Cantitate/Preț
Produs
Total produse
Vezi coșul
Evolutionary Deep Learning de Micheal Lanham

Evolutionary Deep Learning

Autor Micheal Lanham
en Limba Engleză Paperback – 18 iul 2023

Descoperim în Evolutionary Deep Learning un proiect practic fascinant: utilizarea algoritmilor genetici pentru a optimiza hiperparametrii și topologia unei rețele neuronale, fără intervenție umană constantă. Observăm cum Micheal Lanham propune o schimbare de paradigmă, trecând de la designul manual, laborios, la sisteme care se auto-ajustează folosind principii biologice de selecție și mutație. Ne-a atras atenția modul în care autorul reușește să demistifice concepte complexe precum neuroevoluția, oferind implementări concrete în Python. Această lucrare reprezintă o evoluție firească în opera autorului. Dacă în AI Agents in Action acesta se concentra pe construcția de agenți autonomi capabili să interacționeze cu utilizatorii, iar în Practical AI on the Google Cloud Platform explora infrastructura necesară scalării modelelor, acum Micheal Lanham pătrunde în mecanismele interne de optimizare a modelelor de inteligență artificială. Complementar volumului Handbook of Evolutionary Machine Learning, care oferă o perspectivă academică și enciclopedică asupra domeniului, Evolutionary Deep Learning acoperă zona de implementare tehnică imediată, fiind mult mai ancorat în fluxul de lucru al unui inginer de date modern. Față de Deep Neural Evolution de Hitoshi Iba, care analizează hibridizarea EC și DL la nivel teoretic, lucrarea de față se distinge prin stilul caracteristic editurii Manning Publications, axat pe tutoriale pas cu pas și diagrame arhitecturale clare.

Citește tot Restrânge

Preț: 33310 lei

Preț vechi: 41637 lei
-20%

Puncte Express: 500

Carte disponibilă

Livrare economică 26 septembrie-10 octombrie
Livrare express 12-18 septembrie pentru 12743 lei

Livrare prin curier în România Termenul estimat este afișat lângă disponibilitate.
Transport gratuit de la 40000 lei Plată online sau ramburs, în funcție de opțiunile comenzii.
Retur gratuit în 14 zile Comandă securizată și suport în română.
 Adaugă în coș

Wish list
Gift list
Am citit!
Adaugă în listă

Specificații

ISBN-13: 9781617299520
ISBN-10: 1617299529
Pagini: 360
Dimensiuni: 185 x 231 x 25 mm
Greutate: 0.67 kg
Editura: Manning Publications

De ce să citești această carte

Recomandăm această carte dezvoltatorilor de software și cercetătorilor în AI care doresc să automatizeze procesul de „fine-tuning”. Cititorul câștigă abilitatea de a construi sisteme care își pot găsi singure arhitectura optimă, economisind timp prețios de calcul și efort uman. Este un ghid esențial pentru cei care vor să treacă dincolo de arhitecturile standard de rețele neuronale și să exploreze frontiera sistemelor auto-evolutive.

Despre autor

Micheal Lanham este un expert recunoscut în dezvoltarea de soluții de inteligență artificială, cu o experiență vastă în crearea de agenți inteligenți și implementări cloud. Autor prolific în cadrul Manning Publications, Lanham s-a specializat în transformarea conceptelor avansate de cercetare AI în ghiduri aplicabile pentru profesioniști. Portofoliul său include lucrări despre agenți autonomi LLM și realitate generativă, reflectând un interes constant pentru modul în care AI-ul poate replica sau extinde capacitățile umane în procesarea datelor și luarea deciziilor.

Notă biografică

Micheal Lanham is a proven software and tech innovator with over 20 years of experience. He has developed a broad range of software applications in areas such as games, graphics, web, desktop, engineering, artificial intelligence, GIS, and machine learning applications for a variety of industries. At the turn of the millennium, Micheal began working with neural networks and evolutionary algorithms in game development.

Descriere scurtă

Discover one-of-a-kind AI strategies never before seen outside of academic papers! Learn how the principles of evolutionary computation overcome deep learning’s common pitfalls and deliver adaptable model upgrades without constant manual adjustment.

In Evolutionary Deep Learning you will learn how to:
  • Solve complex design and analysis problems with evolutionary computation
  • Tune deep learning hyperparameters with evolutionary computation (EC), genetic algorithms, and particle swarm optimization
  • Use unsupervised learning with a deep learning autoencoder to regenerate sample data
  • Understand the basics of reinforcement learning and the Q-Learning equation
  • Apply Q-Learning to deep learning to produce deep reinforcement learning
  • Optimize the loss function and network architecture of unsupervised autoencoders
  • Make an evolutionary agent that can play an OpenAI Gym game

Evolutionary Deep Learning is a guide to improving your deep learning models with AutoML enhancements based on the principles of biological evolution. This exciting new approach utilizes lesser-known AI approaches to boost performance without hours of data annotation or model hyperparameter tuning. In this one-of-a-kind guide, you’ll discover tools for optimizing everything from data collection to your network architecture.

About the technology

Deep learning meets evolutionary biology in this incredible book. Explore how biology-inspired algorithms and intuitions amplify the power of neural networks to solve tricky search, optimization, and control problems. Relevant, practical, and extremely interesting examples demonstrate how ancient lessons from the natural world are shaping the cutting edge of data science.

About the book

Evolutionary Deep Learning introduces evolutionary computation (EC) and gives you a toolbox of techniques you can apply throughout the deep learning pipeline. Discover genetic algorithms and EC approaches to network topology, generative modeling, reinforcement learning, and more! Interactive Colab notebooks give you an opportunity to experiment as you explore.

What's inside
  • Solve complex design and analysis problems with evolutionary computation
  • Tune deep learning hyperparameters
  • Apply Q-Learning to deep learning to produce deep reinforcement learning
  • Optimize the loss function and network architecture of unsupervised autoencoders
  • Make an evolutionary agent that can play an OpenAI Gym game

About the reader
For data scientists who know Python.

About the author

Micheal Lanham is a proven software and tech innovator with over 20 years of experience.

Table of Contents

PART 1 - GETTING STARTED
1 Introducing evolutionary deep learning
2 Introducing evolutionary computation
3 Introducing genetic algorithms with DEAP
4 More evolutionary computation with DEAP
PART 2 - OPTIMIZING DEEP LEARNING
5 Automating hyperparameter optimization
6 Neuroevolution optimization
7 Evolutionary convolutional neural networks
PART 3 - ADVANCED APPLICATIONS
8 Evolving autoencoders
9 Generative deep learning and evolution
10 NEAT: NeuroEvolution of Augmenting Topologies
11 Evolutionary learning with NEAT
12 Evolutionary machine learning and beyond