Învățarea algoritmilor genetici cu Python: Îmbunătățiți performanța modelelor de Machine Learning și AI cu capacitățile unui algoritm de căutare puternic

Recenzii ale cititorilor

Cartea oferă o introducere cuprinzătoare în algoritmii genetici (GA) folosind Python, potrivită pentru cei care au cunoștințe fundamentale de programare Python. Ea acoperă diverse subiecte, de la concepte de bază la aplicații avansate, oferind explicații clare și exemple practice de cod, deși poate să nu aprofundeze teoria.

⬤ Bine scrisă și ușor de urmărit
⬤ acoperă un spectru larg de GA-uri
⬤ exemple valoroase din lumea reală
⬤ explicații clare
⬤ fragmente bune de cod
⬤ cod descărcabil disponibil
⬤ potrivită pentru cei familiarizați cu Python.

⬤ Nu pentru începători în Python
⬤ poate să nu ofere o tratare teoretică aprofundată
⬤ doar exemple de snippet-uri, lipsind o introducere completă în Python.

(pe baza a 6 recenzii ale cititorilor)

Titlul original:

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

Conținutul cărții:

Alimentați-vă modelele AI și aplicațiile ML cu soluții de optimizare și căutare de înaltă calitate

Caracteristici principale

⬤ Coperire completă privind implementarea practică a algoritmilor genetici.

⬤ Explicații intuitive și vizualizări furnizează concepte teoretice.

⬤ Exemple adăugate și cazuri de utilizare privind performanța algoritmilor genetici.

⬤ Utilizarea bibliotecilor Python și o acoperire de nișă privind optimizarea performanței algoritmilor genetici.

Descriere

Algoritmii genetici sunt una dintre cele mai simple și puternice tehnici utilizate în învățarea mașinilor. Această carte "Learning Genetic Algorithms with Python" ghidează cititorul de la elementele de bază ale algoritmilor genetici până la implementarea sa practică reală în medii de producție.

Fiecare dintre capitole oferă cititorului o înțelegere intuitivă a fiecărui concept. Veți învăța cum să construiți un algoritm genetic de la zero și să-l implementați în probleme din viața reală. Acoperit cu exemple practice ilustrate, veți învăța să proiectați și să alegeți cea mai bună arhitectură de model pentru sarcinile specifice. Exemple de ultimă oră, cum ar fi radarul și declarațiile de probleme ale managerului de fotbal, veți învăța să rezolvați provocările big data cu dimensiuni ridicate cu modalități de optimizare a algoritmilor genetici.

Ce veți învăța

⬤ Înțelegeți mecanismul algoritmilor genetici utilizând biblioteci python populare.

⬤ Învățați principiile și arhitectura algoritmilor genetici.

⬤ Aplicați și rezolvați probleme de planificare, programare și analiză în aplicații pentru întreprinderi.

⬤  Învățarea expertă pe concepte primare precum Selecția, Mutația și Crossover.

Pentru cine este această carte?

Cartea este destinată echipei Data Science, echipei Analytics, inginerilor AI, profesioniștilor ML care doresc să integreze algoritmii genetici pentru a-și alimenta aplicațiile ML și AI. Nu este necesară o expertiză specială despre învățarea mașinilor, deși se așteaptă o cunoaștere de bază a Python.

Tabla de conținut

1. Introducere.

2. Fluxul Algoritmului Genetic.

3. Selecția.

4. Crossover.

5. Mutația.

6. Eficacitatea.

7. Reglarea parametrilor.

8. Funcția de cutie neagră.

9. Optimizare combinatorie: Codificarea binară a genelor.

10. Optimizare combinatorie: Codificarea ordonată a genelor.

11. Alte probleme comune.

12. Algoritmul genetic adaptiv.

13. Îmbunătățirea performanței.

Despre autor

Ivan Gridin este un matematician, dezvoltator fullstack, om de știință în domeniul datelor și expert în învățarea automată care locuiește în Moscova, Rusia. De-a lungul anilor, a lucrat la sisteme distributive cu încărcare ridicată și a implementat diferite abordări de învățare automată în practică. Unul dintre domeniile-cheie ale cercetării sale este proiectarea și analiza modelelor predictive de serii temporale.

Ivan are competențe matematice fundamentale în teoria probabilităților, teoria proceselor aleatorii, analiza seriilor temporale, învățarea automată, învățarea profundă și optimizarea. De asemenea, are cunoștințe aprofundate și înțelege diverse limbaje de programare precum Java, Python, PHP și MATLAB.

Este un tată iubitor, soț și colecționar de cărți vechi de matematică.

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

Blog links: https: //www.facebook.com/ivan. gridin/.