返回首页
苏宁会员
购物车 0
易付宝
手机苏宁

服务体验

店铺评分与同行业相比

用户评价:----

物流时效:----

售后服务:----

  • 服务承诺: 正品保障
  • 公司名称:
  • 所 在 地:

  • 基于Python实现的遗传算法 应用遗传算法解决现实世界的深度学习和人工智能问题
  • 新华书店正版
    • 作者: [美]伊亚尔·沃桑斯基(Eyal Wirsansky) 著 吴虎胜 朱利 江川 吕龙 译著
    • 出版社: 清华大学出版社
    • 出版时间:2023-02-01 00:00:00
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    苏宁商家

    商家:
    文轩网图书旗舰店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

         https://product.suning.com/0070067633/11555288247.html

     

    商品参数
    • 作者: [美]伊亚尔·沃桑斯基(Eyal Wirsansky) 著 吴虎胜 朱利 江川 吕龙 译著
    • 出版社:清华大学出版社
    • 出版时间:2023-02-01 00:00:00
    • 版次:1
    • 印次:1
    • 印刷时间:2023-02-01
    • 字数:312000
    • 页数:220
    • 开本:其他
    • 装帧:平装
    • ISBN:9787302611608
    • 国别/地区:中国
    • 版权提供:清华大学出版社

    基于Python实现的遗传算法 应用遗传算法解决现实世界的深度学习和人工智能问题

    作  者:(美)伊亚尔·沃桑斯基 著 吴虎胜 等 译
    定  价:79
    出 版 社:清华大学出版社
    出版日期:2023年02月01日
    页  数:440
    装  帧:平装
    ISBN:9787302611608
    主编推荐

    通过本书,读者可以: ·了解如何使用Python工具创建基于遗传算法的应用程序。 ·利用遗传算法优化函数,并解决规划和调度问题。 ·提升机器学习模型的性能,优化深度学习网络结构。 ·基于工具包Open AI Gym将遗传算法应用于强化学习。 ·探索其他生物启发方法,包括遗传规划和粒子群优化等。

    内容简介

    遗传算法是受自然进化启发的搜索、优化和学习算法家族中的一员。通过模拟进化过程,遗传算法较传统搜索算法具有更多优势,可为各种问题提供高质量的解决方案。通过本书,读者可以基于Python掌握行之有效的将遗传算法应用于各项任务的方法,同时,本书也涵盖了人工智能领域的近期新进展。本书旨在帮助软件开发人员、数据科学家和人工智能爱好者利用遗传算法解决I程应用中的搜索,优化和学习等问题,提升现有智能应用程序的性能和准确性。

