Как «случайное блуждание» может быть полезным в алгоритмах машинного обучения?

Q:

Как «случайное блуждание» может быть полезным в алгоритмах машинного обучения?

В машинном обучении подход «случайного блуждания» может применяться различными способами, чтобы помочь технологии просеивать большие наборы обучающих данных, которые обеспечивают основу для возможного понимания машины.

Случайное блуждание математически - это то, что можно описать несколькими различными техническими способами. Некоторые описывают это как рандомизированный набор переменных; другие могут назвать это «случайным процессом». Независимо от этого при случайном блуждании рассматривается сценарий, в котором набор переменных принимает путь, представляющий собой шаблон, основанный на случайных приращениях, в соответствии с набором целых чисел: например, обход по числовой строке, где переменная перемещается на один шаг плюс или минус один,

Таким образом, случайное блуждание может быть применено к алгоритмам машинного обучения. Один популярный пример, описанный в статье Wired, относится к некоторым новаторским теориям о том, как нейронные сети могут работать для имитации когнитивных процессов человека. Характеризуя подход случайной прогулки в сценарии машинного обучения в октябре прошлого года, автор Wired Натали Вулчовер приписывает большую часть методологии пионерам науки о данных Нафтали Тишби и Равиду Шварц-Зиву, которые предлагают дорожную карту для различных этапов деятельности по машинному обучению. В частности, Wolchover описывает «фазу сжатия», которая связана с отфильтровыванием нерелевантных или частично релевантных функций или аспектов в поле изображения в соответствии с предполагаемой целью программы.

Общая идея заключается в том, что во время сложного и многоэтапного процесса машина работает либо для «запоминания», либо «забывания» различных элементов поля изображения для оптимизации результатов: на этапе сжатия программу можно описать как «обнуление» в "о важных особенностях, исключая периферийные.

Эксперты используют термин «стохастический градиентный спуск» для обозначения этого вида деятельности. Другой способ объяснить это с помощью менее технической семантики состоит в том, что фактическое программирование алгоритма изменяется в градусах или итерациях, чтобы «отрегулировать» тот процесс обучения, который происходит в соответствии со «случайными шагами», которые в конечном итоге приведут к некоторой форме синтез.

Остальная часть механики очень детальна, поскольку инженеры работают над тем, чтобы продвинуть процессы машинного обучения через фазу сжатия и другие связанные этапы. Более общая идея состоит в том, что технология машинного обучения динамически меняется в течение срока службы оценки больших обучающих наборов: вместо того, чтобы рассматривать разные флэш-карты в отдельных случаях, машина несколько раз смотрит на одну и ту же флэш-карту или тянет флэш-карты на случайный, глядя на них изменяющимся, итеративным, рандомизированным способом.

Вышеупомянутый подход случайного блуждания - не единственный способ, которым случайное блуждание может быть применено к машинному обучению. В любом случае, когда необходим рандомизированный подход, случайное блуждание может быть частью математического набора или набора инструментов ученого-данных, чтобы, опять же, усовершенствовать процесс изучения данных и обеспечить превосходные результаты в быстро развивающейся области.

В общем, случайное блуждание связано с определенными гипотезами математики и науки о данных. Некоторые из самых популярных объяснений случайной прогулки связаны с фондовым рынком и отдельными биржевыми диаграммами. Как популяризируется в «Случайном блуждании по Уолл-стрит» Бертона Малкиэля, некоторые из этих гипотез утверждают, что будущая деятельность акции по сути неизвестна. Тем не менее, другие предполагают, что модели случайного блуждания могут быть проанализированы и спроектированы, и не случайно современные системы машинного обучения часто применяются для анализа фондового рынка и дневной торговли. Погоня за знаниями в области технологий является и всегда была связана с погоней за знаниями о деньгах, и идея применения случайных прогулок к машинному обучению не является исключением. С другой стороны, случайное блуждание как явление может быть применено к любому алгоритму для любой цели в соответствии с некоторыми из математических принципов, упомянутых выше. Инженеры могут использовать шаблон случайного блуждания, чтобы проверить технологию ML, или ориентировать ее на выбор характеристик, или для других применений, связанных с гигантскими византийскими воздушными замками, которые являются современными системами ML.