanje (oblika, govora, vektora...) Aproksimacija Optimizacija Obrada signala Modeliranje sistema Predvianje Kontrola i upravljanje

6. Navesti tipine sluajeva kada su neuronske mree kandidat za primenu (slajd 25) 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)

7. Objasniti u emu se sastoji uenje kod neuronskih mrea (slajd 18) Uenje: procedura podeavanja teina veza tako da mrea dobije eljeno ponaanje/funkcionalnost Uenje sa uiteljem supervised Uenje bez uitelja unsupervised SUPERVIZORNO UENJE: Opti princip: minimizacija greke kroz iterativnu proceduru

eljeni izlaz d(x)

Greka

Ulaz X

Neuronska mrea

Stvarni izlaz y(x)

e(x) = d(x) y(x)

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 20, 21, 22) ADALINE

u1 u2 u3

w1 w2 w3 y

Linearna funkcija transfera Linearna kombinacija ulaza y = w1u1+w2u2++wnun, Uenje metodom najmanjih kvadrata LMS UCENJE LMS pravilo se moe izraziti kroz sledee jednaine: (1) greka izlaznog neurona za p-ti uzorak iz skupa za trening p=dp-yp (2) promena teine veze proporcionalno greci <KOD> (3) ukupna greka mree za sve uzorke iz skupa za trening (kriterijum za zaustavljanje treninga mrea je nauila kada je greka svedena na prihvatljivu meru) <KOD> PERCEPTRON

y1 u1 u2 y2 y3
Step funkcija transfera Perceptron learning - prvi algoritam za uenje nelinearnih sistema Samo za linearno separabilne probleme

Slajdovi Vebe 1 http://is.fon.rs/sites/default/files/NeuronskeMrezeVezbe_1-2011.ppt 11. ta je osnovno ogranienje kod neuronske mree tipa Perceptron? (slajd 12) Step funkcija transfera Perceptron learning - prvi algoritam za uenje nelinearnih sistema Samo za linearno separabilne probleme

Slajdovi Predavanje 2 http://is.fon.rs/sites/default/files/NeuronskeMrezePredavanje_2-2011.ppt 10. Koji algoritam se koristi za uenje neuronskih mrea tipa vieslojni

perceptron (Multi Layer Perceptron) ? (slajd 2,3) VISESLOJNI PERCEPTRON Proirenje osnovnog perceptrona ima jedan ili vie skrivenih slojeva neurona izmeu ulaznog i izlaznog Glatke/diferencijabilne funkcije transfera u neuronima (tanh, sigmoid) Koristi Backpropagation algoritam za uenje koji se zasniva na LMS algoritmu. Mogu da reavaju sloene probleme

12. Opisati proceduru reavanja problema pomou neuronskih mrea (slajd 9) Prikupljanje i priprema podataka Filtriranje Normalizacija Redukcija dimenzionalnosti (PCA) Uspeh reavanja u potpunosti zavisi od podataka koji se koriste za trening mree Voditi rauna o teorijskoj opravdansti reprezentativnosti korienih podataka za odreeni problem. Ovo je vrlo specifino u zavisnosti od problema koji se reava. Trening mree Odreivanje optimalnih parametara mree i algoritma za trening Broj skrivenih slojeva i broj neurona u svakom sloju (vie ne znai bolje, cilj je imati to manje) Learning rate i momentum Dinamiko podeavanje parametara Validacija parametara (sa probnim skupom) Trening i test set Pretreniravanje i generalizacija Testiranje mree Odreivanje optimalnih parametara mree i treninga eksperimentalnim putem (broj neurona, broj slojeva neurona, parametri algoritma za uenje, podaci za trening)

