Apprendimento profondo evolutivo: Algoritmi genetici e reti neurali

Recensioni dei lettori

Il libro fornisce una nuova esplorazione delle tecniche evolutive nel deep learning, offrendo esempi pratici e quaderni interattivi di Colab. Tuttavia, soffre di alcuni difetti comuni che si trovano nella letteratura sullo sviluppo del software, tra cui problemi di esempi di codice e di chiarezza.

⬤ Nuove intuizioni sull'apprendimento automatico con strategie evolutive
⬤ esempi pratici
⬤ quaderni Colab interattivi per l'apprendimento pratico
⬤ ben scritto e strutturato
⬤ utile per gli scienziati dei dati con esperienza in Python.

⬤ Titolo impreciso in quanto suggerisce un numero di reti neurali superiore a quello trattato
⬤ esempi di codice che spesso non vengono eseguiti a causa di modifiche alla libreria
⬤ discrepanze nei risultati
⬤ occasionali pratiche di codifica approssimative
⬤ potenziali problemi di accesso alla GPU su Colab
⬤ confusione su quale versione del codice eseguire.

(basato su 2 recensioni dei lettori)

Titolo originale:

Evolutionary Deep Learning: Genetic Algorithms and Neural Networks

Contenuto del libro:

Scoprite strategie di IA uniche nel loro genere, mai viste prima al di fuori dei documenti accademici! Imparate come i principi della computazione evolutiva superano le comuni insidie dell'apprendimento profondo e forniscono aggiornamenti del modello adattabili senza continui aggiustamenti manuali.

In Evolutionary Deep Learning imparerete a:

⬤ Risolvere problemi complessi di progettazione e analisi con la computazione evolutiva.

⬤ Tarare gli iperparametri dell'apprendimento profondo con il calcolo evolutivo (EC), gli algoritmi genetici e l'ottimizzazione a sciame di particelle.

⬤ Utilizzare l'apprendimento non supervisionato con un autoencoder di apprendimento profondo per rigenerare i dati del campione.

⬤ Comprendere le basi dell'apprendimento per rinforzo e l'equazione Q-Learning.

⬤ Applicare l'apprendimento Q all'apprendimento profondo per produrre un apprendimento di rinforzo profondo.

⬤ Ottimizzare la funzione di perdita e l'architettura di rete degli autoencoder non supervisionati.

⬤ Creare un agente evolutivo in grado di giocare a un gioco OpenAI Gym.

Evolutionary Deep Learning è una guida per migliorare i modelli di deep learning con miglioramenti AutoML basati sui principi dell'evoluzione biologica. Questo nuovo ed entusiasmante approccio utilizza approcci all'intelligenza artificiale meno conosciuti per incrementare le prestazioni senza ore di annotazione dei dati o di messa a punto degli iperparametri del modello. In questa guida unica nel suo genere, scoprirete gli strumenti per ottimizzare tutto, dalla raccolta dei dati all'architettura della rete.

L'acquisto del libro stampato include un eBook gratuito nei formati PDF, Kindle e ePub di Manning Publications.

Informazioni sulla tecnologia

L'apprendimento profondo incontra la biologia evolutiva in questo incredibile libro. Scoprite come gli algoritmi e le intuizioni ispirate alla biologia amplificano la potenza delle reti neurali per risolvere difficili problemi di ricerca, ottimizzazione e controllo. Esempi pertinenti, pratici ed estremamente interessanti dimostrano come le antiche lezioni del mondo naturale stiano plasmando l'avanguardia della scienza dei dati.

Informazioni sul libro

Evolutionary Deep Learning introduce il calcolo evolutivo (EC) e fornisce una serie di tecniche che possono essere applicate in tutta la pipeline del deep learning. Scoprite gli algoritmi genetici e gli approcci EC alla topologia di rete, alla modellazione generativa, all'apprendimento per rinforzo e altro ancora! I quaderni interattivi di Colab ti danno l'opportunità di sperimentare mentre esplori.

Che cosa c'è dentro?

⬤ Risolvere problemi complessi di progettazione e analisi con il calcolo evolutivo.

⬤ Ottimizzare gli iperparametri dell'apprendimento profondo.

⬤ Applicare il Q-Learning all'apprendimento profondo per produrre un apprendimento di rinforzo profondo.

⬤ Ottimizzare la funzione di perdita e l'architettura di rete degli autoencoder non supervisionati.

⬤ Realizzare un agente evolutivo in grado di giocare a una palestra OpenAI.

Informazioni sul lettore

Per scienziati dei dati che conoscono Python.

Informazioni sull'autore

Micheal Lanham è un esperto innovatore di software e tecnologia con oltre 20 anni di esperienza.

Indice dei contenuti

PARTE 1 - INIZIARE.

1 Introduzione al deep learning evolutivo.

2 Introduzione al calcolo evolutivo.

3 Introduzione agli algoritmi genetici con DEAP.

4 Ancora calcolo evolutivo con DEAP.

PARTE 2 - OTTIMIZZARE IL DEEP LEARNING.

5 Automatizzare l'ottimizzazione degli iperparametri.

6 Ottimizzazione della neuroevoluzione.

7 Reti neurali convoluzionali evolutive.

PARTE 3 - APPLICAZIONI AVANZATE.

8 Autoencoder evolutivi.

9 Deep learning generativo ed evoluzione.

10 NEAT: Neuroevoluzione di Topologie Aumentanti.

11 Apprendimento evolutivo con NEAT.

12 Apprendimento automatico evolutivo e oltre.