دانلود کتاب بهینه سازی تکاملی مبتنی بر داده: ادغام محاسبات تکاملی، یادگیری ماشین و علم داده (مطالعات در هوش محاسباتی، 975) بعد از پرداخت مقدور خواهد بود
توضیحات کتاب در بخش جزئیات آمده است و می توانید موارد را مشاهده فرمایید
نام کتاب : Data-Driven Evolutionary Optimization: Integrating Evolutionary Computation, Machine Learning and Data Science (Studies in Computational Intelligence, 975)
ویرایش : 1st ed. 2021
عنوان ترجمه شده به فارسی : بهینه سازی تکاملی مبتنی بر داده: ادغام محاسبات تکاملی، یادگیری ماشین و علم داده (مطالعات در هوش محاسباتی، 975)
سری :
نویسندگان : Yaochu Jin, Handing Wang, Chaoli Sun
ناشر : Springer
سال نشر : 2021
تعداد صفحات : 418
[408]
ISBN (شابک) : 3030746399 , 9783030746391
زبان کتاب : English
فرمت کتاب : pdf
حجم کتاب : 14 Mb
بعد از تکمیل فرایند پرداخت لینک دانلود کتاب ارائه خواهد شد. درصورت ثبت نام و ورود به حساب کاربری خود قادر خواهید بود لیست کتاب های خریداری شده را مشاهده فرمایید.
در نظر گرفته شده برای محققان و پزشکان به طور یکسان ، این کتاب موضوعات با دقت و در عین حال گسترده ای را در بهینه سازی ، یادگیری ماشین و متهوریستی انتخاب می کند. این کتاب خودمختار توسط محققان آکادمیک پیشرو در جهان که در کاربردهای صنعتی بسیار باتجربه هستند ، نوشته شده است ، این کتاب اول از نوع خود است که دانش جامع پیش زمینه ، به ویژه دستورالعمل های عملی و تکنیک های پیشرفته را ارائه می دهد. الگوریتم های جدید با دقت توضیح داده می شوند ، بیشتر با شبه کد یا نمودارهای نمودار توضیح داده می شوند و کد منبع کار کامل آزادانه در دسترس است.
این به دنبال ارائه انواع الگوریتم های بهینه سازی تک و چند هدفه داده شده با داده های محور است که به طور یکپارچه یادگیری ماشین مدرن مانند یادگیری عمیق و یادگیری انتقال را با الگوریتم های تکاملی و بهینه سازی ادغام می کنند. برنامه های بهینه سازی داده محور اعم از طراحی آیرودینامیکی ، بهینه سازی فرآیندهای صنعتی ، تا جستجوی معماری عصبی عمیق گنجانده شده است.
Intended for researchers and practitioners alike, this book covers carefully selected yet broad topics in optimization, machine learning, and metaheuristics. Written by world-leading academic researchers who are extremely experienced in industrial applications, this self-contained book is the first of its kind that provides comprehensive background knowledge, particularly practical guidelines, and state-of-the-art techniques. New algorithms are carefully explained, further elaborated with pseudocode or flowcharts, and full working source code is made freely available.
This is followed by a presentation of a variety of data-driven single- and multi-objective optimization algorithms that seamlessly integrate modern machine learning such as deep learning and transfer learning with evolutionary and swarm optimization algorithms. Applications of data-driven optimization ranging from aerodynamic design, optimization of industrial processes, to deep neural architecture search are included.