P:
W jaki sposób „losowy spacer” może być pomocny w algorytmach uczenia maszynowego?
ZA:W uczeniu maszynowym podejście „losowego spaceru” można zastosować na różne sposoby, aby pomóc technologii przeszukać duże zestawy danych szkoleniowych, które stanowią podstawę do ostatecznego zrozumienia maszyny.
Matematycznie losowy spacer można opisać na kilka różnych technicznych sposobów. Niektórzy opisują to jako losowy zbiór zmiennych; inni mogą to nazwać „procesem stochastycznym”. Niezależnie od tego, losowy spacer rozważa scenariusz, w którym zestaw zmiennych przyjmuje ścieżkę, która jest wzorcem opartym na losowych przyrostach, zgodnie z zestawem liczb całkowitych: Na przykład, spacer po linii liczbowej, w której zmienna przesuwa się o plus lub minus jeden na każdym kroku .
| Bezpłatne pobieranie: Uczenie maszynowe i dlaczego to ma znaczenie |
Jako taki, algorytmy uczenia maszynowego można zastosować losowy spacer. Jeden popularny przykład opisany w artykule Wired dotyczy niektórych przełomowych teorii na temat tego, jak sieci neuronowe mogą działać w celu symulacji ludzkich procesów poznawczych. Charakteryzując podejście polegające na chodzeniu losowym w scenariuszu uczenia maszynowego w październiku ubiegłego roku, pisarka przewodowa Natalie Wolchover przypisuje wiele metodologii pionierom nauki danych Naftali Tishby i Ravidowi Shwartzowi-Zivowi, którzy sugerują mapę drogową dla różnych etapów uczenia maszynowego. W szczególności Wolchover opisuje „fazę kompresji” związaną z odfiltrowaniem nieistotnych lub półistotnych cech lub aspektów w polu obrazu zgodnie z przeznaczeniem programu.
Ogólna idea polega na tym, że podczas złożonego i wieloetapowego procesu maszyna „zapamiętuje” lub „zapomina” różne elementy pola obrazu w celu optymalizacji wyników: w fazie kompresji program można opisać jako „zerowanie” w ”na temat ważnych funkcji z wyłączeniem tych peryferyjnych.
Eksperci używają terminu „opadanie gradientu stochastycznego” w odniesieniu do tego rodzaju aktywności. Innym sposobem na wyjaśnienie go mniej techniczną semantyką jest to, że faktyczne programowanie algorytmu zmienia się o stopnie lub iteracje, aby „dostroić” ten proces uczenia się, który odbywa się zgodnie z „losowymi krokami”, które ostatecznie doprowadzą do jakiejś formy synteza.
Reszta mechaniki jest bardzo szczegółowa, ponieważ inżynierowie pracują nad przejściem procesów uczenia maszynowego przez fazę kompresji i inne powiązane fazy. Szerszą ideą jest to, że technologia uczenia maszynowego zmienia się dynamicznie w trakcie oceny dużych zestawów szkoleniowych: Zamiast patrzeć na różne karty flash w poszczególnych przypadkach, maszyna patrzy wielokrotnie na te same karty flash lub wyciąga karty flash na losowo, patrząc na nich w sposób zmieniający się, iteracyjny, losowy.
Powyższe podejście do chodzenia losowego nie jest jedynym sposobem na zastosowanie chodzenia losowego do uczenia maszynowego. W każdym przypadku, gdy potrzebne jest podejście losowe, losowy spacer może być częścią zestawu narzędzi matematyka lub naukowca, aby ponownie udoskonalić proces uczenia się danych i zapewnić doskonałe wyniki w szybko rozwijającej się dziedzinie.
Ogólnie rzecz biorąc, losowy spacer wiąże się z pewnymi hipotezami matematycznymi i naukowymi. Niektóre z najbardziej popularnych wyjaśnień losowego spaceru dotyczą giełdy i poszczególnych wykresów giełdowych. Jak spopularyzowano w „A Random Walk Down Wall Street” Burton Malkiel, niektóre z tych hipotez dowodzą, że przyszłej działalności akcji nie można zasadniczo poznać. Jednak inni sugerują, że wzorce losowych spacerów można analizować i przewidywać, i to nie przypadek, że nowoczesne systemy uczenia maszynowego są często stosowane do analizy rynku akcji i codziennego handlu. Pogoń za wiedzą w dziedzinie techniki jest i zawsze była związana z pogoń za wiedzą o pieniądzach, a pomysł zastosowania losowych spacerów do uczenia maszynowego nie jest wyjątkiem. Z drugiej strony, chodzenie losowe jako zjawisko można zastosować do dowolnego algorytmu w dowolnym celu, zgodnie z niektórymi zasadami matematycznymi wymienionymi powyżej. Inżynierowie mogą użyć losowego wzorca marszu, aby przetestować technologię ML lub zorientować ją na wybór funkcji lub do innych zastosowań związanych z gigantycznymi, bizantyjskimi zamkami w powietrzu, które są nowoczesnymi systemami ML.
