Q:
Hvordan kan en "tilfældig gåtur" være nyttig i maskinlæringsalgoritmer?
EN:I maskinlæring kan en "tilfældig gå" -metode anvendes på forskellige måder for at hjælpe teknologien med at sile gennem de store træningsdatasæt, der giver grundlaget for maskinens eventuelle forståelse.
En tilfældig gåtur, matematisk, er noget, der kan beskrives på flere forskellige tekniske måder. Nogle beskriver det som en randomiseret samling af variabler; andre kan kalde det en "stokastisk proces." Uanset hvad den tilfældige gang overvejer et scenarie, hvor et variabelt sæt tager en sti, der er et mønster baseret på tilfældige trin, i henhold til et heltalssæt: For eksempel en gåtur på en talelinje, hvor variablen bevæger sig plus eller minus en ved hvert trin .
| Gratis download: Machine Learning og Why It Matters |
Som sådan kan en tilfældig gang anvendes til maskinlæringsalgoritmer. Et populært eksempel beskrevet i et stykke i Wired gælder for nogle banebrydende teorier om, hvordan neurale netværk kan arbejde for at simulere menneskelige kognitive processer. Karakteriseret af en tilfældig gå-tilgang i et maskinlæringsscenario i oktober sidste år, tildeler den kabelførte forfatter Natalie Wolchover meget af metodologien til datavidenskabspionerer Naftali Tishby og Ravid Shwartz-Ziv, der foreslår en køreplan for forskellige indfasninger af maskinlæringsaktiviteter. Konkret beskriver Wolchover en "komprimeringsfase", der er relateret til filtrering af irrelevante eller semi-relevante funktioner eller aspekter i et billedfelt i henhold til programmets tilsigtede formål.
Den generelle idé er, at maskinen under en kompleks og flertrinsproces arbejder for enten at "huske" eller "glemme" forskellige elementer i billedfeltet for at optimere resultater: I komprimeringsfasen kunne programmet beskrives som "nulstilling i "om vigtige funktioner til udelukkelse af perifere.
Eksperter bruger udtrykket "stokastisk gradientafstamning" for at henvise til denne type aktivitet. En anden måde at forklare det med mindre teknisk semantik er, at den faktiske programmering af algoritmen ændres efter grader eller iterationer, for at "finjustere" den læringsproces, der finder sted i henhold til "tilfældige gangstrin", som til sidst vil føre til en eller anden form for syntese.
Resten af mekanikerne er meget detaljerede, da ingeniører arbejder med at flytte maskinlæringsprocesser gennem komprimeringsfasen og anden relateret fase. Den bredere idé er, at maskinlæringsteknologien ændrer sig dynamisk i løbet af levetiden for sin evaluering af store træningssæt: I stedet for at se på forskellige flash-kort i individuelle tilfælde, ser maskinen på de samme flash-kort flere gange eller trækker flash-kort ved tilfældig, ser på dem på en skiftende, iterativ, randomiseret måde.
Ovenstående tilgang til tilfældig gang er ikke den eneste måde, hvorpå tilfældig gang kan anvendes til maskinlæring. I alle tilfælde, hvor en randomiseret tilgang er nødvendig, kan den tilfældige gåtur være en del af matematikeren eller datavidenskabens værktøjssæt for igen at forfine datalæringsprocessen og give overlegne resultater i et hurtigt voksende felt.
Generelt er tilfældig gang forbundet med visse matematiske og datavidenskabelige hypoteser. Nogle af de mest populære forklaringer på en tilfældig gåtur har at gøre med aktiemarkedet og individuelle aktiekart. Som populariseret i Burton Malkiel's "A Random Walk Down Wall Street" argumenterer nogle af disse hypoteser for, at en akties fremtidige aktivitet i det væsentlige er uvidende. Andre antyder dog, at tilfældige gangmønstre kan analyseres og projiceres, og det er ikke tilfældigt, at moderne maskinindlæringssystemer ofte anvendes til aktiemarkedsanalyse og dagshandel. Udøvelsen af viden inden for det tekniske felt er og har altid været forenet med udøvelsen af viden om penge, og ideen om at anvende tilfældige gåture på maskinlæring er ingen undtagelse. På den anden side kan den tilfældige vandring som fænomen anvendes på enhver algoritme til ethvert formål i henhold til nogle af de matematiske principper nævnt ovenfor. Ingeniører bruger muligvis et tilfældigt gangmønster til at teste en ML-teknologi, eller for at orientere den mod funktionsvalg, eller til anden anvendelse relateret til de gigantiske, byzantinske slotte i luften, der er moderne ML-systemer.