Pitanja iz oblasti Analiza teksta i ekstrakcija informacija

Pitanja iz ppt prezentacije Razumevanje teksta osnovni pojmovi, problemi, mogunosti primene 1. Navesti nekoliko (bar 3) primera primene tehnologija za analizu i razumevanje teksta. Kontekstno zavisna provera pravopisa (spell-checking) Korekcija pravopisa, provera gramatike ispravnosti teksta Bolje (semantiko) pretraivanje Naprednije u odnosu na pretraivanje zasnovano na kljunim reima Ekstrakcija informacija Ekstrakcija injenica i relacija iz dokumenata Mainsko (automatsko) prevoenje Novi interfejsi Sistemi zasnovani na dijalogu Poslovne primene: reputation management kontekstualizovano oglaavanje poslovne analitike 2. Navesti i ukratko obrazloiti razloge zbog kojih razumevanje teksta predstavlja vrlo sloen problem. Prirodni jezik je: Pun viesmislenih rei i izraza Zasnovan na korienju konteksta za definisanje i prenos znaenja Pun fuzzy, probabilistikih izraza Baziran na zdravorazumskom znanju i rezonovanju Kljuna komponenta drutvenih relacija (interakcije meu ljudima) Slojevita struktura jezika: Morfologija: Koje rei su koriene (u datom tekstu)? Sintaksa i gramatika: Koje fraze su prisutne? Koje rei modifikuju jedna drugu? Semantika: Koje je (bukvalno) znaenje korienih rei i fraza? Pragmatika: ta se moe zakljuiti iz injenice da je neko rekao neto u datoj situaciji? Kakva reakcija se oekuje? 3. Navesti i ukratko obrazloiti osnovne nivoe razumevanja jezika. Morfologija - prepoznavanje rei i njihovih razliitih formi // use, uses, user razliiti oblici jedne rei Sintaksa i gramatika - prepoznavanje tipa rei // There are 5 rows in the table. rows je imenica; She rows 5 times per week. rows je glagol

razumevanje kako su rei povezane // Bob went out; he needed some fresh air. Zamenica he se odnosi na Bob-a. Semantika - razumevanje znaenja rei (na osnovu konteksta) // The car driver was injured. vs. The driver was installed in the computer Pitanja iz ppt prezentacije Ekstrakcija informacija iz teksta - osnovni pojmovi, primene i procesi 4. ta je to ekstrakcija informacija? Information Extraction IE tehnologija zasnovana na analizi prirodnog jezika ciljem ekstrakcije informacija o redefinisanim tipovima entiteta, relacija i/ili dogaaja. sa

5. Objasniti razliku izmeu ekstrakcije informacija (information extraction) i pronalaenja informacija (information retrieval). E & IR: dva slina, ali dosta razliita procesa: IR sistem pronalazi (potencijalno) relevantne tekstove i prezentuje ih korisniku (kao to to Google ini) IE sistem analizira tekstove i prezentuje samo segmente informacija (izvuene iz teksta) za koje korisnik moe biti zainteresovan 6. Navesti osnovne tipove ekstrakcije informacija. Prepoznavanje imenovanih entiteta (Named Entities (NE) recognition) NE se moe odnositi na razliite vrste entiteta (ljudi, organizacije, datumi, i sl) Razreavanje koreferenci (Co-reference (CO) resolution) Koji entiteti i reference (npr. zamenice) se odnose na istu pojavu/stvar/pojam Prepoznavanje opisa entiteta (Descriptions resolution) Koje atribute entiteti imaju? Prepoznavanje relacija (Relations resolution) Koje relacije postoje meu entitetima? Prepoznavanje dogaaja (Events resolution) Identifikacija dogaaja u kojima entiteti uestvuju 7. Ukratko objasniti benefite koji se mogu postii primenom ekstrakcije informacija u oblasti poslovne analitike. Ekstrakcija geo-politikih i makro-ekonomskih dogadjaja, kao i dogadjaja relevantnih

