Swarm Intelligence and Evolutionary Computation: Theory, Advances and Applications in Machine Learning and Deep Learning (Elmélet, előrelépések és alkalmazások a gépi tanulásban és a mélytanulásban)

Olvasói vélemények

Jelenleg nincsenek olvasói vélemények. Az értékelés 2 olvasói szavazat alapján történt.

Eredeti címe:

Swarm Intelligence and Evolutionary Computation: Theory, Advances and Applications in Machine Learning and Deep Learning

Könyv tartalma:

A könyv célja, hogy bemutassa és elemezze a raj- és evolúciós intelligencia elméleti előrelépéseit és új gyakorlati alkalmazásait. Tíz fejezetből áll.

Az 1. fejezet elméleti bevezetést nyújt a számítógépes optimalizálási technikákról a gradiens alapú módszerek, mint például a meredek lejtmenet, a konjugált gradiens, a Newton- és kvázi-Newton-módszerek, valamint a nem gradiens alapú módszerek, mint például a genetikai algoritmus és a rajintelligencia-algoritmusok tekintetében. A 2.

fejezet az evolúciós számítási technikákat és a genetikai algoritmust tárgyalja.

A 3. fejezetben a rajintelligencia elméletét és a részecske raj optimalizációs algoritmust tekintjük át.

A részecskeraj-optimalizálási algoritmus több változatát is elemezzük és magyarázzuk, mint például a geometriai PSO és a kvantummechanika-alapú PSO algoritmus. A 4. fejezet két alapvető kolónia bioinspirált algoritmussal foglalkozik: Hangyatelep-optimalizálás (ACO) és mesterséges méhcsalád (ABC).

Az 5. fejezet bemutatja és elemzi a Kakukk kereső és a Denevérraj algoritmusokat. A 6.

fejezetben számos más metaheurisztikus algoritmust tárgyalunk, mint például: Harmony search (HS), Cat swarm optimization (CSO). A 7.

fejezetben a legújabb bio-ihletett raj algoritmusokat tárgyalja, mint például: Szürke farkas optimalizációs algoritmus (GWO), Bálna optimalizációs algoritmus (WOA), Szöcske optimalizációs algoritmus (GOA). A 8. fejezet a gépi tanulási optimalizálási alkalmazásokat, például a mesterséges neurális hálózatok optimalizálását mutatja be.

A 9.

fejezetben a rajintelligencia alkalmazását tárgyalja a mély hosszú rövid távú memóriájú (LSTM) hálózatokban. A 10. fejezet a rajintelligencia szemléltető alkalmazását mutatja be a környezet távérzékelésével kapcsolatos Deep CNN műholdképek osztályozására.

A könyv célja, hogy ismereteket nyújtson a továbbfejlesztett optimalizálási technikák alkalmazásáról számos számítási és mesterséges intelligenciaproblémában.