F:
Hur kan en "slumpmässig promenad" vara till hjälp i algoritmer för maskininlärning?
A:I maskininlärning kan en "slumpmässig promenad" -strategi tillämpas på olika sätt för att hjälpa tekniken att sila genom de stora träningsdatasätten som utgör grunden för maskinens eventuella förståelse.
En slumpmässig promenad, matematiskt, är något som kan beskrivas på flera olika tekniska sätt. Vissa beskriver det som en slumpmässig samling av variabler; andra kan kalla det en "stokastisk process." Hur som helst, den slumpmässiga promenaden överväger ett scenario där en variabeluppsättning tar en sökväg som är ett mönster baserat på slumpmässiga steg enligt en heltalsuppsättning: Till exempel en promenad på en sifferrad där variabeln rör sig plus eller minus en vid varje steg .
| Gratis nedladdning: Machine Learning and Why It Matters |
Som sådan kan en slumpmässig promenad tillämpas på maskininlärningsalgoritmer. Ett populärt exempel som beskrivs i ett stycke i Wired gäller vissa banbrytande teorier om hur neurala nätverk kan arbeta för att simulera mänskliga kognitiva processer. Karriär av en slumpmässig promenadstrategi i ett maskininlärningsscenario i oktober förra året, tilldelar den trådbundna författaren Natalie Wolchover mycket av metodiken till datavetenskapens pionjärer Naftali Tishby och Ravid Shwartz-Ziv, som föreslår en färdplan för olika faser av maskininlärningsaktiviteter. Specifikt beskriver Wolchover en "komprimeringsfas" som är relaterad till att filtrera bort irrelevanta eller semi-relevanta funktioner eller aspekter i ett bildfält enligt programmets avsedda syfte.
Den allmänna tanken är att maskinen under en komplex och flerstegsprocess fungerar för att antingen "komma ihåg" eller "glömma" olika element i bildfältet för att optimera resultaten: I komprimeringsfasen kan programmet beskrivas som "nollställning" i "om viktiga funktioner för att utesluta perifera.
Experter använder termen "stokastisk gradientnedstigning" för att hänvisa till denna typ av aktivitet. Ett annat sätt att förklara det med mindre teknisk semantik är att den faktiska programmeringen av algoritmen ändras i grader eller iterationer, för att "finjustera" den inlärningsprocess som sker enligt "slumpmässiga gångsteg" som så småningom kommer att leda mot någon form av syntes.
Resten av mekaniken är mycket detaljerad, eftersom ingenjörer arbetar för att flytta maskininlärningsprocesser genom komprimeringsfasen och annan relaterad fasering. Den bredare idén är att maskininlärningstekniken förändras dynamiskt under livslängden för sin utvärdering av stora träningsuppsättningar: I stället för att titta på olika blixtkort i enskilda fall ser maskinen på samma blixtkort flera gånger, eller drar flash-kort på slumpmässigt, titta på dem på ett förändrat, iterativt, slumpmässigt sätt.
Ovanstående metod för slumpmässig promenad är inte det enda sättet att slumpmässig promenad kan tillämpas på maskininlärning. I alla fall där en slumpmässig metod behövs, kan slumpmässig promenad vara en del av matematikern eller datavetenskapens verktygssats för att återigen förfina datalärningsprocessen och ge överlägsna resultat i ett snabbt framväxande fält.
I allmänhet är slumpmässig promenad associerad med vissa matematiska och datavetenskapliga hypoteser. Några av de mest populära förklaringarna av en slumpmässig promenad har att göra med aktiemarknaden och enskilda aktiekartor. Såsom populariserats i Burton Malkiel's "A Random Walk Down Wall Street", hävdar några av dessa hypoteser att den aktuella verksamheten för en aktie i huvudsak är omedveten. Men andra föreslår att slumpmässiga promenadmönster kan analyseras och projiceras, och det är ingen slump att moderna maskininlärningssystem ofta används för aktiemarknadsanalys och dagshandel. Att sträva efter kunskap inom det tekniska området är och har alltid varit förenat med strävan efter kunskap om pengar, och idén om att tillämpa slumpmässiga promenader på maskininlärning är inget undantag. Å andra sidan kan den slumpmässiga promenaden som ett fenomen tillämpas på vilken algoritm som helst för något ändamål, enligt några av de matematiska principerna som nämns ovan. Ingenjörer kan använda ett slumpmässigt promenadmönster för att testa en ML-teknik, eller för att orientera den mot funktionsval, eller för andra användningar relaterade till de gigantiska, bysantinska slott i luften som är moderna ML-system.
