Algoritmi genetici pratici con Python

Recensioni dei lettori

Il libro è molto apprezzato per essere un'introduzione completa ma concisa agli algoritmi genetici (GA), particolarmente adatta ai principianti con una conoscenza di base di Python. I lettori ne apprezzano la chiarezza, la linearità e gli esempi pratici, che lo rendono una risorsa eccellente per l'applicazione dei GA alle sfide del mondo reale. Tuttavia, alcuni lettori ritengono che manchino esperienze pratiche di codifica all'inizio del testo e hanno notato problemi di formattazione nella versione Kindle.

⬤ Completo e conciso
⬤ facile da seguire
⬤ ottima introduzione per i neofiti del GA
⬤ spiegazioni chiare di concetti complessi
⬤ esempi pratici che utilizzano il framework DEAP
⬤ forte per le applicazioni pratiche dei progetti
⬤ utili visualizzazioni
⬤ accessibile e ben scritto.

⬤ Mancano esempi pratici di codifica nei primi capitoli
⬤ alcuni frammenti di codice sono fuori contesto e non spiegati in modo esauriente
⬤ problemi di formattazione del Kindle rendono difficile la lettura.

(basato su 12 recensioni dei lettori)

Titolo originale:

Hands-On Genetic Algorithms with Python

Contenuto del libro:

Esplora il mondo in continua crescita degli algoritmi genetici per risolvere compiti di ricerca, ottimizzazione e AI e migliorare i modelli di apprendimento automatico utilizzando librerie Python come DEAP, scikit-learn e NumPy Caratteristiche principali Esplora i dettagli degli algoritmi genetici con questa guida veloce Implementa compiti come la selezione delle caratteristiche, l'ottimizzazione della ricerca e l'analisi dei cluster utilizzando Python Risolvi problemi combinatori, ottimizza le funzioni e migliora le prestazioni delle applicazioni di intelligenza artificiale Descrizione del libro

Gli algoritmi genetici sono una famiglia di algoritmi di ricerca, ottimizzazione e apprendimento ispirati ai principi dell'evoluzione naturale. Imitando il processo evolutivo, gli algoritmi genetici possono superare gli ostacoli incontrati dagli algoritmi di ricerca tradizionali e fornire soluzioni di alta qualità per una varietà di problemi. Questo libro vi aiuterà a familiarizzare con un approccio potente ma semplice all'applicazione degli algoritmi genetici a un'ampia gamma di compiti, utilizzando Python e coprendo gli ultimi sviluppi dell'intelligenza artificiale.

Dopo aver introdotto gli algoritmi genetici e i loro principi di funzionamento, capirete come si differenziano dagli algoritmi tradizionali e quali tipi di problemi possono risolvere. Scoprirete poi come possono essere applicati a problemi di ricerca e ottimizzazione, come la pianificazione, la programmazione, i giochi e l'analisi. Man mano che si avanza, si apprenderà anche come utilizzare gli algoritmi genetici per migliorare i modelli di apprendimento automatico e di deep learning, risolvere compiti di apprendimento per rinforzo ed eseguire la ricostruzione di immagini. Infine, verranno trattate diverse tecnologie correlate che possono aprire nuove possibilità per applicazioni future.

Alla fine di questo libro, avrete un'esperienza pratica di applicazione degli algoritmi genetici nell'intelligenza artificiale e in numerosi altri settori. Cosa imparerete Capirete come utilizzare gli strumenti Python più avanzati per creare applicazioni basate su algoritmi genetici Utilizzare gli algoritmi genetici per ottimizzare funzioni e risolvere problemi di pianificazione e programmazione Migliorare le prestazioni dei modelli di apprendimento automatico e ottimizzare l'architettura delle reti di apprendimento profondo Applicare gli algoritmi genetici a compiti di apprendimento per rinforzo utilizzando OpenAI Gym Esplorare come le immagini possono essere ricostruite utilizzando un insieme di forme semitrasparenti Scoprire altre tecniche bio-ispirate, come la programmazione genetica e l'ottimizzazione dello sciame di particelle A chi è rivolto questo libro

Questo libro si rivolge agli sviluppatori di software, agli scienziati dei dati e agli appassionati di IA che desiderano utilizzare gli algoritmi genetici per svolgere compiti intelligenti nelle loro applicazioni. La conoscenza di Python e le conoscenze di base di matematica e informatica vi aiuteranno a trarre il massimo da questo libro. Indice Introduzione agli algoritmi genetici Comprensione dei componenti chiave degli algoritmi genetici Utilizzo del framework DEAP Ottimizzazione combinatoria Soddisfazione dei vincoli Ottimizzazione di funzioni continue Miglioramento dei modelli di apprendimento automatico mediante la selezione delle caratteristiche Ottimizzazione dei parametri dei modelli di apprendimento automatico Ottimizzazione dell'architettura delle reti di apprendimento profondo Apprendimento rinforzato con algoritmi genetici Ricostruzione di immagini genetiche Altre tecniche di calcolo evolutivo e bioispirato