Q:
Как може "случайна разходка" да бъде полезна в алгоритмите за машинно обучение?
A:При машинното обучение може да се приложи подходът „случайно ходене“ по различни начини, за да помогне на технологията да пресее големите масиви от данни за обучение, които дават основа за евентуалното разбиране на машината.
Случайното ходене, математически, е нещо, което може да бъде описано по няколко различни технически начина. Някои го описват като рандомизирана колекция от променливи; други може да го нарекат „стохастичен процес“. Независимо, случайното ходене обмисля сценарий, при който променливият набор поема път, който е модел, базиран на произволни нараствания, в съответствие с цяло число: Например, разходка по числов ред, където променливата се движи плюс или минус един на всяка стъпка,
| Безплатно изтегляне: Машинното обучение и защо има значение |
Като такъв може да се приложи произволна разходка към алгоритмите за машинно обучение. Един популярен пример, описан в парче в Wired, се прилага за някои новаторски теории за това как невронните мрежи могат да работят за симулиране на човешките познавателни процеси. Характеризирайки случаен подход при ходене в сценарий за машинно обучение през октомври миналата година, писателят на кабели Натали Уолховър приписва голяма част от методологията на пионерите на науката за данни Нафтали Тишби и Равид Шварц-Зив, които предлагат пътна карта за различни етапи на машинно учене. По-конкретно, Wolchover описва "фаза на компресия", която е свързана с филтриране на нерелевантни или полу-релевантни характеристики или аспекти в полето на изображението според предназначението на програмата.
Общата идея е, че по време на сложен и многоетапен процес машината работи или „запомня“, или „забравя“ различни елементи от полето за изображение, за да оптимизира резултатите: Във фазата на компресиране програмата може да бъде описана като „нулиране в „по важни характеристики за изключване на периферните.
Експертите използват термина „стохастичен градиент спускане“, за да се отнасят до този вид дейност. Друг начин да се обясни с по-малко техническа семантика е, че реалното програмиране на алгоритъма се променя по градуси или итерации, за да „фино настрои“ онзи процес на обучение, който се осъществява в съответствие с „стъпки на произволни стъпки“, които в крайна сметка ще доведат до някаква форма на синтез.
Останалата част от механиката е много подробна, тъй като инженерите работят за преместване на процесите на машинно обучение през фазата на компресиране и други свързани с тях фази. По-широката идея е, че технологията на машинно обучение се променя динамично през продължителността на живота на нейната оценка на големи тренировъчни комплекти: Вместо да разглежда различни флаш карти в отделни случаи, машината разглежда същите флаш карти няколко пъти или дърпа флаш карти при произволни, гледайки ги по променящ се, итеративен, рандомизиран начин.
Горепосоченият подход за случайно ходене не е единственият начин, по който случайното ходене може да се приложи за машинно обучение. Във всеки случай, когато е необходим рандомизиран подход, случайното ходене може да е част от инструментариума на математика или ученията на данни, за да може отново да се усъвършенства процеса на обучение на данни и да се осигурят превъзходни резултати в бързо възникваща област.
Като цяло случайното ходене е свързано с определени математически хипотези и научни данни. Някои от най-популярните обяснения на случайна разходка имат общо с фондовия пазар и индивидуалните акции. Както се популяризира в „Случайна разходка по Уолстрийт“ на Бъртън Малкиел, някои от тези хипотези твърдят, че бъдещата активност на акцията по същество е непознаваема. Други обаче предполагат, че случайните модели на ходене могат да бъдат анализирани и проектирани и не е случайно, че съвременните системи за машинно обучение често се прилагат при анализа на фондовите пазари и ежедневната търговия. Стремежът към знания в областта на технологиите е и винаги е бил свързан с търсенето на знания за парите и идеята за прилагане на случайни разходки при машинно обучение не е изключение. От друга страна, случайното ходене като явление може да бъде приложено към всеки алгоритъм с каквато и да е цел, съгласно някои от математическите принципи, споменати по-горе. Инженерите могат да използват произволен модел на ходене, за да тестват ML технология или да я ориентират към избора на функции или за други приложения, свързани с гигантските, византийски замъци във въздуха, които са съвременни ML системи.
