Avis des lecteurs
Résumé:Ce livre propose une introduction complète aux algorithmes génétiques (AG) en utilisant Python, bien adaptée à ceux qui ont une connaissance de base de la programmation Python. Il couvre différents sujets, des concepts de base aux applications avancées, en offrant des explications claires et des exemples de code pratiques, bien qu'il n'approfondisse pas la théorie.
Avantages:⬤ Bien écrit et facile à suivre
⬤ couvre un large éventail d'AG
⬤ des exemples réels précieux
⬤ des explications claires
⬤ de bons extraits de code
⬤ du code téléchargeable disponible
⬤ convient à ceux qui sont familiers avec Python.
⬤ Ne convient pas aux débutants en Python
⬤ peut ne pas fournir un traitement théorique approfondi
⬤ seulement des exemples d'extraits de code, sans une introduction complète à Python.
(basé sur 6 avis de lecteurs)
Titre original :
Learning Genetic Algorithms with Python: Empower the performance of Machine Learning and AI models with the capabilities of a powerful search algorith
Contenu du livre :
Alimentez vos modèles d'IA et vos applications de ML avec des solutions d'optimisation et de recherche de haute qualité.
Caractéristiques principales
⬤ Couverture complète de la mise en œuvre pratique des algorithmes génétiques.
⬤ Des explications et des visualisations intuitives fournissent des concepts théoriques.
⬤ Des exemples et des cas d'utilisation supplémentaires sur la performance des algorithmes génétiques.
⬤ Utilisation de bibliothèques Python et couverture de niche sur l'optimisation des performances des algorithmes génétiques.
Description
Les algorithmes génétiques sont l'une des techniques les plus simples et les plus puissantes utilisées dans l'apprentissage automatique. Ce livre "Learning Genetic Algorithms with Python" guide le lecteur depuis les bases des algorithmes génétiques jusqu'à leur mise en œuvre pratique dans des environnements de production.
Chacun des chapitres donne au lecteur une compréhension intuitive de chaque concept. Vous apprendrez à construire un algorithme génétique à partir de zéro et à l'implémenter dans des problèmes réels. À l'aide d'exemples pratiques illustrés, vous apprendrez à concevoir et à choisir la meilleure architecture de modèle pour des tâches particulières. Avec des exemples de pointe tels que les énoncés de problèmes de radar et de manager de football, vous apprendrez à résoudre des défis de big data à haute dimension avec des moyens d'optimiser les algorithmes génétiques.
Ce que vous apprendrez
⬤ Comprendre le mécanisme des algorithmes génétiques en utilisant des bibliothèques python populaires.
⬤ Apprendre les principes et l'architecture des algorithmes génétiques.
⬤ Appliquer et résoudre les problèmes de planification, d'ordonnancement et d'analyse dans les applications d'entreprise.
⬤ Apprentissage expert sur les concepts principaux tels que la sélection, la mutation et le croisement.
A qui s'adresse ce livre ?
Ce livre s'adresse aux équipes de science des données, aux équipes d'analyse, aux ingénieurs en intelligence artificielle, aux professionnels de l'intelligence artificielle qui souhaitent intégrer les algorithmes génétiques pour enrichir leurs applications d'intelligence artificielle et d'intelligence artificielle. Aucune expertise particulière en matière d'apprentissage automatique n'est requise, bien qu'une connaissance de base de Python soit attendue.
Table des matières
1. Introduction.
2. Flux de l'algorithme génétique.
3. Sélection.
4. Croisement.
5. Mutation.
6. Efficacité.
7. Réglage des paramètres.
8. Fonction de boîte noire.
9. Optimisation combinatoire : Encodage de gènes binaires.
10. Optimisation combinatoire : Encodage de gènes ordonnés.
11. Autres problèmes courants.
12. Algorithme génétique adaptatif.
13. Amélioration des performances.
A propos de l'auteur
Ivan Gridin est un mathématicien, développeur fullstack, data scientist et expert en apprentissage automatique vivant à Moscou, en Russie. Au fil des ans, il a travaillé sur des systèmes distributifs à forte charge et a mis en œuvre différentes approches d'apprentissage automatique dans la pratique. L'un des domaines clés de sa recherche est la conception et l'analyse de modèles prédictifs de séries temporelles.
Ivan possède des compétences mathématiques fondamentales en théorie des probabilités, en théorie des processus aléatoires, en analyse des séries temporelles, en apprentissage automatique, en apprentissage profond et en optimisation. Il a également une connaissance et une compréhension approfondies de divers langages de programmation tels que Java, Python, PHP et MATLAB.
Il est un père aimant, un mari et un collectionneur de vieux livres de mathématiques.
Profil LinkedIn : www.linkedin.com/in/survex.
Liens du blog : https : //www.facebook.com/ivan. gridin/.
Autres informations sur le livre :
| ISBN : | 9788194837756 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Broché |
Achat:
Actuellement disponible, en stock.
