Q:
Як "випадкова прогулянка" може бути корисною в алгоритмах машинного навчання?
A:У машинному навчанні підхід «випадкової ходьби» може застосовуватися різними способами, щоб допомогти технології просіяти великі набори навчальних даних, що слугують основою для можливого розуміння машини.
Випадкова прогулянка, математично, - це те, що можна описати декількома різними технічними способами. Деякі описують це як рандомізований набір змінних; інші можуть назвати це "стохастичним процесом". Незважаючи на те, що випадкова прогулянка розглядає сценарій, коли набір змінних приймає шлях, який є шаблоном, заснованим на випадкових приростах, відповідно до цілого набору: Наприклад, прогулянка по рядку числа, де змінна рухається на плюс або мінус один на кожному кроці .
| Безкоштовне завантаження: машинне навчання і чому це важливо |
Таким чином, до алгоритмів машинного навчання може бути застосована випадкова прогулянка. Один популярний приклад, описаний у творі в Wired, стосується деяких новаторських теорій про те, як нейронні мережі можуть працювати для імітації когнітивних процесів людини. Характеризуючи підхід до випадкової ходьби за сценарієм машинного навчання минулого жовтня, провідна письменниця Наталі Волховер приділяє велику частину методології піонерам науки даних Нафталі Тішбі та Равіду Шварцу-Зіву, які пропонують дорожню карту для різних етапів роботи машинного навчання. Зокрема, Wolchover описує "фазу стиснення", яка пов'язана з фільтрацією невідповідних або напіврелевантних особливостей або аспектів у полі зображення відповідно до цільового призначення програми.
Загальна ідея полягає в тому, що під час складного та багатоетапного процесу машина працює або "запам'ятовує", або "забуває" різні елементи поля зображення, щоб оптимізувати результати: На етапі стиснення програму можна було б описати як "обнулення нуля" в "про важливі ознаки до виключення периферійних.
Для позначення цього виду діяльності фахівці використовують термін «стохастичний градієнтний спуск». Інший спосіб пояснити це менш технічною семантикою - це те, що власне програмування алгоритму змінюється на градуси чи ітерації, щоб "тонко налаштувати" той процес навчання, який відбувається відповідно до "випадкових кроків кроку", які в підсумку призведуть до певної форми синтез.
Інша частина механіки дуже детальна, оскільки інженери працюють над переміщенням процесів машинного навчання через фазу стиснення та інші пов'язані з цим етапи. Більш широка ідея полягає в тому, що технологія машинного навчання динамічно змінюється протягом тривалості життя оцінювання великих навчальних наборів: Замість того, щоб роздивлятися різні флеш-карти в окремих випадках, машина кілька разів переглядає одні і ті ж флеш-карти або витягує флеш-карти на випадковим чином, дивлячись на них змінним, ітераційним, рандомізованим способом.
Наведений вище підхід до випадкової ходьби - не єдиний спосіб, яким можна застосувати випадкову ходьбу до машинного навчання. У будь-якому випадку, коли потрібен рандомізований підхід, випадкова прогулянка може бути частиною набору інструментів математика чи вченого, щоб, знову ж таки, вдосконалити процес навчання даних та забезпечити чудові результати в швидко розвивається області.
Загалом, випадкова хода пов'язана з певними математичними гіпотезами та наукою про дані. Деякі з найпопулярніших пояснень випадкової прогулянки стосуються фондового ринку та окремих акцій. Як популяризується у «Випадковому прогулці по Уолл-стріт» Бертона Малкіеля, деякі з цих гіпотез стверджують, що майбутня діяльність акції по суті непізнавальна. Однак інші припускають, що шаблони випадкових прогулянок можна аналізувати та проектувати, і не випадково сучасні системи машинного навчання часто застосовуються для аналізу фондового ринку та денних торгів. Прагнення до знань у галузі технологій є і завжди пов'язане з прагненням до знань про гроші, і ідея застосувати випадкові прогулянки до машинного навчання не є винятком. З іншого боку, випадкова хода як явище може бути застосована до будь-якого алгоритму з будь-якою метою відповідно до деяких математичних принципів, згаданих вище. Інженери можуть використовувати випадкову схему прогулянок для тестування технології ML або орієнтувати її на вибір особливостей або для інших застосувань, пов'язаних з гігантськими, візантійськими замками у повітрі, які є сучасними системами ML.
