Oreilly – Evolutionary Deep Learning, Video Edition 2023-8

در تاریخ: 1403/11/19 5:29:19

توضیحات

دوره Evolutionary Deep Learning Video Edition. در این نسخه، گوینده کتاب را می‌خواند و همزمان محتوا، نمودارها، کدهای برنامه‌نویسی و متن روی صفحه نمایش داده می‌شود. این دوره مانند یک کتاب صوتی است که می‌توانید آن را به صورت ویدئویی نیز تماشا کنید. یادگیری عمیق تکاملی، راهنمای شما برای بهبود مدل‌های یادگیری عمیق با استفاده از ارتقاءهای AutoML مبتنی بر اصول تکامل زیستی است. این رویکرد جدید و هیجان‌انگیز، از رویکردهای کمتر شناخته‌شده هوش مصنوعی برای افزایش عملکرد بدون نیاز به ساعت‌ها برچسب‌گذاری داده یا تنظیم هایپرپارامتر مدل استفاده می‌کند. در این راهنمای بی‌نظیر، شما ابزارهایی برای بهینه‌سازی همه چیز از جمع‌آوری داده تا معماری شبکه خود کشف خواهید کرد.

آنچه فرا خواهید گرفت:

با استفاده از محاسبات تکاملی، مشکلات پیچیده طراحی و تحلیل را حل کنید.
هایپرپارامترهای یادگیری عمیق را با استفاده از محاسبات تکاملی، الگوریتم‌های ژنتیک و بهینه‌سازی ازدحام ذرات تنظیم کنید.
با استفاده از خودرمزگذار یادگیری عمیق در یادگیری بدون نظارت، داده‌های نمونه را بازتولید کنید.
اصول یادگیری تقویتی و معادله Q-Learning را درک کنید.
Q-Learning را به یادگیری عمیق اعمال کنید تا یادگیری تقویتی عمیق ایجاد کنید.
تابع زیان و معماری شبکه خودرمزگذار بدون نظارت را بهینه کنید.
یک عامل تکاملی ایجاد کنید که بتواند یک بازی OpenAI Gym را انجام دهد.

این دوره مناسب افرادیست که:

این دوره برای دانشمندان داده‌ای که با پایتون آشنا هستند، مناسب است.

مشخصات دوره Evolutionary Deep Learning Video Edition

ناشر: Oreilly
مدرس: Micheal Lanham
سطح آموزش: مبتدی تا پیشرفته
مدت زمان آموزش: 9 ساعت و 39 دقیقه

سرفصل های دوره

Part 1. Getting started
Chapter 1. Introducing evolutionary deep learning
Chapter 1. The why and where of evolutionary deep learning
Chapter 1. The need for deep learning optimization
Chapter 1. Automating optimization with automated machine learning
Chapter 1. Applications of evolutionary deep learning
Chapter 1. Summary
Chapter 2. Introducing evolutionary computation
Chapter 2. Simulating life with Python
Chapter 2. Life simulation as optimization
Chapter 2. Adding evolution to the life simulation
Chapter 2. Genetic algorithms in Python
Chapter 2. Summary
Chapter 3. Introducing genetic algorithms with DEAP
Chapter 3. Solving the Queen’s Gambit
Chapter 3. Helping a traveling salesman
Chapter 3. Selecting genetic operators for improved evolution
Chapter 3. Painting with the EvoLisa
Chapter 3. Summary
Chapter 4. More evolutionary computation with DEAP
Chapter 4. Particle swarm optimization with DEAP
Chapter 4. Coevolving solutions with DEAP
Chapter 4. Evolutionary strategies with DEAP
Chapter 4. Differential evolution with DEAP
Chapter 4. Summary
Part 2. Optimizing deep learning
Chapter 5. Automating hyperparameter optimization
Chapter 5. Automating HPO with random search
Chapter 5. Grid search and HPO
Chapter 5. Evolutionary computation for HPO
Chapter 5. Genetic algorithms and evolutionary strategies for HPO
Chapter 5. Differential evolution for HPO
Chapter 5. Summary
Chapter 6. Neuroevolution optimization
Chapter 6. Genetic algorithms as deep learning optimizers
Chapter 6. Other evolutionary methods for neurooptimization
Chapter 6. Applying neuroevolution optimization to Keras
Chapter 6. Understanding the limits of evolutionary optimization
Chapter 6. Summary
Chapter 7. Evolutionary convolutional neural networks
Chapter 7. Encoding a network architecture in genes
Chapter 7. Creating the mating crossover operation
Chapter 7. Developing a custom mutation operator
Chapter 7. Evolving convolutional network architecture
Chapter 7. Summary
Part 3. Advanced applications
Chapter 8. Evolving autoencoders
Chapter 8. Evolutionary AE optimization
Chapter 8. Mating and mutating the autoencoder gene sequence
Chapter 8. Evolving an autoencoder
Chapter 8. Building variational autoencoders
Chapter 8. Summary
Chapter 9. Generative deep learning and evolution
Chapter 9. The challenges of training a GAN
Chapter 9. Fixing GAN problems with Wasserstein loss
Chapter 9. Encoding the Wasserstein DCGAN for evolution
Chapter 9. Optimizing the DCGAN with genetic algorithms
Chapter 9. Summary
Chapter 10. NEAT: NeuroEvolution of Augmenting Topologies
Chapter 10. Visualizing an evolved NEAT network
Chapter 10. Exercising the capabilities of NEAT
Chapter 10. Exercising NEAT to classify images
Chapter 10. Uncovering the role of speciation in evolving topologies
Chapter 10. Summary
Chapter 11. Evolutionary learning with NEAT
Chapter 11. Exploring complex problems from the OpenAI Gym
Chapter 11. Solving reinforcement learning problems with NEAT
Chapter 11. Solving Gym’s lunar lander problem with NEAT agents
Chapter 11. Solving Gym’s lunar lander problem with a deep Q-network
Chapter 11. Summary
Chapter 12. Evolutionary machine learning and beyond
Chapter 12. Revisiting reinforcement learning with Geppy
Chapter 12. Introducing instinctual learning
Chapter 12. Generalized learning with genetic programming
Chapter 12. The future of evolutionary machine learning
Chapter 12. Generalization with instinctual deep and deep reinforcement learning
Chapter 12. Summary