K:
Hogyan lehet a "véletlenszerű séta" hasznos a gépi tanulási algoritmusokban?
A:A gépi tanulás során a "véletlenszerű séta" megközelítést különféle módon lehet alkalmazni, hogy elősegítsék a technológia átjutását a nagyméretű képzési adatkészletek révén, amelyek alapját képezik a gép esetleges megértésének.
A véletlenszerű séta matematikailag valami, amelyet különféle technikai módszerekkel lehet leírni. Egyesek véletlenszerűen kiválasztott változók gyűjteményeként írják le; mások "sztochasztikus folyamatnak" nevezhetik. Függetlenül attól, hogy a véletlenszerű séta egy olyan forgatókönyvet szemléltet, amelyben egy változókészlet egy egész szám halmazának megfelelően egy olyan utat vesz, amely véletlenszerű növekedéseken alapuló mintát mutat: Például egy sávon sétálunk, ahol a változó minden lépésnél plusz vagy mínusz egyet mozgat. .
| Ingyenes letöltés: Gépi tanulás és miért számít? |
Mint ilyen, egy véletlenszerű séta alkalmazható a gépi tanulási algoritmusokra. A Wired című cikkben leírt egyik népszerű példa néhány úttörő elméletre vonatkozik, amelyek szerint az ideghálózatok működhetnek az emberi kognitív folyamatok szimulálására. Jellemzően egy véletlenszerű séta megközelítést egy gépi tanulási forgatókönyvben tavaly októberben, Natalie Wolchover a módszertan nagy részét az adattudomány úttörői Naftali Tishby és Ravid Shwartz-Ziv tulajdonította, akik útitervet javasolnak a gépi tanulás különböző szakaszaihoz. Pontosabban, a Wolchover leír egy „tömörítési fázist”, amely a képterület irreleváns vagy félig releváns tulajdonságainak vagy aspektusainak kiszűrésére vonatkozik a program rendeltetésének megfelelően.
Az általános elképzelés az, hogy egy összetett és többlépcsős folyamat során a gép a képmező különböző elemeinek "megjegyzésére" vagy "elfelejtésére" működik az eredmények optimalizálása érdekében: A tömörítési szakaszban a programot "nullázásnak" lehetne venni. "" a fontos tulajdonságokról, a perifériák kizárásával.
A szakértők a "sztochasztikus gradiens leszállás" kifejezést használják erre a tevékenységre. Egy másik módja annak, hogy kevésbé technikai szemantikával magyarázzuk meg, hogy az algoritmus tényleges programozása fokokkal vagy iterációkkal megváltozik, hogy „finomhangoljuk” azt a tanulási folyamatot, amely a „véletlenszerű séta lépéseinek” megfelelően zajlik, és amely végül valamilyen szintézis.
A többi mechanika nagyon részletesebb, mivel a mérnökök a gépi tanulási folyamatok mozgatására törekszenek a tömörítési szakaszon és más kapcsolódó fázistól. A tágabb ötlet az, hogy a gépi tanulási technológia dinamikusan változik a nagy edzőkészletek kiértékelésének élettartama alatt: Ahelyett, hogy különálló flash kártyákat nézzen meg egyes esetekben, a gép többször nézi ugyanazt a flash kártyát, vagy húzza a flash kártyákat véletlenszerűen, változó, iteratív, véletlenszerűen nézve rájuk.
A fenti véletlenszerű séta megközelítés nem az egyetlen módja annak, hogy a véletlenszerű séta alkalmazható legyen a gépi tanulásra. Mindenesetre, amikor randomizált megközelítésre van szükség, a véletlenszerű séta a matematikus vagy az adattudósok eszközkészletének része lehet annak érdekében, hogy ismét finomítsa az adattanulási folyamatot, és kiváló eredményeket biztosítson a gyorsan megjelenő területen.
Általában véve a véletlenszerű séta bizonyos matematikai és adattudományi hipotézisekkel társul. A véletlenszerű séta néhány legnépszerűbb magyarázata a tőzsdén és az egyes részvénytáblákon alapul. Amint azt Burton Malkiel "Véletlenszerű séta a Wall Street-en" népszerűsíti, ezeknek a hipotéziseknek néhány állítása szerint az állomány jövőbeni tevékenysége alapvetően ismeretlen. Mások azonban azt sugallják, hogy a véletlenszerű sétamintákat lehet elemezni és kivetíteni, és nem véletlen, hogy a modern gépi tanulási rendszereket gyakran alkalmazzák a tőzsdei elemzéshez és a napi kereskedelemhez. A tudás iránti törekvés a technológiai területen és mindig is összefonódott a pénzről szóló ismeretek törekvésével, és a véletlenszerű séták gépi tanuláshoz való alkalmazása sem kivétel. Másrészről, a véletlenszerű séta mint jelenség bármely algoritmushoz felhasználható bármilyen célra, a fent említett matematikai alapelvek szerint. A mérnökök véletlenszerű sétamintát használhatnak egy ML-technológia tesztelésére, vagy a funkció kiválasztására, vagy a levegőben lévő hatalmas bizánci kastélyokkal kapcsolatos egyéb felhasználásokra, amelyek modern ML-rendszerek.
