Aprendizaje de Algoritmos Genéticos con Python: Potencie el rendimiento de los modelos de Machine Learning e IA con las capacidades de un potente algoritmo de búsqueda

Opiniones de los lectores

El libro ofrece una introducción completa a los algoritmos genéticos (AG) utilizando Python, muy adecuada para quienes tengan conocimientos básicos de programación en Python. Cubre varios temas, desde conceptos básicos hasta aplicaciones avanzadas, ofreciendo explicaciones claras y ejemplos prácticos de código, aunque no profundiza en la teoría.

⬤ Bien escrito y fácil de seguir
⬤ cubre un amplio espectro de GAs
⬤ valiosos ejemplos del mundo real
⬤ explicaciones claras
⬤ buenos fragmentos de código
⬤ código descargable disponible
⬤ adecuado para aquellos familiarizados con Python.

⬤ No es para principiantes en Python
⬤ puede que no proporcione un tratamiento teórico en profundidad
⬤ sólo ejemplos de fragmentos, careciendo de una introducción completa a Python.

(basado en 6 opiniones de lectores)

Título original:

Learning Genetic Algorithms with Python: Empower the performance of Machine Learning and AI models with the capabilities of a powerful search algorith

Contenido del libro:

Recargue sus modelos de IA y aplicaciones de ML con soluciones de optimización y búsqueda de alta calidad.

Características principales

⬤ Cobertura completa sobre la implementación práctica de algoritmos genéticos.

⬤ Explicaciones intuitivas y visualizaciones de conceptos teóricos.

⬤ Ejemplos añadidos y casos de uso sobre el rendimiento de los algoritmos genéticos.

⬤ Uso de librerías Python y una cobertura de nicho sobre la optimización del rendimiento de los algoritmos genéticos.

Descripción

Los algoritmos genéticos son una de las técnicas más sencillas y potentes utilizadas en el aprendizaje automático. Este libro 'Learning Genetic Algorithms with Python' guía al lector desde los fundamentos de los algoritmos genéticos hasta su implementación práctica real en entornos de producción.

Cada uno de los capítulos proporciona al lector una comprensión intuitiva de cada concepto. Aprenderá a construir un algoritmo genético desde cero y a implementarlo en problemas de la vida real. Cubierto con ejemplos prácticos ilustrados, aprenderá a diseñar y elegir la mejor arquitectura de modelo para las tareas particulares. Con ejemplos de vanguardia como los enunciados de problemas de radar y de mánager de fútbol, aprenderá a resolver retos de big data de alta dimensión con formas de optimizar algoritmos genéticos.

Lo que aprenderá

⬤ Comprender el mecanismo de los algoritmos genéticos utilizando librerías populares de python.

⬤ Aprender los principios y la arquitectura de los algoritmos genéticos.

⬤ Aplicar y resolver problemas de planificación, programación y análisis en aplicaciones empresariales.

⬤ Aprendizaje experto en conceptos primordiales como Selección, Mutación y Cruce.

A quién va dirigido este libro

El libro es para el equipo de ciencia de datos, equipo de análisis, ingenieros de IA, profesionales de ML que desean integrar algoritmos genéticos para repostar sus aplicaciones de ML y AI. No se requieren conocimientos especiales sobre el aprendizaje automático, aunque se espera un conocimiento básico de Python.

Tabla de Contenidos

1. 1. Introducción.

2. Flujo del Algoritmo Genético.

3. Selección.

4. 4. Cruce.

5. 5. Mutación.

6. Efectividad.

7. Ajuste de parámetros.

8. Función de caja negra.

9. Optimización combinatoria: Codificación Genética Binaria.

10. 10. Optimización combinatoria: Codificación ordenada de genes.

11. Otros problemas comunes.

12. Algoritmo Genético Adaptativo.

13. 13. Mejora del rendimiento.

Sobre el autor

Ivan Gridin es un matemático, desarrollador fullstack, científico de datos y experto en aprendizaje automático que vive en Moscú, Rusia. A lo largo de los años, ha trabajado en sistemas distributivos de alta carga y ha aplicado diferentes enfoques de aprendizaje automático en la práctica. Una de las áreas clave de su investigación es el diseño y análisis de modelos predictivos de series temporales.

Ivan tiene conocimientos matemáticos fundamentales en teoría de la probabilidad, teoría de procesos aleatorios, análisis de series temporales, aprendizaje automático, aprendizaje profundo y optimización. También tiene un profundo conocimiento y comprensión de varios lenguajes de programación como Java, Python, PHP y MATLAB.

Es un padre cariñoso, marido y coleccionista de viejos libros de matemáticas.

Perfil en LinkedIn: www.linkedin.com/in/survex.

Enlaces del blog: https: //www.facebook.com/ivan. gridin/.