Q:
Hvordan kan en "tilfeldig gange" være nyttig i algoritmer for maskinlæring?
EN:I maskinlæring kan en "random walk" -tilnærming brukes på forskjellige måter for å hjelpe teknologien med å sile gjennom de store treningsdatasettene som gir grunnlag for maskinens eventuelle forståelse.
En tilfeldig vandring, matematisk, er noe som kan beskrives på flere forskjellige tekniske måter. Noen beskriver det som en randomisert samling av variabler; andre kan kalle det en "stokastisk prosess." Uansett tenker den tilfeldige vandringen på et scenario der et variabelsett tar en bane som er et mønster basert på tilfeldige trinn, i henhold til et heltalssett: For eksempel en tur på en tallinje der variabelen beveger seg pluss eller minus en på hvert trinn .
| Gratis nedlasting: Machine Learning og Why It Matters |
Som sådan kan en tilfeldig gange brukes til maskinlæringsalgoritmer. Et populært eksempel beskrevet i et stykke i Wired gjelder noen banebrytende teorier om hvordan nevrale nettverk kan arbeide for å simulere menneskelige kognitive prosesser. Karrierer en tilfeldig gangtilnærming i et maskinlæringsscenario i oktober i fjor, tillegger den kablede forfatteren Natalie Wolchover mye av metodikken til datavitenskapens pionerer Naftali Tishby og Ravid Shwartz-Ziv, som foreslår et veikart for forskjellige faser av maskinlæringsaktiviteten. Spesifikt beskriver Wolchover en "komprimeringsfase" som er relatert til å filtrere ut irrelevante eller halvrelevante funksjoner eller aspekter i et bildefelt i henhold til programmets tiltenkte formål.
Den generelle ideen er at maskinen under en kompleks og fletrinns prosess fungerer for å "huske" eller "glemme" forskjellige elementer i bildefeltet for å optimalisere resultatene: I komprimeringsfasen kan programmet beskrives som "nullstilling" i "om viktige funksjoner for utelukkelse av perifere.
Eksperter bruker begrepet "stokastisk gradient nedstigning" for å referere til denne typen aktiviteter. En annen måte å forklare det med mindre teknisk semantikk er at selve programmeringen av algoritmen endres med grader eller iterasjoner, for å "finjustere" den læringsprosessen som foregår i henhold til "tilfeldige gangtrinn" som til slutt vil føre mot en eller annen form for syntese.
Resten av mekanikken er veldig detaljert, ettersom ingeniører jobber med å flytte maskinlæringsprosesser gjennom komprimeringsfasen og annen beslektet fase. Den bredere ideen er at maskinlæringsteknologien endres dynamisk i løpet av levetiden til evalueringen av store treningssett: I stedet for å se på forskjellige flash-kort i enkelte tilfeller, ser maskinen på de samme flash-kortene flere ganger, eller trekker flash-kort på tilfeldig, ser på dem på en endrende, iterativ, randomisert måte.
Ovennevnte tilfeldige gangtilnærming er ikke den eneste måten at den tilfeldige vandringen kan brukes på maskinlæring. I alle tilfeller der en randomisert tilnærming er nødvendig, kan den tilfeldige vandringen være en del av matematikeren eller dataforskerens redskapssett, for igjen å avgrense datalæringsprosessen og gi overlegne resultater i et raskt voksende felt.
Generelt er den tilfeldige vandringen assosiert med visse matematiske og datavitenskapelige hypoteser. Noen av de mest populære forklaringene på en tilfeldig spasertur har å gjøre med aksjemarkedet og individuelle aksjediagrammer. Som popularisert i Burton Malkiel's "A Random Walk Down Wall Street", hevder noen av disse hypotesene at den fremtidige aktiviteten til en aksje i det vesentlige er ukjent. Imidlertid antyder andre at tilfeldige gangmønstre kan analyseres og projiseres, og det er ikke tilfeldig at moderne maskinlæringssystemer ofte brukes til aksjemarkedsanalyse og dagshandel. Jakten på kunnskap innen teknologifeltet er og har alltid vært sammenvevd med jakten på kunnskap om penger, og ideen om å bruke tilfeldige turer til maskinlæring er ikke noe unntak. På den annen side kan den tilfeldige vandringen som fenomen brukes på enhver algoritme til ethvert formål, i henhold til noen av de matematiske prinsippene som er nevnt over. Ingeniører kan bruke et tilfeldig gangmønster for å teste en ML-teknologi, eller for å orientere den mot funksjonsvalg, eller til annen bruk relatert til de gigantiske, bysantinske slottene i luften som er moderne ML-systemer.
