Q:
كيف يمكن أن تكون "المسيرة العشوائية" مفيدة في خوارزميات التعلم الآلي؟
أ:في التعلم الآلي ، يمكن تطبيق نهج "المشي العشوائي" بعدة طرق لمساعدة التقنية في التدقيق في مجموعات البيانات التدريبية الكبيرة التي توفر الأساس لفهم الآلة في نهاية المطاف.
المشي العشوائي ، رياضياً ، هو شيء يمكن وصفه بعدة طرق تقنية مختلفة. يصفها البعض بأنها مجموعة عشوائية من المتغيرات ؛ قد يطلق عليها آخرون "عملية عشوائية". بصرف النظر عن ذلك ، يفكر المشي العشوائي في سيناريو حيث تأخذ مجموعة متغيرة مسارًا يمثل نمطًا قائمًا على الزيادات العشوائية ، وفقًا لمجموعة من الأعداد الصحيحة: على سبيل المثال ، السير على خط الأرقام حيث يتحرك المتغير زائد أو ناقص واحد في كل خطوة .
| تحميل مجاني: تعلم الآلة ولماذا يهم |
على هذا النحو ، يمكن تطبيق المشي العشوائي على خوارزميات التعلم الآلي. أحد الأمثلة الشائعة الموصوفة في مقال في Wired ينطبق على بعض النظريات الرائدة حول كيفية عمل الشبكات العصبية لمحاكاة العمليات المعرفية البشرية. يصف الكاتب السلكي ناتالي ولشوفر نهجًا عشوائيًا للمشي في سيناريو التعلم الآلي في أكتوبر الماضي ، ويعزو جزء كبير من المنهجية إلى رائدي علوم البيانات نافتالي تيشبي ورافيد شوارتز زيف ، اللذين يقترحان خريطة طريق لمختلف مراحل نشاط تعلم الآلة. على وجه التحديد ، تصف Wolchover "مرحلة الضغط" المرتبطة بتصفية الميزات أو الجوانب غير ذات الصلة أو شبه ذات الصلة في حقل الصورة وفقًا للغرض المقصود من البرنامج.
الفكرة العامة هي أنه خلال عملية معقدة ومتعددة الخطوات ، تعمل الآلة إما على "تذكر" أو "نسيان" عناصر مختلفة من حقل الصورة لتحسين النتائج: في مرحلة الضغط ، يمكن وصف البرنامج بأنه "التصفير" في "على الميزات الهامة لاستبعاد تلك الطرفية.
يستخدم الخبراء مصطلح "النسب التدرج العشوائي" للإشارة إلى هذا النوع من النشاط. هناك طريقة أخرى لشرح ذلك باستخدام دلالات أقل تقنية تتمثل في أن البرمجة الفعلية للخوارزمية تتغير حسب الدرجات أو التكرارات ، من أجل "ضبط" عملية التعلم التي تتم وفقًا "لخطوات المشي العشوائية" التي ستؤدي في النهاية نحو شكل من أشكال نتيجة الجمع بين الطريحة والنقيضة.
إن بقية الميكانيكا مفصلة للغاية ، حيث يعمل المهندسون على نقل عمليات التعلم الآلي خلال مرحلة الضغط وغيرها من المراحل ذات الصلة. الفكرة الأوسع هي أن تقنية التعلم الآلي تتغير ديناميكيًا طوال فترة تقييمها لمجموعات التدريب الكبيرة: بدلاً من النظر إلى بطاقات فلاش مختلفة في حالات فردية ، ينظر الجهاز إلى نفس بطاقات الفلاش عدة مرات ، أو يسحب بطاقات الفلاش على عشوائي ، والنظر إليهم بطريقة متغيرة ، تكرارية ، عشوائية.
نهج المشي العشوائي أعلاه ليس هو الطريقة الوحيدة لتطبيق المشي العشوائي على التعلم الآلي. في أي حال تكون هناك حاجة إلى مقاربة عشوائية ، قد تكون المسيرة العشوائية جزءًا من مجموعة أدوات عالم الرياضيات أو عالم البيانات ، من أجل تحسين عملية تعلم البيانات مرة أخرى وتقديم نتائج ممتازة في مجال ناشئ سريعًا.
بشكل عام ، يرتبط المشي العشوائي بفرضيات معينة في علم الرياضيات والبيانات. تتعلق بعض التفسيرات الأكثر شيوعًا للمشي العشوائي بسوق الأوراق المالية ومخططات الأسهم الفردية. كما شاع في كتاب "A Random Walk Down Wall Street" في Burton Malkiel ، تجادل بعض هذه الفرضيات بأن النشاط المستقبلي للسهم غير معروف بشكل أساسي. ومع ذلك ، يشير آخرون إلى أنه يمكن تحليل أنماط المشي العشوائي وعرضها ، وليس من قبيل المصادفة أن أنظمة التعلم الآلي الحديثة يتم تطبيقها غالبًا على تحليل سوق الأسهم والتداول اليومي. إن السعي وراء المعرفة في المجال التكنولوجي كان دائمًا مرتبطًا بالسعي إلى المعرفة بالمال ، وفكرة تطبيق مسارات عشوائية للتعلم الآلي ليست استثناء. من ناحية أخرى ، يمكن تطبيق المسيرة العشوائية كظاهرة على أي خوارزمية لأي غرض ، وفقًا لبعض المبادئ الرياضية المذكورة أعلاه. يمكن للمهندسين استخدام نمط المشي العشوائي لاختبار تقنية ML ، أو لتوجيهها نحو اختيار الميزات ، أو للاستخدامات الأخرى المتعلقة بالقلاع البيزنطية العملاقة في الهواء التي تعد أنظمة ML حديثة.
