Генетические алгоритмы на Python: применение генетических алгоритмов к решению задач глубокого обучения и искусственного интеллекта

Генетические алгоритмы на Python_переплет Генетические алгоритмы на Python.pdf here Об авторе О рецензенте Предисловие Основы генетических алгоритмов Введение в генетические алгоритмы Что такое генетические алгоритмы? Дарвиновская эволюция Аналогия с генетическими алгоритмами Генотип Популяция Функция приспособленности Отбор Скрещивание Мутация Теоретические основы генетических алгоритмов Теорема о схемах Отличия от традиционных алгоритмов Популяция как основа алгоритма Генетическое представление Функция приспособленности Вероятностное поведение Преимущества генетических алгоритмов Глобальная оптимизация Применимость к сложным задачам Применимость к задачам, не имеющим математического представления Устойчивость к шуму Распараллеливание Непрерывное обучение Ограничения генетических алгоритмов Специальные определения Настройка гиперпараметров Большой объем счетных операций Преждевременная сходимость Отсутствие гарантированного решения Сценарии применения генетических алгоритмов Резюме Для дальнейшего чтения Основные компоненты генетических алгоритмов Базовая структура генетического алгоритма Создание начальной популяции Вычисление приспособленности Применение операторов отбора, скрещивания и мутации Проверка условий остановки Методы отбора Правило рулетки Стохастическая универсальная выборка Ранжированный отбор Масштабирование приспособленности Турнирный отбор Методы скрещивания Одноточечное скрещивание Двухточечное и k-точечное скрещивание Равномерное скрещивание Скрещивание для упорядоченных списков Упорядоченное скрещивание Методы мутации Инвертирование бита Мутация обменом Мутация обращением Мутация перетасовкой Генетические алгоритмы с вещественным кодированием Скрещивание смешением Имитация двоичного скрещивания Вещественная мутация Элитизм Образование ниш и разделение Последовательное и параллельное образование ниш Искусство решения задач с помощью генетических алгоритмов Резюме Для дальнейшего чтения Решение задач с по­мощью генетических алгоритмов Каркас DEAP Технические требования Введение в DEAP Использование модуля creator Создание класса Fitness Определение стратегии приспособления Хранение значения приспособленности Создание класса Individual Использование класса Toolbox Создание генетических операторов Создание популяции Вычисление приспособленности Задача OneMax Решение задачи OneMax с помощью DEAP Выбор хромосомы Вычисление приспособленности Выбор генетических операторов Задание условия остановки Реализация средствами DEAP Подготовка Эволюция решения Выполнение программы Использование встроенных алгоритмов Объект Statistics Алгоритм Объект logbook Выполнение программы Зал славы Эксперименты с параметрами алгоритма Размер популяции и количество поколений Оператор скрещивания Оператор мутации Оператор отбора Размер турнира и его связь с вероятностью мутации Отбор по правилу рулетки Резюме Для дальнейшего чтения Комбинаторная оптимизация Технические требования Поисковые задачи и комбинаторная оптимизация Решение задачи о рюкзаке Задача о рюкзаке 0-1 с сайта Rosetta Code Представление решения Представление задачи на Python Решение с помощью генетического алгоритма Решение задачи коммивояжера Файлы эталонных данных TSPLIB Представление решения Представление задачи на Python Решение с помощью генетического алгоритма Улучшение результатов благодаря дополнительному исследованию и элитизму Решение задачи о маршрутизации транспорта Представление решения Представление задачи на Python Решение с помощью генетического алгоритма Резюме Для дальнейшего чтения Задачи с ограничениями Технические требования Соблюдение ограничений в поисковых задачах Решение задачи об N ферзях Представление решения Представление задачи на Python Решение с помощью генетического алгоритма Решение задачи о составлении графика дежурств медсестер Представление решения Жесткие и мягкие ограничения Представление задачи на Python Решение на основе генетического алгоритма Решение задачи о раскраске графа Представление решения Жесткие и мягкие ограничения в задаче о раскраске графа Представление задачи на Python Решение с помощью генетического алгоритма Резюме Для дальнейшего чтения Оптимизация непрерывных функций Технические требования Хромосомы и генетические операторы для задач с вещественными числами Использование DEAP совместно с непрерывными функциями Оптимизация функции Eggholder Оптимизация функции Eggholder с помощью генетического алгоритма Повышение скорости сходимости посредством увеличения частоты мутаций Оптимизация функции Химмельблау Оптимизация функции Химмельблау с помощью генетического алгоритма Использование ниш и разделения для отыскания нескольких решений Функция