Evolučné hlboké učenie: Genetické algoritmy a neurónové siete

Recenzie čitateľov

Kniha prináša nový pohľad na evolučné techniky v hlbokom učení a ponúka praktické príklady a interaktívne zošity Colab. Trpí však niektorými bežnými nedostatkami, ktoré sa vyskytujú v literatúre o vývoji softvéru, vrátane problémov s príkladmi kódu a prehľadnosťou.

⬤ Nový pohľad na strojové učenie s evolučnými stratégiami
⬤ praktické príklady
⬤ interaktívne zošity Colab na praktické učenie
⬤ dobre napísané a štruktúrované
⬤ prínosné pre dátových vedcov so skúsenosťami v jazyku Python.

⬤ Nepresný názov, keďže naznačuje viac neurónových sietí, ako je pokrytých
⬤ príklady kódu sa často nespustia kvôli zmenám v knižnici
⬤ nezrovnalosti vo výsledkoch
⬤ občasné nedbalé postupy pri kódovaní
⬤ potenciálne problémy s prístupom ku GPU v Colabe
⬤ nejasnosti, ktorú verziu kódu spustiť.

(na základe 2 čitateľských recenzií)

Pôvodný názov:

Evolutionary Deep Learning: Genetic Algorithms and Neural Networks

Obsah knihy:

Objavte jedinečné stratégie umelej inteligencie, ktoré ešte nikdy neboli videné mimo akademických prác! Zistite, ako princípy evolučných výpočtov prekonávajú bežné nástrahy hlbokého učenia a prinášajú prispôsobiteľné aktualizácie modelov bez neustáleho manuálneho nastavovania.

V knihe Evolučné hlboké učenie sa dozviete, ako:

⬤ Riešiť zložité problémy návrhu a analýzy pomocou evolučného počítania.

⬤ Vyladiť hyperparametre hlbokého učenia pomocou evolučného výpočtu (EC), genetických algoritmov a optimalizácie pomocou časticového roja.

⬤ Využívajte nekontrolované učenie s autoenkodérom hlbokého učenia na regeneráciu vzorových údajov.

⬤ Pochopiť základy posilňovania učenia a rovnice Q-Learning.

⬤ Použiť Q-Learning na hlboké učenie s cieľom vytvoriť hlboké posilňovacie učenie.

⬤ Optimalizovať stratovú funkciu a architektúru siete autokodérov bez dohľadu.

⬤ Vytvorte evolučného agenta, ktorý dokáže hrať hru OpenAI Gym.

Evolučné hlboké učenie je sprievodca na zlepšenie modelov hlbokého učenia pomocou vylepšení AutoML založených na princípoch biologickej evolúcie. Tento vzrušujúci nový prístup využíva menej známe prístupy umelej inteligencie na zvýšenie výkonu bez hodín anotovania dát alebo ladenia hyperparametrov modelu. V tejto jedinečnej príručke objavíte nástroje na optimalizáciu všetkého od zberu dát až po architektúru siete.

Zakúpenie tlačenej knihy zahŕňa bezplatnú elektronickú knihu vo formátoch PDF, Kindle a ePub od Manning Publications.

O technológii

V tejto neuveriteľnej knihe sa stretáva hlboké učenie s evolučnou biológiou. Preskúmajte, ako algoritmy a intuície inšpirované biológiou zosilňujú silu neurónových sietí na riešenie zložitých problémov vyhľadávania, optimalizácie a riadenia. Relevantné, praktické a mimoriadne zaujímavé príklady ukazujú, ako starodávne poznatky zo sveta prírody formujú špičku dátovej vedy.

O knihe

Evolučné hlboké učenie predstavuje evolučné výpočty (EC) a poskytuje vám súbor techník, ktoré môžete použiť v celom procese hlbokého učenia. Objavte genetické algoritmy a prístupy EC k topológii siete, generatívnemu modelovaniu, posilňovaniu učenia a ďalším! Interaktívne zošity Colab vám poskytnú možnosť experimentovať počas skúmania.

Čo je vnútri

⬤ Riešte zložité problémy návrhu a analýzy pomocou evolučných výpočtov.

⬤ Vylaďte hyperparametre hlbokého učenia.

⬤ Aplikujte Q-Learning na hlboké učenie a vytvorte hlboké posilňovacie učenie.

⬤ Optimalizujte stratovú funkciu a architektúru siete autokodérov bez dohľadu.

⬤ Vytvorte evolučného agenta, ktorý dokáže hrať hru OpenAI Gym.

O čitateľovi

Pre dátových vedcov, ktorí ovládajú Python.

O autorovi

Micheal Lanham je osvedčený softvérový a technologický inovátor s viac ako 20-ročnými skúsenosťami.

Obsah Table of Contents.

ČASŤ 1 - ZAČÍNAME.

1 Predstavenie evolučného hlbokého učenia.

2 Predstavenie evolučného počítania.

3 Predstavenie genetických algoritmov s DEAP.

4 Ďalšie evolučné výpočty s DEAP.

ČASŤ 2 - OPTIMALIZÁCIA HLBOKÉHO UČENIA.

5 Automatizácia optimalizácie hyperparametrov.

6 Neuroevolúcia optimalizácie.

7 Evolučné konvolučné neurónové siete.

ČASŤ 3 - POKROČILÉ APLIKÁCIE.

8 Evolučné autoenkodéry.

9 Generatívne hlboké učenie a evolúcia.

10 NEAT: Neuroevolúcia rozširujúcich topológií.

11 Evolučné učenie pomocou NEAT.

12 Evolučné strojové učenie a ďalšie.