    作者简介

    精彩内容

    目录
    第1部分遗传算法基础
    第1章遗传算法简介
    1.1遗传算法的概念
    1.1.1达尔文进化论
    1.1.2遗传算法分析
    1.2遗传算法背后的理论
    1.3与传统算法的区别
    1.3.1种群基础
    1.3.2基因编码
    1.3.3适应度函数
    1.3.4概率行为
    1.4遗传算法的优点
    1.4.1全局优化
    1.4.2处理复杂问题
    1.4.3处理缺少数学模型的问题
    1.4.4抗噪声能力
    1.4.5并行处理
    1.4.6持续学习
    1.5遗传算法的局限性
    1.5.1特殊定义
    1.5.2超参数优化
    1.5.3计算密集型操作
    1.5.4过早收敛
    1.5.5无绝对很优解
    1.6遗传算法的适用情形
    小结
    拓展阅读
    第2章理解遗传算法的关键要素
    2.1遗传算法的基本流程
    2.1.1创建初始种群
    2.1.2计算适应度值
    2.1.3应用选择、交叉和变异算子
    2.1.4迭代停止的条件
    2.2选择算子
    2.2.1轮盘赌选择
    2.2.2随机通用抽样
    2.2.3基于排序的选择
    2.2.4适应度缩放
    2.2.5锦标赛选择
    2.3交叉算子
    2.3.1单点交叉
    2.3.2两点交叉和k点交叉
    2.3.3均匀交叉法
    2.3.4有序列表的交叉
    2.3.5顺序交叉
    2.4变异算子
    2.4.1反转变异
    2.4.2交换变异
    2.4.3逆序变异
    2.4.4重组变异
    2.5实数编码的遗传算法
    2.5.1混合交叉
    2.5.2模拟二进制交叉
    2.5.3实数变异
    2.6理解精英保留策略
    2.7小生境和共享
    2.8遗传算法解决问题的应用方法
    小结
    拓展阅读
    第2部分使用遗传算法解决问题
    第3章DEAP框架的使用
    3.1技术要求
    3.2DEAP简介
    3.3使用creator模块
    3.3.1创建Fitness类
    3.3.2创建Individual类
    3.4使用Toolbox类
    3.4.1创建遗传算子
    3.4.2创建种群
    3.4.3计算适应度
    3.5OneMax问题
    3.6使用DEAP解决OneMax问题
    3.6.1选择染色体
    3.6.2计算适应度值
    3.6.3选择遗传算子
    3.6.4设置停止条件
    3.7使用DEAP实现算法
    3.7.1准备工作
    3.7.2演化求解
    3.7.3运行程序
    3.8使用内置算法
    3.8.1Statistics对象
    3.8.2算法
    3.8.3logbook对象
    3.8.4运行程序
    3.8.5添加名人堂
    3.9算法参数设置实验
    3.9.1种群规模与代数
    3.9.2交叉算子
    3.9.3变异算子
    3.9.4选择算子
    小结
    拓展阅读
    第4章组合优化
    4.1技术要求
    4.2搜索问题和组合优化
    4.3求解背包问题
    4.3.1Rosetta Code 0-1背包问题
    4.3.2解的表示
    4.3.3Python问题表示
    4.3.4遗传算法的解
    4.4求解TSP问题
    4.4.1TSPLIB基准文件
    4.4.2解的表示
    4.4.3Python问题表示
    4.4.4遗传算法的解
    4.4.5使用强化探索和精英保留来改进结果
    4.5求解VRP问题
    4.5.1解的表示
    4.5.2Python问题表示
    4.5.3遗传算法的解
    小结
    拓展阅读
    第5章约束满足
    5.1技术要求
    5.2搜索问题中的约束满足
    5.3求解N-皇后问题
    5.3.1解的表示方式
    5.3.2Python对问题的表示方式
    5.3.3遗传算法求解N-皇后问题
    5.4求解护士排班问题
    5.4.1解的表示方式
    5.4.2硬约束与软约束
    5.4.3基于Python的问题表示
    5.4.4遗传算法求解护士排班问题
    5.5求解图着色问题
    5.5.1解的表示方式
    5.5.2使用硬约束和软约束解决图着色问题
    5.5.3基于Python的问题表示
    5.5.4遗传算法求解
    小结
    拓展阅读
    第6章连续函数优化
    6.1技术要求
    6.2实数染色体与实数遗传算子
    6.3连续函数下的DEAP应用
    6.4优化Eggholder函数
    6.4.1利用遗传算法优化Eggholder函数
    6.4.2增加变异率来提高速度
    6.5优化Himmelblau函数
    6.5.1用遗传算法优化Himmelblau函数
    6.5.2利用小生境和共享来寻找多个解
    6.6Simionescu函数与约束优化
    6.6.1基于遗传算法的约束优化
    6.6.2用遗传算法优化Simionescu函数
    6.6.3使用约束寻找多个解
    小结
    拓展阅读
    第3部分遗传算法的人工智能应用
    第7章使用特征选择改善机器学习模型
    7.1技术要求
    7.2有监督机器学习
    7.2.1分类
    7.2.2回归
    7.2.3有监督学习算法
    7.3有监督学习中的特征选择
    7.4Friedman-1选择特征问题
    7.4.1解的表示
    7.4.2Python问题表示
    7.4.3遗传算法求解
    7.5分类数据集Zoo的特征选择
    7.5.1Python问题表示
    7.5.2遗传算法求解
    小结
    拓展阅读
    第8章机器学习模型的超参数优化
    8.1技术要求
    8.2机器学习中的超参数
    8.2.1超参数优化
    8.2.2Wine数据集
    8.2.3自适应增强分类器
    8.3基于遗传算法的网格搜索来优化超参数
    8.3.1测试分类器的默认性能
    8.3.2运行常规的网格搜索
    8.3.3运行基于遗传算法的网格搜索
    8.4直接使用遗传算法优化超参数
    8.4.1超参数表示
    8.4.2评估分类器的准确性
    8.4.3使用遗传算法优化超参数
    小结
    拓展阅读
    第9章深度学习网络的结构优化
    9.1技术要求
    9.2人工神经网络与深度学习
    9.2.1多层感知器
    9.2.2深度学习和卷积神经网络
    9.3优化深度学习分类器的架构
    9.3.1鸢尾花数据集
    9.3.2表示隐藏层的配置
    9.3.3评估分类器的准确性
    9.3.4使用遗传算法优化 MLP 架构
    9.4将架构优化与超参数优化相结合
    9.4.1解的表示
    9.4.2评估分类器的准确性
    9.4.3使用遗传算法优化 MLP 的组合配置
    小结
    拓展阅读
    第10章基于遗传算法的强化学习
    10.1技术要求
    10.2强化学习
    10.3OpenAI Gym
    10.4处理MountainCar环境问题
    10.4.1解的表示
    10.4.2解的评估
    10.4.3基于Python的问题表示
    10.4.4遗传算法求解
    10.5处理CartPole环境问题
    10.5.1用神经网络控制CartPole
    10.5.2解的表示和评估
    10.5.3基于Python的问题表示
    10.5.4遗传算法求解
    小结
    拓展阅读
    第4部分相关方法
    第11章遗传图像重建
    11.1技术要求
    11.2用多边形重建图像
    11.3Python中的图像处理
    11.3.1Python图像处理库
    11.3.2用多边形绘制图像
    11.3.3测量图像之间的差异
    11.4利用遗传算法重建图像
    11.4.1解的表示与评价
    11.4.2基于Python的问题表示
    11.4.3遗传算法的实现
    11.4.4图像重建结果
    小结
    拓展阅读
    第12章其他进化和生物启发计算方法
    12.1技术要求
    12.2进化计算和生物启发计算
    12.3遗传编程
    12.3.1遗传编码示例——偶校验
    12.3.2遗传编程实现
    12.3.3简化的解
    12.4粒子群优化算法
    12.4.1PSO实例——函数优化
    12.4.2粒子群优化实现
    12.5其他相关方法
    12.5.1进化策略
    12.5.2差分进化算法
    12.5.3蚁群算法
    12.5.4人工免疫系统
    12.5.5人工生命
    小结
    拓展阅读

    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    非常抱歉,您前期未参加预订活动,
    无法支付尾款哦!

    关闭

    抱歉,您暂无任性付资格

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购