مشخصات کتاب

Hands-On Neuroevolution with Python: Build high-performing artificial neural network architectures using neuroevolution-based algorithms

دسته بندی: سایبرنتیک: هوش مصنوعی
ویرایش: 1 
نویسندگان: Iaroslav Omelianenko  
سری:  
ISBN (شابک) : 183882491X, 9781838824914 
ناشر: Packt Publishing 
سال نشر: 2019 
تعداد صفحات: 359 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 17 مگابایت 

کلمات کلیدی مربوط به کتاب Neuroevolution دستی با پایتون: ساخت معماری شبکه عصبی مصنوعی با کارایی بالا با استفاده از الگوریتم های مبتنی بر تکامل عصبی: محاسبات تکاملی، شبکه‌های عصبی، پایتون، شبکه‌های عصبی کانولوشن، PyTorch، روش‌های تکامل عصبی

در صورت تبدیل فایل کتاب Hands-On Neuroevolution with Python: Build high-performing artificial neural network architectures using neuroevolution-based 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 Neuroevolution دستی با پایتون: ساخت معماری شبکه عصبی مصنوعی با کارایی بالا با استفاده از الگوریتم های مبتنی بر تکامل عصبی 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 Neuroevolution دستی با پایتون: ساخت معماری شبکه عصبی مصنوعی با کارایی بالا با استفاده از الگوریتم های مبتنی بر تکامل عصبی

افزایش عملکرد معماری شبکه های عصبی مختلف با استفاده از NEAT، HyperNEAT، ES-HyperNEAT، جستجوی جدید، SAFE و تکامل عصبی عمیق ویژگی های کلیدی • پیاده سازی الگوریتم های تکامل عصبی برای بهبود عملکرد معماری شبکه های عصبی • الگوریتم های تکاملی و روش های تکامل عصبی را با مثال های دنیای واقعی درک کنید • مفاهیم اساسی تکامل عصبی و نحوه استفاده از آنها در حوزه هایی از جمله بازی، رباتیک و شبیه سازی را بیاموزید توضیحات کتاب Neuroevolution شکلی از یادگیری هوش مصنوعی است که از الگوریتم‌های تکاملی برای ساده‌سازی فرآیند حل وظایف پیچیده در حوزه‌هایی مانند بازی‌ها، رباتیک و شبیه‌سازی فرآیندهای طبیعی استفاده می‌کند. این کتاب به شما بینش‌های جامعی در مورد مفاهیم اساسی تکامل عصبی می‌دهد و شما را با مهارت‌هایی که برای استفاده از الگوریتم‌های مبتنی بر تکامل عصبی برای حل مسائل عملی و دنیای واقعی نیاز دارید، مجهز می‌کند. با نوشتن کد با پایتون شروع به یادگیری مفاهیم و روش های کلیدی تکامل عصبی خواهید کرد. شما همچنین تجربه عملی با کتابخانه‌های محبوب پایتون خواهید داشت و نمونه‌هایی از یادگیری تقویتی کلاسیک، برنامه‌ریزی مسیر برای عوامل مستقل، و توسعه عواملی برای انجام بازی‌های آتاری به‌طور مستقل را پوشش می‌دهید. در مرحله بعد، حل چالش های رایج و نه چندان رایج در محاسبات طبیعی را با استفاده از الگوریتم های مبتنی بر تکامل عصبی یاد خواهید گرفت. بعداً، نحوه اعمال استراتژی‌های تکامل عصبی را در طرح‌های شبکه عصبی موجود برای بهبود عملکرد آموزش و استنتاج خواهید فهمید. در نهایت، بینش روشنی در مورد توپولوژی شبکه‌های عصبی و اینکه چگونه تکامل عصبی به شما امکان می‌دهد شبکه‌های پیچیده را شروع کنید، به دست خواهید آورد. در پایان این کتاب، شما نه تنها الگوریتم‌های مبتنی بر تکامل عصبی موجود را بررسی خواهید کرد، بلکه مهارت‌هایی را نیز خواهید داشت که برای به کار بردن آنها در تحقیقات و تکالیف کاری خود نیاز دارید. آنچه خواهید آموخت • محبوب ترین الگوریتم های تکامل عصبی را کشف کنید - NEAT، HyperNEAT، و ES-HyperNEAT • نحوه پیاده سازی الگوریتم های مبتنی بر تکامل عصبی در پایتون را بررسی کنید • با ابزارهای تجسم پیشرفته برای بررسی نمودارهای شبکه عصبی تکامل یافته سرعت خود را افزایش دهید • درک چگونگی بررسی نتایج آزمایش ها و تجزیه و تحلیل عملکرد الگوریتم • برای بهبود عملکرد روش های موجود، تکنیک های تکامل عصبی را بررسی کنید • از تکامل عصبی عمیق برای توسعه عواملی برای بازی های آتاری استفاده کنید این کتاب برای چه کسی است این کتاب برای تمرین‌کنندگان یادگیری ماشین، محققان یادگیری عمیق و علاقه‌مندان به هوش مصنوعی است که به دنبال پیاده‌سازی الگوریتم‌های تکامل عصبی از ابتدا هستند. دانش کاری زبان برنامه نویسی پایتون و دانش پایه یادگیری عمیق و شبکه های عصبی الزامی است.

