خرید و دانلود نسخه کامل کتاب Genetic Programming Theory and Practice XIX

توضیحاتی در مورد کتاب

این کتاب برخی از تأثیرگذارترین محققان در زمینه برنامه‌نویسی ژنتیک (GP) را گرد هم می‌آورد که هر یک بر روی تلاقی‌های منحصر به فرد و جالب توسعه نظری و کاربردهای عملی این الگوی یادگیری ماشین مبتنی بر تکامل کار می‌کنند. موضوعات مورد علاقه ویژه برای کتاب امسال شامل تکنیک‌های مدل‌سازی قدرتمند از طریق رگرسیون نمادین مبتنی بر GP، مکانیسم‌های انتخاب جدید که به هدایت فرآیند تکاملی کمک می‌کند، رویکردهای مدولار برای GP، و کاربردها در امنیت سایبری، پزشکی زیستی و ترکیب برنامه‌ها و همچنین مقالات است. توسط پزشک عمومی که بر قابلیت استفاده و نتایج دنیای واقعی تمرکز دارد. به طور خلاصه، خوانندگان نگاهی اجمالی به وضعیت فعلی هنر در تحقیقات GP خواهند داشت.

ما یک چارچوب برنامه ریزی ژنتیکی مبتنی بر رابط کاربری گرافیکی و کارآمد (GP) و برنامه ریزی هوش مصنوعی را ارائه می دهیم که برای تحقیقات یادگیری مبتنی بر عامل طراحی شده است. . چارچوب ما، ABL-Unity3D، در Unity3D، یک محیط توسعه بازی، ساخته شده است. ABL-Unity3D به چالش‌های مربوط به انتخاب Unity3D می‌پردازد: ساختن شبیه‌ساز در خدمت یادگیری عامل به جای بازی توسط انسان‌ها، کاهش زمان ارزیابی تناسب اندام برای امکان‌پذیر کردن یادگیری از نظر محاسباتی، و رابط GP با برنامه‌ریز هوش مصنوعی برای پشتیبانی از الگوریتم‌های ترکیبی. ما با توسعه یک رابط کاربری گرافیکی (GUI) با استفاده از رابط قابل برنامه ریزی ویرایشگر Unity3D و بهینه سازی عملکرد به این امر دست پیدا می کنیم. این بهینه سازی ها منجر به افزایش حداقل 3 برابری می شود. علاوه بر این، ما ABL-Unity3D را با توضیح نحوه استفاده از آن برای یک آزمایش نمونه با استفاده از برنامه ریزی GP و AI توصیف می کنیم. ما ABL-Unity3D را با اندازه‌گیری عملکرد و سرعت AI Planner به تنهایی، GP به تنهایی، و AI Planner با GP معیار قرار می‌دهیم.

افزایش تقاضا برای درک انسان از تصمیم‌گیری ماشینی برای یادگیری ماشین ضروری است. (ML) توسعه روش و کاربردهای بیشتر. این الهام بخش حوزه تحقیقاتی نوظهور ML/AI قابل تفسیر و توضیح است. تکنیک هایی برای ارائه توضیحات اضافی به یک مدل آموزش دیده ML یا یادگیری مدل های ذاتا فشرده و قابل فهم توسعه یافته اند. برنامه نویسی ژنتیکی (GP)، به عنوان یک ابزار یادگیری قدرتمند، دارای پتانسیل بالایی در یادگیری قابل تفسیر و توضیح است. در این فصل، ابتدا مفاهیم و روش‌های رایج در ML قابل تفسیر و توضیح را مورد بحث قرار می‌دهیم و تحقیقات را با استفاده از GP برای تفسیرپذیری و توضیح‌پذیری مرور می‌کنیم. سپس چارچوب پیشنهادی قبلی مبتنی بر GP را برای یادگیری قابل تفسیر و توضیحی که در بیوانفورماتیک اعمال می‌شود، معرفی می‌کنیم.