प्रश्न:
मशीन लर्निंग एल्गोरिदम में "यादृच्छिक चलना" कैसे सहायक हो सकता है?
ए:मशीन लर्निंग में, बड़े प्रशिक्षण डेटा सेटों के माध्यम से प्रौद्योगिकी की मदद करने के लिए "यादृच्छिक चलना" दृष्टिकोण को विभिन्न तरीकों से लागू किया जा सकता है जो मशीन की अंतिम समझ के लिए आधार प्रदान करते हैं।
एक यादृच्छिक चलना, गणितीय रूप से, कुछ ऐसा है जिसे कई अलग-अलग तकनीकी तरीकों से वर्णित किया जा सकता है। कुछ इसे चरों के यादृच्छिक संग्रह के रूप में वर्णित करते हैं; अन्य लोग इसे "स्टोकेस्टिक प्रक्रिया" कह सकते हैं। भले ही, यादृच्छिक चलना एक परिदृश्य पर विचार करता है जहां एक चर सेट एक पथ लेता है जो एक पूर्णांक सेट के अनुसार यादृच्छिक वेतन वृद्धि के आधार पर एक पैटर्न है: उदाहरण के लिए, एक संख्या रेखा पर चलना जहां चर हर कदम पर प्लस या माइनस एक चलता है। ।
| मुफ्त डाउनलोड: मशीन लर्निंग और क्यों यह मायने रखता है |
जैसे, मशीन लर्निंग एल्गोरिदम पर एक यादृच्छिक चलना लागू किया जा सकता है। वायर्ड में एक टुकड़े में वर्णित एक लोकप्रिय उदाहरण कुछ संज्ञानात्मक सिद्धांतों पर लागू होता है कि तंत्रिका नेटवर्क मानव संज्ञानात्मक प्रक्रियाओं को अनुकरण करने के लिए कैसे काम कर सकते हैं। पिछले साल अक्टूबर में एक मशीन सीखने के परिदृश्य में एक यादृच्छिक चलने के दृष्टिकोण को चित्रित करते हुए, वायर्ड लेखक नताली वोल्कोवर ने डेटा विज्ञान के अग्रदूतों नफ़्तली तिस्बी और रविद शवार्ट्ज-ज़िव को कार्यप्रणाली का बहुत श्रेय दिया, जो मशीन सीखने की गतिविधि के विभिन्न चरणों के लिए एक रोड मैप का सुझाव देते हैं। विशेष रूप से, वोल्कोवर एक "संपीड़न चरण" का वर्णन करता है जो कार्यक्रम के उद्देश्य के अनुसार एक छवि क्षेत्र में अप्रासंगिक या अर्ध-प्रासंगिक सुविधाओं या पहलुओं को फ़िल्टर करने से संबंधित है।
सामान्य विचार यह है कि, एक जटिल और बहु-चरण प्रक्रिया के दौरान, मशीन परिणामों को अनुकूलित करने के लिए छवि क्षेत्र के विभिन्न तत्वों को "याद रखें" या "भूल" करने के लिए काम करती है: संपीड़न चरण में, कार्यक्रम को "शून्यिंग" के रूप में वर्णित किया जा सकता है। "परिधीय लोगों के बहिष्करण के लिए महत्वपूर्ण विशेषताओं पर"।
विशेषज्ञ इस प्रकार की गतिविधि को संदर्भित करने के लिए "स्टोकेस्टिक ग्रेडिएंट डिसेंट" शब्द का उपयोग करते हैं। कम तकनीकी शब्दार्थ के साथ इसे समझाने का एक और तरीका यह है कि एल्गोरिथ्म की वास्तविक प्रोग्रामिंग डिग्री या पुनरावृत्तियों द्वारा "ठीक धुन" में बदल जाती है, जो कि सीखने की प्रक्रिया "यादृच्छिक चलने के चरणों" के अनुसार हो रही है जो अंततः किसी न किसी रूप की ओर ले जाएगी संश्लेषण।
बाकी यांत्रिकी बहुत विस्तृत हैं, चूंकि इंजीनियर संपीड़न चरण और अन्य संबंधित चरण के माध्यम से मशीन सीखने की प्रक्रिया को आगे बढ़ाने के लिए काम करते हैं। व्यापक विचार यह है कि मशीन सीखने की तकनीक बड़े प्रशिक्षण सेटों के मूल्यांकन के जीवन काल में गतिशील रूप से बदलती है: अलग-अलग उदाहरणों में अलग-अलग फ्लैश कार्ड देखने के बजाय, मशीन एक ही फ्लैश कार्ड को कई बार देखती है, या फ्लैश कार्ड को खींचती है यादृच्छिक, उन्हें एक बदलते, पुनरावृत्त, यादृच्छिक तरीके से देख रहे हैं।
उपरोक्त रैंडम वॉक अप्रोच एकमात्र तरीका नहीं है कि रैंडम वॉक को मशीन लर्निंग पर लागू किया जा सकता है। किसी भी मामले में जहां एक यादृच्छिक दृष्टिकोण की आवश्यकता होती है, यादृच्छिक चलना गणितज्ञ या डेटा वैज्ञानिक के टूल किट का हिस्सा हो सकता है, ताकि डेटा सीखने की प्रक्रिया को फिर से परिष्कृत किया जा सके, और जल्दी से उभरते हुए क्षेत्र में बेहतर परिणाम प्रदान किया जा सके।
सामान्य तौर पर, यादृच्छिक चलना कुछ गणितीय और डेटा विज्ञान परिकल्पनाओं से जुड़ा होता है। रैंडम वॉक के कुछ सबसे लोकप्रिय स्पष्टीकरण शेयर बाजार और व्यक्तिगत स्टॉक चार्ट के साथ करना है। जैसा कि बर्टन मल्कील के "ए रैंडम वॉक डाउन वॉल स्ट्रीट" में लोकप्रिय है, इन परिकल्पनाओं में से कुछ का तर्क है कि किसी स्टॉक की भविष्य की गतिविधि अनिवार्य रूप से अनजानी है। हालांकि, दूसरों का सुझाव है कि यादृच्छिक वॉक पैटर्न का विश्लेषण और अनुमान लगाया जा सकता है, और यह कोई संयोग नहीं है कि आधुनिक मशीन लर्निंग सिस्टम को अक्सर शेयर बाजार विश्लेषण और दिन के कारोबार के लिए लागू किया जाता है। तकनीक क्षेत्र में ज्ञान की खोज हमेशा पैसे के बारे में ज्ञान की खोज के साथ जुड़ी हुई है, और मशीन सीखने के लिए यादृच्छिक चलने को लागू करने का विचार कोई अपवाद नहीं है। दूसरी ओर, एक घटना के रूप में यादृच्छिक चलना किसी भी उद्देश्य के लिए किसी भी एल्गोरिदम पर लागू किया जा सकता है, ऊपर वर्णित गणितीय सिद्धांतों में से कुछ के अनुसार। एमएल तकनीक का परीक्षण करने के लिए, या सुविधा चयन की ओर उन्मुख करने के लिए, या आधुनिक एमएल सिस्टम में हवा में विशाल, बाइजेंटाइन महल से संबंधित अन्य उपयोगों के लिए इंजीनियर एक यादृच्छिक वॉक पैटर्न का उपयोग कर सकते हैं।