توضیحاتی درمورد کتاب به خارجی

Increase the performance of various neural network architectures using NEAT, HyperNEAT, ES-HyperNEAT, Novelty Search, SAFE, and deep neuroevolution Key Features • Implement neuroevolution algorithms to improve the performance of neural network architectures • Understand evolutionary algorithms and neuroevolution methods with real-world examples • Learn essential neuroevolution concepts and how they are used in domains including games, robotics, and simulations Book Description Neuroevolution is a form of artificial intelligence learning that uses evolutionary algorithms to simplify the process of solving complex tasks in domains such as games, robotics, and the simulation of natural processes. This book will give you comprehensive insights into essential neuroevolution concepts and equip you with the skills you need to apply neuroevolution-based algorithms to solve practical, real-world problems. You'll start with learning the key neuroevolution concepts and methods by writing code with Python. You'll also get hands-on experience with popular Python libraries and cover examples of classical reinforcement learning, path planning for autonomous agents, and developing agents to autonomously play Atari games. Next, you'll learn to solve common and not-so-common challenges in natural computing using neuroevolution-based algorithms. Later, you'll understand how to apply neuroevolution strategies to existing neural network designs to improve training and inference performance. Finally, you'll gain clear insights into the topology of neural networks and how neuroevolution allows you to develop complex networks, starting with simple ones. By the end of this book, you will not only have explored existing neuroevolution-based algorithms, but also have the skills you need to apply them in your research and work assignments. What you will learn • Discover the most popular neuroevolution algorithms – NEAT, HyperNEAT, and ES-HyperNEAT • Explore how to implement neuroevolution-based algorithms in Python • Get up to speed with advanced visualization tools to examine evolved neural network graphs • Understand how to examine the results of experiments and analyze algorithm performance • Delve into neuroevolution techniques to improve the performance of existing methods • Apply deep neuroevolution to develop agents for playing Atari games Who this book is for This book is for machine learning practitioners, deep learning researchers, and AI enthusiasts who are looking to implement neuroevolution algorithms from scratch. Working knowledge of the Python programming language and basic knowledge of deep learning and neural networks are mandatory.

فهرست مطالب

1. Overview of Neuroevolution Methods
2. Python Libraries and Environment Setup
3. Using NEAT for XOR Solver Optimization
4. Pole-Balancing Experiments
5. Autonomous Maze Navigation
6. Novelty Search Optimization Method
7. Hypercube-Based NEAT for Visual Discrimination
8. ES-HyperNEAT and the Retina Problem
9. Co-Evolution and the SAFE Method
10. Deep Neuroevolution
11. Best Practices, Tips, and Tricks
12. Concluding Remarks

نظرات کاربران

کتاب های مرتبط

دانلود کتاب Graphical Models, Exponential Families, and Variational Inference

دانلود کتاب The Visual Organization: Data Visualization, Big Data, and the Quest for Better Decisions

دانلود کتاب Self-Organizing Maps

دانلود کتاب Neural Networks and Statistical Models

دانلود کتاب Foundations of Soft Case-Based Reasoning

دانلود کتاب Intelligent Text Categorization and Clustering

دانلود کتاب Self-Organizin Maps

دانلود کتاب Challenges in natural language processing

دانلود کتاب An Introduction to Language Processing with Perl and Prolog: An Outline of Theories, Implementation, and Application with Special Consideration of English, French, and German

دانلود کتاب Introduction to WordNet: An Online Lexical Database