Sisältö
K:
Kuinka "satunnainen kävely" voi olla hyödyllinen koneoppimisalgoritmeissa?
V:
Koneoppimisessa "satunnaista kävelyä" -lähestymistapaa voidaan soveltaa monin tavoin auttamaan tekniikkaa seulomaan suurten koulutustietojoukkojen läpi, jotka tarjoavat perustan koneen mahdolliselle ymmärtämiselle.
Matemaattisesti satunnainen kävely on jotain, joka voidaan kuvata useilla erilaisilla teknisillä tavoilla. Jotkut kuvaavat sitä satunnaistettuna muuttujien kokoelmana; toiset saattavat kutsua sitä "stokastiseksi prosessiksi". Siitä huolimatta, satunnainen kävely kulkee tilanteesta, jossa muuttujajoukko kulkee polun, joka on sattumanvaraisiin lisäyksiin perustuva kuvio kokonaislukujoukon mukaan: Esimerkiksi kävely rivillä, jossa muuttuja liikkuu plus tai miinus yksi jokaisessa vaiheessa .
Sellaisena satunnaista kävelyä voidaan soveltaa koneoppimisalgoritmeihin. Yksi Wired-kappaleessa kuvattu suosittu esimerkki koskee joitain uraauurtavia teorioita siitä, kuinka hermoverkot voivat toimia ihmisen kognitiivisten prosessien simuloimiseksi. Karakterisoidakseen satunnaisen kävelymatkan lähestymistapaa koneoppimisen skenaariossa viime lokakuussa, Wired-kirjailija Natalie Wolchover osoittaa suuren osan metodologiasta tietotekniikan pioneereille Naftali Tishbylle ja Ravid Shwartz-Ziville, jotka ehdottavat etenemissuunnitelmaa koneoppimisen eri vaiheille. Erityisesti Wolchover kuvaa "pakkausvaihetta", joka liittyy merkityksettömien tai osittain merkityksellisten ominaisuuksien tai näkökohtien suodattamiseen kuvakentässä ohjelman aiotun tarkoituksen mukaisesti.
Yleinen ajatus on, että monimutkaisessa ja monivaiheisessa prosessissa kone toimii joko "muistamaan" tai "unohtaa" kuvakentän eri elementit tulosten optimoimiseksi: Pakkausvaiheessa ohjelma voidaan kuvata "nollaamiseksi" "tärkeissä piirteissä syrjäyttämällä perifeeriset.
Asiantuntijat käyttävät termiä "stokastinen gradientin laskeutuminen" viitaten tämän tyyppiseen toimintaan. Toinen tapa selittää sitä vähemmän teknisellä semantiikalla on, että algoritmin todellinen ohjelmointi muuttuu asteilla tai iteraatioilla "hienosäätää" sitä oppimisprosessia, joka tapahtuu "satunnaisten kävelyvaiheiden" mukaisesti ja joka lopulta johtaa kohti jonkinlaista synteesi.
Loput mekaniikasta ovat erittäin yksityiskohtaisia, koska insinöörit pyrkivät siirtämään koneoppimisprosesseja puristusvaiheen ja muiden siihen liittyvien vaiheiden läpi. Laajempi idea on, että koneoppimistekniikka muuttuu dynaamisesti suurten harjoitussarjojen arvioinnin elinkaaren ajan: Sen sijaan, että tarkasteltaisiin eri flash-kortteja yksittäisissä tapauksissa, kone tarkastelee samaa flash-korttia useita kertoja tai vetää flash-kortteja satunnainen, tarkastelee niitä muuttuvalla, iteratiivisella, satunnaistetulla tavalla.
Yllä oleva satunnaisen kävelyn lähestymistapa ei ole ainoa tapa, jolla satunnaista kävelyä voidaan soveltaa koneoppimiseen. Joka tapauksessa, kun tarvitaan satunnaistettua lähestymistapaa, satunnainen kävely voi olla osa matemaatikon tai data-tiedemiehen työkalusarjaa, jotta voidaan edelleen hienosäätää tietojen oppimisprosessia ja tarjota parempia tuloksia nopeasti kehittyvällä kentällä.
Yleensä satunnainen kävely liittyy tiettyihin matemaattisiin ja datatieteen hypoteeseihin. Jotkut satunnaiskävelyn selitykset liittyvät osakemarkkinoihin ja yksittäisiin osakekarttoihin. Jotkut näistä hypoteeseista väittävät, että Burton Malkielin "A Random Walk Down Wall Street" -lehdessä suositellaan, että osakekannan tuleva toiminta on olennaisesti tuntematon. Toiset kuitenkin ehdottavat, että satunnaiset kävelykäytännöt voidaan analysoida ja ennustaa, eikä ole sattumaa, että nykyaikaisia koneoppimisjärjestelmiä käytetään usein osakemarkkinoiden analyysiin ja päiväkauppaan. Tietojen etsiminen tekniikan alalla on ja on aina ollut sidoksissa rahaa koskevan tiedon etsimiseen, eikä ajatus soveltaa satunnaisia kävelyretkiä koneoppimiseen ole poikkeus. Toisaalta satunnaista kävelyä ilmiönä voidaan soveltaa mihin tahansa algoritmiin mihin tahansa tarkoitukseen, joidenkin yllä mainittujen matemaattisten periaatteiden mukaisesti. Insinöörit saattavat käyttää satunnaista kävelykuvaa testataksesi ML-tekniikkaa tai suunnataksesi sen ominaisuuksien valintaan tai muihin käyttötarkoituksiin, jotka liittyvät ilmassa oleviin jättimäisiin bysanttilaislintoihin, jotka ovat nykyaikaisia ML-järjestelmiä.