Î:
Cum poate fi utilă o „plimbare aleatorie” în algoritmii de învățare automată?
A:În învățarea mașinii, o abordare „la întâmplare” poate fi aplicată în diverse moduri pentru a ajuta tehnologia să treacă prin seturile mari de date de instruire care oferă baza pentru o eventuală înțelegere a mașinii.
O plimbare aleatorie, din punct de vedere matematic, este ceva ce poate fi descris în mai multe moduri tehnice diferite. Unii o descriu ca o colecție randomizată de variabile; alții s-ar putea numi „un proces stocastic.” Indiferent, mersul la întâmplare are în vedere un scenariu în care un set de variabile ia o cale care este un model bazat pe creșteri aleatorii, conform unui set întreg: De exemplu, o plimbare pe o linie numerică în care variabila se mișcă plus sau minus una la fiecare pas. .
| Descărcare gratuită: învățarea mașinii și de ce contează |
Ca atare, o plimbare aleatorie poate fi aplicată algoritmilor de învățare automată. Un exemplu popular descris într-o piesă din Wired se aplică unor teorii inovatoare despre modul în care rețelele neuronale pot funcționa pentru a simula procesele cognitive umane. Caracterizând o abordare de mers aleatoriu într-un scenariu de învățare automată în octombrie anul trecut, scriitoarea Wired Natalie Wolchover atribuie o mare parte din metodologie pionierilor în știința datelor Naftali Tishby și Ravid Shwartz-Ziv, care sugerează o foaie de parcurs pentru diferite faze ale activității de învățare a mașinilor. În mod specific, Wolchover descrie o „fază de compresie” care este legată de filtrarea unor caracteristici sau aspecte irelevante sau semi-relevante dintr-un câmp de imagine în conformitate cu scopul prevăzut al programului.
Ideea generală este că, în timpul unui proces complex și în mai multe etape, mașina funcționează fie pentru „amintirea”, fie „uitarea” diferitelor elemente ale câmpului de imagine pentru a optimiza rezultatele: în faza de compresie, programul ar putea fi descris ca „zero în „pe trăsături importante pentru excluderea celor periferice.
Experții folosesc termenul „descendență de gradient stocastică” pentru a face referire la acest tip de activitate. Un alt mod de a-l explica cu o semantică mai puțin tehnică este că programarea efectivă a algoritmului se modifică în funcție de grade sau iterații, pentru a „regla fin” acel proces de învățare care se desfășoară în conformitate cu „pași aleatoriali de mers” care va duce în cele din urmă la o formă de sinteză.
Restul mecanicii sunt foarte detaliate, deoarece inginerii lucrează pentru a muta procesele de învățare a mașinilor prin faza de compresie și alte etape aferente. Ideea mai largă este că tehnologia de învățare a mașinilor se schimbă dinamic de-a lungul duratei de viață a evaluării sale mari de seturi de antrenament: în loc să privească diferite carduri flash în cazuri individuale, mașina privește aceleași carduri flash de mai multe ori sau trage carduri flash la aleatoriu, privindu-le într-un mod schimbător, iterativ, randomizat.
Abordarea de mers aleatoriu de mai sus nu este singura modalitate prin care mersul la întâmplare poate fi aplicat învățării automate. În orice caz în care este necesară o abordare randomizată, mersul la întâmplare ar putea face parte din setul de instrumente al matematicianului sau oamenilor de știință de date, pentru a rafina, din nou, rafinarea procesului de învățare a datelor și a oferi rezultate superioare într-un câmp emergent rapid.
În general, mersul la întâmplare este asociat cu anumite ipoteze matematice și de știință a datelor. Unele dintre cele mai populare explicații ale unei plimbări aleatorii au legătură cu bursa de valori și graficele de acțiuni individuale. Așa cum s-a popularizat în „A Random Walk Down Wall Street” de Burton Malkiel, unele dintre aceste ipoteze susțin că activitatea viitoare a unui stoc este esențial de necunoscut. Cu toate acestea, alții sugerează că modelele de mers aleatoriu pot fi analizate și proiectate și nu este o coincidență faptul că sistemele moderne de învățare a mașinilor sunt adesea aplicate analizei bursiere și tranzacționării zilnice. Căutarea cunoștințelor în domeniul tehnologic este și a fost întotdeauna legată de urmărirea cunoștințelor despre bani, iar ideea aplicării plimbărilor aleatorii la învățarea mașinii nu face excepție. Pe de altă parte, mersul la întâmplare ca fenomen poate fi aplicat oricărui algoritm în orice scop, în conformitate cu unele dintre principiile matematice menționate mai sus. Inginerii ar putea folosi un model de mers aleatoriu pentru a testa o tehnologie ML, sau pentru a o orienta către selecția caracteristicilor sau pentru alte utilizări legate de castelele gigantice, bizantine din aer, care sunt sisteme ML moderne.