za pojedine kompanije i brendove Estrahovane informacije predstavljaju ulaz za Business Rules Engine Npr., RavenPack News Analytic (http://www.ravenpack.com/) 8. Ukratko objasniti benefite koji se mogu postii primenom ekstrakcije informacija u oblasti marketinga i odnosa sa javnou (PR) . social media monitoring reputation management brza identifikacija negativnih publikacija/ocena, sa ciljem da se sprei/umanji negativni publicitet Primer: Safesforce Marketing Cloud (ex. Radian6), http://www.radian6.com/ Its fine to have a Facebook fan page or count Likes but really, thats looking at a tiny, narrow portion of a social strategy There are millions of conversations going on related to retailers, their products and their brands. They need to be aware of and participate in that breadth of the social web. 9. Navesti inioce koji utiu na performanse procesa ekstrakcije informacija. Kompleksnost podataka koje je potrebno ekstrahovati entiteti, relacije ili dogaaji Specifinosti konkretnog IE zadatka Tip teksta vrsta teksta sa kojim se radi Tema (ili domen) ire definisan opseg tema (domen) kome sadraj teksta pripada Konkretni tipovi informacija za koje je korisnik zainteresovan Npr., lina imena, kompanije, akvizacija neke kompanije,... 10. Objasniti meru Precision za procenu efikasnosti ekstrakcije informacija ta ona predstavlja i kako se izraunava? Mere za evaluaciju performansi IE (ili IR) sistema Precision Da li su svi ekstrahovani segmenti informacija relevantni? Precision = A / (A U B)

Tano Ekstrahovani Nisu ekstrahovani A C

Pogreno B D

11. Objasniti meru Recall za procenu efikasnosti ekstrakcije informacija ta ona predstavlja i kako se izraunava? Mere za evaluaciju performansi IE (ili IR) sistema Recall Da li su svi relevantni segmenti informacija prepoznati? Recall = A / (A U C)

Tano Ekstrahovani Nisu ekstrahovani A C

Pogreno B D

12.

Objasniti odnos izmeu mera Precision i Recall.

13. Koja su to dva osnovna pod-problema od kojih se sastoji problem razreavanja koreferenci (co- reference resolution). Performanse i portabilnost: Neprecizan proces Rezultati znaajno variraju od domena do domena (domenski zavistan zadatak) Zavisno od domena, preciznost je na nivou 50-60% 14. Navesti softverske komponente koje ine ANNIE (A Nearly New Information Extraction system). Tokenizer Gazetteer Sentence Splitter Part-of-Speech (POS) Tagger 15. emu je namenjena Tokenizer komponenta (iz ANNIE skupa alata za ekstrakciju informacija)? Deli tekst na veoma jednostavne tokene Kao to su brojevi, znaci interpunkcije i rei razliitog tipa 16. emu je namenjena i na koji nain funkcionie Gazetteer komponenta (iz ANNIE skupa alata za ekstrakciju informacija)? Koristi liste imena da bi prepoznao imenovane entitete u tekstu gazetteer liste su obini tekstualni fajlovi, sa jednim podatkom (imenom) u svakoj liniji Svaka lista sadri skup imena, kao to su imena gradova, organizacija, dana u nedelji,... index fajl (lists.def) se koristi za pristup ovim listama; Token koji odgovara nekom imenu iz neke od ovih lista bie anotiran glavnim (major type) tipom i podtipom (minor type) liste kojoj to ime pripada. 17. emu je namenjena i kako on funkcionie Semantic Tagger (JAPE Transducer) komponenta (iz ANNIE skupa alata za ekstrakciju informacija)? Anotira svaku reenicu tipom Sentence Obezbeuje preduslove za rad sledee komponente u procesu POS tagger 18. Koja je uloga Ortomacher komponente (iz ANNIE skupa alata za ekstrakciju informacija)? Omoguuje identifikaciju koreferenci Dodaje relacije jednakosti izmeu imenovanih entiteta koje je identifikovao i anotirao semantic tagger 19. Napisati primer jednog JAPE pravila i objasniti znaenje tog pravila.

