Hogar Audio ¿Cómo puede ser útil una 'caminata aleatoria' en algoritmos de aprendizaje automático?

¿Cómo puede ser útil una 'caminata aleatoria' en algoritmos de aprendizaje automático?

Anonim

Q:

¿Cómo puede ser útil una "caminata aleatoria" en algoritmos de aprendizaje automático?

UN:

En el aprendizaje automático, se puede aplicar un enfoque de "caminata aleatoria" de varias maneras para ayudar a que la tecnología analice los grandes conjuntos de datos de entrenamiento que proporcionan la base para la comprensión final de la máquina.

Una caminata aleatoria, matemáticamente, es algo que se puede describir de varias maneras técnicas diferentes. Algunos lo describen como una colección aleatoria de variables; otros podrían llamarlo un "proceso estocástico". Independientemente, la caminata aleatoria contempla un escenario en el que un conjunto de variables toma una ruta que es un patrón basado en incrementos aleatorios, de acuerdo con un conjunto de enteros: por ejemplo, una caminata en una línea numérica donde la variable se mueve más o menos uno en cada paso .

Descarga gratuita: Aprendizaje automático y por qué es importante

Como tal, se puede aplicar una caminata aleatoria a los algoritmos de aprendizaje automático. Un ejemplo popular descrito en una pieza de Wired se aplica a algunas teorías innovadoras sobre cómo las redes neuronales pueden funcionar para simular procesos cognitivos humanos. Caracterizando un enfoque de caminata aleatoria en un escenario de aprendizaje automático en octubre pasado, la escritora de Wired Natalie Wolchover atribuye gran parte de la metodología a los pioneros de la ciencia de datos Naftali Tishby y Ravid Shwartz-Ziv, quienes sugieren una hoja de ruta para diversas fases de la actividad de aprendizaje automático. Específicamente, Wolchover describe una "fase de compresión" que está relacionada con el filtrado de características o aspectos irrelevantes o semi-relevantes en un campo de imagen de acuerdo con el propósito previsto del programa.

La idea general es que, durante un proceso complejo y de varios pasos, la máquina trabaja para "recordar" u "olvidar" diferentes elementos del campo de imagen para optimizar los resultados: en la fase de compresión, el programa podría describirse como "reducción a cero" en "sobre características importantes con exclusión de las periféricas.

Los expertos usan el término "descenso de gradiente estocástico" para referirse a este tipo de actividad. Otra forma de explicarlo con una semántica menos técnica es que la programación real del algoritmo cambia por grados o iteraciones, para "afinar" ese proceso de aprendizaje que se lleva a cabo de acuerdo con "pasos aleatorios" que eventualmente conducirán a alguna forma de síntesis.

El resto de la mecánica es muy detallada, ya que los ingenieros trabajan para mover los procesos de aprendizaje automático a través de la fase de compresión y otras fases relacionadas. La idea más amplia es que la tecnología de aprendizaje automático cambia dinámicamente a lo largo de la vida útil de su evaluación de grandes conjuntos de entrenamiento: en lugar de mirar diferentes tarjetas de memoria en instancias individuales, la máquina mira las mismas tarjetas de memoria varias veces, o tira tarjetas aleatorio, mirándolos de una manera cambiante, iterativa y aleatoria.

El enfoque de caminata aleatoria anterior no es la única forma en que la caminata aleatoria se puede aplicar al aprendizaje automático. En cualquier caso en que se necesite un enfoque aleatorio, la caminata aleatoria podría ser parte del kit de herramientas del matemático o del científico de datos, para, una vez más, refinar el proceso de aprendizaje de datos y proporcionar resultados superiores en un campo emergente rápidamente.

En general, la caminata aleatoria está asociada con ciertas hipótesis matemáticas y de ciencia de datos. Algunas de las explicaciones más populares de una caminata aleatoria tienen que ver con el mercado de valores y los gráficos de acciones individuales. Como se popularizó en "A Random Walk Down Wall Street" de Burton Malkiel, algunas de estas hipótesis sostienen que la actividad futura de una acción es esencialmente incognoscible. Sin embargo, otros sugieren que los patrones de caminata aleatoria pueden analizarse y proyectarse, y no es coincidencia que los sistemas modernos de aprendizaje automático a menudo se apliquen al análisis del mercado de valores y al comercio diario. La búsqueda del conocimiento en el campo de la tecnología está y siempre ha estado entrelazada con la búsqueda del conocimiento sobre el dinero, y la idea de aplicar caminatas aleatorias al aprendizaje automático no es una excepción. Por otro lado, la caminata aleatoria como fenómeno se puede aplicar a cualquier algoritmo para cualquier propósito, de acuerdo con algunos de los principios matemáticos mencionados anteriormente. Los ingenieros pueden usar un patrón de caminata aleatorio para probar una tecnología ML, o para orientarla hacia la selección de características, o para otros usos relacionados con los gigantescos y bizantinos castillos en el aire que son sistemas modernos de ML.

¿Cómo puede ser útil una 'caminata aleatoria' en algoritmos de aprendizaje automático?