Q:
Bagaimana cara "berjalan rawak" membantu dalam algoritma pembelajaran mesin?
A:Dalam pembelajaran mesin, pendekatan "rawak berjalan" boleh digunakan dalam pelbagai cara untuk membantu teknologi menyaring set data latihan yang besar yang menyediakan asas untuk pemahaman akhirnya mesin.
Jalan rawak, secara matematik, adalah sesuatu yang dapat diterangkan dalam beberapa cara teknikal yang berbeza. Ada yang menggambarkannya sebagai koleksi rawak yang rawak; yang lain mungkin menyebutnya "proses stokastik." Walau bagaimanapun, langkah rawak merenungkan senario di mana satu set pembolehubah mengambil jalan yang merupakan corak berdasarkan kenaikan rawak, mengikut set integer: Sebagai contoh, berjalan pada garis nombor di mana pemboleh ubah bergerak tambah atau tolak satu pada setiap langkah .
| Muat turun Percuma: Pembelajaran Mesin dan Mengapakah Ia Penting |
Oleh itu, berjalan secara rawak boleh digunakan untuk algoritma pembelajaran mesin. Satu contoh popular yang diterangkan dalam sekeping di Wired berlaku untuk beberapa teori terobosan tentang bagaimana rangkaian saraf dapat berfungsi untuk mensimulasikan proses kognitif manusia. Mencipta pendekatan rawak dalam senario pembelajaran mesin pada Oktober lepas, penulis Wired, Natalie Wolchover, mempunyai banyak metodologi untuk perintis sains data, Naftali Tishby dan Ravid Shwartz-Ziv, yang mencadangkan peta jalan untuk pelbagai peringkat aktiviti pembelajaran mesin. Khususnya, Wolchover menggambarkan "fasa mampatan" yang berkaitan dengan penapisan ciri atau aspek yang tidak berkaitan atau separa yang berkaitan dalam bidang imej mengikut tujuan yang dimaksudkan oleh program.
Idea umum adalah, semasa proses yang kompleks dan multi-langkah, mesin berfungsi sama ada "ingat" atau "lupa" elemen yang berlainan bagi medan imej untuk mengoptimumkan keputusan: Dalam fasa mampatan, program itu boleh digambarkan sebagai "zeroing dalam "ciri-ciri penting untuk pengecualian orang-orang periferal.
Pakar menggunakan istilah "keturunan kecerunan stokastik" untuk merujuk kepada jenis aktiviti ini. Satu lagi cara untuk menerangkannya dengan semantik kurang teknikal ialah pengaturcaraan sebenar algoritma berubah mengikut darjah atau lelaran, untuk "menyempurnakan" proses belajar yang berlaku mengikut "langkah-langkah rawak" yang akhirnya akan membawa kepada beberapa bentuk sintesis.
Selebihnya mekanik adalah sangat terperinci, kerana jurutera bekerja untuk memindahkan proses pembelajaran mesin melalui fasa pemampatan dan tahap lain yang berkaitan. Idea yang lebih luas adalah bahawa teknologi pembelajaran mesin berubah secara dinamik sepanjang jangka hayat penilaiannya terhadap set latihan besar: Daripada melihat kad flash yang berbeza dalam keadaan individu, mesin melihat kad flash yang sama beberapa kali, atau menarik kad flash di rawak, melihat mereka dalam cara yang berubah, berulang, rawak.
Pendekatan rawak di atas bukan satu-satunya cara perjalanan rawak boleh digunakan untuk belajar mesin. Dalam mana-mana pendekatan rawak diperlukan, jalan rawak mungkin menjadi sebahagian daripada kit alat saintis matematik atau data, untuk, sekali lagi, memperbaiki proses pembelajaran data dan memberikan hasil yang lebih baik dalam bidang yang cepat muncul.
Secara umumnya, perjalanan rawak dikaitkan dengan hipotesis sains matematik dan data tertentu. Beberapa penjelasan yang paling popular mengenai jalan rawak berkaitan dengan pasaran saham dan carta saham individu. Seperti yang popular di Burton Malkiel's "A Random Walk Down Wall Street, " beberapa hipotesis ini berpendapat bahawa aktiviti masa depan stok pada dasarnya tidak dapat diketahui. Walau bagaimanapun, yang lain mencadangkan bahawa corak berjalan secara rawak boleh dianalisis dan diunjurkan, dan tidak kebetulan bahawa sistem pembelajaran mesin moden sering digunakan untuk analisis pasaran saham dan perdagangan hari. Mengejar pengetahuan dalam bidang teknologi adalah dan selalu terjalin dengan mengejar pengetahuan mengenai wang, dan gagasan untuk menerapkan jalan-jalan secara rawak ke pembelajaran mesin tidak terkecuali. Sebaliknya, berjalan rawak sebagai fenomena boleh digunakan untuk sebarang algoritma untuk tujuan apa pun, mengikut beberapa prinsip matematik yang disebutkan di atas. Jurutera mungkin menggunakan corak jalan rawak untuk menguji teknologi ML, atau mengorientasikannya ke arah pemilihan ciri, atau untuk kegunaan lain yang berkaitan dengan istana gergasi, byzantine di udara yang merupakan sistem ML moden.
