П:
Како „случајни ход“ може бити од помоћи у алгоритмима машинског учења?
А:У машинском учењу, приступ „случајном ходу“ може се применити на различите начине како би се технологија променила кроз велике скупове података о обуци који пружају основу за могуће разумевање машине.
Насумично, математички ход је нешто што се може описати на више различитих техничких начина. Неки га описују као случајну збирку променљивих; други би то могли назвати "стохастичким процесом". Без обзира на то, случајни ход разматра сценарио где променљиви скуп води стазу која је узорак заснован на случајним корацима, према целом скупу: На пример, шетња бројевном линијом где се променљива помера плус или минус један на сваком кораку .
| Бесплатно преузимање: Машинско учење и зашто је то важно |
Као такав, случајни ход може се применити на алгоритме машинског учења. Један популаран пример описан у делу у Виреду, односи се на неке револуционарне теорије о томе како неуронске мреже могу да функционишу на симулацији људских когнитивних процеса. Карактеризирајући случајни приступ ходању у сценарију машинског учења прошлог октобра, жична списатељица Наталие Волцховер велик дио методологије приписује пионирима науке о подацима Нафтали Тисхби и Равиду Схвартз-Зив-у, који предлажу мапу пута за различите фазе машинског учења. Конкретно, Волцховер описује "фазу компресије" која се односи на филтрирање небитних или полурелевантних карактеристика или аспеката у пољу слике у складу са наменом програма.
Општа идеја је да током сложеног и вишесатног процеса машина ради или „памти“ или „заборавља“ различите елементе поља слике како би оптимизирала резултате: У фази компресије програм би се могао описати као „нултирање“ у „о важним карактеристикама за искључење периферних.
За ову врсту активности стручњаци користе израз „стохастички градијентни пад“. Други начин да се објасни са мање техничке семантике је да се стварно програмирање алгоритма мења за степене или итерације, како би се „фино прилагодио“ тај процес учења који се одвија у складу са „случајним ходом корака“ који ће на крају довести до неког облика синтеза
Остатак механике је врло детаљан, јер инжењери раде на померању процеса машинског учења кроз фазу компресије и друге повезане фазе. Шира идеја је да се технологија машинског учења динамички мења током животног века његове процене великих скупова за обуку: Уместо да различите блиц картице прегледавају у појединим инстанцама, машина више пута погледа исте фласх картице или повлачи фласх картице на насумично, посматрајући их на променљив, итеративни, рандомизирани начин.
Горе наведени случајни ход није једини начин на који се случајни ход може применити на машинско учење. У сваком случају, када је потребан рандомизирани приступ, случајни ход може бити део алата математичара или научника података, како би се поново побољшао процес учења података и пружили супериорни резултати у брзо настајућем пољу.
Опћенито, случајни ход повезан је с одређеним хипотезама из математичких и научних података. Нека од најпопуларнијих објашњења насумичног ходања имају везе са берзама и појединачним картама акција. Као што је популаризовано у „Случајној шетњи Валл Стреетом“ Буртона Малкиела, неке од ових хипотеза тврде да је будућа активност акције у основи непозната. Међутим, други предлажу да се случајни обрасци ходања могу анализирати и пројектовати, и није случајно што се савремени системи машинског учења често примењују за анализу тржишта акција и дневно трговање. Потрага за знањем из области технологије увек је повезана са потрагом за знањем о новцу, а идеја примене насумичних шетњи за машинско учење није изузетак. С друге стране, насумично ходање као феномен може се применити на било који алгоритам у било коју сврху, у складу са горе поменутим математичким принципима. Инжењери могу да користе случајни образац хода како би тестирали МЛ технологију или је оријентисали према избору карактеристика, или за друге намене повезане са гигантским, византијским дворцима у ваздуху који су савремени МЛ системи.
