دانلود کتاب یادگیری ماشین برای استراتژی های تکامل بعد از پرداخت مقدور خواهد بود
توضیحات کتاب در بخش جزئیات آمده است و می توانید موارد را مشاهده فرمایید
نام کتاب : Machine Learning for Evolution Strategies
ویرایش : 1
عنوان ترجمه شده به فارسی : یادگیری ماشین برای استراتژی های تکامل
سری : Studies in Big Data 20
نویسندگان : Oliver Kramer (auth.)
ناشر : Springer International Publishing
سال نشر : 2016
تعداد صفحات : 120
ISBN (شابک) : 9783319333816 , 9783319333830
زبان کتاب : English
فرمت کتاب : pdf
حجم کتاب : 6 مگابایت
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.
این کتاب ترکیبهای الگوریتمی متعددی را بین هر دو جهان معرفی میکند که نشان میدهد چگونه یادگیری ماشینی میتواند استراتژیهای تکامل را بهبود بخشد و پشتیبانی کند. مجموعه روشها شامل تخمین ماتریس کوواریانس، فرامدلسازی توابع تناسب و محدودیت، کاهش ابعاد برای جستجو و تجسم فرآیندهای بهینهسازی با ابعاد بالا، و نچینگ مبتنی بر خوشهبندی است. پس از ارائه مقدمه ای بر استراتژی های تکامل و یادگیری ماشینی، این کتاب با دیدگاهی الگوریتمی و تجربی، پل بین هر دو جهان را ایجاد می کند. آزمایشها عمدتاً از (1 1)-ES استفاده میکنند و در پایتون با استفاده از کتابخانه یادگیری ماشینی scikit-learn پیادهسازی میشوند. مثالها بر روی مسائل معیار معمولی انجام میشوند که مفاهیم الگوریتمی و رفتار تجربی آنها را نشان میدهند. کتاب با بحث در مورد خطوط تحقیق مرتبط به پایان می رسد.
This book introduces numerous algorithmic hybridizations between both worlds that show how machine learning can improve and support evolution strategies. The set of methods comprises covariance matrix estimation, meta-modeling of fitness and constraint functions, dimensionality reduction for search and visualization of high-dimensional optimization processes, and clustering-based niching. After giving an introduction to evolution strategies and machine learning, the book builds the bridge between both worlds with an algorithmic and experimental perspective. Experiments mostly employ a (1+1)-ES and are implemented in Python using the machine learning library scikit-learn. The examples are conducted on typical benchmark problems illustrating algorithmic concepts and their experimental behavior. The book closes with a discussion of related lines of research.