Învățarea profundă evolutivă: Algoritmi genetici și rețele neuronale

Recenzii ale cititorilor

Cartea oferă o nouă explorare a tehnicilor evolutive în învățarea profundă, oferind exemple practice și notebook-uri Colab interactive. Cu toate acestea, ea suferă de unele defecte comune întâlnite în literatura de dezvoltare software, inclusiv probleme cu exemplele de cod și claritate.

⬤ Noi perspective în machine learning cu strategii evolutive
⬤ exemple practice
⬤ notebook-uri Colab interactive pentru învățare practică
⬤ bine scris și structurat
⬤ benefic pentru cercetătorii de date cu experiență în Python.

⬤ Titlu inexact, deoarece sugerează mai multe rețele neuronale decât cele acoperite
⬤ exemplele de cod deseori nu rulează din cauza modificărilor aduse bibliotecii
⬤ discrepanțe în rezultate
⬤ practici de codare ocazionale neglijente
⬤ potențiale probleme de acces GPU pe Colab
⬤ confuzie cu privire la versiunea de cod care trebuie rulată.

(pe baza a 2 recenzii ale cititorilor)

Titlul original:

Evolutionary Deep Learning: Genetic Algorithms and Neural Networks

Conținutul cărții:

Descoperiți strategii AI unice, nemaivăzute până acum în afara lucrărilor academice! Aflați cum principiile calculului evolutiv depășesc capcanele comune ale învățării profunde și oferă actualizări adaptabile ale modelului fără ajustări manuale constante.

În Evolutionary Deep Learning veți învăța cum să:

⬤ Soluționați probleme complexe de proiectare și analiză cu ajutorul calculului evolutiv.

⬤ Ajustați hiperparametrii învățării profunde cu ajutorul calculului evolutiv (EC), algoritmilor genetici și optimizării prin roiuri de particule.

⬤ Utilizați învățarea nesupravegheată cu un autoencoder de învățare profundă pentru a regenera datele eșantion.

⬤ Înțelegeți elementele de bază ale învățării prin consolidare și ecuația Q-Learning.

⬤ Aplicați Q-Learning la învățarea profundă pentru a obține o învățare profundă de întărire.

⬤ Optimizarea funcției de pierdere și a arhitecturii de rețea a autoencodorilor nesupravegheați.

⬤ Realizarea unui agent evolutiv care poate juca un joc OpenAI Gym.

Învățarea profundă evolutivă este un ghid pentru îmbunătățirea modelelor dvs. de învățare profundă cu îmbunătățiri AutoML bazate pe principiile evoluției biologice. Această nouă abordare interesantă utilizează abordări AI mai puțin cunoscute pentru a crește performanța fără ore de adnotare a datelor sau de reglare a hiperparametrilor modelului. În acest ghid unic, veți descoperi instrumente pentru optimizarea tuturor aspectelor, de la colectarea datelor la arhitectura rețelei.

Achiziționarea cărții tipărite include o carte electronică gratuită în format PDF, Kindle și ePub de la Manning Publications.

Despre tehnologie

Învățarea profundă întâlnește biologia evolutivă în această carte incredibilă. Explorați modul în care algoritmii și intuițiile inspirate de biologie amplifică puterea rețelelor neuronale pentru a rezolva probleme dificile de căutare, optimizare și control. Exemple relevante, practice și extrem de interesante demonstrează modul în care lecțiile străvechi din lumea naturală modelează vârful de lance al științei datelor.

Despre carte

Învățarea profundă evolutivă prezintă calculul evolutiv (EC) și vă oferă un set de instrumente cu tehnici pe care le puteți aplica pe tot parcursul procesului de învățare profundă. Descoperiți algoritmi genetici și abordări EC pentru topologia rețelei, modelarea generativă, învățarea prin consolidare și multe altele! Caietele Colab interactive vă oferă posibilitatea de a experimenta pe măsură ce explorați.

Ce este în interior

⬤ Soluționați probleme complexe de proiectare și analiză cu ajutorul calculului evolutiv.

⬤  Ajustați hiperparametrii învățării profunde.

⬤ Aplicați Q-Learning la învățarea profundă pentru a produce o învățare profundă de întărire.

⬤ Optimizarea funcției de pierdere și a arhitecturii rețelei de autoencodere nesupravegheate.

⬤  Realizarea unui agent evolutiv care poate juca un joc OpenAI Gym.

Despre cititor

Pentru cercetătorii de date care cunosc Python.

Despre autor

Micheal Lanham este un inovator dovedit de software și tehnologie cu peste 20 de ani de experiență.

Tabla de conținut

PARTEA 1 - INIȚIERE.

1 Introducere în învățarea profundă evolutivă.

2 Introducerea calculului evolutiv.

3 Introducerea algoritmilor genetici cu DEAP.

4 Mai mult calcul evolutiv cu DEAP.

PARTEA 2 - OPTIMIZAREA ÎNVĂȚĂRII APROFUNDATE.

5 Automatizarea optimizării hiperparametrilor.

6 Optimizarea neuroevolutivă.

7 Rețele neuronale convoluționale evolutive.

PARTEA 3 - APLICAȚII AVANSATE.

8 Autoencodere evolutive.

9 Învățarea profundă generativă și evoluția.

10 NEAT: NeuroEvoluția topologiilor de augmentare.

11 Învățarea evolutivă cu NEAT.

12 Învățarea automată evolutivă și nu numai.