큐:
"무작위 걷기"가 기계 학습 알고리즘에 어떻게 도움이 될 수 있습니까?
ㅏ:기계 학습에서는 "무작위 걷기"접근 방식을 다양한 방식으로 적용하여 기계의 최종 이해를위한 기초를 제공하는 대규모 교육 데이터 세트를 통해 기술을 선별 할 수 있습니다.
수학적으로 임의의 걷기는 여러 가지 다른 기술적 방법으로 설명 할 수있는 것입니다. 일부는 변수를 무작위 변수 모음으로 설명합니다. 다른 사람들은 이것을 "확률 적 프로세스"라고 부를 수도 있습니다. 그럼에도 불구하고, 랜덤 워크는 정수 세트에 따라 변수 세트가 랜덤 증분에 기초한 패턴 인 경로를 취하는 시나리오를 고려한다 : 예를 들어, 변수가 매 단계마다 플러스 또는 마이너스로 이동하는 숫자 라인에서의 도보 .
| 무료 다운로드 : 기계 학습 및 중요한 이유 |
따라서 임의 학습이 머신 러닝 알고리즘에 적용될 수 있습니다. Wired의 한 조각에 설명 된 인기있는 예는 신경망이 어떻게 인간의인지 과정을 시뮬레이션 할 수 있는지에 대한 혁신적인 이론에 적용됩니다. 지난 10 월 머신 러닝 시나리오에서 랜덤 워크 접근 방식을 특징으로하는 Wired writer Natalie Wolchover는 데이터 과학 개척자 인 Naftali Tishby와 Ravid Shwartz-Ziv에게 많은 방법론을 제공하며, 머신 러닝 활동의 다양한 단계에 대한 로드맵을 제안합니다. 특히, Wolchover는 프로그램의 의도 된 목적에 따라 이미지 필드에서 관련이 없거나 반 관련 기능 또는 측면을 필터링하는 것과 관련된 "압축 단계"를 설명합니다.
일반적인 아이디어는 복잡한 다단계 프로세스 중에 기계가 이미지 필드의 다른 요소를 "기억"하거나 "잊어"결과를 최적화하는 것입니다. 압축 단계에서 프로그램은 "제로화"라고 설명 할 수 있습니다. 주변기기를 제외하는 중요한 기능에 대해
전문가들은 이러한 유형의 활동을 지칭하기 위해 "확산 구배 강하"라는 용어를 사용합니다. 덜 기술적 인 의미로 설명하는 또 다른 방법은 알고리즘의 실제 프로그래밍이 각도 또는 반복에 따라 변경되어 결국 "임의의 보행 단계"에 따라 진행되는 학습 프로세스를 "미세 조정"하여 합성.
엔지니어가 압축 단계 및 기타 관련 단계를 통해 머신 러닝 프로세스를 이동하는 과정에서 나머지 메커니즘은 매우 상세합니다. 더 큰 아이디어는 머신 러닝 기술이 대규모 교육 세트 평가 기간 동안 수명에 따라 동적으로 변경된다는 것입니다. 개별 인스턴스에서 다른 플래시 카드를 보는 대신, 머신은 동일한 플래시 카드를 여러 번 보거나 플래시 카드를 가져옵니다. 무작위로 변경, 반복, 무작위 방식으로보고 있습니다.
위의 랜덤 워크 방식은 머신 워크 학습에 랜덤 워크를 적용 할 수있는 유일한 방법은 아닙니다. 무작위 접근 방식이 필요한 경우, 무작위 학습은 데이터 학습 프로세스를 다시 세분화하고 빠르게 발전하는 분야에서 우수한 결과를 제공하기 위해 수학자 또는 데이터 과학자 툴 키트의 일부가 될 수 있습니다.
일반적으로 랜덤 워크는 특정 수학 및 데이터 과학 가설과 관련이 있습니다. 랜덤 워크에 대한 가장 인기있는 설명 중 일부는 주식 시장 및 개별 주식 차트와 관련이 있습니다. Burton Malkiel의 "A Random Walk Down Wall Street"에서 널리 알려진 바와 같이, 이러한 가설 중 일부는 주식의 미래 활동을 본질적으로 알 수 없다고 주장합니다. 그러나 다른 사람들은 랜덤 보행 패턴을 분석하고 투영 할 수 있다고 제안하며, 현대 기계 학습 시스템이 종종 주식 시장 분석 및 일일 거래에 적용되는 것은 우연이 아닙니다. 기술 분야에서 지식을 추구하는 것은 돈에 대한 지식을 추구하는 것과 항상 얽매이고 있으며, 무작위 학습을 기계 학습에 적용한다는 아이디어도 예외는 아닙니다. 한편, 현상으로서의 랜덤 워크는 상기 언급 된 수학적 원리 중 일부에 따라 임의의 목적을 위해 임의의 알고리즘에 적용될 수있다. 엔지니어는 랜덤 보행 패턴을 사용하여 ML 기술을 테스트하거나 기능 선택을 향하거나 현대 ML 시스템 인 공중의 거대한 비잔틴 성과 관련된 다른 용도로 사용할 수 있습니다.
