Evolutionary Machine Learning Techniques: Algorithms and Applications

این کتاب تجزیه و تحلیل عمیقی از تکنیک‌های یادگیری ماشینی تکاملی کنونی ارائه می‌کند. بحث در مورد روش‌های بسیار مورد توجه برای طبقه‌بندی، خوشه‌بندی، رگرسیون و پیش‌بینی، شامل تکنیک‌هایی مانند ماشین‌های بردار پشتیبان، ماشین‌های یادگیری افراطی، انتخاب ویژگی‌های تکاملی، شبکه‌های عصبی مصنوعی از جمله شبکه‌های عصبی پیش‌خور، پرسپترون چند لایه، عصبی احتمالی است. شبکه‌ها، شبکه‌های عصبی خودبهینه‌سازی، شبکه‌های تابع پایه شعاعی، شبکه‌های عصبی بازگشتی، شبکه‌های عصبی اسپک، شبکه‌های عصبی فازی، شبکه‌های عصبی مدولار، شبکه‌های عصبی فیزیکی، و شبکه‌های عصبی عمیق.

این کتاب تعاریف ضروری، بررسی ادبیات، و الگوریتم‌های آموزشی برای یادگیری ماشینی با استفاده از تکنیک‌های کلاسیک و مدرن الهام گرفته از طبیعت را ارائه می‌کند. همچنین مزایا و معایب الگوریتم های آموزشی کلاسیک را بررسی می کند. دارای طیفی از الگوریتم های اثبات شده و اخیر الهام گرفته شده از طبیعت است که برای آموزش انواع مختلف شبکه های عصبی مصنوعی، از جمله الگوریتم ژنتیک، بهینه سازی کلونی مورچه ها، بهینه سازی ازدحام ذرات، بهینه ساز گرگ خاکستری، الگوریتم بهینه سازی نهنگ، بهینه ساز شیر مورچه، الگوریتم شعله پروانه، الگوریتم سنجاقک، الگوریتم ازدحام salp، بهینه ساز چند آیه و الگوریتم کسینوس سینوسی. این کتاب همچنین کاربردهای شبکه‌های عصبی مصنوعی بهبود یافته را برای حل مشکلات طبقه‌بندی، خوشه‌بندی، پیش‌بینی و رگرسیون در زمینه‌های مختلف پوشش می‌دهد.

This book provides an in-depth analysis of the current evolutionary machine learning techniques. Discussing the most highly regarded methods for classification, clustering, regression, and prediction, it includes techniques such as support vector machines, extreme learning machines, evolutionary feature selection, artificial neural networks including feed-forward neural networks, multi-layer perceptron, probabilistic neural networks, self-optimizing neural networks, radial basis function networks, recurrent neural networks, spiking neural networks, neuro-fuzzy networks, modular neural networks, physical neural networks, and deep neural networks.

The book provides essential definitions, literature reviews, and the training algorithms for machine learning using classical and modern nature-inspired techniques. It also investigates the pros and cons of classical training algorithms. It features a range of proven and recent nature-inspired algorithms used to train different types of artificial neural networks, including genetic algorithm, ant colony optimization, particle swarm optimization, grey wolf optimizer, whale optimization algorithm, ant lion optimizer, moth flame algorithm, dragonfly algorithm, salp swarm algorithm, multi-verse optimizer, and sine cosine algorithm. The book also covers applications of the improved artificial neural networks to solve classification, clustering, prediction and regression problems in diverse fields.