Q:
Làm thế nào một "bước đi ngẫu nhiên" có thể hữu ích trong các thuật toán học máy?
A:Trong học máy, cách tiếp cận "đi bộ ngẫu nhiên" có thể được áp dụng theo nhiều cách khác nhau để giúp công nghệ sàng lọc thông qua các bộ dữ liệu đào tạo lớn cung cấp nền tảng cho sự hiểu biết cuối cùng của máy.
Đi bộ ngẫu nhiên, về mặt toán học, là một cái gì đó có thể được mô tả theo nhiều cách kỹ thuật khác nhau. Một số mô tả nó như là một bộ sưu tập các biến ngẫu nhiên; những người khác có thể gọi nó là một "quá trình ngẫu nhiên." Bất kể, đi bộ ngẫu nhiên dự tính một kịch bản trong đó một bộ biến lấy một đường dẫn là một mẫu dựa trên gia số ngẫu nhiên, theo một số nguyên: Ví dụ: đi bộ trên một dòng số mà biến số di chuyển cộng hoặc trừ một ở mỗi bước .
| Tải xuống miễn phí: Machine Learning và Why It Matters |
Như vậy, một bước đi ngẫu nhiên có thể được áp dụng cho các thuật toán học máy. Một ví dụ phổ biến được mô tả trong một đoạn trong Wired áp dụng cho một số lý thuyết đột phá về cách mạng lưới thần kinh có thể hoạt động để mô phỏng các quá trình nhận thức của con người. Đặc trưng cho cách tiếp cận ngẫu nhiên trong kịch bản học máy vào tháng 10 năm ngoái, nhà văn có dây Natalie Wolchover gán phần lớn phương pháp cho các nhà tiên phong khoa học dữ liệu Naftali Tishby và Ravid Shwartz-Ziv, người đề xuất bản đồ đường đi cho các hoạt động học máy khác nhau. Cụ thể, Wolchover mô tả "giai đoạn nén" có liên quan đến việc lọc ra các tính năng hoặc khía cạnh không liên quan hoặc bán có liên quan trong trường hình ảnh theo mục đích dự định của chương trình.
Ý tưởng chung là, trong quá trình phức tạp và nhiều bước, máy hoạt động để "nhớ" hoặc "quên" các yếu tố khác nhau của trường hình ảnh để tối ưu hóa kết quả: Trong giai đoạn nén, chương trình có thể được mô tả là "zeroing trong "về các tính năng quan trọng để loại trừ các tính năng ngoại vi.
Các chuyên gia sử dụng thuật ngữ "độ dốc dốc ngẫu nhiên" để chỉ loại hoạt động này. Một cách khác để giải thích nó với ngữ nghĩa kỹ thuật ít hơn là việc lập trình thực tế của thuật toán thay đổi theo độ hoặc lặp lại, để "tinh chỉnh" quá trình học tập đang diễn ra theo "các bước đi ngẫu nhiên" cuối cùng sẽ dẫn đến một dạng nào đó tổng hợp.
Phần còn lại của cơ học rất chi tiết, vì các kỹ sư làm việc để di chuyển các quá trình học máy thông qua giai đoạn nén và các giai đoạn liên quan khác. Ý tưởng rộng hơn là công nghệ máy học thay đổi linh hoạt trong suốt vòng đời đánh giá các bộ huấn luyện lớn: Thay vì nhìn vào các thẻ flash khác nhau trong các trường hợp riêng lẻ, máy nhìn vào cùng một thẻ flash nhiều lần hoặc kéo thẻ flash vào ngẫu nhiên, nhìn chúng theo một cách thay đổi, lặp đi lặp lại, ngẫu nhiên.
Phương pháp đi bộ ngẫu nhiên ở trên không phải là cách duy nhất mà việc đi bộ ngẫu nhiên có thể được áp dụng cho học máy. Trong mọi trường hợp cần một cách tiếp cận ngẫu nhiên, bước đi ngẫu nhiên có thể là một phần của bộ công cụ của nhà toán học hoặc nhà khoa học dữ liệu, để, một lần nữa, tinh chỉnh quá trình học dữ liệu và cung cấp kết quả vượt trội trong một lĩnh vực mới nổi lên nhanh chóng.
Nói chung, việc đi bộ ngẫu nhiên có liên quan đến các giả thuyết khoa học dữ liệu và toán học nhất định. Một số giải thích phổ biến nhất về việc đi bộ ngẫu nhiên có liên quan đến thị trường chứng khoán và biểu đồ chứng khoán riêng lẻ. Như được phổ biến trong "A Random Walk Down Wall Street" của Burton Malkiel, một số giả thuyết cho rằng hoạt động trong tương lai của một cổ phiếu về cơ bản là không thể biết được. Tuy nhiên, những người khác cho rằng các mô hình đi bộ ngẫu nhiên có thể được phân tích và dự kiến, và không phải ngẫu nhiên mà các hệ thống máy học hiện đại thường được áp dụng để phân tích thị trường chứng khoán và giao dịch trong ngày. Việc theo đuổi kiến thức trong lĩnh vực công nghệ là và luôn luôn bị cuốn theo việc theo đuổi kiến thức về tiền bạc, và ý tưởng áp dụng các bước đi ngẫu nhiên vào học máy cũng không ngoại lệ. Mặt khác, việc đi bộ ngẫu nhiên như một hiện tượng có thể được áp dụng cho bất kỳ thuật toán nào cho bất kỳ mục đích nào, theo một số nguyên tắc toán học đã đề cập ở trên. Các kỹ sư có thể sử dụng mô hình đi bộ ngẫu nhiên để kiểm tra công nghệ ML hoặc để định hướng nó theo hướng lựa chọn tính năng hoặc cho các mục đích sử dụng khác liên quan đến các lâu đài byzantine khổng lồ trong không khí là các hệ thống ML hiện đại.
