Читать фрагмент

книга

Эволюционные нейросети на языке Python

Эта книга дает всестороннее представление о нейроэволюции – подходе к обучению искусственных нейронных сетей, который использует эволюционные алгоритмы, чтобы упростить процесс решения сложных задач в таких областях, как игры, робототехника и моделирование естественных процессов.Читатель начнет знакомство с ключевыми концепциями и методами нейроэволюции, написав несложный код на языке Python, а затем получит практический опыт работы с популярными библиотеками Python и научится решать распространенные и нестандартные прикладные задачи, используя алгоритмы на основе нейроэволюции. Речь пойдет о том, как адаптировать методы нейроэволюции к существующим проектам нейронных сетей для повышения эффективности обучения и принятия решений; в завершение будет рассказано о топологиях нейронных сетей и о том, как нейроэволюция позволяет развивать сложную топологию из простейшей базовой структуры.Издание предназначено для специалистов в области машинного обучения и искусственного интеллекта, которые стремятся реализовать алгоритмы нейроэволюции с нуля. Наличие базовых знаний в области глубокого обучения и нейронных сетей, а также программирования на языке Python обязательно.

Форматы: PDF

Издательство: ДМК Пресс

Год: 2020

Место издания: Москва

ISBN: 978-5-97060-854-8

Страниц: 310

Артикул: 95189

Возрастная маркировка: 16+

Электронная книга

598 ₽

Купить и скачать

Содержание

Содержание книги "Эволюционные нейросети на языке Python "

Предисловие от издательства

Отзывы и пожелания

Список опечаток

Нарушение авторских прав

Об авторе

О рецензентах

Предисловие от автора

Для кого написана эта книга

О чем эта книга

Как получить максимальную отдачу от этой книги

Скачивание исходного кода примеров

Скачивание цветных иллюстраций

Условные обозначения и соглашения, принятые в книге

ЧАСТЬ I. Основы эволюционных вычислительных алгоритмов и методов нейроэволюции

Глава 1. Обзор методов нейроэволюции

1.1 Эволюционные алгоритмы и нейроэволюционные методы

1.2 Обзор алгоритма NEAT

1.3 NEAT на основе гиперкуба

1.4 HyperNEAT с развиваемым субстратом

1.5 Метод оптимизации поиском новизны

1.6 Заключение

1.7 Дополнительное чтение

Глава 2. Библиотеки Python и настройка среды разработки

2.1 Библиотеки Python для экспериментов с нейроэволюцией

2.2 Настройка среды

2.3 Заключение

ЧАСТЬ II. Применение методов нейроэволюции для решения классических задач информатики

Глава 3. Использование NEAT для оптимизации решения задачи XOR

3.1 Технические требования

3.2 Суть задачи XOR

3.3 Целевая функция для эксперимента XOR

3.4 Настройка гиперпараметров

3.5 Выполнение эксперимента XOR

3.6 Упражнения

3.7 Заключение

Глава 4. Балансировка тележки с обратным маятником

4.1 Технические требования

4.2 Задача балансировки обратного маятника

4.3 Целевая функция для эксперимента по балансировке одиночного маятника

4.4 Эксперимент по балансировке одиночного маятника

4.5 Упражнения

4.6 Задача балансировки двойного маятника

4.7 Целевая функция для эксперимента по балансировке двойного маятника

4.8 Эксперимент по балансировке

4.9 Упражнения

4.10 Заключение

Глава 5. Автономное прохождение лабиринта

5.1 Технические требования

5.2 Задача навигации в лабиринте

5.3 Среда моделирования лабиринта

5.4 Определение целевой функции с использованием показателя приспособленности

5.5 Проведение эксперимента с простой конфигурацией лабиринта

5.6 Упражнения

5.7 Эксперимент со сложной конфигурацией лабиринта

5.8 Упражнения

5.9 Заключение

Глава 6. Метод оптимизации поиском новизны

6.1 Технические требования

6.2 Метод оптимизации поиском новизны

6.3 Основы реализации алгоритма поиска новизны

6.4 Функция приспособленности с оценкой новизны

6.5 Эксперимент с простой конфигурацией лабиринта

6.6 Эксперимент со сложной конфигурацией лабиринта

6.7 Заключение

ЧАСТЬ III. Передовые методы нейроэволюции

Глава 7. Зрительное различение с NEAT на основе гиперкуба

7.1 Технические требования

7.2 Косвенное кодирование нейросетей с CPPN

7.3 Основы эксперимента по зрительному различению

7.4 Подготовка эксперимента по зрительному различению

7.5 Эксперимент по зрительному различению объектов

7.6 Упражнения

7.7 Заключение

Глава 8. Метод ES-HyperNEAT и задача сетчатки

8.1 Технические требования

8.2 Ручное и эволюционное формирование топографии узлов

8.3 Извлечение информации из квадродерева и основы ESHyperNEAT

8.4 Основы задачи модульной сетчатки

8.5 Подготовка эксперимента с модульной сетчаткой

8.6 Эксперимент с модульной сетчаткой

8.7 Упражнения

8.8 Заключение

Глава 9. Коэволюция и метод SAFE

9.1 Технические требования

9.2 Общие стратегии коэволюции

9.3 Метод SAFE

9.4 Модифицированный эксперимент с лабиринтом

9.5 Модифицированный поиск новизны

9.6 Движок модифицированного эксперимента с лабиринтом

9.7 Эксперимент с модифицированным лабиринтом

9.8 Упражнения

9.9 Заключение

Глава 10. Глубокая нейроэволюция

10.1 Технические требования

10.2 Глубокая нейроэволюция для глубокого обучения с подкреплением

10.3 Обучение агента игре Atari Frostbite с использованием глубокой нейроэволюции

10.4 Обучение агента навыкам игры в Frostbite

10.5 Запуск эксперимента с игрой Atari Frostbite

10.6 Визуальный инспектор нейроэволюции

10.7 Упражнения

10.8 Заключение

ЧАСТЬ IV. Обсуждение результатов и заключительные замечания

Глава 11. Лучшие методы, советы и подсказки

11.1 Первичный анализ задачи

11.2 Выбор оптимального метода поисковой оптимизации

11.3 Качественная визуализация

11.4 Настройка гиперпараметров

11.5 Метрики качества модели

11.6 Python, кодирование, советы и рекомендации

11.7 Заключение

Глава 12. Заключительные замечания

12.1 Что вы узнали в этой книге

12.2 Куда двигаться дальше

12.3 Заключение

Предметный указатель

Внимание!
При обнаружении неточностей или ошибок в описании книги "Эволюционные нейросети на языке Python (автор Ярослав Омельяненко)", просим Вас отправить сообщение на почту help@directmedia.ru. Благодарим!