Сосредоточение личного чтения на одном жанре или предметной области может превратить время, проведенное за книгой в вечернее время, в нечто вроде вечернего университетского класса. Это может лишить нас свободы и веселья по мере того, как мы учимся. Более безопасный и беззаботный путь - позволить выбору нового содержания для чтения руководствоваться комбинацией открытого любопытства к новым идеям и отфильтрованных результатов рекомендаций, поступающих от друзей и коллег. Этот извилистый курс может показаться менее серьезным и трудолюбивым, но часто приводит к пересечению важных тем, которые чаще всего информируют или укрепляют друг друга, что можно было бы ожидать. Наше любопытство и предложения наших друзей никогда не бывают случайными. Самые полезные из них могут предоставить некоторую основу для практических решений в личной и профессиональной жизни. Недавняя серия чтений о сознании и генетических истоках высшего мышления оказалась чрезвычайно эффективной в уточнении и прояснении моих решений. Уроки, полученные от конкретного писателя, Питера Годфри-Смита, представляют собой четкую модель для понимания основ алгоритмов и принятия решений на основе данных, применяемых в работе, жизни и приключениях.
Глубокое обучение и обучение в глубине
В своей книге Other Minds: The Octopus and the Evolution of Intelligent Life заядлый аквалангист Гофри-Смит делится своими обширными знаниями о жизни и особенностях своих любимых подводных объектов, осьминогов и объятий. -рыба. Обсуждая странный древний разум этих потусторонних существ, он позволяет читателю погрузиться в то, что на самом деле означает сознание за пределами человеческого разума.
Одна из отправных точек в этом диалоге касается основы способности принимать решения в древнем микроскопическом организме, бактериях E. Coli. Эти микроскопические формы жизни, знакомые многим из нас по воспоминаниям о шпинате и повседневным заголовкам мексиканских ресторанов, являются симбиотическими действующими лицами в сложном микробиоме всех теплокровных млекопитающих. Причина, по которой Годфри-Смит привлек их к повествованию, заключалась в их способности находить и разыскивать пищу.
E. Coli не обладают сложным чутьем или нервной системой, способной к чему-либо, приближающемуся к животной жизни. У них есть сетка из маленьких жгутиков вокруг их тела, которые служат для движения их тела по примерно прямой линии или остаются неактивными, позволяя произвольно кувыркаться. Учитывая эти два варианта действий, E. coli просто переключает свой переключатель в режим случайного кувырка всякий раз, когда концентрация пищи в их окружении уменьшается.
Если концентрация пищи в окружающем материале увеличивается, они извлекают выгоду из продолжения движения и сохраняют прямую линию. Когда эта награда начинает уменьшаться, независимо от того, какой уровень концентрации пищи преобладает, они прибегают к случайному падению, которое имеет или больше шансов привести их в сторону более высокой концентрации пищи. Это включение и выключение, порядок против случайности, - это то, что мы можем упростить для многих решений. Это, очевидно, имеет множество применений в наших компьютерных мирах, где самые сложные решения имеют корни в единицах и нулях. В более философском смысле избегание преднамеренного отхода от успеха и принятие случайности до улучшения результатов можно найти во многих старых принципах. Эта концепция и ее существование в простейших формах жизни оказываются чрезвычайно полезными для понимания основных структур алгоритмов в компьютерных вычислениях и открытиях.
