P:
Kako „slučajni hod“ može biti koristan u algoritmima strojnog učenja?
A:U strojnom učenju, pristup "slučajnom hodu" može se primijeniti na različite načine kako bi se tehnologija proširila kroz velike skupove podataka o treningu koji pružaju osnovu za eventualno razumijevanje stroja.
Nasumično, matematički hod je nešto što se može opisati na nekoliko različitih tehničkih načina. Neki ga opisuju kao nasumičnu zbirku varijabli; drugi bi to mogli nazvati "stohastičkim procesom". Bez obzira na to, slučajni hod razmatra scenarij u kojem varijabilni skup vodi put koji je obrazac zasnovan na slučajnim koracima prema skupu cijelih brojeva: Na primjer, šetnja brojevnom linijom gdje se varijabla pomiče plus ili minus jedan na svakom koraku,
| Besplatno preuzimanje: Strojno učenje i zašto je to važno |
Kao takav, slučajni hod može se primijeniti na algoritme strojnog učenja. Jedan popularni primjer opisan u dijelu u Wiredu odnosi se na neke revolucionarne teorije o tome kako neuronske mreže mogu djelovati na simulaciju ljudskih kognitivnih procesa. Karakterizirajući slučajni pristup hodanju u scenariju strojnog učenja prošlog listopada, žičana spisateljica Natalie Wolchover velik dio metodologije pripisuje pionirima znanosti podataka Naftali Tishby i Ravidu Shwartz-Zivu, koji predlažu mapu puta za različite faze aktivnosti strojnog učenja. Konkretno, Wolchover opisuje "fazu kompresije" koja se odnosi na filtriranje nebitnih ili polurelevantnih značajki ili aspekata u polju slike prema programskoj namjeni.
Opća je ideja da tijekom složenog i višesatnog procesa stroj radi ili „pamti“ ili „zaboravlja“ različite elemente slikovnog polja radi optimiziranja rezultata: U fazi kompresije program bi se mogao opisati kao „nultiranje u "o važnim značajkama do isključenja perifernih.
Za ovu vrstu aktivnosti stručnjaci koriste izraz "stohastički gradijentni pad". Drugi način da se objasni s manje tehničkom semantikom je da se stvarno programiranje algoritma mijenja stupnjevima ili iteracijama, kako bi se "fino prilagodio" taj proces učenja koji se odvija u skladu sa "slučajnim hodom koraka" koji će na kraju dovesti do nekog oblika sinteza.
Ostatak mehanike vrlo je detaljan, jer inženjeri rade na pomicanju procesa strojnog učenja kroz fazu kompresije i druge povezane faze. Šira ideja je da se tehnologija strojnog učenja dinamički mijenja tijekom životnog vijeka procjene velikih skupova treninga: Umjesto da različite bljeskalice gledaju u pojedinačnim slučajevima, stroj više puta gleda iste flash kartice ili povlači flash kartice na nasumično, promatrajući ih na promjenjiv, iterativni, nasumični način.
Gore navedeni slučajni hod nije jedini način na koji se slučajni hod može primijeniti na strojno učenje. U svakom slučaju, kada je potreban randomizirani pristup, slučajni hod može biti dio alata matematičara ili znanstvenika podataka, kako bi se, ponovo, poboljšao proces učenja podataka i postigli vrhunski rezultati u brzo nastajućem području.
Općenito, slučajni hod povezan je s određenim hipotezama iz matematičke i podatkovne znanosti. Neka od najpopularnijih objašnjenja slučajnog hoda imaju veze s burzama i pojedinačnim dionicama. Kao što je popularizirano u "Slučajnoj šetnji Wall Streetom" Burtona Malkiela, neke od ovih hipoteza tvrde da je buduća aktivnost dionica u osnovi nepoznata. Međutim, drugi sugeriraju da se slučajni obrasci hodanja mogu analizirati i projicirati, a nije slučajno što se moderni sustavi strojnog učenja često primjenjuju za analizu tržišta dionica i dnevno trgovanje. Potraga za znanjem iz područja tehnologije je i oduvijek bila povezana s potragom za znanjem o novcu, a ideja primjene nasumičnih šetnji za strojno učenje nije iznimka. S druge strane, slučajni hod kao fenomen može se primijeniti na bilo koji algoritam u bilo koju svrhu, prema nekim gore spomenutim matematičkim principima. Inženjeri mogu koristiti slučajni obrazac hoda kako bi testirali ML tehnologiju ili je usmjerili prema odabiru značajki ili za druge namjene povezane s gigantskim, bizantskim dvorcima u zraku koji su moderni ML sustavi.
