Lar Áudio Como uma 'caminhada aleatória' pode ser útil nos algoritmos de aprendizado de máquina?

Como uma 'caminhada aleatória' pode ser útil nos algoritmos de aprendizado de máquina?

Anonim

Q:

Como uma "caminhada aleatória" pode ser útil nos algoritmos de aprendizado de máquina?

UMA:

No aprendizado de máquina, uma abordagem de "passeio aleatório" pode ser aplicada de várias maneiras para ajudar a tecnologia a filtrar os grandes conjuntos de dados de treinamento que fornecem a base para a eventual compreensão da máquina.

Uma caminhada aleatória, matematicamente, é algo que pode ser descrito de várias maneiras técnicas diferentes. Alguns o descrevem como uma coleção aleatória de variáveis; outros podem chamar de "processo estocástico". Independentemente disso, a caminhada aleatória contempla um cenário em que um conjunto de variáveis ​​segue um caminho baseado em incrementos aleatórios, de acordo com um conjunto inteiro: Por exemplo, uma caminhada em uma linha numérica em que a variável se move mais ou menos uma a cada etapa .

Download grátis: Machine Learning e por que é importante

Como tal, uma caminhada aleatória pode ser aplicada aos algoritmos de aprendizado de máquina. Um exemplo popular descrito em um artigo da Wired se aplica a algumas teorias inovadoras sobre como as redes neurais podem funcionar para simular processos cognitivos humanos. Caracterizando uma abordagem de passeio aleatório em um cenário de aprendizado de máquina em outubro passado, a escritora da Wired Natalie Wolchover atribui grande parte da metodologia aos pioneiros da ciência de dados Naftali Tishby e Ravid Shwartz-Ziv, que sugerem um roteiro para várias fases da atividade de aprendizado de máquina. Especificamente, Wolchover descreve uma "fase de compressão" relacionada à filtragem de recursos ou aspectos irrelevantes ou semi-relevantes em um campo de imagem, de acordo com a finalidade pretendida do programa.

A idéia geral é que, durante um processo complexo e de várias etapas, a máquina trabalhe para "lembrar" ou "esquecer" diferentes elementos do campo da imagem para otimizar resultados: Na fase de compactação, o programa pode ser descrito como "zeragem" em "sobre características importantes, com exclusão das periféricas.

Os especialistas usam o termo "descida do gradiente estocástico" para se referir a esse tipo de atividade. Outra maneira de explicar isso com semântica menos técnica é que a programação real do algoritmo muda em graus ou iterações, para "ajustar" o processo de aprendizagem que está ocorrendo de acordo com as "etapas aleatórias" que acabarão por levar a alguma forma de síntese.

O restante da mecânica é muito detalhado, pois os engenheiros trabalham para mover os processos de aprendizado de máquina pela fase de compressão e outras fases relacionadas. A idéia mais ampla é que a tecnologia de aprendizado de máquina muda dinamicamente ao longo da vida útil de sua avaliação de grandes conjuntos de treinamento: em vez de examinar diferentes cartões de memória em instâncias individuais, a máquina observa os mesmos cartões de memória várias vezes ou coloca cartões de memória em aleatoriamente, olhando-os de uma maneira mutável, iterativa e aleatória.

A abordagem de passeio aleatório acima não é a única maneira de aplicar o passeio aleatório ao aprendizado de máquina. Em qualquer caso em que seja necessária uma abordagem aleatória, a caminhada aleatória pode fazer parte do kit de ferramentas do matemático ou do cientista de dados, a fim de, novamente, refinar o processo de aprendizado de dados e fornecer resultados superiores em um campo rapidamente emergente.

Em geral, a caminhada aleatória está associada a certas hipóteses matemáticas e de ciência de dados. Algumas das explicações mais populares de uma caminhada aleatória têm a ver com o mercado de ações e os gráficos de ações individuais. Como popularizado em "Uma caminhada aleatória em Wall Street", de Burton Malkiel, algumas dessas hipóteses argumentam que a atividade futura de uma ação é essencialmente incognoscível. No entanto, outros sugerem que os padrões de caminhada aleatória podem ser analisados ​​e projetados, e não é por acaso que os modernos sistemas de aprendizado de máquina são frequentemente aplicados à análise do mercado de ações e ao dia de negociação. A busca do conhecimento no campo da tecnologia é e sempre foi entrelaçada com a busca do conhecimento sobre dinheiro, e a idéia de aplicar passeios aleatórios ao aprendizado de máquina não é exceção. Por outro lado, a caminhada aleatória como um fenômeno pode ser aplicada a qualquer algoritmo para qualquer finalidade, de acordo com alguns dos princípios matemáticos mencionados acima. Os engenheiros podem usar um padrão de caminhada aleatória para testar uma tecnologia de ML, ou para orientá-lo na seleção de recursos ou para outros usos relacionados aos gigantescos castelos bizantinos no ar que são os modernos sistemas de ML.

Como uma 'caminhada aleatória' pode ser útil nos algoritmos de aprendizado de máquina?