Машинное обучение, Bell Labs и границы рисования
Причина, по которой Годфри Смит вводит E-coli в повествование о более глубоком размышлении, - это попытка изучить ствол дерева до появления листьев. Прежде чем мы сможем понять сложную мысль и то, чем она отличается у людей, осьминогов и компьютеров, простые «Да или Нет» и «Вкл. Или Выкл.» должны быть отправной точкой. . Это чрезвычайно полезно для объяснения одного из самых основных алгоритмов машинного обучения, используемых компьютерными моделями для понимания мира. Эта формула группировки, известная как алгоритм кластеризации K-среднего, чрезвычайно проста, если свести ее активность к включенному или выключенному поведению e-coli. Первоначально задокументированный и примененный в Bell Labs в 1950-х годах, алгоритм используется для сортировки коллекции элементов по группам, которые похожи на некоторые параметры. Простой пример - представить себе совершенно новую страну, в которой есть совокупность тысяч городов, которые они хотели бы сгруппировать в двадцать «штатов». Плоская безликая страна не имеет естественных разделителей, и планировщики соглашаются сгруппировать города в штаты с наиболее концентрированными группами городов, чтобы ни один из них не находился слишком далеко от центра штата. Эта проблема требует определения местоположения каждого центра штата, которое минимизирует суммарное расстояние до городов в пределах штата независимо от того, сколько городов находится в каждом из них.
Чтобы решить эту проблему, мы можем еще раз вернуть E-Coli. Не обладая зрительным или пространственным интеллектом, компьютер должен начинать задачу наугад, так же как слепые бактерии начинают свое беспорядочное падение. В алгоритме K-среднего k означает количество центроидов, которые являются состояниями / центрами состояний. Для каждого k случайные местоположения выбираются для каждой точки на карте страны. При случайном размещении все десять государственных центров могут находиться в одной крошечной области или случайно располагаться на равном расстоянии по карте. Затем алгоритм предписывает компьютеру выполнить двоичную оценку E-Coli и отнести каждый из наших тысяч городов к штату с ближайшей центральной точкой. Эти назначения не обязательно должны быть сбалансированными или равными, но после назначения их можно использовать для измерения общей совокупной площади каждого центра штата. Это значение, которое мы стремимся минимизировать, по-прежнему не имеет никакого отношения к компьютеру и нашему пути к успеху, если его не с чем сравнивать. Чтобы двигаться вперед, как наши бактерии, компьютер берет новый центр каждой из этих назначенных групп городов и рассматривает их как центры государства, считая сумму расстояний между городами. Если эта новая сумма меньше, чем сумма случайного назначения центра штата, компьютер переназначает каждый город новым центрам штата, полученным из середины каждой предыдущей группы, а не первоначальным случайным назначениям. Этот процесс продолжает улучшать расположение государственных центров и распределение городов до тех пор, пока не будет достигнута оптимальная группировка. Если сумма новых центров не меньше, чем в предыдущем состоянии, выполняется новое случайное назначение центров, и процесс начинается снова. Этот алгоритм может быстро сгруппировать различные элементы по параметрам, выбранным пользователем. Эту формулу можно использовать во всем, от сортировки населения по цвету глаз до определения того, какую рекламу показывать конкретному населению.
Оставайтесь динамичными и случайными
Это медленное движение к успеху, показанное здесь, и продолжение курса только в том случае, если оно улучшает случайный результат, лежит в основе многих подходов к машинному обучению. Он также имитирует человеческий научный процесс с гипотезой, исследованием и, в конечном итоге, подтверждением или отклонением гипотезы. Компьютеры предоставляют нам платформу для записи итераций простых «включенных или выключенных» исследований огромных объемов данных и прогонов эксперимента. Важно понимать путь этих решений и его сходство с происхождением биологического интеллекта, чтобы понять, куда машинное обучение может двигаться в будущем. Это также позволяет нам уточнить, как мы поступаем с тысячами вариантов выбора, которые предлагаются каждый день.
«Безумие делает одно и то же снова и снова и ожидает разных результатов»
Будь то погружение в новую проблему на работе или простой выбор пункта в меню, реальное решение зависит от разделения между исследованием и использованием. Продолжать ли курс успеха или результат случайный, пока курс не будет обнаружен. Без агностической стерильности компьютера или слепой рациональности бактерий наш выбор омрачен множеством эмоций, подталкивающих нас к знакомому и прочь от случайных исследований. Углубление в суть того, что на самом деле является основой решения и осознанного мышления, предлагает напоминание и воодушевление для сохранения свежего и открытого взгляда.
