S:
Denge kavramı makine öğrenimi projelerini nasıl bilgilendirebilir?
A:Genel olarak bir denge, makine öğrenme ortamlarını stabilize etmeye çalışarak makine öğrenmesini bilgilendirecek ve deterministik ve olasılık bileşenlerinin uyumlu bir karışımıyla sonuçlar yaratacaktır.
Uzmanlar, bir "dengeyi" bir makine öğrenme sistemindeki rasyonel aktörlerin stratejik eylem üzerinde fikir birliğine ulaştığı bir durum olarak tanımlamaktadır - özellikle, oyun teorisindeki Nash dengesi, bu akılcı aktörlerin iki veya daha fazlasını, hiçbir oyuncunun diğer oyuncular kendi stratejilerini değiştirmezlerse belirli bir stratejiyi değiştirirler.
| Ücretsiz İndirme: Makine Öğrenmesi ve Neden Önemlidir |
Nash dengesinin özellikle popüler ve basit bir gösterimi, iki oyuncunun her birinin ikili bir sonuç seçtiği basit bir matrisi içerir.
Yukarıda dengeyi ve nasıl çalıştığını tanımlamak için oldukça teknik bir yoldur. Denge kavramını, özellikle de her biri ikili seçime sahip iki rasyonel aktörün yukarıdaki örneğini göstermenin çok daha gayri resmi bir yolu, "lise koridorunda birbirlerine doğru yürümek" senaryosu olarak neyi arayabileceğinizi düşünmektir.
İki kişinin bir lise koridorundan (veya başka bir alandan) farklı yönlerde yürüdüğünü varsayalım, bu sadece iki kişi için genişliğe sahip. İki açık yol ikili sonuçlardır. Eğer iki rasyonel aktör birbiriyle çatışmayan farklı ikili sonuçlar seçerse, birbirlerinden geçip merhaba derler. Eğer birbiriyle çelişen iki ikili sonuç seçerse - aynı alanda yürüyorlar ve bunlardan birinin vermesi gerekecek.
Yukarıdaki örnekte, eğer iki rasyonel aktör iki uyumlu ve çelişkili olmayan sonucu seçerse, genel fikir birliği, birinin stratejisini (bu durumda yürüme yönlerini) değiştirerek diğer kişinin kendi stratejisini değiştirmemesi ile elde edilemeyeceğidir.
Yukarıdakiler, herhangi bir makine öğrenimi yapısında modellenebilen bir denge oluşturmaktadır. Bu basit örnek göz önüne alındığında, sonuç her zaman işbirliği yapan iki rasyonel aktör veya başka bir deyişle, birbirini geçen iki kişi olacaktır.
Bunun tersi "dengesizlik" olarak adlandırılabilir - eğer iki rasyonel aktör çelişkili sonuçları seçerse, belirtildiği gibi, bunlardan birinin vermesi gerekecektir. Bununla birlikte, bunu modelleyen ML programı, her ikisi de vermeyi kararlaştırırsa, sonsuz bir döngüye atılabilir - birbirine uyum sağlamak için hareket etmek için iki kişi gibi ve hala çarpışmaya devam etmeye devam eder.
Yukarıdaki gibi dengeler genel olarak fikir birliği oluşturmak ve modelleri stabilize etmek için makine öğrenmede kullanılacaktır. Mühendisler ve geliştiriciler dengelerden yararlanan senaryoları ve durumları arayacak ve kullanmayanları değiştirmek veya işlemek için çalışacaktır. ML dengesine karşılık gelen gerçek dünyadaki örneklere baktığımızda, makine öğrenme sistemindeki bu tür bir analizin rasyonel aktörler ve ajanlar yaratarak insan davranışını nasıl modelleyeceğini bulmak için benzersiz bir şekilde öğretici olduğunu görmek kolaydır. Bu, makine öğrenim sistemlerinin uygulanmasında ilerlemeler yapmak için bir dengenin nasıl kullanılabileceğinin mükemmel bir örneğidir.
