Nature of Code閱讀心得與Python實作
84免費公開
Daniel Shiffman所著「The Nature of Code」一書的閱讀心得，並用python及pygame來實作範例及練習題。
本作品採用創用CC BY-NC-SA 4.0授權條款
原書網頁版：https://natureofcode.com/
Top 5
全部類型
免費與付費
最新發佈
最新發佈
簡單介紹神經演化技術中的NEAT演算法。
簡單介紹神經演化技術中的NEAT演算法。
增強式學習將機器學習融入模擬環境中，讓具備類神經網路的智慧體(agent)透過與環境的互動來學習。在與環境互動的過程中，智慧體會因其決策結果的好壞而得到獎勵或懲罰；結果好的決策會得到獎勵，而結果不好的決策則會得到懲罰。透過這種棒子與胡蘿蔔恩威並施的方式，智慧體就會學到最佳的策略。
增強式學習將機器學習融入模擬環境中，讓具備類神經網路的智慧體(agent)透過與環境的互動來學習。在與環境互動的過程中，智慧體會因其決策結果的好壞而得到獎勵或懲罰；結果好的決策會得到獎勵，而結果不好的決策則會得到懲罰。透過這種棒子與胡蘿蔔恩威並施的方式，智慧體就會學到最佳的策略。
這一章要介紹的是神經演化(neuroevolution)這種結合基因演算法及類神經網路的機器學習方法。
這一章要介紹的是神經演化(neuroevolution)這種結合基因演算法及類神經網路的機器學習方法。
這一節要依循機器學習生命週期的步驟來實作一個手勢分類器。透過這個過程，就可以很清楚知道，機器學習生命週期的每一個步驟究竟要做些什麼，以及程式要怎麼寫。
這一節要依循機器學習生命週期的步驟來實作一個手勢分類器。透過這個過程，就可以很清楚知道，機器學習生命週期的每一個步驟究竟要做些什麼，以及程式要怎麼寫。
本節介紹機器學習的生命週期，以及如何用Keras建立用於分類和迴歸的模型。
本節介紹機器學習的生命週期，以及如何用Keras建立用於分類和迴歸的模型。
單一一個感知器雖然能解一些問題，但能解的問題範圍極其有限。如果把多個感知器組合，形成一個多層感知器(multilayer perceptron, MLP)，那這個由多個神經元所組成的網路，將可以解決更複雜、更困難的問題。這一節的主要內容，就在概略地介紹多層感知器。
單一一個感知器雖然能解一些問題，但能解的問題範圍極其有限。如果把多個感知器組合，形成一個多層感知器(multilayer perceptron, MLP)，那這個由多個神經元所組成的網路，將可以解決更複雜、更困難的問題。這一節的主要內容，就在概略地介紹多層感知器。
這節要介紹的是最簡單的類神經網路，也就是只含有一個神經元的感知器(perceptron)。
這節要介紹的是最簡單的類神經網路，也就是只含有一個神經元的感知器(perceptron)。
簡單介紹類神經網路(artificial neural network, ANN)的應用範圍、運作方式、學習方式、第三方程式庫等。
簡單介紹類神經網路(artificial neural network, ANN)的應用範圍、運作方式、學習方式、第三方程式庫等。
這一章要介紹的是現在紅透半邊天，可以說是AI基石的類神經網路(artificial neural network, ANN)。
這一章要介紹的是現在紅透半邊天，可以說是AI基石的類神經網路(artificial neural network, ANN)。
這一節要來寫個會演化的生態系統。
這一節要來寫個會演化的生態系統。
本節介紹互動式挑選(interactive selection)，也就是由人來指定適應度函數值的GA。
本節介紹互動式挑選(interactive selection)，也就是由人來指定適應度函數值的GA。
到目前為止，我們已經讓火箭具有演化的能力，不管目標物的位置怎麼改變，都能夠自動調整飛行路線，朝目標物飛過去。接下來，要來升級我們的火箭，讓火箭藉由演化的方式，可以自己找出避開障礙物的路線。
到目前為止，我們已經讓火箭具有演化的能力，不管目標物的位置怎麼改變，都能夠自動調整飛行路線，朝目標物飛過去。接下來，要來升級我們的火箭，讓火箭藉由演化的方式，可以自己找出避開障礙物的路線。
這一節要用GA來設計一款具有演化功能的智慧火箭。
這一節要用GA來設計一款具有演化功能的智慧火箭。
