توضیحات
This book brings together some of the most impactful researchers in the field of Genetic Programming (GP), each one working on unique and interesting intersections of theoretical development and practical applications of this evolutionary-based Machine Learning paradigm. Topics of particular interest for this years book include powerful modeling techniques through GP-based symbolic regression, novel selection mechanisms that help guide the evolutionary process, modular approaches to GP, and applications in cybersecurity, biomedicine and program synthesis, as well as papers by practitioner of GP that focus on usability and real-world results. In summary, readers will get a glimpse of the current state of the art in GP research.
We present a GUI-driven and efficient Genetic Programming (GP) and AI Planning framework designed for agent-based learning research. Our framework, ABL-Unity3D, is built in Unity3D, a game development environment. ABL-Unity3D addresses challenges entailed in co-opting Unity3D: making the simulator serve agent learning rather than humans playing a game, lowering fitness evaluation time to make learning computationally feasible, and interfacing GP with an AI Planner to support hybrid algorithms. We achieve this by developing a Graphical User Interface (GUI) using the Unity3D editors programmable interface and performance optimizations. These optimizations result in at least a 3x speedup. In addition, we describe ABL-Unity3D by explaining how to use it for an example experiment using GP and AI Planning. We benchmark ABL-Unity3D by measuring the performance and speed of the AI Planner alone, GP alone, and the AI Planner with GP.
Increasing demand for human understanding of machine decision-making is deemed crucial for machine learning (ML) methodology development and further applications. It has inspired the emerging research field of interpretable and explainable ML/AI. Techniques have been developed to either provide additional explanations to a trained ML model or learn innately compact and understandable models. Genetic programming (GP), as a powerful learning instrument, holds great potential in interpretable and explainable learning. In this chapter, we first discuss concepts and popular methods in interpretable and explainable ML, and review research using GP for interpretability and explainability. We then introduce our previously proposed GP-based framework for interpretable and explainable learning applied to bioinformatics.
————————————————————–
ترجمه ماشینی :
این کتاب برخی از تأثیرگذارترین محققان در زمینه برنامهنویسی ژنتیکی (GP) را گرد هم میآورد که هر یک بر روی تقاطعهای منحصر به فرد و جالب توسعه نظری و کاربردهای عملی این الگوی یادگیری ماشین مبتنی بر تکامل کار میکنند. موضوعات مورد علاقه ویژه برای این کتاب سال 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، زیستپزشکی و ترکیب برنامه، و همچنین مقالاتی توسط پزشک است. از GP 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 انسان، 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 برنامهریزی شده ویرایشگرهای Unity3D و بهینهسازی عملکرد به این امر دست مییابیم. 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 مقایسه میکنیم. افزایش تقاضا برای درک انسان از تصمیم گیری ماشینی برای توسعه روش یادگیری ماشین (ML) و کاربردهای بیشتر ضروری است. 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 ایجاد شده است. 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 توضیحپذیر 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.
tag : دانلود کتاب تئوری و عمل برنامه ریزی ژنتیکی نوزدهم , Download تئوری و عمل برنامه ریزی ژنتیکی نوزدهم , دانلود تئوری و عمل برنامه ریزی ژنتیکی نوزدهم , Download Genetic Programming Theory and Practice XIX Book , تئوری و عمل برنامه ریزی ژنتیکی نوزدهم دانلود , buy تئوری و عمل برنامه ریزی ژنتیکی نوزدهم , خرید کتاب تئوری و عمل برنامه ریزی ژنتیکی نوزدهم , دانلود کتاب Genetic Programming Theory and Practice XIX , کتاب Genetic Programming Theory and Practice XIX , دانلود Genetic Programming Theory and Practice XIX , خرید Genetic Programming Theory and Practice XIX , خرید کتاب Genetic Programming Theory and Practice XIX ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.