Nauka algorytmów genetycznych w Pythonie: Zwiększ wydajność uczenia maszynowego i modeli sztucznej inteligencji dzięki możliwościom potężnego algorytmu wyszukiwania

Opinie czytelników

Książka ta stanowi kompleksowe wprowadzenie do algorytmów genetycznych (GA) przy użyciu języka Python, odpowiednie dla osób posiadających podstawową wiedzę na temat programowania w tym języku. Obejmuje różne tematy, od podstawowych koncepcji po zaawansowane aplikacje, oferując jasne wyjaśnienia i praktyczne przykłady kodu, choć nie zagłębia się głęboko w teorię.

⬤ Dobrze napisana i łatwa do śledzenia
⬤ obejmuje szerokie spektrum GA
⬤ cenne przykłady ze świata rzeczywistego
⬤ jasne wyjaśnienia
⬤ dobre fragmenty kodu
⬤ dostępny kod do pobrania
⬤ odpowiednia dla osób zaznajomionych z Pythonem.

⬤ Nie dla początkujących w Pythonie
⬤ może nie zapewniać dogłębnego podejścia teoretycznego
⬤ tylko przykłady snippetów, brakuje kompletnego wprowadzenia do Pythona.

(na podstawie 6 opinii czytelników)

Oryginalny tytuł:

Learning Genetic Algorithms with Python: Empower the performance of Machine Learning and AI models with the capabilities of a powerful search algorith

Zawartość książki:

Zasilanie modeli AI i aplikacji ML wysokiej jakości rozwiązaniami do optymalizacji i wyszukiwania

Kluczowe cechy

⬤ Pełne omówienie praktycznej implementacji algorytmów genetycznych.

⬤ Intuicyjne wyjaśnienia i wizualizacje dostarczają teoretycznych koncepcji.

⬤ Dodane przykłady i przypadki użycia dotyczące wydajności algorytmów genetycznych.

⬤ Wykorzystanie bibliotek Python i niszowe omówienie optymalizacji wydajności algorytmów genetycznych.

Opis

Algorytmy genetyczne są jedną z najprostszych i najpotężniejszych technik stosowanych w uczeniu maszynowym. Książka "Learning Genetic Algorithms with Python" prowadzi czytelnika od podstaw algorytmów genetycznych do ich rzeczywistej praktycznej implementacji w środowiskach produkcyjnych.

Każdy z rozdziałów daje czytelnikowi intuicyjne zrozumienie każdej koncepcji. Dowiesz się, jak zbudować algorytm genetyczny od podstaw i wdrożyć go w rzeczywistych problemach. Na praktycznych, ilustrowanych przykładach nauczysz się projektować i wybierać najlepszą architekturę modelu dla konkretnych zadań. Na przykładach takich jak radar i menedżer piłkarski, nauczysz się rozwiązywać wysokowymiarowe wyzwania związane z dużymi zbiorami danych za pomocą sposobów optymalizacji algorytmów genetycznych.

Czego się nauczysz

⬤ Zrozumienie mechanizmu działania algorytmów genetycznych przy użyciu popularnych bibliotek Pythona.

⬤ Poznanie zasad i architektury algorytmów genetycznych.

⬤ Zastosowanie i rozwiązywanie problemów związanych z planowaniem, harmonogramowaniem i analizą w aplikacjach korporacyjnych.

⬤  Ekspercka nauka podstawowych pojęć, takich jak selekcja, mutacja i krzyżowanie.

Dla kogo jest ta książka

Książka jest przeznaczona dla zespołu Data Science, zespołu analitycznego, inżynierów AI, specjalistów ML, którzy chcą zintegrować algorytmy genetyczne, aby uzupełnić swoje aplikacje ML i AI. Nie jest wymagana żadna specjalistyczna wiedza na temat uczenia maszynowego, choć oczekiwana jest podstawowa znajomość języka Python.

Spis treści

1. Wprowadzenie.

2. Przebieg algorytmu genetycznego.

3. Wybór.

4. Krzyżowanie.

5. Mutacja.

6. Skuteczność.

7. Dostrajanie parametrów.

8. Funkcja czarnej skrzynki.

9. Optymalizacja kombinatoryczna: Binarne kodowanie genów.

10. Optymalizacja kombinatoryczna: Uporządkowane kodowanie genów.

11. Inne typowe problemy.

12. Adaptacyjny algorytm genetyczny.

13. Poprawa wydajności.

O autorze

Ivan Gridin jest matematykiem, programistą fullstack, analitykiem danych i ekspertem w dziedzinie uczenia maszynowego mieszkającym w Moskwie w Rosji. Przez lata pracował nad rozproszonymi systemami wysokiego obciążenia i wdrażał w praktyce różne podejścia do uczenia maszynowego. Jednym z kluczowych obszarów jego badań jest projektowanie i analiza predykcyjnych modeli szeregów czasowych.

Ivan posiada podstawowe umiejętności matematyczne w zakresie teorii prawdopodobieństwa, teorii procesów losowych, analizy szeregów czasowych, uczenia maszynowego, głębokiego uczenia się i optymalizacji. Posiada również dogłębną wiedzę i zrozumienie różnych języków programowania, takich jak Java, Python, PHP i MATLAB.

Jest kochającym ojcem, mężem i kolekcjonerem starych książek matematycznych.

Profil LinkedIn: www.linkedin.com/in/survex.

Linki do bloga: https: //www.facebook.com/ivan. gridin/.