Q:
Kaip „atsitiktinis ėjimas“ gali būti naudingas mašininio mokymosi algoritmuose?
A:Mokantis mašinų, „atsitiktinio ėjimo“ metodą galima pritaikyti įvairiais būdais, kad padėtų technologijai atsijoti per didelius mokymo duomenų rinkinius, kurie sudaro pagrindą mašinai suprasti.
Matematiškai atsitiktinis ėjimas yra kažkas, ką galima apibūdinti keliais skirtingais techniniais būdais. Kai kurie apibūdina tai kaip atsitiktinių imčių kintamųjų rinkinį; kiti gali tai vadinti „stochastiniu procesu“. Nepaisant to, atsitiktinis ėjimas apmąsto scenarijų, kai kintamųjų rinkinys eina keliu, kuris yra modelis, paremtas atsitiktiniais prieaugiais, atsižvelgiant į sveikų skaičių aibę: Pvz., Pasivaikščiojimas skaičių eilute, kur kintamasis kiekviename žingsnyje juda plius arba minus. .
| Nemokamas atsisiuntimas: mašinų mokymasis ir kodėl tai svarbu |
Taigi atsitiktinis ėjimas gali būti pritaikytas mašininio mokymosi algoritmams. Vienas populiarus pavyzdys, aprašytas laidoje „Wired“, taikomas kai kurioms novatoriškoms teorijoms apie tai, kaip neuroniniai tinklai gali veikti imituodami žmogaus pažintinius procesus. Apibūdindamas atsitiktinio ėjimo požiūrį į mašinų mokymosi scenarijų praėjusių metų spalį, laidų rašytoja Natalie Wolchover didelę metodikos dalį priskyrė duomenų mokslo pradininkams Naftali Tishby ir Ravidui Shwartzui-Zivui, kurie siūlo įvairių mašininio mokymosi veiklos etapų planą. Tiksliau, Wolchoveris apibūdina „glaudinimo fazę“, susijusią su nesusijusių ar pusiau svarbių funkcijų ar aspektų filtravimu vaizdo lauke pagal numatytą programos tikslą.
Bendra idėja yra ta, kad sudėtingo ir kelių etapų proceso metu įrenginys dirba, kad „prisimintų“ arba „pamirštų“ įvairius vaizdo lauko elementus, kad būtų optimizuoti rezultatai: glaudinimo etape programą galima apibūdinti kaip „nulio nustatymą“. apie svarbius bruožus, išskyrus periferinius.
Šiai veiklai apibūdinti ekspertai vartoja terminą „stochastinis gradiento nusileidimas“. Kitas būdas tai paaiškinti mažesne technine semantika yra tas, kad tikrasis algoritmo programavimas keičiasi laipsniais ar iteracijomis, siekiant „patikslinti“ tą mokymosi procesą, kuris vyksta pagal „atsitiktinio ėjimo žingsnius“, kuris galų gale atves prie tam tikros formos sintezė.
Likusi mechanikos dalis yra labai išsami, nes inžinieriai dirba norėdami perkelti mašinų mokymosi procesus per glaudinimo ir kitus susijusius etapus. Platesnė mintis yra ta, kad mašinų mokymosi technologija keičiasi dinamiškai per visą didelių mokymų rinkinių gyvavimo laiką: Užuot žiūrėjęs į skirtingas „flash“ korteles atskirais atvejais, mašina kelis kartus peržiūri tas pačias „flash“ korteles arba išsitraukia „flash“ korteles atsitiktiniai, žvelgiant į juos kintančiu, iteraciniu, atsitiktiniu būdu.
Aukščiau pateiktas atsitiktinio ėjimo metodas nėra vienintelis būdas atsitiktinį ėjimą pritaikyti mašinų mokymuisi. Bet kokiu atveju, kai reikalingas atsitiktinių imčių metodas, atsitiktinis ėjimas gali būti matematiko ar duomenų mokslininko įrankių rinkinio dalis, kad vėl būtų patobulintas duomenų mokymosi procesas ir būtų gauti puikūs rezultatai greitai atsirandančioje srityje.
Apskritai atsitiktinis ėjimas yra susijęs su tam tikromis matematinėmis ir duomenų mokslo hipotezėmis. Kai kurie populiariausi atsitiktinio pasivaikščiojimo paaiškinimai yra susiję su akcijų rinka ir atskiromis akcijų diagramomis. Kai kurie iš šių hipotezių, išpopuliarėjusių Burtono Malkielio „Atsitiktiniame pasivaikščiojime Wall Street“, tvirtina, kad būsima akcijų veikla iš esmės yra nežinoma. Tačiau kiti siūlo, kad atsitiktinius ėjimo įpročius būtų galima analizuoti ir projektuoti, ir neatsitiktinai šiuolaikinės mašinų mokymosi sistemos dažnai taikomos vertybinių popierių rinkos analizei ir dienos prekybai. Žinių siekimas technologijų srityje yra ir visada buvo siejamas su žinių apie pinigus siekimu, o idėja pritaikyti atsitiktinius pasivaikščiojimus mašinų mokyme nėra išimtis. Kita vertus, atsitiktinis ėjimas kaip reiškinys gali būti pritaikytas bet kuriam algoritmui bet kuriam tikslui, remiantis kai kuriais iš aukščiau paminėtų matematinių principų. Inžinieriai gali naudoti atsitiktinio ėjimo modelį, norėdami išbandyti ML technologiją, orientuoti ją į funkcijų pasirinkimą arba kitiems tikslams, susijusiems su milžiniškomis bizantiškomis ore esančiomis pilimis, kurios yra modernios ML sistemos.
