Q：
機械学習アルゴリズムで「ランダムウォーク」はどのように役立ちますか？
A：機械学習では、「ランダムウォーク」アプローチをさまざまな方法で適用して、機械が最終的に理解するための基礎を提供する大きなトレーニングデータセットを技術が選別するのを支援できます。
ランダムウォークは、数学的には、いくつかの異なる技術的な方法で説明できるものです。 ランダム化された変数のコレクションとして説明する人もいます。 他の人はそれを「確率論的プロセス」と呼ぶかもしれません。 とにかく、ランダムウォークは、整数セットに従って、変数セットがランダムな増分に基づくパターンのパスを取るシナリオを想定しています。たとえば、変数がステップごとにプラスまたはマイナス1移動する数直線上のウォーク。
| 無料ダウンロード： 機械学習とその重要性 |
そのため、ランダムウォークは機械学習アルゴリズムに適用できます。 Wiredの記事で説明されている1つの一般的な例は、ニューラルネットワークが人間の認知プロセスをシミュレートする方法に関する画期的な理論に適用されます。 昨年10月の機械学習シナリオでのランダムウォークアプローチの特徴として、WiredのライターであるNatalie Wolchoverは、方法論の多くを、データサイエンスのパイオニアであるNaftali TishbyとRavid Shwartz-Zivに帰属します。 具体的には、Wolchoverは、プログラムの意図した目的に応じて、画像フィールド内の無関係または半関連の機能または側面を除外することに関連する「圧縮フェーズ」について説明します。
一般的な考え方は、複雑で多段階のプロセス中に、マシンが画像フィールドの異なる要素を「記憶」または「忘れ」て、結果を最適化することです。圧縮フェーズでは、プログラムは「ゼロ化」重要な機能については、周辺機能を除きます。
専門家は「確率的勾配降下」という用語を使用して、このタイプのアクティビティを指します。 あまり技術的な意味でそれを説明する別の方法は、アルゴリズムの実際のプログラミングが次数または反復によって変化し、「ランダムウォークステップ」に従って行われる学習プロセスを「微調整」し、最終的に何らかの形に導くことです。合成。
エンジニアが機械学習プロセスを圧縮段階やその他の関連する段階に移行するために働いているため、残りのメカニズムは非常に詳細です。 より広い考え方は、機械学習技術は、大きなトレーニングセットの評価期間中に動的に変化するというものです。個々のインスタンスで異なるフラッシュカードを見る代わりに、マシンは同じフラッシュカードを複数回見るか、フラッシュカードを引き出しますランダム、変化する、反復的な、ランダム化された方法でそれらを見る。
上記のランダムウォークアプローチは、ランダムウォークを機械学習に適用できる唯一の方法ではありません。 ランダム化されたアプローチが必要な場合は、ランダムウォークは数学者またはデータ科学者のツールキットの一部である可能性があります。これもまた、データ学習プロセスを改良し、急速に出現する分野で優れた結果を提供するためです。
一般に、ランダムウォークは、特定の数学的およびデータサイエンスの仮説に関連付けられています。 ランダムウォークの最も一般的な説明のいくつかは、株式市場と個々の株価チャートに関するものです。 バートン・マルキエルの「ウォール街をランダムに歩く」で一般化されているように、これらの仮説のいくつかは、株式の将来の活動は本質的には知らないと主張している。 ただし、ランダムウォークパターンを分析および予測できることを示唆する人もいます。また、現代の機械学習システムが株式市場分析およびデイトレーディングにしばしば適用されることは偶然ではありません。 技術分野での知識の追求は、常にお金に関する知識の追求と結びついており、ランダムウォークを機械学習に適用するという考えも例外ではありません。 一方、現象としてのランダムウォークは、上記の数学的原理のいくつかに従って、あらゆる目的のあらゆるアルゴリズムに適用できます。 エンジニアは、ランダムウォークパターンを使用してMLテクノロジをテストしたり、機能選択に向けたり、現代のMLシステムである巨大なビザンチンの城に関連した他の用途に使用したりする場合があります。