GA的步驟很單純，所以在使用GA解決不同的問題時，基本上程式需要修改的部分很少。事實上，不管是要用GA解決什麼樣的問題，只把三個關鍵部分調整、修改一下就可以了。
GA的步驟很單純，所以在使用GA解決不同的問題時，基本上程式需要修改的部分很少。事實上，不管是要用GA解決什麼樣的問題，只把三個關鍵部分調整、修改一下就可以了。
在寫程式之前先來看一下，傳統的GA是透過哪些步驟來讓生物族群一代一代地演化下去的。
在寫程式之前先來看一下，傳統的GA是透過哪些步驟來讓生物族群一代一代地演化下去的。
GA可以在不知道正確答案的情況下，隨機地找個起點，然後透過模擬演化的方式，以遠比暴力法更快的速度找出正確的答案，是個可實際解決問題的好工具。
GA可以在不知道正確答案的情況下，隨機地找個起點，然後透過模擬演化的方式，以遠比暴力法更快的速度找出正確的答案，是個可實際解決問題的好工具。
在開發具備演化能力的程式系統時，所使用的主要手段，就是受到達爾文演化論啟發所發展出來的基因演算法(genetic algorithm)，簡稱GA。在GA中，會讓問題可能的解答形成一個族群，然後這個族群會透過模仿自然界生物演化時的天擇方式，一代一代地進行演化。
在開發具備演化能力的程式系統時，所使用的主要手段，就是受到達爾文演化論啟發所發展出來的基因演算法(genetic algorithm)，簡稱GA。在GA中，會讓問題可能的解答形成一個族群，然後這個族群會透過模仿自然界生物演化時的天擇方式，一代一代地進行演化。
這章的內容，是要介紹自然界生物演化方式的原理，並把這些原理應用到程式設計上。如此一來，模擬世界中的物件也可以具有演化的能力。
這章的內容，是要介紹自然界生物演化方式的原理，並把這些原理應用到程式設計上。如此一來，模擬世界中的物件也可以具有演化的能力。
L-system是由匈牙利生物學家Aristid Lindenmayer在1968年所開發出來的。Lindenmayer開發L-system的主要目的，是要建立可用於描述植物在生長發展中，其細胞交互作用行為的數學模型。時至今日，L-system也用於描述整株植物的發展型態。
L-system是由匈牙利生物學家Aristid Lindenmayer在1968年所開發出來的。Lindenmayer開發L-system的主要目的，是要建立可用於描述植物在生長發展中，其細胞交互作用行為的數學模型。時至今日，L-system也用於描述整株植物的發展型態。
Top 5
全部類型
免費與付費
最新發佈
最新發佈
簡單介紹神經演化技術中的NEAT演算法。
簡單介紹神經演化技術中的NEAT演算法。
增強式學習將機器學習融入模擬環境中，讓具備類神經網路的智慧體(agent)透過與環境的互動來學習。在與環境互動的過程中，智慧體會因其決策結果的好壞而得到獎勵或懲罰；結果好的決策會得到獎勵，而結果不好的決策則會得到懲罰。透過這種棒子與胡蘿蔔恩威並施的方式，智慧體就會學到最佳的策略。
增強式學習將機器學習融入模擬環境中，讓具備類神經網路的智慧體(agent)透過與環境的互動來學習。在與環境互動的過程中，智慧體會因其決策結果的好壞而得到獎勵或懲罰；結果好的決策會得到獎勵，而結果不好的決策則會得到懲罰。透過這種棒子與胡蘿蔔恩威並施的方式，智慧體就會學到最佳的策略。
這一章要介紹的是神經演化(neuroevolution)這種結合基因演算法及類神經網路的機器學習方法。
這一章要介紹的是神經演化(neuroevolution)這種結合基因演算法及類神經網路的機器學習方法。
這一節要依循機器學習生命週期的步驟來實作一個手勢分類器。透過這個過程，就可以很清楚知道，機器學習生命週期的每一個步驟究竟要做些什麼，以及程式要怎麼寫。
這一節要依循機器學習生命週期的步驟來實作一個手勢分類器。透過這個過程，就可以很清楚知道，機器學習生命週期的每一個步驟究竟要做些什麼，以及程式要怎麼寫。
本節介紹機器學習的生命週期，以及如何用Keras建立用於分類和迴歸的模型。
本節介紹機器學習的生命週期，以及如何用Keras建立用於分類和迴歸的模型。
單一一個感知器雖然能解一些問題，但能解的問題範圍極其有限。如果把多個感知器組合，形成一個多層感知器(multilayer perceptron, MLP)，那這個由多個神經元所組成的網路，將可以解決更複雜、更困難的問題。這一節的主要內容，就在概略地介紹多層感知器。