kreira anotaciju tipa Organisation kojoj se pridruuju dva feature-a: kind (blie definie tip anotacije) i rule (pamti pravilo kojim je anotacija generisana) 20. Navesti tri osnovne grupe pristupa za prepoznavanje imenovanih entiteta u tekstu. Tri osnovne grupe pristupa List lookup pristupi zasnovani na korienju renika i gazetter lista Pristupi zasnovani na pravilima Shallow parsing Regularni izrazi Pristupi zasnovani na primeni mainskog uenja nadgledano mainsko uenje 21. Navesti osnovne karakteristike list lookup pristupa za prepoznavanje imenovanih entiteta u tekstu. Prepoznaje samo one entitete ija imena su prisutna u listama/reniku Primenjuje se kad imamo unapred date liste imena entiteta koje trazimo npr., liste kompanija i/ili eksperata iz odreene brane Dva pristupa: Exact (dictionary or gazetteer lists) matching Approximate (dictionary or gazetteer lists) matching proiruje exact matching metodama za poreenje stringova (npr. edit distance) 22. Navesti prednosti i nedostatke list lookup pristupa za prepoznavanje imenovanih entiteta u tekstu. Prednosti: Jednostavnost, Brzina (bri u odnosu na ostale pristupe), Nezavisni od jezika, Mogunost jednostavne adaptacije na nove vrste teksta Nedostaci: Kreiranje/prikupljanje i odravanje lista imena Ne mogu da prepoznaju entitete u sluaju slabog preklapanja imena u listama i u tekstu Nemaju mogunost razumevanja entiteta u kontekstu i razreavanja dvosmislenosti (ili vieznanosti) 23. U emu se sastoji Shallow parsing pristup za prepoznavanje imenovanih entiteta u tekstu. Ukratko objasniti. Oslanjaju se na strukturu teksta ..

Pitanja iz oblasti REST

Napomena: Odgovori na ova pitanja mogu se nai u ppt prezentaciji sa vebi Have some REST. P1 P2 P3 P4 P5 1. Navesti osnovne principe REST-a? adresabilnost uniforman, ogranien interfejs orijentisanost ka reprezentaciji komunikacija bez stanja HATEOAS (Hypermedia As The Engine Of Application State)

2. Objasniti princip REST-a adresabilnost? Svaki resurs u sistemu je dostupan preko jedinstvenog identifikatora scheme://host:port/path?queryString#fragment http://example.com/customers?lastName=Burke&zipcode=02115 3. Objasniti princip REST-a uniforman, ogranien interfejs? Koristiti samo HTTP metode GET Read-only (SELECT/READ operacija) Postavljanje upita serveru Idempotentna POST Koristi se za dodavanje resursa Nije idempotentna (INSERT bez identifikatora) PUT Zahtev serveru da sauva podatke iz tela zahteva (UPDATE operacija) Idempotentna DELETE Koristi se za brisanje resursa Idempotentna 4. Objasniti princip REST-aorijentisanost ka reprezentaciji? Navesti preko kojeg dela HTTP zaglavlja se ovaj princip ostvaruje i dati primer. Reprezentacije tekueg stanja resursa se razmenjuju izmeu klijenta i servera Content-Type zaglavlje - Multipurpose Internet Mail Extension (MIME) format type/subtype;name=value;name=value... text/html;charset=iso-8859-1 5. Objasniti princip REST-a komunikacija bez stanja? Ne postoje sesije izmeu klijenta i servera Nema problema debelog (fat) klijenta (software upgrade, patch) 6. Objasniti princip REST-a HATEOAS? HATEOS - Hypermedia As The Engine Of Application State 7. Koje HTTP metode treba koristiti za sledee operacije kod REST servisa (dopisati u nastavku nabrajanja): Isitavanje podataka o resursu - GET Kreiranje novog resursa - POST Auriranje postojeeg resursa - PUT Brisanje resursa - DELETE

Pitanja iz oblasti Ekspertni sistemi (ES)

