【Udemy中英字幕】Bio-inspired Artificial Intelligence Algorithms

生物启发式人工智能算法

遗传算法、差分进化、神经网络、克隆选择、粒子群、蚁群优化

讲师：Jones Granatyr

双语IT资源独家Udemy付费课程，独家中英文字幕，配套资料齐全！

用不到1/10的价格，即可享受同样的高品质课程，且可以完全拥有，随时随地都可以任意观看和分享。

您将学到什么

了解主要的生物启发人工智能算法的理论与实践
使用生物启发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
使用差异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
利用克隆选择算法调整抗体和抗原，应用于数字识别
使用粒子群优化算法优化课程安排
使用蚁群优化解决最短路径问题

探索相关主题

人工智能（AI）
数据科学
发展

要求

编程逻辑
基本 Python 编程

描述

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启发了可用于解决实际问题的算法的发展。它们被称为生物启发算法，其灵感来自大自然，可用于各种优化和分类问题。

在本课程中，您将学习主要和最常用的生物启发算法的理论和主要的实际实现！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，涵盖了应用于实际案例研究的不同算法。请参阅以下将逐步实施的项目：

遗传算法 (GA)：它是解决优化问题最常用和最著名的生物启发算法之一。它基于生物进化，其中个体群体通过突变、选择和交叉一代代进化。我们将解决航班时刻表问题，目标是最大限度地降低机票价格和在机场等待的时间。
差异进化（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、蛋白质和脂肪的含量。
神经网络 (ANN)：它基于生物神经元的工作方式，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、自动翻译器、自动驾驶汽车、语音识别等等。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)：它基于针对抗原的抗体反应的优化功能，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。要解决的问题是时间表：有一门课程，想要上这门课的人和不同的时间表。最后，算法将指出每个班级上这门课的最佳时间。
蚁群优化（ACO）：它基于自然界中蚂蚁如何寻找食物的概念。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。当您了解生物启发算法的直觉和实现时，更容易确定在每种情况下哪种技术最适合应用。在课程中，所有代码都将使用 Python 编程语言逐步实现！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！