دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Learning Genetic Algorithms with Python: Empower the performance of Machine Learning and AI models with the capabilities of a powerful search algorithm (English Edition)
دانلود کتاب یادگیری الگوریتم‌های ژنتیک با پایتون: توانمندسازی عملکرد مدل‌های یادگیری ماشین و هوش مصنوعی با قابلیت‌های یک الگوریتم جستجوی قدرتمند (نسخه انگلیسی)
مشخصات کتاب
Learning Genetic Algorithms with Python: Empower the performance of Machine Learning and AI models with the capabilities of a powerful search algorithm (English Edition)
ویرایش:
نویسندگان: Ivan Gridin
سری:
ISBN (شابک) : 8194837758, 9788194837756
ناشر: BPB Publications
سال نشر: 2021
تعداد صفحات: 270
[492]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 10 Mb
قیمت کتاب (تومان) : 53,000
در صورت تبدیل فایل کتاب Learning Genetic Algorithms with Python: Empower the performance of Machine Learning and AI models with the capabilities of a powerful search algorithm (English Edition) 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 الگوریتم‌های ژنتیک با پایتون: توانمندسازی عملکرد مدل‌های یادگیری ماشین و هوش مصنوعی با قابلیت‌های یک الگوریتم جستجوی قدرتمند (نسخه انگلیسی) 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 الگوریتم‌های ژنتیک با پایتون: توانمندسازی عملکرد مدل‌های یادگیری ماشین و هوش مصنوعی با قابلیت‌های یک الگوریتم جستجوی قدرتمند (نسخه انگلیسی)
مدل‌های هوش مصنوعی و برنامه‌های کاربردی ML خود را با
بهینه‌سازی و راه‌حل‌های جستجوی با کیفیت بالا سوخت‌گیری کنید
ویژگی های کلیدی
پوشش کامل در مورد اجرای عملی الگوریتم های ژنتیک.
توضیحات و تجسم های بصری مفاهیم نظری را ارائه می دهند.
اضافه شد مثال‌ها و موارد استفاده در مورد عملکرد
الگوریتم‌های ژنتیک.
استفاده از کتابخانه‌های پایتون و پوشش تخصصی در بهینه‌سازی
عملکرد الگوریتم‌های ژنتیک.
توضیح</ b>
الگوریتم‌های ژنتیک یکی از ساده‌ترین و قدرتمندترین تکنیک‌های مورد استفاده در یادگیری ماشین هستند. این کتاب «یادگیری الگوریتم‌های ژنتیک با پایتون» خواننده را از اصول اولیه الگوریتم‌های ژنتیک به اجرای عملی واقعی آن در محیط‌های تولید راهنمایی می‌کند.
هر یک از فصل‌ها درک شهودی از هر مفهوم را به خواننده می‌دهد. شما یاد خواهید گرفت که چگونه یک الگوریتم ژنتیک را از ابتدا بسازید و آن را در مسائل واقعی پیاده سازی کنید. با مثال‌های مصور کاربردی، طراحی و انتخاب بهترین معماری مدل برای کارهای خاص را خواهید آموخت. نمونه های پیشرفته مانند بیانیه های مشکل رادار و مدیر فوتبال، می آموزید که چالش های داده های بزرگ با ابعاد بالا را با روش های بهینه سازی الگوریتم های ژنتیک حل کنید.
آنچه خواهید آموخت
/li>
توضیح</ b>
الگوریتم‌های ژنتیک یکی از ساده‌ترین و قدرتمندترین تکنیک‌های مورد استفاده در یادگیری ماشین هستند. این کتاب «یادگیری الگوریتم‌های ژنتیک با پایتون» خواننده را از اصول اولیه الگوریتم‌های ژنتیک به اجرای عملی واقعی آن در محیط‌های تولید راهنمایی می‌کند.
هر یک از فصل‌ها درک شهودی از هر مفهوم را به خواننده می‌دهد. شما یاد خواهید گرفت که چگونه یک الگوریتم ژنتیک را از ابتدا بسازید و آن را در مسائل واقعی پیاده سازی کنید. با مثال‌های مصور کاربردی، طراحی و انتخاب بهترین معماری مدل برای کارهای خاص را خواهید آموخت. نمونه های پیشرفته مانند بیانیه های مشکل رادار و مدیر فوتبال، می آموزید که چالش های داده های بزرگ با ابعاد بالا را با روش های بهینه سازی الگوریتم های ژنتیک حل کنید.
آنچه خواهید آموخت
/li>
- درک مکانیسم الگوریتم‌های ژنتیک با استفاده از
کتابخانه‌های معروف پایتون مشکلات زمان‌بندی و تجزیه و تحلیل
در برنامه‌های Enterprise.
- یادگیری تخصصی مفاهیم اولیه مانند انتخاب، جهش و
متقاطع.
این کتاب برای چه کسی است< br> این کتاب برای تیم علوم داده، تیم تجزیه و تحلیل، مهندسان هوش مصنوعی، متخصصان ML است که می‌خواهند الگوریتم‌های ژنتیک را برای سوخت‌گیری مجدد برنامه‌های ML و AI خود ادغام کنند. هیچ تخصص خاصی در مورد یادگیری ماشینی لازم نیست، اگرچه دانش اولیه پایتون مورد انتظار است.
