欢迎购买学习《2022.5月常用仿生AI人工智能算法理论研究和项目实践视频教程》课程，课程涵盖遗传算法、差分进化、神经网络、克隆选择、粒子群、蚁群优化等主要仿生算法理论和实践。在本课程中，您将学习主要和最常用的仿生算法的理论和主要实际实现！在课程结束时，您将拥有构建可应用于您自己的问题的人工智能解决方案所需的所有工具！本课程分为六个部分，涵盖在实际案例研究中应用的不同算法。
发表于 05/2022
MP4 | 视频：h264, 1280×720 | 音频：AAC，44.1 KHz，2 Ch
类型：eLearning | 语言：英语 + 英语字幕srt | 时长：87 节课（8 小时 23 米）| 大小：2.43 GB
你会学到什么
- 了解主要仿生人工智能算法的理论和实践
- 使用仿生算法解决现实世界的优化问题
- 使用遗传算法最小化机票价格
- 使用差分进化创建自定义菜单
- 使用人工神经网络对手写数字进行分类
- 适应抗体和具有克隆选择算法的抗原，应用于数字识别
- 使用粒子群优化优化课程安排 使用蚁群优化
- 解决最短路径问题
要求
编程逻辑
基本 Python 编程
课程介绍
大自然为将生物过程融入技术和计算提供了广泛的灵感。其中一些过程和模式一直在启发可用于解决现实世界问题的算法的开发。它们被称为仿生算法，其自然灵感允许应用于各种优化和分类问题。
为了带您进入这个领域，在本课程中，您将学习主要和最常用的仿生算法的理论和主要实际实现！在课程结束时，您将拥有构建可应用于您自己的问题的人工智能解决方案所需的所有工具！本课程分为六个部分，涵盖在实际案例研究中应用的不同算法。请参阅下面将逐步实施的项目
遗传算法（GA）：它是解决优化问题的最常用和最著名的仿生算法之一。它基于生物进化，其中个体种群通过突变、选择和交叉进化代代相传。我们将解决航班时刻表问题，目标是尽量减少机票价格和在机场等候的时间。
微分进化（DE）：它也受到生物进化的启发，我们将逐步解决的案例研究是创建菜单，正确平衡碳水化合物、蛋白质和脂肪的数量。
神经网络 (ANN)：它基于生物神经元的工作原理，被认为是解决复杂问题的最现代技术之一，例如：聊天机器人、自动翻译、自动驾驶汽车、语音识别等。案例研究将是创建用于图像分类的神经网络。
克隆选择算法 (CSA)：它基于优化针对抗原的抗体反应的功能，类似于生物进化的过程。这些概念将在实践中用于数字识别和数字生成。
粒子群优化（PSO）：它依赖于动物的社会行为，其中群体试图找到特定问题的最佳解决方案。要解决的问题将是时间表：有课程，想参加的人以及不同的时间表。最后，该算法将指示每个班级参加课程的最佳时间。
蚁群优化 (ACO)：它基于蚂蚁如何在自然界中寻找食物的概念。该案例研究将是该领域最经典的案例之一，即最短路径的选择。
每种类型的问题都需要不同的技术来解决。当您了解仿生算法的直觉和实现时，就更容易确定哪些技术最适合在每种情况下应用。课程期间，所有代码都将使用Python编程语言一步步实现！我们将使用 Google Colab，因此您不必担心在您的机器上安装库，因为一切都将使用 Google 的 GPU 在线开发！
本课程面向谁
对自然如何为计算机科学问题提供灵感
感兴趣的人 对人工智能算法感兴趣的人，尤其是那些受到生物学启发的人
希望解决真正的优化和分类问题的开发人员
希望增加其作品的数据科学家
