Q:
Wie kann ein "Random Walk" beim maschinellen Lernen hilfreich sein?
EIN:Beim maschinellen Lernen kann ein "Random-Walk" -Ansatz auf verschiedene Arten angewendet werden, um die Technologie beim Durchsieben der großen Trainingsdatensätze zu unterstützen, die die Grundlage für das spätere Verständnis der Maschine bilden.
Ein zufälliger Spaziergang kann mathematisch auf verschiedene technische Arten beschrieben werden. Einige beschreiben es als zufällige Sammlung von Variablen; andere könnten es einen "stochastischen Prozess" nennen. Unabhängig davon betrachtet der Zufallsrundgang ein Szenario, in dem ein Variablensatz einen Pfad einnimmt, der ein auf zufälligen Inkrementen basierendes Muster gemäß einem Ganzzahlensatz ist: Beispiel: Ein Rundgang auf einer Zahlenlinie, bei dem sich die Variable bei jedem Schritt um plus oder minus eins bewegt .
| Kostenloser Download: Maschinelles Lernen und warum es wichtig ist |
Als solches kann ein zufälliger Gang auf maschinelle Lernalgorithmen angewendet werden. Ein populäres Beispiel, das in einem Artikel in Wired beschrieben wird, bezieht sich auf einige bahnbrechende Theorien darüber, wie neuronale Netze funktionieren können, um menschliche kognitive Prozesse zu simulieren. Natalie Wolchover, Autorin von Wired, charakterisiert einen Zufallsweg-Ansatz in einem Szenario des maschinellen Lernens im vergangenen Oktober und schreibt einen Großteil der Methodik den Pionieren der Datenwissenschaft, Naftali Tishby und Ravid Shwartz-Ziv, zu, die eine Roadmap für verschiedene Phasen der maschinellen Lernaktivität vorschlagen. Insbesondere beschreibt Wolchover eine "Kompressionsphase", die mit dem Herausfiltern irrelevanter oder semi-relevanter Merkmale oder Aspekte in einem Bildfeld gemäß dem beabsichtigten Zweck des Programms zusammenhängt.
Die allgemeine Idee ist, dass die Maschine während eines komplexen und mehrstufigen Prozesses arbeitet, um verschiedene Elemente des Bildfeldes entweder zu "merken" oder zu "vergessen", um die Ergebnisse zu optimieren: In der Kompressionsphase könnte das Programm als "Nullstellen" beschrieben werden auf wichtige Merkmale unter Ausschluss von peripheren.
Experten bezeichnen diese Art von Aktivität mit dem Begriff "stochastischer Gradientenabstieg". Eine andere Möglichkeit, es mit weniger technischer Semantik zu erklären, besteht darin, dass sich die tatsächliche Programmierung des Algorithmus schrittweise oder iterativ ändert, um den Lernprozess, der gemäß "zufälligen Gehschritten" stattfindet, zu "verfeinern", was schließlich zu irgendeiner Form von führt Synthese.
Der Rest der Mechanik ist sehr detailliert, da die Ingenieure daran arbeiten, maschinelle Lernprozesse durch die Kompressionsphase und andere verwandte Phasen zu verschieben. Die weiter gefasste Idee ist, dass sich die Technologie des maschinellen Lernens über die Lebensdauer der Auswertung großer Trainingssätze dynamisch ändert: Anstatt in einzelnen Fällen unterschiedliche Lernkarten zu betrachten, betrachtet die Maschine dieselben Lernkarten mehrmals oder zieht Lernkarten auf zufällig, sie auf wechselnde, iterative, zufällige Weise betrachtend.
Der obige Random-Walk-Ansatz ist nicht die einzige Möglichkeit, den Random-Walk auf maschinelles Lernen anzuwenden. In allen Fällen, in denen ein randomisierter Ansatz erforderlich ist, kann der Zufallsrundgang Teil des Toolkits für Mathematiker oder Datenwissenschaftler sein, um den Datenlernprozess zu verfeinern und in einem sich schnell entwickelnden Bereich überlegene Ergebnisse zu erzielen.
Im Allgemeinen ist der Random Walk mit bestimmten mathematischen und datenwissenschaftlichen Hypothesen verbunden. Einige der beliebtesten Erklärungen für einen zufälligen Spaziergang haben mit der Börse und den einzelnen Aktiencharts zu tun. Wie in Burton Malkiels "A Random Walk Down Wall Street" populär gemacht, argumentieren einige dieser Hypothesen, dass die zukünftige Aktivität einer Aktie im Wesentlichen nicht bekannt ist. Andere schlagen jedoch vor, dass zufällige Laufmuster analysiert und projiziert werden können, und es ist kein Zufall, dass moderne maschinelle Lernsysteme häufig für die Börsenanalyse und den Tageshandel eingesetzt werden. Das Streben nach Wissen im technischen Bereich ist und war immer mit dem Streben nach Wissen über Geld verbunden, und die Idee, zufällige Wege für maschinelles Lernen zu verwenden, ist keine Ausnahme. Andererseits kann der Random Walk als Phänomen auf jeden Algorithmus für jeden Zweck angewendet werden, gemäß einigen der oben erwähnten mathematischen Prinzipien. Ingenieure können ein zufälliges Laufmuster verwenden, um eine ML-Technologie zu testen oder um sie auf die Auswahl von Merkmalen auszurichten, oder um sie für andere Zwecke zu verwenden, die mit den gigantischen byzantinischen Luftschlössern verbunden sind, die moderne ML-Systeme sind.
