本周较为重要的研究有 Quoc V. Le 和何恺明各自在 ImageNet 上的新研究。同时 Keras 之父 Franois Chollet 针对智能水平的评价方法提出了自己的定义和基准。此外还有一些有趣的研究，如在股票预测任务上对比神经网络性能，以及

本文回顾了进化算法是如何被提出和测试的，它作为一个竞争性的替代方案，解决与神经网络设计相关的一些问题。有人可能认为NAS是一个三维过程。近年来，NAS在传统神经网络结构中的应用研究取得了新的进展。利用基于无梯度种群的遗传算法对DNN的权重进行了优化，并发现

生物之中的各种现象为包括计算机科学在内的科学和工程的很多领域带来了灵感和启发。其中生物进化的现象和机制启发了我们设计很多进化算法，包括遗传算法等。背景生物体经常会被寄生生物感染，包括细菌，真菌，寄生虫等。脊椎动物也不例外。生物通常会有一些免疫机制以减少这些

KEEL，Knowledge Extraction based on Evolutionary Learning的简称，是一款开源的数据挖掘软件工具，也是与WEKA一样出名的分析和实验环境，它提供了简洁的GUI，用于执行包括回归、分类、聚类、监督学习等多种

本书全面阐述了进化算法在智能配电网中的理论和应用，共10章。其中，第1章为智能配电网概述，第2～8章依次介绍了遗传算法、粒子群算法、进化规划算法、多目标进化算法、差分进化算法、蚁群算法、和声搜索算法在智能配电网中的模型、方法和应用算例，第9章介绍了除第2～

机器之心原创，作者：邱陆陆。从回归分析的出现到深度学习的蓬勃发展，这条算法的进化路线与其说是「机器替代人」，不如说是「机器帮助人类完成我们不擅长的事」。近两年，以谷歌为代表的公司再次将这一类问题以 AutoML 之名推向众人视野之中，试图探讨这一技术能否让

数据驱动的进化优化是什么，仅仅就是数据 + 优化算法吗？传统的数学优化方法是否迎来了新一轮的挑战。本文将为您深入浅出的解答以上问题。文末我们还附上了相关资料与参考文献的大礼包，这些资料并非一个简单的书单，是经过本文两位作者多年的研究经验和学习历程精心挑选整

近日，Uber 开源了神经进化算法开发的交互式可视化工具 VINE，该工具可以轻松实现神经网络群体的各种特定指标以及适应度分数的可视化和随时间的变化，用户可对其进行实时评估。此外，VINE 还支持默认功能之外的高级选项和自定义可视化。对于 Uber 的产业

通过在 AutoML 中结合进化算法执行架构搜索，谷歌开发出了当前最佳的图像分类模型 AmoebaNet。本文是谷歌对该神经网络架构搜索算法的技术解读，其中涉及两篇论文，分别是《Large-Scale Evolution of Image Classifi

在该论文中，研究者提出了一种进化深度网络，即一种神经进化算法。该算法结合了遗传算法和深度神经网络，并可用于探索神经网络架构的搜索空间、与之相关联的超参数和训练迭代所采用的 epoch 数量。机器之心简要介绍了该论文。通过使用 EDEN，研究者认为我们可以解

让机器具备生物一样的进化能力一直是计算机科学的一个热门研究领域，今年三月份，谷歌的多位研究者提出了一种图像分类器的大规模进化方法，机器之心也曾报道过这项研究，参阅：《深度 | 谷歌和 OpenAI 新研究：如何使用达尔文进化论辅助设计人工智能算法？》。研究

传统的神经网络训练方法是根据通过网络传回的误差来调整权重。通过网络输入的结果与期望值的比较，计算出了这个误差。创建神经网络的人会花一些时间摆弄神经网络的参数，直到神经网络能够从给定的数据中学习，通过使用上述误差调整其权重。自动参数确定已经存在一些现有方法来

大脑的进化进程持续已久，从5亿年前的蠕虫大脑到现如今各种现代结构。例如，人类的大脑可以完成各种各样的活动，其中许多活动都是毫不费力的。例如，分辨一个视觉场景中是否包含动物或建筑物对我们来说是微不足道的。为了执行这些活动，人工神经网络需要专家经过多年的艰难研

演化算法被归类为一组用于生物进化全局优化的算法，并且基于元启发式搜索方法。可能的解决方案通常跨越问题域上的n维向量空间，并且我们模拟几个总体粒子以达到全局最优。进化方法通常遵循具有不同变化的特定策略，以从种群集合中选择候选元素，并应用交叉和/或突变来修改元

KEEL，Knowledge Extraction based on Evolutionary Learning的简称，是一款开源的数据挖掘软件工具，也是与WEKA一样出名的分析和实验环境，它提供了简洁的GUI，用于执行包括回归、分类、聚类、监督学习等多种