问：
“随机行走”如何对机器学习算法有所帮助？
A：在机器学习中，可以通过各种方式应用“随机游走”方法，以帮助技术筛选大型训练数据集，这些数据集为机器最终理解提供了基础。
从数学上讲，随机游走可以用几种不同的技术方法来描述。 有些人将其描述为随机变量集合。 其他人可能将其称为“随机过程”。 无论如何，随机游走都会考虑以下情况：变量集采用的是根据整数集的基于随机增量的模式的路径：例如，在数字行上游走，其中变量每步移动正负1 。
| 免费下载： 机器学习及其重要性 |
这样，可以将随机游走应用于机器学习算法。 《连线》中的一篇文章中描述的一个流行示例适用于关于神经网络如何工作以模拟人类认知过程的一些开创性理论。 有线作家Natalie Wolchover于去年10月描述了机器学习场景中的随机游走方法，将许多方法论归功于数据科学先驱Naftali Tishby和Ravid Shwartz-Ziv，他们提出了各种阶段的机器学习活动路线图。 具体地说，Wolchover描述了一个“压缩阶段”，与根据程序的预期目的滤除图像字段中无关或半相关的特征或方面有关。
总体思路是，在复杂的多步骤过程中，机器会“记住”或“忘记”图像字段的不同元素以优化结果：在压缩阶段，程序可称为“归零”。在重要功能上”，以排除外围功能。
专家使用术语“随机梯度下降”来指代这种活动。 用较少的技术语义解释它的另一种方法是，算法的实际编程会按度数或迭代数进行更改，以根据“随机行走步骤”“微调”正在发生的学习过程，最终将导致某种形式的学习。合成。
其余的机制非常详细，因为工程师致力于在压缩阶段和其他相关阶段进行机器学习过程。 更广泛的想法是，机器学习技术在评估大型训练集的整个生命周期中会发生动态变化：与其在各个实例中查看不同的闪存卡，不如机器多次查看同一闪存卡或将闪存卡拉至随机，以变化，迭代，随机的方式查看它们。
上述随机游走方法不是随机游走可以应用于机器学习的唯一方法。 在任何需要随机方法的情况下，随机游走都是数学家或数据科学家工具包的一部分，以便再次完善数据学习过程并在快速出现的领域中提供卓越的结果。
通常，随机游走与某些数学和数据科学假设相关。 关于随机游走的一些最流行的解释与股票市场和单个股票图表有关。 正如伯顿·马尔基尔（Burton Malkiel）的“华尔街随机走”一词所流行的，其中一些假设认为，股票的未来活动实质上是不可知的。 但是，其他人则建议可以分析和预测随机行走模式，并且现代机器学习系统经常用于股票市场分析和日间交易并非巧合。 对技术领域知识的追求一直以来都与对金钱知识的追求交织在一起，将随机游走应用于机器学习的想法也不例外。 另一方面，根据上述一些数学原理，作为一种现象的随机游走可以用于任何目的的任何算法。 工程师可能会使用随机行走模式来测试ML技术，或使其面向特征选择，或用于与现代ML系统中巨大的拜占庭式空中城堡相关的其他用途。
