Avis des lecteurs
Résumé:Ce livre propose une nouvelle exploration des techniques évolutionnaires dans le domaine de l'apprentissage profond, avec des exemples pratiques et des carnets de notes interactifs Colab. Cependant, il souffre de certains défauts courants dans la littérature sur le développement de logiciels, notamment en ce qui concerne les exemples de code et la clarté.
Avantages:⬤ De nouvelles perspectives dans l'apprentissage automatique avec des stratégies évolutionnaires
⬤ des exemples pratiques
⬤ des cahiers Colab interactifs pour un apprentissage pratique
⬤ bien écrit et structuré
⬤ bénéfique pour les scientifiques des données expérimentés en Python.
⬤ Titre imprécis car il suggère plus de réseaux neuronaux que ce qui est couvert
⬤ les exemples de code ne s'exécutent souvent pas en raison de changements de bibliothèque
⬤ divergences dans les résultats
⬤ pratiques de codage occasionnelles négligentes
⬤ problèmes potentiels d'accès au GPU sur Colab
⬤ confusion quant à la version du code à exécuter.
(basé sur 2 avis de lecteurs)
Titre original :
Evolutionary Deep Learning: Genetic Algorithms and Neural Networks
Contenu du livre :
Découvrez des stratégies d'IA inédites, jamais vues en dehors des articles académiques ! Apprenez comment les principes de l'informatique évolutive surmontent les pièges courants de l'apprentissage profond et offrent des mises à niveau de modèles adaptables sans ajustement manuel constant.
Dans Evolutionary Deep Learning, vous apprendrez à : ⬤ Résoudre des problèmes de conception et d'analyse complexes.
⬤ Résoudre des problèmes complexes de conception et d'analyse avec le calcul évolutionnaire.
⬤ Régler les hyperparamètres d'apprentissage profond avec le calcul évolutionnaire (EC), les algorithmes génétiques et l'optimisation par essaims de particules.
⬤ Utiliser l'apprentissage non supervisé avec un autoencodeur d'apprentissage profond pour régénérer des échantillons de données.
⬤ Comprendre les bases de l'apprentissage par renforcement et l'équation Q-Learning.
⬤ Appliquer le Q-Learning à l'apprentissage profond pour produire un apprentissage par renforcement profond.
⬤ Optimiser la fonction de perte et l'architecture du réseau des autoencodeurs non supervisés.
⬤ Créer un agent évolutif capable de jouer à un jeu OpenAI Gym.
Evolutionary Deep Learning est un guide pour améliorer vos modèles d'apprentissage profond avec des améliorations AutoML basées sur les principes de l'évolution biologique. Cette nouvelle approche passionnante utilise des approches d'IA moins connues pour améliorer les performances sans passer des heures à annoter les données ou à régler les hyperparamètres du modèle. Dans ce guide unique en son genre, vous découvrirez des outils pour tout optimiser, de la collecte des données à l'architecture de votre réseau.
L'achat du livre imprimé inclut un livre électronique gratuit aux formats PDF, Kindle et ePub de Manning Publications.
À propos de la technologie
L'apprentissage profond rencontre la biologie évolutive dans ce livre incroyable. Découvrez comment les algorithmes et les intuitions inspirés de la biologie amplifient la puissance des réseaux neuronaux pour résoudre des problèmes délicats de recherche, d'optimisation et de contrôle. Des exemples pertinents, pratiques et extrêmement intéressants démontrent comment les anciennes leçons du monde naturel façonnent l'avant-garde de la science des données.
À propos du livre
Evolutionary Deep Learning présente la computation évolutionnaire (EC) et vous offre une boîte à outils de techniques que vous pouvez appliquer tout au long du pipeline d'apprentissage profond. Découvrez les algorithmes génétiques et les approches de l'EC pour la topologie des réseaux, la modélisation générative, l'apprentissage par renforcement, et bien plus encore ! Les carnets de notes interactifs de Colab vous permettent d'expérimenter au fur et à mesure que vous explorez.
Ce qu'il y a à l'intérieur
⬤ Résoudre des problèmes complexes de conception et d'analyse avec le calcul évolutionnaire.
⬤ Régler les hyperparamètres d'apprentissage profond.
⬤ Appliquer le Q-Learning à l'apprentissage profond pour produire un apprentissage par renforcement profond.
⬤ Optimiser la fonction de perte et l'architecture du réseau des autoencodeurs non supervisés.
⬤ Créer un agent évolutif capable de jouer à un jeu OpenAI Gym.
A propos du lecteur
Pour les data scientists qui connaissent Python.
A propos de l'auteur
Micheal Lanham est un innovateur technologique et logiciel qui a fait ses preuves depuis plus de 20 ans.
Table des matières
PARTIE 1 - DÉBUTER.
1 Présentation de l'apprentissage profond évolutionnaire.
2 Présentation du calcul évolutionnaire.
3 Présentation des algorithmes génétiques avec DEAP.
4 Plus de calcul évolutionnaire avec DEAP.
PARTIE 2 - OPTIMISER L'APPRENTISSAGE PROFOND.
5 Automatisation de l'optimisation des hyperparamètres.
6 Optimisation de la neuroévolution.
7 Réseaux neuronaux convolutionnels évolutifs.
PARTIE 3 - APPLICATIONS AVANCÉES.
8 Autoencodeurs évolutifs.
9 Apprentissage génératif profond et évolution.
10 NEAT : NeuroEvolution of Augmenting Topologies (évolution neurologique des topologies d'augmentation).
11 Apprentissage évolutionnaire avec NEAT.
12 L'apprentissage automatique évolutionnaire et au-delà.
Autres informations sur le livre :
| ISBN : | 9781617299520 |
| Auteur : | |
| Éditeur : | |
| Langue : | anglais |
| Reliure : | Broché |
| Année de publication : | 2023 |
| Nombre de pages : | 350 |
Achat:
Actuellement disponible, en stock.