單一一個感知器雖然能解一些問題，但能解的問題範圍極其有限。如果把多個感知器組合，形成一個多層感知器(multilayer perceptron, MLP)，那這個由多個神經元所組成的網路，將可以解決更複雜、更困難的問題。這一節的主要內容，就在概略地介紹多層感知器。
這節要介紹的是最簡單的類神經網路，也就是只含有一個神經元的感知器(perceptron)。
這節要介紹的是最簡單的類神經網路，也就是只含有一個神經元的感知器(perceptron)。
簡單介紹類神經網路(artificial neural network, ANN)的應用範圍、運作方式、學習方式、第三方程式庫等。
簡單介紹類神經網路(artificial neural network, ANN)的應用範圍、運作方式、學習方式、第三方程式庫等。
這一章要介紹的是現在紅透半邊天，可以說是AI基石的類神經網路(artificial neural network, ANN)。
這一章要介紹的是現在紅透半邊天，可以說是AI基石的類神經網路(artificial neural network, ANN)。
這一節要來寫個會演化的生態系統。
這一節要來寫個會演化的生態系統。
本節介紹互動式挑選(interactive selection)，也就是由人來指定適應度函數值的GA。
本節介紹互動式挑選(interactive selection)，也就是由人來指定適應度函數值的GA。
到目前為止，我們已經讓火箭具有演化的能力，不管目標物的位置怎麼改變，都能夠自動調整飛行路線，朝目標物飛過去。接下來，要來升級我們的火箭，讓火箭藉由演化的方式，可以自己找出避開障礙物的路線。
到目前為止，我們已經讓火箭具有演化的能力，不管目標物的位置怎麼改變，都能夠自動調整飛行路線，朝目標物飛過去。接下來，要來升級我們的火箭，讓火箭藉由演化的方式，可以自己找出避開障礙物的路線。
這一節要用GA來設計一款具有演化功能的智慧火箭。
這一節要用GA來設計一款具有演化功能的智慧火箭。
GA的步驟很單純，所以在使用GA解決不同的問題時，基本上程式需要修改的部分很少。事實上，不管是要用GA解決什麼樣的問題，只把三個關鍵部分調整、修改一下就可以了。
GA的步驟很單純，所以在使用GA解決不同的問題時，基本上程式需要修改的部分很少。事實上，不管是要用GA解決什麼樣的問題，只把三個關鍵部分調整、修改一下就可以了。
在寫程式之前先來看一下，傳統的GA是透過哪些步驟來讓生物族群一代一代地演化下去的。
在寫程式之前先來看一下，傳統的GA是透過哪些步驟來讓生物族群一代一代地演化下去的。
GA可以在不知道正確答案的情況下，隨機地找個起點，然後透過模擬演化的方式，以遠比暴力法更快的速度找出正確的答案，是個可實際解決問題的好工具。
GA可以在不知道正確答案的情況下，隨機地找個起點，然後透過模擬演化的方式，以遠比暴力法更快的速度找出正確的答案，是個可實際解決問題的好工具。
在開發具備演化能力的程式系統時，所使用的主要手段，就是受到達爾文演化論啟發所發展出來的基因演算法(genetic algorithm)，簡稱GA。在GA中，會讓問題可能的解答形成一個族群，然後這個族群會透過模仿自然界生物演化時的天擇方式，一代一代地進行演化。
在開發具備演化能力的程式系統時，所使用的主要手段，就是受到達爾文演化論啟發所發展出來的基因演算法(genetic algorithm)，簡稱GA。在GA中，會讓問題可能的解答形成一個族群，然後這個族群會透過模仿自然界生物演化時的天擇方式，一代一代地進行演化。
這章的內容，是要介紹自然界生物演化方式的原理，並把這些原理應用到程式設計上。如此一來，模擬世界中的物件也可以具有演化的能力。
這章的內容，是要介紹自然界生物演化方式的原理，並把這些原理應用到程式設計上。如此一來，模擬世界中的物件也可以具有演化的能力。
L-system是由匈牙利生物學家Aristid Lindenmayer在1968年所開發出來的。Lindenmayer開發L-system的主要目的，是要建立可用於描述植物在生長發展中，其細胞交互作用行為的數學模型。時至今日，L-system也用於描述整株植物的發展型態。
L-system是由匈牙利生物學家Aristid Lindenmayer在1968年所開發出來的。Lindenmayer開發L-system的主要目的，是要建立可用於描述植物在生長發展中，其細胞交互作用行為的數學模型。時至今日，L-system也用於描述整株植物的發展型態。