مشخصات کتاب

Evolutionary Learning. Advances in Theories and Algorithms

ویرایش:  
نویسندگان: Zhi-Hua Zhou,  Yang Yu,  Chao Qian  
سری:  
ISBN (شابک) : 9789811359552 
ناشر: Springer 
سال نشر: 2019 
تعداد صفحات: 361 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 6 Mb 

در صورت تبدیل فایل کتاب Evolutionary Learning. Advances in Theories and Algorithms به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب یادگیری تکاملی پیشرفت در نظریه ها و الگوریتم ها نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.

توضیحاتی در مورد کتاب یادگیری تکاملی پیشرفت در نظریه ها و الگوریتم ها

بسیاری از وظایف یادگیری ماشین شامل حل مسائل پیچیده بهینه سازی، مانند کار بر روی توابع هدف غیر قابل تمایز، غیر پیوسته و غیر منحصر به فرد است. در برخی موارد ممکن است حتی تعریف یک تابع هدف صریح دشوار باشد. یادگیری تکاملی از الگوریتم‌های تکاملی برای رسیدگی به مشکلات بهینه‌سازی در یادگیری ماشین استفاده می‌کند و نتایج دلگرم‌کننده‌ای را در بسیاری از کاربردها به همراه داشته است. با این حال، به دلیل ماهیت اکتشافی بهینه‌سازی تکاملی، اکثر نتایج تا به امروز تجربی بوده و فاقد پشتیبانی نظری بوده‌اند. این کاستی باعث شده است که یادگیری تکاملی در جامعه یادگیری ماشینی که به نفع رویکردهای نظری محکم است، مورد استقبال قرار نگیرد. اخیرا تلاش های قابل توجهی برای رفع این مشکل صورت گرفته است. این کتاب مجموعه ای از این تلاش ها را ارائه می دهد که در چهار بخش تقسیم شده است. بخش اول به اختصار خوانندگان را با یادگیری تکاملی آشنا می کند و برخی مقدمات را ارائه می دهد، در حالی که بخش دوم ابزارهای نظری کلی را برای تجزیه و تحلیل زمان اجرا و عملکرد تقریبی در الگوریتم های تکاملی ارائه می دهد. بر اساس این ابزارهای کلی، بخش سوم تعدادی از یافته‌های نظری را در مورد عوامل اصلی در بهینه‌سازی تکاملی، مانند بازترکیب، نمایش، ارزیابی تناسب اندام نادرست و جمعیت ارائه می‌کند. در پایان، بخش چهارم به توسعه الگوریتم‌های یادگیری تکاملی با تضمین‌های نظری قابل اثبات برای چندین کار نماینده می‌پردازد، که در آن یادگیری تکاملی عملکرد عالی ارائه می‌دهد.

توضیحاتی درمورد کتاب به خارجی

Many machine learning tasks involve solving complex optimization problems, such as working on non-differentiable, non-continuous, and non-unique objective functions; in some cases it can prove difficult to even define an explicit objective function. Evolutionary learning applies evolutionary algorithms to address optimization problems in machine learning, and has yielded encouraging outcomes in many applications. However, due to the heuristic nature of evolutionary optimization, most outcomes to date have been empirical and lack theoretical support. This shortcoming has kept evolutionary learning from being well received in the machine learning community, which favors solid theoretical approaches. Recently there have been considerable efforts to address this issue. This book presents a range of those efforts, divided into four parts. Part I briefly introduces readers to evolutionary learning and provides some preliminaries, while Part II presents general theoretical tools for the analysis of running time and approximation performance in evolutionary algorithms. Based on these general tools, Part III presents a number of theoretical findings on major factors in evolutionary optimization, such as recombination, representation, inaccurate fitness evaluation, and population. In closing, Part IV addresses the development of evolutionary learning algorithms with provable theoretical guarantees for several representative tasks, in which evolutionary learning offers excellent performance.

نظرات کاربران

کتاب های تصادفی

دانلود کتاب The Politics of Trauma and Memory Activism : Polish-Jewish Relations Today

دانلود کتاب Practical implant dentistry: the science and art

دانلود کتاب Principles of programming languages

دانلود کتاب ITIL 4: Direct, Plan and Improve

دانلود کتاب Introducción al Análisis Complejo con aplicaciones