Bewertung:
Das Buch bietet eine neue Erkundung der evolutionären Techniken des Deep Learning und bietet praktische Beispiele und interaktive Colab-Notebooks. Es leidet jedoch unter einigen üblichen Mängeln, die in der Softwareentwicklungsliteratur zu finden sind, einschließlich Problemen mit Codebeispielen und Klarheit.
Vorteile:⬤ Neue Einblicke in maschinelles Lernen mit evolutionären Strategien
⬤ praktische Beispiele
⬤ interaktive Colab-Notebooks für praktisches Lernen
⬤ gut geschrieben und strukturiert
⬤ vorteilhaft für Datenwissenschaftler mit Erfahrung in Python.
⬤ Ungenauer Titel, da er mehr neuronale Netze suggeriert, als abgedeckt werden
⬤ Codebeispiele laufen oft nicht aufgrund von Bibliotheksänderungen
⬤ Diskrepanzen in den Ergebnissen
⬤ gelegentlich schlampige Codierungspraktiken
⬤ potenzielle GPU-Zugriffsprobleme auf Colab
⬤ Verwirrung darüber, welche Version des Codes ausgeführt werden soll.
(basierend auf 2 Leserbewertungen)
Evolutionary Deep Learning: Genetic Algorithms and Neural Networks
Entdecken Sie einzigartige KI-Strategien, die Sie außerhalb akademischer Arbeiten noch nie gesehen haben! Lernen Sie, wie die Prinzipien der evolutionären Berechnung die üblichen Fallstricke des Deep Learning überwinden und anpassungsfähige Modell-Upgrades ohne ständige manuelle Anpassung liefern.
In Evolutionary Deep Learning lernen Sie, wie man:
⬤ Komplexe Design- und Analyseprobleme mit evolutionärer Berechnung zu lösen.
⬤ Deep Learning-Hyperparameter mit evolutionärer Berechnung (EC), genetischen Algorithmen und Partikelschwarmoptimierung abstimmen.
⬤ Unüberwachtes Lernen mit einem Deep Learning Autoencoder zur Regeneration von Beispieldaten.
⬤ Verstehen der Grundlagen des Reinforcement Learning und der Q-Learning-Gleichung.
⬤ Q-Learning auf Deep Learning anwenden, um Deep Reinforcement Learning zu erzeugen.
⬤ Optimierung der Verlustfunktion und der Netzwerkarchitektur von unüberwachten Autoencodern.
⬤ Erstellen Sie einen evolutionären Agenten, der ein OpenAI Gym-Spiel spielen kann.
Evolutionary Deep Learning ist ein Leitfaden zur Verbesserung Ihrer Deep-Learning-Modelle mit AutoML-Erweiterungen, die auf den Prinzipien der biologischen Evolution basieren. Dieser aufregende neue Ansatz nutzt weniger bekannte KI-Ansätze, um die Leistung zu steigern, ohne dass Sie stundenlang Daten annotieren oder die Hyperparameter des Modells anpassen müssen. In diesem einzigartigen Leitfaden finden Sie Tools zur Optimierung von der Datenerfassung bis hin zur Netzwerkarchitektur.
Der Kauf des gedruckten Buches beinhaltet ein kostenloses eBook im PDF-, Kindle- und ePub-Format von Manning Publications.
Über die Technologie
In diesem unglaublichen Buch trifft Deep Learning auf Evolutionsbiologie. Entdecken Sie, wie von der Biologie inspirierte Algorithmen und Intuitionen die Leistung neuronaler Netze zur Lösung kniffliger Such-, Optimierungs- und Steuerungsprobleme verstärken. Relevante, praktische und hochinteressante Beispiele zeigen, wie uralte Lehren aus der natürlichen Welt die neuesten Entwicklungen in der Datenwissenschaft prägen.
Über das Buch
Evolutionary Deep Learning führt in die evolutionäre Berechnung (EC) ein und gibt Ihnen einen Werkzeugkasten von Techniken an die Hand, die Sie in der gesamten Deep-Learning-Pipeline anwenden können. Entdecken Sie genetische Algorithmen und EC-Ansätze für Netzwerktopologie, generative Modellierung, Verstärkungslernen und mehr! Interaktive Colab-Notizbücher geben Ihnen die Möglichkeit, zu experimentieren und zu erforschen.
Was ist drin?
⬤ Lösen Sie komplexe Design- und Analyseprobleme mit evolutionären Berechnungen.
⬤ Optimieren Sie die Hyperparameter von Deep Learning.
⬤ Wenden Sie Q-Learning auf Deep Learning an, um Deep Reinforcement Learning zu erzeugen.
⬤ Optimieren Sie die Verlustfunktion und die Netzwerkarchitektur von unüberwachten Autocodierern.
⬤ Erstellen eines evolutionären Agenten, der ein OpenAI Gym-Spiel spielen kann.
(Über den Leser)
Für Datenwissenschaftler, die Python beherrschen.
Über den Autor
Micheal Lanham ist ein bewährter Software- und Tech-Innovator mit über 20 Jahren Erfahrung.
Inhaltsverzeichnis
TEIL 1 - ERSTE SCHRITTE.
1 Einführung in evolutionäres Deep Learning.
2 Einführung in das evolutionäre Rechnen.
3 Einführung in genetische Algorithmen mit DEAP.
4 Weitere evolutionäre Berechnungen mit DEAP.
TEIL 2 - OPTIMIERUNG VON DEEP LEARNING.
5 Automatisierte Hyperparameter-Optimierung.
6 Neuroevolution-Optimierung.
7 Evolutionäre Faltungsneuronale Netze.
TEIL 3 - FORTGESCHRITTENE ANWENDUNGEN.
8 Evolvierende Autoencoder.
9 Generatives tiefes Lernen und Evolution.
10 NEAT: NeuroEvolution von Augmentierungs-Topologien.
11 Evolutionäres Lernen mit NEAT.
12 Evolutionäres maschinelles Lernen und darüber hinaus.
| ISBN: | 9781617299520 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2023 |
| Seitenzahl: | 350 |
Derzeit verfügbar, auf Lager.
