Recenze čtenářů
Shrnutí:Kniha přináší nový pohled na evoluční techniky v hlubokém učení a nabízí praktické příklady a interaktivní sešity Colab. Trpí však některými běžnými nedostatky, které se vyskytují v literatuře o vývoji softwaru, včetně problémů s příklady kódu a srozumitelností.
Klady:⬤ Nové poznatky o strojovém učení s evolučními strategiemi
⬤ praktické příklady
⬤ interaktivní sešity Colab pro praktické učení
⬤ dobře napsané a strukturované
⬤ přínosné pro datové vědce se zkušenostmi s jazykem Python.
Zápory:⬤ Nepřesný název, protože naznačuje více neuronových sítí, než je zahrnuto
⬤ příklady kódu často neběží kvůli změnám v knihovně
⬤ nesrovnalosti ve výsledcích
⬤ občasné nedbalé postupy kódování
⬤ potenciální problémy s přístupem ke GPU v Colabu
⬤ nejasnosti ohledně toho, kterou verzi kódu spustit.
(na základě 2 hodnocení čtenářů)
Původní název:
Evolutionary Deep Learning: Genetic Algorithms and Neural Networks
Obsah knihy:
Objevte jedinečné strategie umělé inteligence, které dosud nebyly k vidění mimo akademické práce! Zjistěte, jak principy evolučních výpočtů překonávají běžná úskalí hlubokého učení a přinášejí přizpůsobitelné upgrady modelů bez neustálého ručního nastavování.
V knize Evoluční hluboké učení se dozvíte, jak:
⬤ Řešit složité konstrukční a analytické problémy pomocí evolučních výpočtů.
⬤ Vyladit hyperparametry hlubokého učení pomocí evolučního výpočtu (EC), genetických algoritmů a optimalizace pomocí roje částic.
⬤ Používat nekontrolované učení s autoenkodérem hlubokého učení k regeneraci vzorových dat.
⬤ Pochopit základy posilovacího učení a rovnice Q-Learning.
⬤ Použijte Q-Learning na hluboké učení a vytvořte hluboké posilovací učení.
⬤ Optimalizovat ztrátovou funkci a architekturu sítě autokodérů bez dohledu.
⬤ Vytvořte evolučního agenta, který dokáže hrát hru OpenAI Gym.
Evoluční hluboké učení je průvodce vylepšováním modelů hlubokého učení pomocí vylepšení AutoML založených na principech biologické evoluce. Tento nový vzrušující přístup využívá méně známé přístupy umělé inteligence ke zvýšení výkonu bez hodin anotace dat nebo ladění hyperparametrů modelu. V tomto jedinečném průvodci objevíte nástroje pro optimalizaci všeho od sběru dat až po architekturu sítě.
Zakoupení tištěné knihy zahrnuje bezplatnou elektronickou knihu ve formátech PDF, Kindle a ePub od Manning Publications.
O technologii
V této neuvěřitelné knize se setkává hluboké učení s evoluční biologií. Prozkoumejte, jak algoritmy a intuice inspirované biologií zesilují sílu neuronových sítí při řešení složitých problémů vyhledávání, optimalizace a řízení. Relevantní, praktické a nesmírně zajímavé příklady ukazují, jak prastaré poznatky ze světa přírody formují špičku datové vědy.
O knize
Evoluční hluboké učení představuje evoluční výpočet (EC) a poskytuje sadu technik, které můžete použít v celém procesu hlubokého učení. Objevte genetické algoritmy a přístupy EC k topologii sítí, generativnímu modelování, posilování učení a další! Interaktivní sešity Colab vám poskytnou příležitost experimentovat při zkoumání.
Co je uvnitř
⬤ Řešte složité problémy návrhu a analýzy pomocí evolučních výpočtů.
⬤ Vylaďte hyperparametry hlubokého učení.
⬤ Aplikujte Q-Learning na hluboké učení a vytvořte hluboké posilovací učení.
⬤ Optimalizujte ztrátovou funkci a architekturu sítě autokodérů bez dohledu.
⬤ Vytvořte evolučního agenta, který dokáže hrát hru OpenAI Gym.
O čtenáři
Pro datové vědce, kteří ovládají jazyk Python.
O autorovi
Micheal Lanham je osvědčený softwarový a technologický inovátor s více než 20 lety zkušeností.
Obsah
ČÁST 1 - ZAČÍNÁME.
1 Představení evolučního hlubokého učení.
2 Představení evolučního počítání.
3 Představení genetických algoritmů pomocí DEAP.
4 Další evoluční výpočty s DEAP.
ČÁST 2 - OPTIMALIZACE HLUBOKÉHO UČENÍ.
5 Automatizace optimalizace hyperparametrů.
6 Optimalizace pomocí neuroevoluce.
7 Evoluční konvoluční neuronové sítě.
ČÁST 3 - POKROČILÉ APLIKACE.
8 Evoluční autoenkodéry.
9 Generativní hluboké učení a evoluce.
10 NEAT: Neuroevoluce rozšiřujících topologií.
11 Evoluční učení pomocí NEAT.
12 Evoluční strojové učení a další.
