Q:
Jak může být "náhodné procházení" užitečné v algoritmech strojového učení?
A:Ve strojovém učení lze použít přístup „náhodného procházení“ různými způsoby, aby pomohl technologii prosadit se prostřednictvím rozsáhlých souborů tréninkových dat, které poskytují základ pro případné porozumění stroje.
Matematicky je náhodná procházka něčím, co lze popsat několika různými technickými způsoby. Někteří to popisují jako náhodný soubor proměnných; jiní by to mohli nazvat „stochastickým procesem“. Bez ohledu na to náhodná procházka uvažuje o scénáři, kde proměnná sada vezme cestu, která je vzorem založeným na náhodných přírůstcích, podle celočíselné sady: Například procházka po číselné linii, kde se proměnná pohybuje v každém kroku plus nebo mínus jedna .
| Zdarma ke stažení: Strojové učení a proč to záleží |
Jako takový, náhodné procházení může být aplikováno na algoritmy strojového učení. Jeden populární příklad popsaný v díle v Wired se týká některých průlomových teorií o tom, jak mohou neuronové sítě simulovat lidské kognitivní procesy. Kabelová spisovatelka Natalie Wolchoverová charakterizovala přístup náhodného procházení ve scénáři strojového učení loni v říjnu. Značnou část metodiky přisuzuje průkopníkům v oblasti vědy o údajích Naftali Tishby a Ravid Shwartz-Ziv, kteří navrhují cestovní mapu pro různé fáze strojového učení. Wolchover konkrétně popisuje "kompresní fázi", která souvisí s odfiltrováním irelevantní nebo polořadovka-relevantní funkce nebo aspekty v obrazovém poli podle zamýšleného účelu programu.
Obecná myšlenka je, že během složitého a vícestupňového procesu stroj pracuje tak, aby „zapamatoval“ nebo „zapomněl“ různé prvky obrazového pole, aby optimalizoval výsledky: Ve fázi komprese lze program označit jako „vynulování“ in “o důležitých funkcích s vyloučením periferních.
Odborníci používají k označení tohoto typu aktivity termín „sestup stochastického gradientu“. Dalším způsobem, jak to vysvětlit s méně technickou sémantikou, je to, že skutečné programování algoritmu se mění podle stupňů nebo iterací, aby se „jemně doladil“ tento proces učení, který probíhá podle „kroků náhodných kroků“, které nakonec povedou k nějaké formě syntéza.
Zbytek mechaniky je velmi podrobný, protože inženýři pracují na přesunu procesů učení stroje skrz kompresní fázi a další související fázování. Širší myšlenka spočívá v tom, že se technologie strojového učení v průběhu vyhodnocování velkých tréninkových sad dynamicky mění: Místo toho, aby se v jednotlivých případech díval na různé flash karty, stroj několikrát prohlíží stejné flash karty nebo na ně tahá flash karty náhodně, dívat se na ně měnícím se, iteračním, náhodným způsobem.
Výše uvedený přístup náhodným chodem není jediný způsob, jak lze náhodný chod aplikovat na strojové učení. V každém případě, kde je vyžadován randomizovaný přístup, může být náhodná procházka součástí soupravy nástrojů matematika nebo vědce s údaji, aby se opět zdokonalil proces učení dat a poskytly vynikající výsledky v rychle se rozvíjejícím oboru.
Obecně je náhodná procházka spojena s určitými matematickými a datovými hypotézami. Některá z nejpopulárnějších vysvětlení náhodné procházky se týkají akciového trhu a jednotlivých burzovních grafů. Jak je popularizováno v Burton Malkiellově „Náhodné procházce po Wall Street Street“, některé z těchto hypotéz tvrdí, že budoucí činnost populace je v podstatě nepoznatelná. Jiní však naznačují, že je možné analyzovat a promítat vzory náhodných procházek, a není náhodou, že moderní systémy strojového učení se často používají při analýze akciového trhu a denním obchodování. Pronásledování znalostí v technice je a vždy bylo spojeno s hledáním znalostí o penězích a myšlenka použití náhodných procházek do strojového učení není výjimkou. Na druhou stranu, náhodná procházka jako jev může být aplikována na jakýkoli algoritmus pro jakýkoli účel, podle některých výše uvedených matematických principů. Inženýři mohou použít náhodný vzorec chůze k testování technologie ML nebo k jejímu nasměrování k výběru prvků nebo k jinému použití souvisejícímu s gigantickými byzantskými hrady ve vzduchu, které jsou moderními systémy ML.
