D:
In che modo una "passeggiata casuale" può essere utile negli algoritmi di apprendimento automatico?
UN:Nell'apprendimento automatico, un approccio di "camminata casuale" può essere applicato in vari modi per aiutare la tecnologia a setacciare i set di dati di addestramento di grandi dimensioni che forniscono la base per l'eventuale comprensione della macchina.
Una camminata casuale, matematicamente, è qualcosa che può essere descritta in diversi modi tecnici. Alcuni lo descrivono come una raccolta randomizzata di variabili; altri potrebbero chiamarlo un "processo stocastico". Indipendentemente da ciò, la camminata casuale contempla uno scenario in cui una serie di variabili prende un percorso che è un modello basato su incrementi casuali, secondo una serie di numeri interi: ad esempio una camminata su una linea numerica in cui la variabile si sposta più o meno una ad ogni passo .
| Download gratuito: Machine Learning e perché è importante |
Pertanto, una camminata casuale può essere applicata agli algoritmi di apprendimento automatico. Un esempio popolare descritto in un articolo su Wired si applica ad alcune teorie rivoluzionarie su come le reti neurali possono funzionare per simulare i processi cognitivi umani. Caratterizzando un approccio di camminata casuale in uno scenario di apprendimento automatico lo scorso ottobre, la scrittrice Wired Natalie Wolchover attribuisce gran parte della metodologia ai pionieri della scienza dei dati Naftali Tishby e Ravid Shwartz-Ziv, che suggeriscono una road map per varie fasi dell'attività di apprendimento automatico. In particolare, Wolchover descrive una "fase di compressione" correlata al filtraggio di caratteristiche o aspetti irrilevanti o semi-rilevanti in un campo di immagine in base allo scopo previsto dal programma.
L'idea generale è che, durante un processo complesso e in più passaggi, la macchina lavora per "ricordare" o "dimenticare" diversi elementi del campo immagine per ottimizzare i risultati: in fase di compressione, il programma potrebbe essere descritto come "azzeramento in "su caratteristiche importanti ad esclusione di quelle periferiche.
Gli esperti usano il termine "discesa gradiente stocastica" per riferirsi a questo tipo di attività. Un altro modo per spiegarlo con una semantica meno tecnica è che la programmazione effettiva dell'algoritmo cambia di gradi o iterazioni, per "mettere a punto" quel processo di apprendimento che si sta svolgendo secondo "passi casuali" che alla fine porterà a qualche forma di sintesi.
Il resto della meccanica è molto dettagliato, poiché gli ingegneri lavorano per spostare i processi di apprendimento automatico attraverso la fase di compressione e altre fasi correlate. L'idea più ampia è che la tecnologia di apprendimento automatico cambia in modo dinamico nel corso della vita della sua valutazione di grandi set di addestramento: invece di guardare diverse schede flash in singoli casi, la macchina guarda le stesse schede flash più volte o estrae le schede flash su random, guardandoli in modo mutevole, iterativo, randomizzato.
L'approccio di camminata casuale sopra indicato non è l'unico modo in cui la camminata casuale può essere applicata all'apprendimento automatico. In ogni caso in cui è necessario un approccio randomizzato, la camminata casuale potrebbe far parte del kit di strumenti del matematico o dello scienziato dei dati, al fine di affinare nuovamente il processo di apprendimento dei dati e fornire risultati superiori in un campo in rapida crescita.
In generale, la camminata casuale è associata ad alcune ipotesi matematiche e di scienza dei dati. Alcune delle spiegazioni più popolari di una camminata casuale hanno a che fare con il mercato azionario e i singoli grafici azionari. Come reso popolare in "A Random Walk Down Wall Street" di Burton Malkiel, alcune di queste ipotesi sostengono che l'attività futura di un titolo è essenzialmente inconoscibile. Tuttavia, altri suggeriscono che i modelli di camminata casuali possono essere analizzati e proiettati e non è un caso che i moderni sistemi di apprendimento automatico siano spesso applicati all'analisi del mercato azionario e al day trading. La ricerca della conoscenza nel campo della tecnologia è ed è sempre stata intrecciata con la ricerca della conoscenza del denaro e l'idea di applicare passeggiate casuali all'apprendimento automatico non fa eccezione. D'altra parte, la camminata casuale come fenomeno può essere applicata a qualsiasi algoritmo per qualsiasi scopo, secondo alcuni dei principi matematici sopra menzionati. Gli ingegneri potrebbero utilizzare un modello di camminata casuale per testare una tecnologia ML, o per orientarla verso la selezione di funzionalità o per altri usi relativi ai giganteschi castelli bizantini nell'aria che sono moderni sistemi ML.
