Olvasói vélemények
Összegzés:A könyv a mélytanulás evolúciós technikáinak újszerű feltárását nyújtja, gyakorlati példákat és interaktív Colab jegyzetfüzeteket kínál. Szenved azonban néhány, a szoftverfejlesztési szakirodalomban gyakran előforduló hiányosságtól, többek között a kódpéldákkal és az áttekinthetőséggel kapcsolatos problémáktól.
Előnyök:⬤ Új betekintés a gépi tanulásba evolúciós stratégiákkal
⬤ gyakorlati példák
⬤ interaktív Colab notebookok a gyakorlati tanuláshoz
⬤ jól megírt és strukturált
⬤ hasznos a Pythonban jártas adattudósok számára.
Hátrányok:⬤ Pontatlan cím, mivel a tárgyaltnál több neurális hálózatot sugall
⬤ a kódpéldák gyakran nem futnak a könyvtárváltozások miatt
⬤ eltérések az eredményekben
⬤ esetenként hanyag kódolási gyakorlat
⬤ lehetséges GPU-hozzáférési problémák a Colabon
⬤ zavar, hogy a kód melyik verzióját futtassuk.
(2 olvasói vélemény alapján)
Eredeti címe:
Evolutionary Deep Learning: Genetic Algorithms and Neural Networks
Könyv tartalma:
Fedezd fel a tudományos cikkeken kívül még soha nem látott, egyedülálló mesterséges intelligencia stratégiákat! Ismerje meg, hogy az evolúciós számítás elvei hogyan győzik le a mélytanulás gyakori buktatóit, és hogyan biztosítanak alkalmazkodó modellfrissítéseket állandó kézi beállítások nélkül.
Az evolúciós mélytanulásban megtanulhatja, hogyan:
⬤ Evolúciós számítással oldjon meg összetett tervezési és elemzési problémákat.
⬤ A mélytanulás hiperparamétereinek hangolása evolúciós számítással (EC), genetikai algoritmusokkal és részecske raj optimalizálással.
⬤ Felügyelet nélküli tanulás alkalmazása mélytanulási autokódolóval mintaadatok regenerálására.
⬤ A megerősítő tanulás és a Q-tanulás egyenlet alapjainak megértése.
⬤ Alkalmazza a Q-Learninget a mélytanuláshoz a mély megerősítő tanulás előállításához.
⬤ Optimalizálja a veszteségfüggvényt és a felügyelet nélküli autoencoderek hálózati architektúráját.
⬤ Készítsünk egy evolúciós ágenst, amely képes játszani egy OpenAI Gym játékot.
Az evolúciós mélytanulás egy útmutató a mélytanulási modellek javításához a biológiai evolúció elvein alapuló AutoML-fejlesztésekkel. Ez az izgalmas új megközelítés kevésbé ismert mesterséges intelligencia-megközelítéseket használ fel a teljesítmény növelésére, többórás adatjegyzetelés vagy a modell hiperparamétereinek hangolása nélkül. Ebben az egyedülálló útmutatóban olyan eszközöket fedezhet fel, amelyekkel az adatgyűjtéstől a hálózati architektúráig mindent optimalizálhat.
A nyomtatott könyv megvásárlása magában foglalja a Manning Publications ingyenes e-könyvét PDF, Kindle és ePub formátumban.
A technológiáról
A mélytanulás és az evolúciós biológia találkozik ebben a hihetetlen könyvben. Fedezze fel, hogyan erősítik fel a biológia ihlette algoritmusok és intuíciók a neurális hálózatok erejét a trükkös keresési, optimalizálási és vezérlési problémák megoldására. Releváns, gyakorlatias és rendkívül érdekes példák mutatják be, hogyan alakítják a természet ősi tanulságai az adattudomány élvonalát.
A könyvről
Az evolúciós mélytanulás bemutatja az evolúciós számítást (EC), és olyan technikák eszköztárát nyújtja, amelyeket a mélytanulási csővezetékben is alkalmazhat. Fedezze fel a genetikai algoritmusokat és az EC megközelítéseit a hálózati topológiához, a generatív modellezéshez, a megerősítő tanuláshoz és még sok máshoz! Az interaktív Colab jegyzetfüzetek lehetőséget adnak a kísérletezésre a felfedezés során.
Mi van benne?
⬤ Loldjon meg komplex tervezési és elemzési problémákat evolúciós számítással.
⬤ Hangolja a mélytanulás hiperparamétereit.
⬤ Alkalmazza a Q-Learninget a mélytanuláshoz a mély megerősítő tanulás előállításához.
⬤ Optimalizálja a veszteségfüggvényt és a felügyelet nélküli autoencoderek hálózati architektúráját.
⬤ Evolúciós ágens készítése, amely képes játszani egy OpenAI Gym játékot.
Az olvasóról
Python nyelvet ismerő adattudósoknak.
A szerzőről
Micheal Lanham több mint 20 éves tapasztalattal rendelkező, bizonyított szoftver- és technológiai innovátor.
Tartalomjegyzék
1. RÉSZ - A KEZDETEK.
1 Az evolúciós mélytanulás bemutatása.
2 Az evolúciós számítás bemutatása.
3 A genetikus algoritmusok bemutatása a DEAP segítségével.
4 További evolúciós számítás a DEAP-pal.
2. RÉSZ - A MÉLYTANULÁS OPTIMALIZÁLÁSA.
5 A hiperparaméter-optimalizálás automatizálása.
6 Neuroevolúciós optimalizálás.
7 Evolúciós konvolúciós neurális hálózatok.
3. RÉSZ - HALADÓ ALKALMAZÁSOK.
8 Fejlődő autokódolók.
9 Generatív mélytanulás és evolúció.
10 NEAT: A bővülő topológiák neuroevolúciója.
11 Evolúciós tanulás a NEAT segítségével.
12 Evolúciós gépi tanulás és azon túl.