Napomena: Odgovori na ova pitanja mogu se nai u pptprezentaciji Ekspertni sistemi osnove. 1. Kako definiemo ES? Ekspertni sisteme definisemo kao raunarski program kojim se emulira reavanje problema na nain na koji to ini ekspert (ovek) 2. Navesti i objasniti svrhu osnovna tri modula (dela) ES-a. 3. Koja je svrha baze znanja i ta ona sadri? Sadri domensko znanje koje mora da bude formalizovano da bi raunar mogao da ga koristi. Najee se koristi tehnika pravila za predstavljanje znanja u okviru ekspretnih sistema. 4. Koja je svrha radne memorije i ta ona sadri? Sadri injenice i zakljuke. Zakljuci nisu nita drugo nego injenice koje su nastale kao posledica rezonovanja.I injenice moraju da budu formalizovane. Za predstavljanje injenica koriste se okviri (frames). 5. Koja je svrha mehanizma za zakljuivanje? Kombinuje znanje iz baze znanja i injenice iz radne memorije i stvara nove zakljuke.Omoguava automatizovano rezonovanje. 6. Nacrtati arhitekturu ES.

7. Koji su osnovni uslovi koje neki program mora da zadovolji da bi mogao da se nazove ES? Da bi neki program mogao da se nazove ES, on mora da: sadri ekspertsko znanje iz neke oblasti omoguava automatizovano rezonovanje

8. Koja su osnovna dva dela svakog pravila? Navesti i ukratko objasniti. Pravila se sastoje iz IF i THEN dela i povezuju uslov (premisu) sa zakljukom: IF Auto nee da upali (premisa) THEN Kvar moe da bude u elektrinom sistemu (zakljuak) Premisa moe da bude i sloena sa vie jednostavnih premisa povezanih logikim operatorima AND, OR i NOT 9. Objasniti ta je ulanavanje pravila i napisati konkretan primer koji sadri makar tri pravila koja se ulanavaju. Osnovna i najvanija karakteristika pravila je da mogu da se ulanavaju. Ulanavanje pravila se postie time to zakljuak jednog pravila predstavlja premisu drugog. 10. Od ega zavisi izbor tehnike za zakljuivanje? Zavisi od koriene tehnike za predstavljanje znanja. Najpopularnije tehnike za zakljuivanje: Ulanavanje unapred (Forward chaining) Ulanavanje unazad (Backward chaining) Ove dve tehnike mogu da se koriste iskljuivo u kombinaciji sa pravilima 11. Navesti i ukratko objasniti osnovne korake ulanavanja unapred. Korak 1 Pronai sva pravila ije premise su zadovoljene (ova pravila ine konfliktni skup). Korak 2 Iz konfliktnog skupa izabrati samo jedno pravilo (korienjem strategije za reavanje konflikta). Ako je konfliktni skup prazan, to je kraj. Korak 3 Izvriti izabrano pravilo (uneti zakljuke tog pravila kao injenice u radnu memoriju) i ii na korak 1. 12. Nacrtati algoritam za ulanavanje unapred.

13. Navesti bar tri razliite strategije za reavanje konflikta. izbor prvog pravila izbor pravila sa najviim prioritetom izbor najspecifinijeg pravila (sa najsloenijom premisom) izbor pravila koje se odnosi na najskorije dodate injenice svako pravilo moe samo jednom da se izvri 14. Koja je uloga strategije za reavanje konflikta u okviru algoritma za ulanavanje unapred? 15. Nacrtati algoritam ulanavanja unazad.

16. Koje vrste objanjenja moe da prui mehanizam za objanjavanje? Ukratko opisati svaku vrstu objanjenja. Formira dve vrste objanjenja o zakljuivanju ES ZATO objanjenje o tome zato ES postavlja odreeno pitanje KAKO objanjenje o tome kako je ES stigao do reenja 17. Navesti bar 4 oblasti primene ES.

