Apprendere gli algoritmi genetici con Python: Potenziare le prestazioni dei modelli di apprendimento automatico e di intelligenza artificiale con le capacità di un potente algoritmo di ricerca.

Recensioni dei lettori

Il libro fornisce un'introduzione completa agli algoritmi genetici (GA) utilizzando Python, adatta a chi ha una conoscenza di base della programmazione in Python. Copre vari argomenti, dai concetti di base alle applicazioni avanzate, offrendo spiegazioni chiare ed esempi pratici di codice, anche se non approfondisce la teoria.

⬤ Ben scritto e facile da seguire
⬤ copre un ampio spettro di GA
⬤ validi esempi reali
⬤ spiegazioni chiare
⬤ buoni snippet di codice
⬤ codice scaricabile disponibile
⬤ adatto a chi ha familiarità con Python.

⬤ Non adatto ai principianti di Python
⬤ potrebbe non fornire una trattazione teorica approfondita
⬤ solo esempi di snippet, mancando un'introduzione completa a Python.

(basato su 6 recensioni dei lettori)

Titolo originale:

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

Contenuto del libro:

Rifornire i modelli di intelligenza artificiale e le applicazioni di ML con soluzioni di ottimizzazione e ricerca di alta qualità.

Caratteristiche principali

⬤ Copertura completa sull'implementazione pratica degli algoritmi genetici.

⬤ Spiegazioni e visualizzazioni intuitive per fornire concetti teorici.

⬤ Esempi e casi d'uso aggiunti sulle prestazioni degli algoritmi genetici.

⬤ Uso di librerie Python e una copertura di nicchia sull'ottimizzazione delle prestazioni degli algoritmi genetici.

Descrizione

Gli algoritmi genetici sono una delle tecniche più semplici e potenti utilizzate nell'apprendimento automatico. Questo libro "Learning Genetic Algorithms with Python" guida il lettore dalle basi degli algoritmi genetici fino alla loro reale implementazione pratica in ambienti di produzione.

Ogni capitolo fornisce al lettore una comprensione intuitiva di ciascun concetto. Imparerete a costruire un algoritmo genetico da zero e a implementarlo in problemi reali. Grazie a esempi pratici illustrati, imparerete a progettare e a scegliere l'architettura del modello migliore per i compiti specifici. Grazie a esempi all'avanguardia come i problemi del radar e del football manager, imparerete a risolvere le sfide dei big data ad alta dimensionalità con metodi di ottimizzazione degli algoritmi genetici.

Che cosa imparerete?

⬤ Comprendere il meccanismo degli algoritmi genetici utilizzando le più diffuse librerie python.

⬤ Imparare i principi e l'architettura degli algoritmi genetici.

⬤ Applicare e risolvere problemi di pianificazione, programmazione e analisi in applicazioni aziendali.

⬤  Apprendimento esperto di concetti fondamentali come la selezione, la mutazione e il crossover.

A chi è rivolto questo libro

Il libro è rivolto a team di Data Science, team di Analytics, ingegneri AI, professionisti ML che vogliono integrare gli algoritmi genetici per rifornire le loro applicazioni ML e AI. Non sono richieste particolari competenze in materia di apprendimento automatico, anche se è richiesta una conoscenza di base di Python.

Indice dei contenuti

1. Introduzione.

2. Flusso dell'algoritmo genetico.

3. Selezione.

4. Crossover.

5. Mutazione.

6. Efficacia.

7. Messa a punto dei parametri.

8. Funzione black-box.

9. Ottimizzazione combinatoria: Codifica binaria dei geni.

10. Ottimizzazione combinatoria: Codifica ordinata dei geni.

11. Altri problemi comuni.

12. Algoritmo genetico adattivo.

13. Miglioramento delle prestazioni.

Informazioni sull'autore

Ivan Gridin è un matematico, sviluppatore fullstack, scienziato dei dati ed esperto di apprendimento automatico che vive a Mosca, in Russia. Nel corso degli anni ha lavorato su sistemi distributivi ad alto carico e ha implementato nella pratica diversi approcci di apprendimento automatico. Una delle aree chiave della sua ricerca è la progettazione e l'analisi di modelli predittivi di serie temporali.

Ivan possiede competenze matematiche fondamentali in teoria della probabilità, teoria dei processi casuali, analisi delle serie temporali, machine learning, deep learning e ottimizzazione. Ha inoltre una conoscenza approfondita di vari linguaggi di programmazione come Java, Python, PHP e MATLAB.

È un padre, un marito e un collezionista di vecchi libri di matematica.

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

Link al blog: https: //www.facebook.com/ivan. gridin/.