Aprendizaje profundo evolutivo: Algoritmos genéticos y redes neuronales

Opiniones de los lectores

El libro proporciona una exploración fresca de las técnicas evolutivas en el aprendizaje profundo, ofreciendo ejemplos prácticos y cuadernos Colab interactivos. Sin embargo, adolece de algunos defectos comunes encontrados en la literatura de desarrollo de software, incluyendo problemas con ejemplos de código y claridad.

⬤ Nuevos conocimientos sobre aprendizaje automático con estrategias evolutivas
⬤ ejemplos prácticos
⬤ cuadernos Colab interactivos para un aprendizaje práctico
⬤ bien escrito y estructurado
⬤ beneficioso para científicos de datos con experiencia en Python.

⬤ Título impreciso, ya que sugiere más redes neuronales de las que cubre
⬤ los ejemplos de código a menudo no se ejecutan debido a cambios en la biblioteca
⬤ discrepancias en los resultados
⬤ prácticas de codificación ocasionalmente descuidadas
⬤ posibles problemas de acceso a la GPU en Colab
⬤ confusión sobre qué versión del código ejecutar.

(basado en 2 opiniones de lectores)

Título original:

Evolutionary Deep Learning: Genetic Algorithms and Neural Networks

Contenido del libro:

Descubra estrategias de IA únicas nunca vistas fuera de los artículos académicos. Aprenda cómo los principios de la computación evolutiva superan los escollos comunes del aprendizaje profundo y ofrecen actualizaciones de modelos adaptables sin ajustes manuales constantes.

En Aprendizaje profundo evolutivo aprenderá a:

⬤ Resolver problemas complejos de diseño y análisis con computación evolutiva.

⬤ Ajustar hiperparámetros de aprendizaje profundo con computación evolutiva (EC), algoritmos genéticos y optimización de enjambre de partículas.

⬤ Utilizar el aprendizaje no supervisado con un autoencoder de aprendizaje profundo para regenerar datos de muestra.

⬤ Comprender los fundamentos del aprendizaje por refuerzo y la ecuación Q-Learning.

⬤ Aplicar Q-Learning al aprendizaje profundo para producir aprendizaje de refuerzo profundo.

⬤ Optimizar la función de pérdida y la arquitectura de red de los autocodificadores no supervisados.

⬤ Hacer un agente evolutivo que pueda jugar a un juego de OpenAI Gym.

Aprendizaje profundo evolutivo es una guía para mejorar sus modelos de aprendizaje profundo con mejoras de AutoML basadas en los principios de la evolución biológica. Este nuevo y emocionante enfoque utiliza enfoques de IA menos conocidos para aumentar el rendimiento sin horas de anotación de datos o ajuste de hiperparámetros del modelo. En esta guía única, descubrirá herramientas para optimizar todo, desde la recopilación de datos hasta la arquitectura de la red.

La compra del libro impreso incluye un libro electrónico gratuito en formato PDF, Kindle y ePub de Manning Publications.

Acerca de la tecnología

El aprendizaje profundo se encuentra con la biología evolutiva en este increíble libro. Explore cómo los algoritmos y las intuiciones inspirados en la biología amplifican el poder de las redes neuronales para resolver complicados problemas de búsqueda, optimización y control. Ejemplos relevantes, prácticos y sumamente interesantes demuestran cómo las antiguas lecciones del mundo natural están dando forma a la vanguardia de la ciencia de datos.

Acerca del libro

El aprendizaje profundo evolutivo presenta la computación evolutiva (CE) y le proporciona un conjunto de técnicas que puede aplicar en todo el proceso de aprendizaje profundo. Descubra algoritmos genéticos y enfoques de EC para topología de redes, modelado generativo, aprendizaje por refuerzo y mucho más. Los cuadernos interactivos de Colab le ofrecen la oportunidad de experimentar mientras explora.

Contenido

⬤ Resolver problemas complejos de diseño y análisis con computación evolutiva.

⬤ Ajustar hiperparámetros de aprendizaje profundo.

⬤ Aplicar Q-Learning al aprendizaje profundo para producir aprendizaje profundo de refuerzo.

⬤ Optimizar la función de pérdida y la arquitectura de red de autocodificadores no supervisados.

⬤ Hacer un agente evolutivo que pueda jugar a un juego de OpenAI Gym.

Sobre el lector

Para científicos de datos que sepan Python.

Sobre el autor

Micheal Lanham es un probado innovador de software y tecnología con más de 20 años de experiencia.

Tabla de contenidos

PARTE 1 - PRIMEROS PASOS.

1 Introducción al aprendizaje profundo evolutivo.

2 Introducción a la computación evolutiva.

3 Introducción a los algoritmos genéticos con DEAP.

4 Más computación evolutiva con DEAP.

PARTE 2 - OPTIMIZACIÓN DEL APRENDIZAJE PROFUNDO.

5 Automatización de la optimización de hiperparámetros.

6 Optimización de la neuroevolución.

7 Redes neuronales convolucionales evolutivas.

PARTE 3 - APLICACIONES AVANZADAS.

8 Autocodificadores evolutivos.

9 Aprendizaje profundo generativo y evolución.

10 NEAT: NeuroEvolución de Topologías Aumentadas.

11 Aprendizaje evolutivo con NEAT.

12 Aprendizaje automático evolutivo y más allá.