بهینهسازی و الگوریتمهای تکاملی
وقتی بهترین جواب را میخواهید، نه فقط یک جواب
بهینهسازی جایی لازم میشود که مسئله یک پاسخ درست ندارد بلکه بیشمار پاسخ دارد و شما دنبال بهترین آنها هستید: کمهزینهترین طرح، کوتاهترین مسیر، سبکترین سازه، دقیقترین مدل. همین کار در دل آموزش هر مدل یادگیری ماشین هم اتفاق میافتد، به همین دلیل فهمیدنش جای دیگری هم به کار میآید. مسیر با صورتبندی مسئله و حل آن با ابزارهای آماده پایتون شروع میشود، بعد سراغ الگوریتم ژنتیک میرود: روشی الهامگرفته از تکامل که وقتی به کار میآید که مسئله آنقدر بزرگ یا ناهموار باشد که روشهای مبتنی بر گرادیان در آن گیر کنند. سه دوره پایانی همین یک الگوریتم را از ایده تا پیادهسازی کامل باز میکنند. اگر پیشتر با پایتون راحت باشید، این مسیر مستقل از بقیه قابل گذراندن است.
ترتیب زیر بر اساس پیشنیاز است، نه محبوبیت. دورههایی که روی پلتفرم دیگری هستند با نام همان پلتفرم مشخص شدهاند و در تب جدید باز میشوند.
- ۱
فرادرس
آموزش پیادهسازی مسائل بهینهسازی در Python – مقدماتی
۴ ساعت۲٬۹۱۴ دانشجومشاهده در فرادرسرفتن به دورهنقطه شروع: صورتبندی یک مسئله بهینهسازی و حل آن با ابزارهای آماده، پیش از آنکه سراغ نوشتن الگوریتم از صفر بروید.
- ۲
فرادرس
آموزش الگوریتم ژنتیک در پایتون – مقدماتی
۴ ساعت۳٬۳۰۱ دانشجومشاهده در فرادرسرفتن به دورهوقتی مسئله برای روشهای کلاسیک بزرگ یا ناهموار است. ایده الگوریتم ژنتیک اینجا با یک مثال ساده باز میشود.
- ۳
فرادرس
آموزش الگوریتم ژنتیک در Python – تکمیلی – ۱
۱۰ ساعت۱٬۶۵۶ دانشجومشاهده در فرادرسرفتن به دوره - ۴
فرادرس
آموزش پیادهسازی الگوریتم ژنتیک در پایتون – تکمیلی – بخش دوم
۷ ساعت۱٬۲۴۷ دانشجومشاهده در فرادرسرفتن به دورهپیادهسازی کامل، از انتخاب و ترکیب تا جهش و شرط توقف. پایان مسیر.