ویژگیهای کلیدی
یاد بگیرید چگونه الگوریتمهای ژنتیک را با استفاده از کتابخانههای پایتون DEAP، scikit-learn و NumPy پیادهسازی کنید.
از فناوری محاسبات ابری برای افزایش عملکرد راهحلهای خود بهره ببرید.
الگوریتمهای الهام گرفته از زیست مانند بهینهسازی ازدحام ذرات (PSO) و NEAT را کشف کنید.
شرح کتاب
کتاب «الگوریتمهای ژنتیک عملی با پایتون» نوشته ایال ویرسانسکی، دانشمند ارشد داده و محقق هوش مصنوعی با بیش از 25 سال تجربه و سابقه تحقیق در الگوریتمهای ژنتیک و شبکههای عصبی، بینشهای تخصصی و دانش عملی را برای تسلط بر الگوریتمهای ژنتیک ارائه میدهد.
پس از مقدمهای بر الگوریتمهای ژنتیک و اصول عملکرد آنها، متوجه خواهید شد که چگونه آنها با الگوریتمهای سنتی و انواع مسائلی که میتوانند حل کنند، متفاوت هستند و سپس آنها را در وظایف جستجو و بهینهسازی مانند برنامهریزی، زمانبندی، بازی و تجزیه و تحلیل به کار خواهید برد. با پیشرفت، به هوش مصنوعی قابل توضیح خواهید پرداخت و الگوریتمهای ژنتیک را در هوش مصنوعی به کار خواهید گرفت تا مدلهای یادگیری ماشین و یادگیری عمیق را بهبود بخشید، و همچنین به وظایف یادگیری تقویتی و پردازش زبان طبیعی (NLP) بپردازید. این ویرایش دوم بهروزرسانیشده، کاربرد الگوریتمهای ژنتیک در پردازش زبان طبیعی و هوش مصنوعی (XAI) و سرعت بخشیدن به الگوریتمهای ژنتیک با همزمانی و محاسبات ابری را بیشتر شرح میدهد. همچنین با الگوریتم NEAT آشنا خواهید شد. کتاب با یک پروژه بازسازی تصویر و سایر فناوریهای مرتبط برای کاربردهای آینده به پایان میرسد.
در پایان این کتاب، شما تجربه عملی در بهکارگیری الگوریتمهای ژنتیک در زمینههای مختلف، با تأکید بر هوش مصنوعی با پایتون، کسب خواهید کرد.
آنچه خواهید آموخت
استفاده از الگوریتمهای ژنتیک برای حل مسائل برنامهریزی، زمانبندی، بازی و تجزیه و تحلیل
ایجاد برنامههای یادگیری تقویتی، پردازش زبان طبیعی و هوش مصنوعی قابل توضیح
افزایش عملکرد مدلهای یادگیری ماشین و بهینهسازی معماری یادگیری عمیق
استقرار الگوریتمهای ژنتیک با استفاده از معماریهای کلاینت-سرور، افزایش مقیاسپذیری و کارایی محاسباتی
بررسی چگونگی بازسازی تصاویر با استفاده از مجموعهای از اشکال نیمهشفاف
بررسی موضوعاتی مانند نخبهگرایی، جایگذاری و چندگانگی در راهحلهای ژنتیکی برای افزایش استراتژیهای بهینهسازی و تنوع راهحلها
این کتاب برای چه کسانی مناسب است؟
اگر شما یک دانشمند داده، توسعهدهنده نرمافزار، علاقهمند به هوش مصنوعی هستید که میخواهید وارد دنیای الگوریتمهای ژنتیک شوید و آنها را در سریعترین زمان ممکن در برنامههای هوشمند دنیای واقعی به کار ببرید، این کتاب برای شما مناسب است. برای شروع کار با این کتاب، دانش عملی زبان برنامهنویسی پایتون لازم است.
فهرست مطالب
مقدمهای بر الگوریتمهای ژنتیک
درک اجزای کلیدی الگوریتمهای ژنتیک
استفاده از چارچوب DEAP
بهینهسازی ترکیبی
رضایت از محدودیت
بهینهسازی توابع پیوسته
بهبود مدلهای یادگیری ماشین با استفاده از انتخاب ویژگی
تنظیم ابرپارامتر
مدلهای یادگیری ماشین
بهینهسازی معماری شبکههای یادگیری عمیق
یادگیری تقویتی با الگوریتمهای ژنتیک
پردازش زبان طبیعی
هوش مصنوعی قابل توضیح و موارد خلاف واقع
افزایش سرعت الگوریتمهای ژنتیک با همزمانی
بهرهگیری از ابر
بازسازی تصویر ژنتیکی
سایر تکنیکهای محاسباتی تکاملی و الهام گرفته از زیست
