Lanham Micheal - Evolutionary Deep Learning: Genetic algorithms and neural networks / Эволюционное глубокое обучение: генетические алгоритмы и нейронные сети [2023, PDF, ENG]

Evolutionary Deep Learning: Genetic algorithms and neural networks / Эволюционное глубокое обучение: генетические алгоритмы и нейронные сети
Год издания: 2023
Автор: Lanham Micheal / Лэнхэм Майкл
Издательство: Manning Publications
ISBN: 9781617299520
Язык: Английский
Формат: PDF
Качество: Издательский макет или текст (eBook)
Интерактивное оглавление: Да
Количество страниц: 362
Описание: Discover one-of-a-kind AI strategies never before seen outside of academic papers! Learn how the principles of evolutionary computation overcome deep learning’s common pitfalls and deliver adaptable model upgrades without constant manual adjustment.
Summary
In Evolutionary Deep Learning you will learn how to:
Solve complex design and analysis problems with evolutionary computation
Tune deep learning hyperparameters with evolutionary computation (EC), genetic algorithms, and particle swarm optimization
Use unsupervised learning with a deep learning autoencoder to regenerate sample data
Understand the basics of reinforcement learning and the Q-Learning equation
Apply Q-Learning to deep learning to produce deep reinforcement learning
Optimize the loss function and network architecture of unsupervised autoencoders
Make an evolutionary agent that can play an OpenAI Gym game
Evolutionary Deep Learning is a guide to improving your deep learning models with AutoML enhancements based on the principles of biological evolution. This exciting new approach utilizes lesser-known AI approaches to boost performance without hours of data annotation or model hyperparameter tuning. In this one-of-a-kind guide, you’ll discover tools for optimizing everything from data collection to your network architecture.
About the technology
Deep learning meets evolutionary biology in this incredible book. Explore how biology-inspired algorithms and intuitions amplify the power of neural networks to solve tricky search, optimization, and control problems. Relevant, practical, and extremely interesting examples demonstrate how ancient lessons from the natural world are shaping the cutting edge of data science.
About the book
Evolutionary Deep Learning introduces evolutionary computation (EC) and gives you a toolbox of techniques you can apply throughout the deep learning pipeline. Discover genetic algorithms and EC approaches to network topology, generative modeling, reinforcement learning, and more! Interactive Colab notebooks give you an opportunity to experiment as you explore.
What's inside
Solve complex design and analysis problems with evolutionary computation
Tune deep learning hyperparameters
Apply Q-Learning to deep learning to produce deep reinforcement learning
Optimize the loss function and network architecture of unsupervised autoencoders
Make an evolutionary agent that can play an OpenAI Gym game
About the reader
For data scientists who know Python.
About the author
Micheal Lanham is a proven software and tech innovator with over 20 years of experience.
Откройте для себя единственные в своем роде стратегии искусственного интеллекта, которые ранее не публиковались за пределами академических работ! Узнайте, как принципы эволюционных вычислений преодолевают распространенные ошибки глубокого обучения и обеспечивают адаптивное обновление модели без постоянной ручной настройки.
Резюме
В процессе эволюционного глубокого обучения вы узнаете, как:
Решать сложные задачи проектирования и анализа с помощью эволюционных вычислений
Настраивать гиперпараметры глубокого обучения с помощью эволюционных вычислений (EC), генетических алгоритмов и оптимизации роя частиц
Использовать неконтролируемое обучение с помощью автокодировщика глубокого обучения для восстановления выборочных данных
Понимать основы обучения с подкреплением и уравнение Q-обучения
Примените Q-обучение к глубокому обучению, чтобы обеспечить глубокое обучение с подкреплением
Оптимизируете функцию потери данных и сетевую архитектуру неконтролируемых автокодировщиков
Создадите эволюционного агента, который сможет играть в игру OpenAI Gym
Эволюционное глубокое обучение - это руководство по улучшению ваших моделей глубокого обучения с помощью усовершенствований AutoML, основанных на принципах биологической эволюции. Этот захватывающий новый подход использует менее известные подходы искусственного интеллекта для повышения производительности без многочасовых аннотаций данных или настройки гиперпараметров модели. В этом единственном в своем роде руководстве вы познакомитесь с инструментами для оптимизации всего - от сбора данных до архитектуры вашей сети.
О технологии
Глубокое обучение встречается с эволюционной биологией в этой невероятной книге. Исследуйте, как алгоритмы и интуиция, основанные на биологии, усиливают возможности нейронных сетей для решения сложных задач поиска, оптимизации и управления. Актуальные, практические и чрезвычайно интересные примеры демонстрируют, как древние уроки из мира природы формируют передовые направления науки о данных.
О книге
Эволюционное глубокое обучение вводит эволюционные вычисления (EC) и предоставляет вам набор инструментов, которые вы можете применять на протяжении всего процесса глубокого обучения. Откройте для себя генетические алгоритмы и EC-подходы к топологии сетей, генеративному моделированию, обучению с подкреплением и многому другому! Интерактивные блокноты Colab дают вам возможность экспериментировать по мере изучения.
Что там внутри
Решайте сложные задачи проектирования и анализа с помощью эволюционных вычислений
Настройка гиперпараметров глубокого обучения
Примените Q-обучение к глубокому обучению, чтобы обеспечить глубокое обучение с подкреплением
Оптимизируйте функцию потери данных и сетевую архитектуру неконтролируемых автокодировщиков
Создайте эволюционного агента, который сможет играть в игру OpenAI Gym
О читателе
Для специалистов по обработке данных, которые знают Python.
Об авторе
Майкл Лэнхэм - проверенный разработчик программного обеспечения и технических новшеств с более чем 20-летним опытом работы.