مجله علمی تفریحی بیبیس
0

دانلود کتاب یادگیری عمیق تکاملی

بازدید 903
  • عنوان کتاب: Evolutionary Deep Learning
  • نویسنده: Micheal Lanham
  • حوزه: یادگیری عمیق
  • سال انتشار: 2022
  • تعداد صفحه: 309
  • زبان اصلی: انگلیسی
  • نوع فایل: pdf
  • حجم فایل: 12.1 مگابایت

یادگیری عمیق تکاملی که برای اولین بار در این کتاب توضیح داده شد، یک دسته بندی و گروه بندی کلی از مجموعه ای از فنون است که روش های تکاملی را با یادگیری عمیق ترکیب می کند. هدف از استفاده از این روش ها بهینه سازی یک سیستم DL از جمع آوری داده ها تا اعتبار سنجی است. EDL جدید نیست. ترکیب روش‌های تکاملی با DL نام‌های جالبی مانند Deep Neural Evolution، Evolutionary Neural AutoML، Neuroevolution، Evolutionary AI و غیره دارد.
EDL ادغام 2 زیر شاخه منحصر به فرد و اغلب مجزای هوش مصنوعی است. ترکیبی از محاسبات تکاملی با استفاده از یادگیری عمیق برای اهداف خودکارسازی و بهبود مدل‌ها. EC خود خانواده ای از روش هاست که فرآیندهای بیولوژیکی یا طبیعی را برای حل مسائل پیچیده شبیه سازی می کنند. این به نوبه خود، می تواند در بالای DL برای خودکارسازی و بهینه سازی راه حل ها اعمال شود، اما پتانسیل کشف استراتژی ها و معماری های جدید را دارد.
دسته وسیعی از روش‌هایی که تحت EDL در بر می‌گیریم، به هیچ وجه جدید نیست و 20 سال است که وجود دارد. در حالی که بسیاری از این تحقیقات نشان داده‌اند که در تنظیم خودکار مدل‌های DL موفق بوده‌اند، اما پس از هیاهوی هوش مصنوعی نمونه‌های دست‌ساز پیشرفته‌تر، توجه ثانویه‌ای را به خود جلب کرده است. جایی که در بسیاری از مقالات، نویسندگان زمان زیادی را که برای مهندس داده/ویژگی و تنظیم هایپرپارامتر یک مدل نوآورانه صرف می‌شود، مورد بحث قرار می‌دهند.
با این حال، برای بسیاری که اکنون از DL استقبال می کنند، چالش ساخت مدل های قوی و با کارایی بالا دلهره آور است و با چالش های زیادی همراه است. چالش هایی که نیاز به دانش پیشرفته و پیچیده از همه گزینه ها و ویژگی های فریمورک انتخابی DL شما دارد تا بفهمید که چه زمانی مدل شما ممکن است به درستی مناسب نباشد. EDL به عنوان یک راه حل AutoML در اینجا ارائه شده است تا به بسیاری از مسائلی که پزشکان با تجربه یا مبتدی با آن مواجه خواهند شد، رسیدگی شود.
هدف EDL در حال حاضر ارائه یک مکانیسم و مجموعه ابزار بهتر برای ارائه یادگیری ماشین خودکار (AutoML) برای ساخت راه حل های DL است. روش‌های تکاملی مکانیزمی عالی و نسبتاً آسان برای ارائه مجموعه وسیعی از ابزارهای بهینه‌سازی هستند که می‌توانند برای DL اعمال شوند. در حالی که این پتانسیل وجود دارد که تکنیک‌های تکاملی بتوانند ساخت هوش مصنوعی پیشرفته‌تر را خودکار کنند، اما این هدف فعلی EDL یا این کتاب نیست.
در عوض، ما بر ساخت شبکه‌های بهینه‌تر با استفاده از تکنیک‌های تکاملی تمرکز خواهیم کرد. با این حال، قبل از انجام این کار، عملیات و استفاده از طیف گسترده ای از EC و EA را به طور عمیق پوشش خواهیم داد تا بهتر با مفاهیم اولیه آشنا شویم. با مقدمه ای کوتاه در مورد تکامل و فرآیندهای تکاملی در بخش بعدی شروع می شود.

Evolutionary deep learning, first described in this book, is a general categorization and grouping of a set of techniques that combine evolutionary methods with deep learning. The purpose of using these methods is to optimize a DL system from the collection of data to validation. EDL is not new; combining evolutionary methods with DL has gone by many cool names like Deep Neural Evolution, Evolutionary Neural AutoML, Neuroevolution, Evolutionary AI, and more.

EDL is the merger of 2 unique and often considered separate sub-fields of artificial intelligence. The combination of evolutionary computation with the application of deep learning for the purposes of automating and improving models. EC itself is a family of methods by which biological or natural processes are simulated to solve complex problems. That, in turn, can be applied on top of DL to automate and optimize solutions but has the potential to uncover new strategies and architectures.

The broad category of methods we will encompass under EDL is by no means new and itself has been around for 20 years. While much of that research has shown to be successful in auto-tuning DL models it has received secondary attention behind the AI hype of more cutting-edge hand-crafted examples. Where in many papers the authors discuss the extensive time taken to data/feature engineer and hyperparameter tune an innovative model.

However, for many now embracing DL the challenge of building robust and high-performance models is daunting and inflicted with many challenges. Challenges that require advanced and sophisticated knowledge of all the options and quirks of your chosen DL framework to understand when your model may just be incorrectly fitting. EDL as an AutoML solution is presented here to address most of the issues experienced or novice practitioners will face.

The purpose of EDL is currently to provide a better mechanism and toolset to provide automated machine learning (AutoML) to build DL solutions. Evolutionary methods are an excellent and relatively easy mechanism to provide a broad set of optimization tools that can be applied to DL. While there is potential that evolutionary techniques could automate the construction of more advanced AI, that is not the current intent of EDL or this book.

Instead, we will focus on building better-optimized networks using evolutionary techniques. Before we do that though, we will cover in-depth the operations and use of a wide variety of EC and EA to better get aquatinted with the basic concepts. Starting with a brief introduction to evolution and evolutionary processes in the next section.

این کتاب را میتوانید بصورت رایگان از لینک زیر دانلود نمایید.

Download: Evolutionary Deep Learning

نظرات کاربران

  •  چنانچه دیدگاه شما توهین آمیز باشد تایید نخواهد شد.
  •  چنانچه دیدگاه شما جنبه تبلیغاتی داشته باشد تایید نخواهد شد.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.

بیشتر بخوانید