Симионеску и условная оптимизация Условная оптимизация с помощью генетического алгоритма Оптимизация функции Симионеску с помощью генетического алгоритма Использование ограничений для нахождения нескольких решений Резюме Для дальнейшего чтения Приложения генетических алгоритмов в искусственном интеллекте Дополнение моделей машинного обучения методами выделения признаков Технические требования Машинное обучение с учителем Классификация Регрессия Алгоритмы обучения с учителем Выделение признаков в обучении с учителем Выделение признаков для задачи регрессии Фридмана-1 Представление решения Представление решения на Python Решение с помощью генетического алгоритма Выделение признаков для классификации набора данных Zoo Представление задачи на Python Решение с помощью генетического алгоритма Резюме Для дальнейшего чтения Настройка гиперпараметров моделей машинного обучения Технические требования Гиперпараметры в машинном обучении Настройка гиперпараметров Набор данных Wine Классификатор на основе адаптивного усиления Настройка гиперпараметров с помощью генетического поиска на сетке Тестирование качества классификатора с параметрами по умолчанию Результаты традиционного поиска на сетке Результаты генетического поиска на сетке Прямой генетический подход к настройке гиперпараметров Представление гиперпараметров Оценка верности классификатора Настройка гиперпараметров с помощью генетического алгоритма Резюме Для дальнейшего чтения Оптимизация архитектуры сетей глубокого обучения Технические требования Искусственные нейронные сети и глубокое обучение Многослойный перцептрон Глубокое обучение и сверточные нейронные сети Оптимизация архитектуры классификатора на основе глубокой сети Набор данных Iris Представление конфигурации скрытого слоя Оценка верности классификатора Оптимизация архитектуры МСП с помощью генетического алгоритма Объединение оптимизации архитектуры с настройкой гиперпараметров Представление решения Вычисление верности классификатора Оптимизация объединенной конфигурации МСП с помощью генетического алгоритма Резюме Для дальнейшего чтения Генетические алгоритмы и обучение с подкреплением Технические требования Обучение с подкреплением Генетические алгоритмы и обучение с подкреплением OpenAI Gym Интерфейс env Решение окружающей среды MountainCar Представление решения Оценивание решения Представление задачи на Python Решение с помощью генетического алгоритма Решение окружающей среды CartPole Управление средой CartPole с помощью нейронной сети Представление и оценивание решения Представление задачи на Python Решение с помощью генетического алгоритма Резюме Для дальнейшего чтения Родственные технологии Генетическая реконструкция изображений Технические требования Реконструкция изображений из многоугольников Обработка изображений на Python Библиотеки обработки изображений на Python Библиотека Pillow Библиотека scikit-image Библиотека opencv-python Рисование с помощью многоугольников Измерение степени различия двух изображений Попиксельная среднеквадратическая ошибка Структурное сходство (SSIM) Применение генетических алгоритмов для реконструкции изображений Представление и оценивание решения Представление задачи на Python Реализация генетического алгоритма Добавление функции обратного вызова в код генетического алгоритма Результаты реконструкции изображения Применение попиксельной среднеквадратической ошибки Применение индекса структурного сходства Другие эксперименты Резюме Для дальнейшего чтения Другие эволюционные и бионические методы вычислений Технические требования Эволюционные и бионические вычисления Генетическое программирование Пример генетического программирования – контроль по четности Реализация с помощью генетического программирования Упрощение решения Оптимизация методом роя частиц Пример применения PSO – оптимизация функции Реализация оптимизации методом роя частиц Другие родственные методы Эволюционные стратегии Дифференциальная эволюция Муравьиный алгоритм оптимизации Искусственные иммунные системы Искусственная жизнь Резюме Для дальнейшего чтения Предметный указатель Explore the ever-growing world of genetic algorithms to solve search, optimization, and AI-related tasks, and improve machine learning models using Python libraries such as DEAP, scikit-learn, and NumPyKey FeaturesExplore the ins and outs of genetic algorithms with this fast-paced guideImplement tasks such as feature selection, search optimization, and cluster analysis using PythonSolve combinatorial problems, optimize functions, and enhance the performance of artificial intelligence applicationsBook DescriptionGenetic algorithms are a family of search, optimization, and learning algorithms inspired by the principles of natural evolution. By imitating the evolutionary process, genetic algorithms can