Nilalaman
T:
Paano makakatulong ang isang "random lakad" sa mga algorithm ng pagkatuto ng makina?
A:
Sa pag-aaral ng makina, ang isang "random lakad" na diskarte ay maaaring mailapat sa iba't ibang mga paraan upang matulungan ang teknolohiya na sumala sa pamamagitan ng malaking hanay ng data ng pagsasanay na nagbibigay ng batayan para sa pag-unawa ng makina sa wakas.
Ang isang random na paglalakad, matematika, ay isang bagay na maaaring inilarawan sa maraming iba't ibang mga teknikal na paraan. Ang ilan ay naglalarawan nito bilang isang randomized na koleksyon ng mga variable; ang iba ay maaaring tawaging ito bilang isang "stochastic process." Hindi alintana, ang random na paglalakad ay sumasalamin sa isang sitwasyon kung saan ang isang variable na hanay ay tumatagal ng isang landas na isang pattern batay sa mga random na pagdaragdag, ayon sa isang set ng integer: Halimbawa, isang lakad sa isang linya ng numero kung saan ang variable ay gumagalaw o minus isa sa bawat hakbang .
Tulad nito, ang isang random na lakad ay maaaring mailapat sa mga algorithm ng pagkatuto ng machine. Ang isang tanyag na halimbawa na inilarawan sa isang piraso sa Wired ay nalalapat sa ilang mga teorya sa groundbreaking sa kung paano maaaring gumana ang mga neural network upang gayahin ang mga proseso ng cognitive. Nailalarawan ang isang random na diskarte sa paglalakad sa isang senaryo ng pag-aaral ng machine noong nakaraang Oktubre, ang Wired na manunulat na si Natalie Wolchover ay nag-uugnay sa karamihan ng pamamaraan sa data ng mga pioneer sa agham na sina Naftali Tishby at Ravid Shwartz-Ziv, na nagmumungkahi ng isang mapa ng kalsada para sa iba't ibang phasing ng aktibidad sa pagkatuto ng makina. Partikular, inilarawan ni Wolchover ang isang "phase compression" na may kaugnayan sa pag-filter ng hindi nauugnay o semi-nauugnay na mga tampok o aspeto sa isang larang ng imahe alinsunod sa inilaan na layunin ng programa.
Ang pangkalahatang ideya ay, sa panahon ng isang kumplikado at multi-hakbang na proseso, ang makina ay gumagana sa alinman sa "tandaan" o "kalimutan" iba't ibang mga elemento ng patlang ng imahe upang ma-optimize ang mga resulta: Sa yugto ng compression, ang programa ay maaaring inilarawan bilang "zeroing sa "sa mga mahalagang tampok sa pagbubukod ng mga peripheral.
Ginagamit ng mga eksperto ang salitang "stochastic gradient descent" upang sumangguni sa ganitong uri ng aktibidad. Ang isa pang paraan upang maipaliwanag ito nang hindi gaanong teknikal na semantika ay ang aktwal na pagprograma ng algorithm ay nagbabago sa pamamagitan ng mga degree o iterations, upang "masarap na tune" na proseso ng pag-aaral na nagaganap ayon sa "random na mga hakbang sa paglalakad" na sa kalaunan ay hahantong sa ilang anyo ng pagbubuo.
Ang natitirang bahagi ng mga mekanika ay napaka detalyado, dahil ang mga inhinyero ay gumagana upang ilipat ang mga proseso ng pag-aaral ng makina sa pamamagitan ng yugto ng compression at iba pang nauugnay na phasing. Ang mas malawak na ideya ay ang pagbabago ng teknolohiya ng pag-aaral ng makina nang paulit-ulit sa haba ng buhay ng pagsusuri nito sa mga malaking set ng pagsasanay: Sa halip na tingnan ang iba't ibang mga flash card sa mga indibidwal na pagkakataon, ang makina ay tumitingin sa parehong mga flash card nang maraming beses, o humila ng mga flash card sa random, tinitingnan ang mga ito sa isang nagbabago, makabagong, randomized na paraan.
Ang nasa itaas na random na paglalakad ay hindi lamang ang paraan na ang random na paglalakad ay maaaring mailapat sa pag-aaral ng makina. Sa anumang kaso kung saan kinakailangan ang isang randomized na diskarte, ang random na paglalakad ay maaaring bahagi ng kit kit ng matematika o data scientist, upang, muli, pinuhin ang proseso ng pag-aaral ng data at magbigay ng mahusay na mga resulta sa isang mabilis na umuusbong na patlang.
Sa pangkalahatan, ang random na lakad ay nauugnay sa ilang mga hypotheses ng matematika at agham. Ang ilan sa mga pinakasikat na paliwanag ng isang random na lakad ay may kinalaman sa stock market at mga indibidwal na tsart ng stock. Tulad ng pinakapopular sa Burton Malkiel ng "Isang Random Walk Down Wall Street," ang ilan sa mga hypotheses na ito ay nagtaltalan na ang hinaharap na aktibidad ng isang stock ay mahalagang hindi alam. Gayunpaman, iminumungkahi ng iba na ang mga random na pattern ng paglalakad ay maaaring masuri at inaasahang, at hindi sinasadya na ang mga modernong sistema ng pag-aaral ng makina ay madalas na inilalapat sa pagsusuri sa stock market at trading sa araw. Ang hangarin ng kaalaman sa larangan ng tech ay at palaging nakagambala sa pagtugis ng kaalaman tungkol sa pera, at ang ideya ng pag-apply ng mga random na paglalakad sa pag-aaral ng makina ay walang pagbubukod. Sa kabilang banda, ang random na paglalakad bilang isang kababalaghan ay maaaring mailapat sa anumang algorithm para sa anumang layunin, ayon sa ilan sa mga prinsipyo ng matematika na nabanggit sa itaas. Ang mga inhinyero ay maaaring gumamit ng isang random na pattern ng paglalakad upang subukan ang isang teknolohiya sa ML, o upang i-orient ito patungo sa pagpili ng tampok, o para sa iba pang mga gamit na nauugnay sa napakalaki, mga kastilyo ng hangin sa hangin na mga modernong sistema ng ML.