Ewolucyjne uczenie głębokie: Algorytmy genetyczne i sieci neuronowe

Ocena:   (4,3 na 5)

Ewolucyjne uczenie głębokie: Algorytmy genetyczne i sieci neuronowe (Micheal Lanham)

Opinie czytelników

Podsumowanie:

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.

Zalety:

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.

Wady:

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.

Dodatkowe informacje o książce:

ISBN:9781617299520
Autor:
Wydawca:
Język:angielski
Oprawa:Miękka oprawa
Rok wydania:2023
Liczba stron:350

Zakup:

Obecnie dostępne, na stanie.

Inne książki autora:

Generowanie nowej rzeczywistości: Od autoenkoderów i sieci kontradyktoryjnych do Deepfakes -...
Rozdział 1: Perceptron uczenia głębokiegoCel rozdziału: W...
Generowanie nowej rzeczywistości: Od autoenkoderów i sieci kontradyktoryjnych do Deepfakes - Generating a New Reality: From Autoencoders and Adversarial Networks to Deepfakes
Ewolucyjne uczenie głębokie: Algorytmy genetyczne i sieci neuronowe - Evolutionary Deep Learning:...
Odkryj jedyne w swoim rodzaju strategie sztucznej...
Ewolucyjne uczenie głębokie: Algorytmy genetyczne i sieci neuronowe - Evolutionary Deep Learning: Genetic Algorithms and Neural Networks
Tworzenie gier w rzeczywistości rozszerzonej - Augmented Reality Game Development
Stwórz od podstaw własną grę w rzeczywistości rozszerzonej za pomocą Unity...
Tworzenie gier w rzeczywistości rozszerzonej - Augmented Reality Game Development
Nauka Unity ML - Agenci - Podstawy uczenia maszynowego w Unity - Learn Unity ML - Agents -...
Przekształć gry w środowiska wykorzystujące uczenie...
Nauka Unity ML - Agenci - Podstawy uczenia maszynowego w Unity - Learn Unity ML - Agents - Fundamentals of Unity Machine Learning

Prace autora wydały następujące wydawnictwa:

© Book1 Group - wszelkie prawa zastrzeżone.
Zawartość tej strony nie może być kopiowana ani wykorzystywana w całości lub w części bez pisemnej zgody właściciela.
Ostatnia aktualizacja: 2024.11.13 21:45 (GMT)