1.

TÌM KIẾM CHIỀU RỘNG

2. TÌM KIẾM CHIỀU SÂU

 3. THUẬT TOÁN KMEANS

import numpy as np
import matplotlib.pyplot as plt
from scipy.spatial.distance import cdist

means = [[2, 2], [9, 2], [4, 9]]

cov = [[2, 0], [0, 2]]
n_samples = 500
n_cluster = 3
X0 = np.random.multivariate_normal(means[0], cov, n_samples)
X1 = np.random.multivariate_normal(means[1], cov, n_samples)
X2 = np.random.multivariate_normal(means[2], cov, n_samples)
X = np.concatenate((X0, X1, X2), axis = 0)

plt.xlabel('x')
plt.ylabel('y')
plt.plot(X[:, 0], X[:, 1], 'bo', markersize=5)
plt.plot()
plt.show()

def kmeans_init_centers(X, n_cluster):

return X[np.random.choice(X.shape[0], n_cluster, replace=False)]

def kmeans_predict_labels(X, centers):
D = cdist(X, centers)

return np.argmin(D, axis = 1)

def kmeans_update_centers(X, labels, n_cluster):
centers = np.zeros((n_cluster, X.shape[1]))
for k in range(n_cluster):

Xk = X[labels == k, :]

centers[k,:] = np.mean(Xk, axis = 0)

return centers
def kmeans_has_converged(centers, new_centers):

return (set([tuple(a) for a in centers]) ==

 set([tuple(a) for a in new_centers]))
def kmeans_visualize(X, centers, labels, n_cluster, title):
plt.xlabel('x')
plt.ylabel('y')
plt.title(title) # title của đồ thị
plt_colors = ['b', 'g', 'r', 'c', 'm', 'y', 'k', 'w']

for i in range(n_cluster):
data = X[labels == i]
plt.plot(data[:, 0], data[:, 1], plt_colors[i] + '^', markersize = 4, label = 'cluster_' + str(i))
plt.plot(centers[i][0], centers[i][1], plt_colors[i+4] + 'o', markersize = 10, label = 'center_' +
str(i))
plt.legend()
plt.show()
def kmeans(init_centes, init_labels, X, n_cluster):
centers = init_centes
labels = init_labels
times = 0
while True:
labels = kmeans_predict_labels(X, centers)
kmeans_visualize(X, centers, labels, n_cluster, 'Assigned label for data at time = ' +
str(times + 1))
new_centers = kmeans_update_centers(X, labels, n_cluster)
if kmeans_has_converged(centers, new_centers):
break
centers = new_centers
kmeans_visualize(X, centers, labels, n_cluster, 'Update center possition at time = ' +
str(times + 1))
times += 1
return (centers, labels, times)

init_centers = kmeans_init_centers(X, n_cluster)

print(init_centers)
init_labels = np.zeros(X.shape[0])
kmeans_visualize(X, init_centers, init_labels, n_cluster, 'Init centers in the first run. Assigned
all data as cluster 0')
centers, labels, times = kmeans(init_centers, init_labels, X, n_cluster)

print('Done! Kmeans has converged after', times, 'times')

 22/4 /2 02 2

1. Principal component analysis

PCA trong Python

Sử dụng thư viện prince

pip install prince

Load dữ liệu iris:

import pandas as pd
import prince
from sklearn import datasets

X, y = datasets.load_iris(return_X_y=True)
X = pd.DataFrame(data=X, columns=['Sepal length', 'Sepal width', 'Petal lengt
h', 'Petal width'])
y = pd.Series(y).map({0: 'Setosa', 1: 'Versicolor', 2: 'Virginica'})
X.head()
53

1. Principal component analysis

Dữ liệu trước và sau khi sử dụng PCA

pca = prince.PCA(
n_components=2,
n_iter=3,
rescale_with_mean=True,
rescale_with_std=True,
copy=True,
check_input=True,
engine='auto',
random_state=42
)
pca = pca.fit(X)
pca.transform(X).head()

27
54
 22/4 /2 02 2

1. Principal component analysis

Plot 2 trục chính

ax = pca.plot_row_coordinates(
X,
ax=None,
figsize=(6, 6),
x_component=0,
y_component=1,
labels=None,
color_labels=y,
ellipse_outline=False,
ellipse_fill=True,
show_points=True
)
ax.get_figure()

Sau khi áp dụng PCA, dữ liệu “có vẻ”

được phân loại tốt hơn!!
55

1. Principal component analysis

Mức độ đóng góp của các trục chính

28
56
 18/3 /2 02 2

BÀI TOÁN: TRÒ CHƠI 8 SỐ

Trạng thái đầu {1, 4, 3, 7, null, 6, 5, 8, 2}

Trạng thái đích {1, 2, 3, 4, 5, 6, 7, 8, null}
Toán tử:
Up
Down
Left
Right

Ghi chú:
Để code cài đặt, có thể đặt nút null có giá trị là 0

BÀI TOÁN: TRÒ CHƠI 8 SỐ

21
 18/3 /2 02 2

BÀI TOÁN: TRÒ CHƠI 8 SỐ

BÀI TOÁN: TRÒ CHƠI 8 SỐ

22
 18/3 /2 02 2

BÀI TOÁN: TRÒ CHƠI 8 SỐ

BÀI TOÁN: TRÒ CHƠI 8 SỐ

23
 18/3 /2 02 2

BÀI TOÁN: TRÒ CHƠI 8 SỐ

BÀI TOÁN: TRÒ CHƠI 8 SỐ

24
 18/3 /2 02 2

BÀI TOÁN: TRÒ CHƠI 8 SỐ

RUN

CHƯƠNG 3: TÌM KIẾM THEO

HEURISTIC
BÀI TẬP

1. Cây trò chơi và tìm kiếm trên cây trò chơi

2. Giải thuật minimax
3. Cắt tỉa alpha-beta

25
50