Napomena: Odgovori na ova pitanja mogu se nai u ppt prezentaciji Ekspertni sistemi razvoj (materijali sa vebi 18. Navesti osnovne uloge u razvoju ES. Ekspert Inzenjer znanja Korisnik

19. Koja je uloga eksperta u razvoju ES? Pozajmljuje tj. daje svoje znanje i pomae pri proveri (testiranju) znanja

20. Koja je uloga inenjera znanja u razvoju ES? Vodi intervju sa ekspertom i iz njega izvlai znanje Vri izbor odgovarajuih tehnika za predstavljanje znanja Vri izbor odgovarajuih tehnika za zakljuivanje Vri izbor razvojnog alata Formalizuje, formulie i sreuje ekspertovo znanje Testira ES 21. Koja je uloga korisnika u razvoju ES? Koristi gotov ES Uestvuje u formiranju zahteva Moe da uestvuje u testiranju i pisanju dokumentacije za ES 22. Nacrtati proces razvoja ES.

Pitanja iz oblasti Inteligentni agenti

Pitanja iz ppt prezentacije Inteligentni agenti - osnovni pojmovi i karakteristike 1. Kako definiemo inteligentnog agenta? Softverski program koji radi u nekom okruenju (stvarnom ili virtuelnom) opaa okruenje putem senzora, deluje na okruenje, sam odluuje o zadatku koji e izvriti, moe da komunicira sa drugim agentima, vrlo esto moe i da ui. 2. Navesti osnovne karakteristike interakcije korisnika i inteligentnog agenta (kao saradnika tj. asistenta). Metafore interakcije ovek raunar. Direktna manipulacija (klasini programi) pri kojoj korisnik: lino bira sve akcije koje program izvrava odreuje sve podatke sa kojima e program raditi stalno prati tok izvravanja programa Metafore interakcije ovek raunar . Kooperativni saradnik (asistent): program preuzima i samostalno obavlja deo posla nije direktno nadgledan od strane korisnika samostalno inicira pojedine aktivnosti u znaajnoj meri samostalno donosi odluke o akcijama i podacima koji e se koristiti u sluaju nedoumice zahteva pomo korisnika 3. Navesti (bar 3) nekoliko primera primene agenata na Web-u. Desti - Preporuke/pomo pri planiranju putovanja Alfred - Preporuke restorana, kafia, klubova Google Now korisne dnevne informacije 4. Zbog ega agenti, posebno personalni agenti, postaju aktuelni u poslednjih godinu-dve? Ogromna koliina informacija na Web-u i potreba za naprednijim alatima za njihovo efikasno korienje Kontinuirani porast pametnih mobilnih ureaja (telefoni, tableti...) opremljenih senzorima Sve vei broj servisa koji obezbeuju informacije i komercijalne transakcije Sve vie strukturiranih podataka na Web-u 5. Nacrtati sliku koja ilustruje generikog agenta.

6. Navesti osnovne osobine inteligentnih agenata. (semi-)Autonomnost, Sposobnost komuniciranja, Sposobnost uenja, Inicijativa i

blagovremeni odziv, Fleksibilnost, Prilagodljivost 7. U emu se sastoji osobina (semi-)autonomnosti inteligentnog agenta? 8. Koji preduslovi moraju biti zadovoljeni da bi agent mogao da ui (tj. stie nova znanja)? posedovanje minimalnog poetnog znanja repetitivnost zadataka koje IA reava problem: razliita repetitivnost jednog istog zadatka za razliite korisnike 9. Na koje naine inteligentni agent moe da ui? Ukratko objasniti. 10. 11. ta ini arhitekturu agenta i koja je njena uloga? ta se podrazumeva pod terminom program agenta?

12. ta je potrebno uraditi pre nego to se pristupi definisanju programa agenta? 13. Nacrtati i ukratko objasniti sliku koja opisuje nain rada prostog refleksnog agenta. 14. Nacrtati i ukratko objasniti sliku koja opisuje nain rada refleksnog agenta sa stanjem.