Ewolucyjne uczenie głębokie: Algorytmy genetyczne i sieci neuronowe

Opinie czytelników

Książka zapewnia świeżą eksplorację technik ewolucyjnych w głębokim uczeniu się, oferując praktyczne przykłady i interaktywne notatniki Colab. Cierpi jednak na pewne typowe wady występujące w literaturze dotyczącej rozwoju oprogramowania, w tym kwestie związane z przykładami kodu i przejrzystością.

⬤ Nowe spojrzenie na uczenie maszynowe ze strategiami ewolucyjnymi
⬤ praktyczne przykłady
⬤ interaktywne notatniki Colab do praktycznej nauki
⬤ dobrze napisane i ustrukturyzowane
⬤ korzystne dla naukowców zajmujących się danymi z doświadczeniem w Pythonie.

⬤ Niedokładny tytuł, ponieważ sugeruje więcej sieci neuronowych niż jest to omówione
⬤ przykłady kodu często nie działają z powodu zmian w bibliotece
⬤ rozbieżności w wynikach
⬤ sporadyczne niechlujne praktyki kodowania
⬤ potencjalne problemy z dostępem do GPU w Colab
⬤ zamieszanie dotyczące tego, którą wersję kodu uruchomić.

(na podstawie 2 opinii czytelników)

Oryginalny tytuł:

Evolutionary Deep Learning: Genetic Algorithms and Neural Networks

Zawartość książki:

Odkryj jedyne w swoim rodzaju strategie sztucznej inteligencji, których nigdy wcześniej nie widziano poza artykułami akademickimi! Dowiedz się, jak zasady obliczeń ewolucyjnych przezwyciężają typowe pułapki uczenia głębokiego i zapewniają adaptacyjne aktualizacje modeli bez ciągłego ręcznego dostosowywania.

W Evolutionary Deep Learning dowiesz się, jak:

⬤ Rozwiązywać złożone problemy projektowe i analityczne za pomocą obliczeń ewolucyjnych.

⬤ Dostrajać hiperparametry głębokiego uczenia za pomocą obliczeń ewolucyjnych (EC), algorytmów genetycznych i optymalizacji roju cząstek.

⬤ Wykorzystanie nienadzorowanego uczenia z autoenkoderem głębokiego uczenia do regeneracji przykładowych danych.

⬤ Zrozumienie podstaw uczenia ze wzmocnieniem i równania Q-Learning.

⬤ Zastosowanie równania Q-Learning do głębokiego uczenia się w celu uzyskania głębokiego uczenia się ze wzmocnieniem.

⬤ Optymalizacja funkcji straty i architektury sieci nienadzorowanych autoenkoderów.

⬤ Stworzenie ewolucyjnego agenta, który może grać w grę OpenAI Gym.

Evolutionary Deep Learning to przewodnik po ulepszaniu modeli głębokiego uczenia za pomocą ulepszeń AutoML opartych na zasadach ewolucji biologicznej. To nowe, ekscytujące podejście wykorzystuje mniej znane metody sztucznej inteligencji, aby zwiększyć wydajność bez konieczności wielogodzinnej adnotacji danych lub dostrajania hiperparametrów modelu. W tym jedynym w swoim rodzaju przewodniku odkryjesz narzędzia do optymalizacji wszystkiego, od gromadzenia danych po architekturę sieci.

Zakup książki drukowanej obejmuje bezpłatny eBook w formatach PDF, Kindle i ePub od Manning Publications.

O technologii

W tej niesamowitej książce uczenie głębokie spotyka się z biologią ewolucyjną. Dowiedz się, jak inspirowane biologią algorytmy i intuicje zwiększają moc sieci neuronowych w rozwiązywaniu trudnych problemów związanych z wyszukiwaniem, optymalizacją i kontrolą. Istotne, praktyczne i niezwykle interesujące przykłady pokazują, jak starożytne lekcje ze świata przyrody kształtują najnowocześniejszą naukę o danych.

O książce

Ewolucyjne głębokie uczenie wprowadza obliczenia ewolucyjne (EC) i daje ci zestaw technik, które możesz zastosować w całym potoku głębokiego uczenia. Odkryj algorytmy genetyczne i podejścia EC do topologii sieci, modelowania generatywnego, uczenia ze wzmocnieniem i nie tylko! Interaktywne notatniki Colab dają możliwość eksperymentowania podczas eksploracji.

Co jest w środku

⬤ Rozwiązywanie złożonych problemów projektowych i analitycznych za pomocą obliczeń ewolucyjnych.

⬤ Dostosuj hiperparametry głębokiego uczenia.

⬤ Zastosuj Q-Learning do głębokiego uczenia, aby uzyskać głębokie uczenie ze wzmocnieniem.

⬤ Optymalizacja funkcji straty i architektury sieci nienadzorowanych autoenkoderów.

⬤ Stworzenie ewolucyjnego agenta, który może grać w grę OpenAI Gym.

O czytelniku

Dla naukowców zajmujących się danymi, którzy znają język Python.

O autorze

Micheal Lanham jest sprawdzonym innowatorem oprogramowania i technologii z ponad 20-letnim doświadczeniem.

Spis treści

CZĘŚĆ 1 - ROZPOCZĘCIE.

1 Wprowadzenie do ewolucyjnego uczenia głębokiego.

2 Wprowadzenie do obliczeń ewolucyjnych.

3 Wprowadzenie do algorytmów genetycznych z DEAP.

4 Więcej obliczeń ewolucyjnych z DEAP.

CZĘŚĆ 2 - OPTYMALIZACJA GŁĘBOKIEGO UCZENIA.

5 Automatyzacja optymalizacji hiperparametrów.

6 Optymalizacja neuroewolucyjna.

7 Ewolucyjne konwolucyjne sieci neuronowe.

CZĘŚĆ 3 - ZAAWANSOWANE ZASTOSOWANIA.

8 Ewoluujące autoenkodery.

9 Generatywne uczenie głębokie i ewolucja.

10 NEAT: NeuroEwolucja Topologii Rozszerzających.

11 Ewolucyjne uczenie z NEAT.

12 Ewolucyjne uczenie maszynowe i nie tylko.