Evoluční algoritmy ve strojovém učení

Evoluční algoritmy představují různorodou skupinu optimalizačních technik volně inspirovaných biologickou evolucí. Jejich společným rysem je využívání populací modelů a stochastický charakter optimalizačních heuristik. Svou univerzalitou představují zajímavou alternativu k tradičním optimalizačním algoritmům a uplatňují se především při řešení složitých problémů například ve vícekriteriální optimalizaci nebo při automatickém návrhu počítačových programů. V přednášce se budeme věnovat vztahu evolučních algoritmů a strojového učení.

Ukážeme si několik konkrétních příkladů, kdy specializovaný evoluční algoritmus dokáže hledat optimální model strojového učení v různých scénářích a nahradit zkušeného člověka pomocí efektivního prohledávacího algoritmu. Zaměříme se na tři oblasti: neuroevoluci, která využívá evoluční přístupy pro učení modelů neuronových sítí, zpětnovazební učení agentů pomocí evolučních algoritmů, a meta-učení, kde evoluční techniky prohledávají prostor hyper-parametrů modelů strojového učení, případně slouží k návrhu složitějších kombinací modelů, takzvaných workflows. Ukážeme několik původních výsledků, které směřují k naplnění ideálu meta-učících se algoritmů, automatické tvorbě komplexních dataminingových systémů optimalizovaných pro daná data.