Saturs
J:
Kā "nejauša pastaiga" var būt noderīga mašīnmācīšanās algoritmos?
A:
Mašīnmācībā "nejaušas pastaigas" pieeju var izmantot dažādos veidos, lai palīdzētu tehnoloģijai atsijāt, izmantojot lielās apmācības datu kopas, kas nodrošina mašīnu iespējamās izpratnes pamatā.
Nejauša pastaiga matemātiski ir kaut kas tāds, ko var aprakstīt vairākos dažādos tehniskos veidos. Daži to raksturo kā nejaušu mainīgo kolekciju; citi to varētu dēvēt par “stohastisku procesu”. Neatkarīgi no tā, nejauša gājienā tiek apskatīts scenārijs, kurā mainīgo kopa izvēlas ceļu, kas ir modelis, kura pamatā ir nejauši palielinājumi, saskaņā ar veselu skaitļu kopu: Piemēram, pastaiga pa skaitļu līniju, kur mainīgais katrā solī pārvietojas plus vai mīnus viens. .
Tādējādi izlases veida gājienu var izmantot mašīnmācīšanās algoritmiem. Viens populārs piemērs, kas aprakstīts rakstā Wired, attiecas uz dažām revolucionārām teorijām par to, kā neironu tīkli var darboties, lai simulētu cilvēka izziņas procesus. Raksturojot izlases veida gājiena pieeju mašīnmācīšanās scenārijā pagājušā gada oktobrī, vadu rakstniece Natālija Volčovera lielu daļu no metodoloģijas piedēvē datu zinātnes pionieriem Naftali Tishby un Ravidam Švarcam-Zivam, kuri ierosina ceļa karti mašīnmācīšanās dažādu posmu pakāpeniskai noteikšanai. Konkrēti, Wolchover apraksta "saspiešanas fāzi", kas ir saistīta ar nebūtisku vai daļēji nozīmīgu funkciju vai aspektu filtrēšanu attēla laukā atbilstoši programmas paredzētajam mērķim.
Vispārējā ideja ir tāda, ka sarežģīta un daudzpakāpju procesa laikā mašīna strādā, lai "optimizētu" vai "aizmirstu" dažādus attēla lauka elementus, lai optimizētu rezultātus: Kompresijas posmā programmu varētu raksturot kā "nulles iestatīšanu". par svarīgām iezīmēm, izslēdzot perifērijas.
Eksperti izmanto terminu "stohastiska gradienta nolaišanās", lai atsauktos uz šāda veida darbību. Vēl viens veids, kā to izskaidrot ar mazāk tehnisku semantiku, ir tāds, ka algoritma faktiskā programmēšana mainās pēc grādiem vai iterācijām, lai “precīzi noregulētu” šo mācību procesu, kas notiek saskaņā ar “izlases gājiena soļiem”, kas galu galā novedīs pie kāda veida sintēze.
Pārējā mehānika ir ļoti detalizēta, jo inženieri strādā, lai virzītu mašīnmācīšanās procesus caur kompresijas fāzi un citām saistītām fāzēm. Plašāka ideja ir tāda, ka mašīnmācīšanās tehnoloģija dinamiski mainās visu lielo mācību komplektu novērtēšanas laikā: tā vietā, lai apskatītu dažādas zibatmiņas kartes atsevišķos gadījumos, mašīna vairākas reizes aplūko vienu un to pašu zibatmiņas karti vai velk zibatmiņas kartes izlases veidā, aplūkojot tos mainīgā, iteratīvā, nejaušinātā veidā.
Iepriekš minētā nejaušās pastaigas pieeja nav vienīgais veids, kā izlases pastaigu var izmantot mašīnmācībā. Jebkurā gadījumā, ja ir nepieciešama nejaušināta pieeja, izlases veida pastaiga varētu būt daļa no matemātiķa vai datu zinātnieka rīku komplekta, lai atkal uzlabotu datu apguves procesu un nodrošinātu izcilus rezultātus ātri veidojošā laukā.
Kopumā izlases pastaiga ir saistīta ar noteiktām matemātikas un datu zinātnes hipotēzēm. Daži no populārākajiem izlases veida pastaigas skaidrojumiem ir saistīti ar akciju tirgu un atsevišķām akciju diagrammām. Kā popularizēts Burtona Malkiela grāmatā "A Random Walk Down Wall Street", dažas no šīm hipotēzēm apgalvo, ka krājuma turpmākā darbība būtībā nav zināma. Tomēr citi ierosina, ka var analizēt un prognozēt nejaušu pastaigu modeļus, un nav nejaušība, ka modernās mašīnmācīšanās sistēmas bieži tiek piemērotas akciju tirgus analīzē un dienas tirdzniecībā. Zināšanu sasniegšana tehnoloģiju jomā ir un vienmēr ir bijusi saistīta ar zināšanām par naudu, un ideja par izlases veida pastaigu izmantošanu mašīnu apguvē nav izņēmums. No otras puses, izlases gājienu kā fenomenu var izmantot jebkuram algoritmam jebkuram mērķim saskaņā ar dažiem no iepriekšminētajiem matemātiskajiem principiem. Inženieri var izmantot izlases veida gājiena modeli, lai pārbaudītu ML tehnoloģiju vai orientētu to uz objektu izvēli, vai citiem mērķiem, kas saistīti ar gigantiskajām, bizantiešu pilīm gaisā, kas ir modernas ML sistēmas.