Contents
發現在學術論文之外從未見過的獨一無二的 AI 策略！了解進化計算的原理如何克服深度學習的常見缺陷，並在無需不斷手動調整的情況下提供適應性模型升級。
在”進化深度學習“中，您將學習如何：
- 通過進化計算解決複雜的設計和分析問題
- 使用進化計算 (EC)、遺傳演算法和粒子群優化調整深度學習超參數
- 使用具有深度學習自動編碼器的無監督學習來重新生成樣本資料
- 了解強化學習的基礎知識和 Q Learning 方程
- 將 Q Learning 應用於深度學習以產生深度強化學習
- 優化無監督自編碼器的損失函數和網路架構
- 製作一個可以玩 OpenAI Gym 遊戲的進化代理
“進化深度學習”是使用基於生物進化原理的 AutoML 增強來改進深度學習模型的指南。 這種令人興奮的新方法利用鮮為人知的 AI 方法來提高性能，而無需數小時的資料註釋或模型超參數調整。
關於這個技術
“進化深度學習”將進化計算 (EC) 的生物學模擬實踐與深度學習的神經網路相結合。 這種獨特的方法可以自動化整個 DL 系統並幫助發現新的策略和架構。 它為新的和有抱負的 AI 工程師提供了一套優化工具，可以可靠地提高輸出，而無需無休止地攪動新資料。
關於這本書
這本實用指南可迅速將資料網格付諸實踐。 您將啟動自己的資料網格 MVP，該 MVP 可以在一個月內實
在進化深度學習中，您將掌握一個 EC 技術工具箱，該工具箱可應用於深度學習管道的任何階段——從資料收集到超參數調整，甚至優化網路架構。 動手示例演示了遺傳演算法和其他 EC 方法的實際應用，並將進化深度學習應用於網路拓撲、標準損失和獎勵、生成建模和強化學習。
Google Colab 筆記本讓您可以輕鬆地試驗並玩玩每個令人興奮的示例。 當您完成閱讀時，您將準備好將深度學習模型構建為自給自足的系統，您可以有效地適應不斷變化的需求。
內容包含
目標讀者
適用於了解 Python 的數據科學家
關於作者
Micheal Lanham 是一位久經考驗的軟體和技術創新者，擁有超過 20 年的經驗。 他在遊戲、圖形、Web、桌面、工程、人工智慧、GIS 和機器學習應用程式等領域為各行各業開發了廣泛的軟體應用程式。 在千禧年之交，Micheal 開始在遊戲開發中使用神經網路和進化演算法。
關於 MEAP 搶鮮電子書
一本書可能需要一年或更長的時間才能寫出來，那麼你今天如何學習熱門新技術？ 答案是MEAP，即 Manning Early Access 計劃。 在 MEAP 中，你可以逐次閱讀章節方式閱讀一本書當書還在進行撰寫中，一旦完成，即可獲得最終的電子書。 如果您預訂 pBook，你可以在上架到商店之前用很久。
更詳細的 MEAP 請參考 MEAP 說明
購買書籍去
✍ 不受社群推薦演算法影響，建議 Telegram/Discord/e-mail
發表迴響