Schwarmintelligenz und evolutionäres Rechnen: Theorie, Fortschritte und Anwendungen im maschinellen Lernen und Deep Learning

Bewertung:   (3,0 von 5)

Schwarmintelligenz und evolutionäres Rechnen: Theorie, Fortschritte und Anwendungen im maschinellen Lernen und Deep Learning (Georgios Kouziokas)

Leserbewertungen

Derzeit gibt es keine Leserbewertungen. Die Bewertung basiert auf 2 Stimmen.

Originaltitel:

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

Inhalt des Buches:

Ziel dieses Buches ist es, theoretische Fortschritte und neue praktische Anwendungen von Schwarm- und Evolutionsintelligenz vorzustellen und zu analysieren. Es besteht aus zehn Kapiteln.

Kapitel 1 bietet eine theoretische Einführung in die rechnergestützten Optimierungstechniken, die sich auf gradientenbasierte Methoden wie den steilsten Abstieg, den konjugierten Gradienten, Newton- und Quasi-Newton-Methoden sowie auf nicht-gradientenbasierte Methoden wie genetische Algorithmen und Schwarmintelligenz-Algorithmen beziehen. In Kapitel 2 werden evolutionäre Berechnungsmethoden und genetische Algorithmen behandelt. Die Theorie der Schwarmintelligenz und der Algorithmus der Partikelschwarmoptimierung werden in Kapitel 3 behandelt.

Außerdem werden verschiedene Varianten des Partikelschwarm-Optimierungsalgorithmus analysiert und erläutert, wie z.

B. der geometrische PSO und der auf Quantenmechanik basierende PSO-Algorithmus.

Kapitel 4 befasst sich mit zwei wesentlichen bio-inspirierten Kolonie-Algorithmen: Ameisenkolonieoptimierung (ACO) und Künstliche Bienenkolonie (ABC). In Kapitel 5 werden die Algorithmen Kuckuckssuche und Fledermausschwarm vorgestellt und analysiert. In Kapitel 6 werden verschiedene andere metaheuristische Algorithmen besprochen, wie z.B.: Firefly-Algorithmus (FA), Harmoniesuche (HS), Katzenschwarmoptimierung (CSO).

Die neuesten bioinspirierten Schwarmalgorithmen werden in Kapitel 7 behandelt, wie z.B.: Grey Wolf Optimization (GWO) Algorithmus, Whale Optimization Algorithm (WOA), Grasshopper Optimization Algorithm (GOA). In Kapitel 8 werden Optimierungsanwendungen des maschinellen Lernens wie die Optimierung künstlicher neuronaler Netze vorgestellt. In Kapitel 9 wird eine Anwendung der Schwarmintelligenz in tiefen LSTM-Netzen (Long Short Memory) diskutiert.

In Kapitel 10 wird eine anschauliche Anwendung der Schwarmintelligenz bei der Klassifizierung von Deep CNN-Satellitenbildern für die Fernerkundung der Umwelt vorgestellt. Ziel des Buches ist es, Wissen über die Anwendung verbesserter Optimierungstechniken bei verschiedenen Problemen der Computertechnik und der künstlichen Intelligenz zu vermitteln.

Weitere Daten des Buches:

ISBN:9781032162508
Autor:
Verlag:
Sprache:Englisch
Einband:Hardcover
Erscheinungsjahr:2023
Seitenzahl:204

Kauf:

Derzeit verfügbar, auf Lager.

Ich kaufe es!

Weitere Bücher des Autors:

Schwarmintelligenz und evolutionäres Rechnen: Theorie, Fortschritte und Anwendungen im maschinellen...
Ziel dieses Buches ist es, theoretische...
Schwarmintelligenz und evolutionäres Rechnen: Theorie, Fortschritte und Anwendungen im maschinellen Lernen und Deep Learning - Swarm Intelligence and Evolutionary Computation: Theory, Advances and Applications in Machine Learning and Deep Learning

Die Werke des Autors wurden von folgenden Verlagen veröffentlicht:

© Book1 Group - Alle Rechte vorbehalten.
Der Inhalt dieser Seite darf weder teilweise noch vollständig ohne schriftliche Genehmigung des Eigentümers kopiert oder verwendet werden.
Letzte Änderung: 2024.11.13 22:11 (GMT)