Q:
Hoe kan een "willekeurige wandeling" nuttig zijn bij algoritmen voor machine learning?
EEN:Bij machine learning kan een "random walk" -benadering op verschillende manieren worden toegepast om de technologie te helpen bij het doorzoeken van de grote trainingsdatasets die de basis vormen voor het uiteindelijke begrip van de machine.
Een willekeurige wandeling is wiskundig iets dat op verschillende technische manieren kan worden beschreven. Sommigen beschrijven het als een gerandomiseerde verzameling variabelen; anderen noemen het een 'stochastisch proces'. Hoe dan ook, de willekeurige wandeling overweegt een scenario waarin een variabelenset een pad volgt dat een patroon is dat is gebaseerd op willekeurige incrementen, volgens een geheel getal: bijvoorbeeld een wandeling op een getallenlijn waarbij de variabele bij elke stap plus of min één verplaatst. .
| Gratis download: machine learning en waarom het ertoe doet |
Als zodanig kan een willekeurige wandeling worden toegepast op algoritmen voor machine learning. Een populair voorbeeld beschreven in een stuk in Wired is van toepassing op enkele baanbrekende theorieën over hoe neurale netwerken kunnen werken om menselijke cognitieve processen te simuleren. Wired-schrijfster Natalie Wolchover kenmerkt een willekeurige wandeling in een machine learning-scenario in oktober vorig jaar en schrijft een groot deel van de methodologie toe aan data science-pioniers Naftali Tishby en Ravid Shwartz-Ziv, die een routekaart voorstellen voor verschillende fasering van machine learning-activiteiten. In het bijzonder beschrijft Wolchover een "compressiefase" die verband houdt met het filteren van niet-relevante of semi-relevante kenmerken of aspecten in een beeldveld volgens het beoogde doel van het programma.
Het algemene idee is dat de machine tijdens een complex en uit meerdere stappen bestaand proces verschillende elementen van het beeldveld "onthoudt" of "vergeet" om de resultaten te optimaliseren: in de compressiefase kan het programma worden omschreven als "nulstellen" in "over belangrijke functies met uitzondering van randapparatuur.
Experts gebruiken de term "stochastische gradiëntdaling" om naar dit type activiteit te verwijzen. Een andere manier om het uit te leggen met minder technische semantiek is dat de feitelijke programmering van het algoritme geleidelijk of iteraties verandert, om dat leerproces dat plaatsvindt volgens "random walk steps" dat uiteindelijk zal leiden tot een vorm van synthese.
De rest van de mechanica is zeer gedetailleerd, aangezien ingenieurs werken aan het doorlopen van machine-leerprocessen door de compressiefase en andere gerelateerde fasering. Het bredere idee is dat de machine learning-technologie dynamisch verandert tijdens de levensduur van zijn evaluatie van grote trainingssets: in plaats van naar verschillende flash-kaarten te kijken in individuele gevallen, kijkt de machine meerdere keren naar dezelfde flash-kaarten of trekt flash-kaarten naar willekeurig, ze op een veranderende, iteratieve, gerandomiseerde manier bekijken.
De bovenstaande random walk-benadering is niet de enige manier waarop de random walk kan worden toegepast op machine learning. In elk geval waar een gerandomiseerde aanpak nodig is, kan de willekeurige wandeling deel uitmaken van de toolkit van de wiskundige of gegevenswetenschapper, om het gegevensleerproces opnieuw te verfijnen en superieure resultaten te bieden in een snel opkomend veld.
Over het algemeen wordt de willekeurige wandeling geassocieerd met bepaalde wiskundige en datawetenschappelijke hypothesen. Enkele van de meest populaire verklaringen voor een willekeurige wandeling hebben te maken met de aandelenmarkt en individuele aandelengrafieken. Zoals gepopulariseerd in Burton Malkiel's 'A Random Walk Down Wall Street', beweren sommige van deze hypothesen dat de toekomstige activiteit van een aandeel in wezen onkenbaar is. Anderen suggereren echter dat willekeurige looppatronen kunnen worden geanalyseerd en geprojecteerd, en het is geen toeval dat moderne machine learning-systemen vaak worden toegepast op beursanalyse en daghandel. Het nastreven van kennis op het gebied van technologie is en is altijd vervlochten met het nastreven van kennis over geld, en het idee om willekeurige wandelingen toe te passen op machine learning is geen uitzondering. Aan de andere kant kan de willekeurige wandeling als een fenomeen worden toegepast op elk algoritme voor elk doel, volgens enkele van de hierboven genoemde wiskundige principes. Ingenieurs kunnen een willekeurig looppatroon gebruiken om een ML-technologie te testen, of om deze te richten op functieselectie, of voor ander gebruik in verband met de gigantische, byzantijnse kastelen in de lucht die moderne ML-systemen zijn.