فهرست محتوا
1. مقدمه
2. جریان الگوریتم ژنتیک
3. انتخاب
4. متقاطع
5. جهش
6. اثربخشی
7. تنظیم پارامتر
8. عملکرد جعبه سیاه
9. بهینه سازی ترکیبی: رمزگذاری ژن باینری
10. بهینه سازی ترکیبی: رمزگذاری ژن مرتب
11. سایر مشکلات رایج
12. الگوریتم ژنتیک تطبیقی
13. بهبود عملکرد
درباره نویسنده
ایوان گریدین یک ریاضیدان، توسعه دهنده کامل، دانشمند داده و متخصص یادگیری ماشین است که در مسکو، روسیه زندگی می کند. در طول سال‌ها، او روی سیستم‌های پربار توزیعی کار کرد و رویکردهای مختلف یادگیری ماشین را در عمل پیاده‌سازی کرد. یکی از زمینه های کلیدی تحقیق او طراحی و تجزیه و تحلیل مدل های سری زمانی پیش بینی کننده است.
ایوان دارای مهارت های اساسی ریاضی در نظریه احتمال، نظریه فرآیند تصادفی، تجزیه و تحلیل سری های زمانی، یادگیری ماشین، یادگیری عمیق و بهینه سازی است. او همچنین دانش و درک عمیقی از زبان های برنامه نویسی مختلف مانند جاوا، پایتون، پی اچ پی و متلب دارد.
او پدر، همسر و جمع آوری کننده کتاب های قدیمی ریاضی است.
br>نمایه لینکدین: www.linkedin.com/in/survex
پیوندهای وبلاگ: https://www.facebook.com/ivan.gridin/</ li>
توضیحاتی درمورد کتاب به خارجی
Refuel your AI Models and ML applications with High-Quality
Optimization and Search Solutions Key Features
Complete coverage on practical implementation of genetic
algorithms.
Intuitive explanations and visualizations supply
theoretical concepts.
Added examples and use-cases on the performance of genetic
algorithms.
Use of Python libraries and a niche coverage on the
performance optimization of genetic algorithms.
Description
Genetic algorithms are one of the most straightforward and powerful techniques used in machine learning. This book ‘Learning Genetic Algorithms with Python’ guides the reader right from the basics of genetic algorithms to its real practical implementation in production environments.
Each of the chapters gives the reader an intuitive understanding of each concept. You will learn how to build a genetic algorithm from scratch and implement it in real-life problems. Covered with practical illustrated examples, you will learn to design and choose the best model architecture for the particular tasks. Cutting edge examples like radar and football manager problem statements, you will learn to solve high-dimensional big data challenges with ways of optimizing genetic algorithms.
What you will learn
Understand the mechanism of genetic algorithms using
popular python libraries.
Learn the principles and architecture of genetic
algorithms.
Apply and Solve planning, scheduling and analytics problems
in Enterprise applications.
Expert learning on prime concepts like Selection, Mutation
and Crossover.
Who this book is for
The book is for Data Science team, Analytics team, AI Engineers, ML Professionals who want to integrate genetic algorithms to refuel their ML and AI applications. No special expertise about machine learning is required although a basic knowledge of Python is expected.
Table of Contents
1. Introduction
2. Genetic Algorithm Flow
3. Selection
4. Crossover
5. Mutation
6. Effectiveness
7. Parameter Tuning
8. Black-box Function
9. Combinatorial Optimization: Binary Gene Encoding
10. Combinatorial Optimization: Ordered Gene Encoding
11. Other Common Problems
12. Adaptive Genetic Algorithm
13. Improving Performance
About the Author
Ivan Gridin is a mathematician, fullstack developer, data scientist, and machine learning expert living in Moscow, Russia. Over the years, he worked on distributive high-load systems and implemented different machine learning approaches in practice. One of the key areas of his research is design and analysis of predictive time series models.
Ivan has fundamental math skills in probability theory, random process theory, time series analysis, machine learning, deep learning, and optimization. He also has an in-depth knowledge and understanding of various programming languages such as Java, Python, PHP, and MATLAB.
He is a loving father, husband, and collector of old math books.
LinkedIn Profile: www.linkedin.com/in/survex
Blog links: https://www.facebook.com/ivan.gridin/
Description
Genetic algorithms are one of the most straightforward and powerful techniques used in machine learning. This book ‘Learning Genetic Algorithms with Python’ guides the reader right from the basics of genetic algorithms to its real practical implementation in production environments.
Each of the chapters gives the reader an intuitive understanding of each concept. You will learn how to build a genetic algorithm from scratch and implement it in real-life problems. Covered with practical illustrated examples, you will learn to design and choose the best model architecture for the particular tasks. Cutting edge examples like radar and football manager problem statements, you will learn to solve high-dimensional big data challenges with ways of optimizing genetic algorithms.
What you will learn
Who this book is for
The book is for Data Science team, Analytics team, AI Engineers, ML Professionals who want to integrate genetic algorithms to refuel their ML and AI applications. No special expertise about machine learning is required although a basic knowledge of Python is expected.
Table of Contents
1. Introduction
2. Genetic Algorithm Flow
3. Selection
4. Crossover
5. Mutation
6. Effectiveness
7. Parameter Tuning
8. Black-box Function
9. Combinatorial Optimization: Binary Gene Encoding
10. Combinatorial Optimization: Ordered Gene Encoding
11. Other Common Problems
12. Adaptive Genetic Algorithm
13. Improving Performance
About the Author
Ivan Gridin is a mathematician, fullstack developer, data scientist, and machine learning expert living in Moscow, Russia. Over the years, he worked on distributive high-load systems and implemented different machine learning approaches in practice. One of the key areas of his research is design and analysis of predictive time series models.
Ivan has fundamental math skills in probability theory, random process theory, time series analysis, machine learning, deep learning, and optimization. He also has an in-depth knowledge and understanding of various programming languages such as Java, Python, PHP, and MATLAB.
He is a loving father, husband, and collector of old math books.
LinkedIn Profile: www.linkedin.com/in/survex
Blog links: https://www.facebook.com/ivan.gridin/
