Q:
¿Cómo pueden los ingenieros utilizar el aumento de gradiente para mejorar los sistemas de aprendizaje automático?
UN:Al igual que otros tipos de impulso, el impulso gradiente busca convertir a múltiples estudiantes débiles en un solo estudiante fuerte, en una especie de "crowdsourcing" digital de potencial de aprendizaje. Otra forma en que algunos explican el aumento de gradiente es que los ingenieros agregan variables para ajustar una ecuación vaga, a fin de producir resultados más precisos.
El aumento de gradiente también se describe como un enfoque "iterativo", con las iteraciones posiblemente caracterizadas como la adición de estudiantes débiles individuales a un solo modelo de estudiante fuerte.
| Descarga gratuita: Aprendizaje automático y por qué es importante |
Aquí hay una descripción convincente de cómo ver un tipo de implementación de aumento de gradiente que mejorará los resultados del aprendizaje automático:
Los administradores del sistema primero configuraron un conjunto de alumnos débiles. Piense en ellos, por ejemplo, como un conjunto de entidades AF, cada uno sentado alrededor de una mesa virtual y trabajando en un problema, por ejemplo, la clasificación de imágenes binarias.
En el ejemplo anterior, los ingenieros primero ponderarán a cada alumno débil, posiblemente arbitrariamente, asignando un nivel de influencia a A, B, C, etc.
A continuación, el programa ejecutará un conjunto determinado de imágenes de entrenamiento. Luego, dados los resultados, volverá a sopesar la variedad de estudiantes débiles. Si A adivinó mucho mejor que B y C, la influencia de A aumentará en consecuencia.
En esta descripción simplista de una mejora del algoritmo de refuerzo, es relativamente fácil ver cómo el enfoque más complejo producirá mejores resultados. Los alumnos débiles están "pensando juntos" y, a su vez, optimizan un problema de aprendizaje automático.
Como resultado, los ingenieros pueden usar el enfoque de "conjunto" de aumento de gradiente en casi cualquier tipo de proyecto de ML, desde el reconocimiento de imágenes hasta la clasificación de las recomendaciones de los usuarios o el análisis del lenguaje natural. Es esencialmente un enfoque de "espíritu de equipo" para ML, y uno que está recibiendo mucha atención de algunos jugadores poderosos.
El aumento de gradiente en particular a menudo funciona con una función de pérdida diferenciable.
En otro modelo utilizado para explicar el aumento de gradiente, otra función de este tipo de aumento es poder aislar clasificaciones o variables que, en una imagen más amplia, son solo ruido. Al separar el árbol de regresión de cada variable o la estructura de datos en el dominio de un alumno débil, los ingenieros pueden construir modelos que "sondearán" con mayor precisión los significantes de ruido. En otras palabras, el significante cubierto por el alumno débil desafortunado será marginado, ya que ese alumno débil se vuelve a ponderar hacia abajo y se le da menos influencia.