overcome hurdles encountered in traditional search algorithms and provide high-quality solutions for a variety of problems. This book will help you get to grips with a powerful yet simple approach to applying genetic algorithms to a wide range of tasks using Python, covering the latest developments in artificial intelligence. After introducing you to genetic algorithms and their principles of operation, you'll understand how they differ from traditional algorithms and what types of problems they can solve. You'll then discover how they can be applied to search and optimization problems, such as planning, scheduling, gaming, and analytics. As you advance, you'll also learn how to use genetic algorithms to improve your machine learning and deep learning models, solve reinforcement learning tasks, and perform image reconstruction. Finally, you'll cover several related technologies that can open up new possibilities for future applications. By the end of this book, you'll have hands-on experience of applying genetic algorithms in artificial intelligence as well as in numerous other domains.What you will learnUnderstand how to use state-of-the-art Python tools to create genetic algorithm-based applicationsUse genetic algorithms to optimize functions and solve planning and scheduling problemsEnhance the performance of machine learning models and optimize deep learning network architectureApply genetic algorithms to reinforcement learning tasks using OpenAI GymExplore how images can be reconstructed using a set of semi-transparent shapesDiscover other bio-inspired techniques, such as genetic programming and particle swarm optimizationWho this book is forThis book is for software developers, data scientists, and AI enthusiasts who want to use genetic algorithms to carry out intelligent tasks in their applications. Working knowledge of Python and basic knowledge of mathematics and computer science will help you get the most out of this book. Explore the ever-growing world of genetic algorithms to solve search, optimization, and AI-related tasks, and improve machine learning models using Python libraries such as DEAP, scikit-learn, and NumPy Key Features Explore the ins and outs of genetic algorithms with this fast-paced guide Implement tasks such as feature selection, search optimization, and cluster analysis using Python Solve combinatorial problems, optimize functions, and enhance the performance of artificial intelligence applications Book Description Genetic algorithms are a family of search, optimization, and learning algorithms inspired by the principles of natural evolution. By imitating the evolutionary process, genetic algorithms can overcome hurdles encountered in traditional search algorithms and provide high-quality solutions for a variety of problems. This book will help you get to grips with a powerful yet simple approach to applying genetic algorithms to a wide range of tasks using Python, covering the latest developments in artificial intelligence. After introducing you to genetic algorithms and their principles of operation, you'll understand how they differ from traditional algorithms and what types of problems they can solve. You'll then discover how they can be applied to search and optimization problems, such as planning, scheduling, gaming, and analytics. As you advance, you'll also learn how to use genetic algorithms to improve your machine learning and deep learning models, solve reinforcement learning tasks, and perform image reconstruction. Finally, you'll cover several related technologies that can open up new possibilities for future applications. By the end of this book, you'll have hands-on experience of applying genetic algorithms in artificial intelligence as well as in numerous other domains. What you will learn Understand how to use state-of-the-art Python tools to create genetic algorithm-based applications Use genetic algorithms to optimize functions and solve planning and scheduling problems Enhance the performance of machine learning models and optimize deep learning network architecture Apply genetic algorithms to reinforcement learning tasks using OpenAI Gym Explore how images can be reconstructed using a set of semi-transparent shapes Discover other bio-inspired techniques, such as genetic programming and particle swarm optimization Who this book is for This book is for software developers, data scientists, and AI enthusiasts who want to us.. Using this book, you will gain expertise in genetic algorithms, understand how they work and know when and how to use them to create intelligent Python-based applications. By the end of this book, you will have hands-on experience applying genetic algorithms to artificial intelligence as well as numerous other domains.