Я люблю еду на очень личном уровне. Я не обязательно готовлю с большим разнообразием, но я готовлю с энтузиазмом, страстно нападая на любое блюдо, которое попадется мне на глаза: тако, тушеную греческую рыбу, мапо доуфу. Я много смотрю Chef’s Table на Netflix и обычно плачу.
Я был во многих ресторанах и разных местах, некоторые из которых были довольно хорошими, а некоторые - довольно плохими. Однако то, что для меня было хорошо, а что плохо, определялось не только качеством еды. Некоторые из моих лучших блюд я покупал в магазинах или на дерьмовых уличных киосках, и я был разочарован местами, рекламируемыми как «настоящие» рестораны более одного или двух раз.
Вот где наука о данных вписывается в эту историю. Мой интерес к машинному обучению пробудил целый ряд факторов, но я думаю, что оно действительно привело к кардинальным изменениям. Я могу очень высоко оценить, например, проблемы науки о данных, связанные с тщательным выбором вашей проблемы и выбором лучшего алгоритма для работы, и то, и другое имеет большое значение для реальных проблем. Один из замечательных инструментов, которые я изучал в последнее время и имеющий отношение к этой теме, - это векторы функций.
Векторы признаков используются машинным обучением и очень часто в НЛП (то есть программировании на естественном языке) для представления многомерности слов. «Король» и «Королева» являются хорошим примером этого: есть определенные черты, в которых король и королева очень похожи (например, они оба относятся к королевской семье), и есть определенные аспекты, в которых они очень разные (король и королева, например, почти исключительно мужское и женское начало). Вектор признаков определил бы это: числовые значения для мужского и женского рода будут сильно отличаться от значений для королевской семьи, которые будут примерно одинаковыми.
Как это применимо к еде? Вместо того, чтобы просто сказать, что что-то хорошо или плохо, мы могли бы разбить это на элементы, похожие на то, как мы сломали короля и королеву. Цена, удобство, стиль еды, размер порции и даже более традиционные понятия, такие как пряность, соленость и т. Д.
Одна из вещей, которые мне больше всего нравятся в машинном обучении, - это то, как оно помогает нам думать о человеческом опыте, давая нам способы его количественной оценки. Некоторые люди, как я полагаю, воображают, что это уменьшило бы жизнь как прожитую: какой смысл в искусстве или еде, если мы можем понять, почему нам это нравится? Я меньше беспокоюсь об этих вещах. Я люблю Ван Гога и до сих пор буду любить, даже если бы кто-то объяснил, почему именно, потому что в конце концов главное - это мой собственный интуитивный опыт от первого лица.
В этом случае размышление о еде с точки зрения векторов признаков помогает мне представить, почему именно одни блюда мне нравятся больше, чем другие. Иногда вам нужно место, где вас не будут судить, место, где никто не задает вопросов, тихое и открытое поздно ночью. Тогда вы можете пойти в McDonalds или FamilyMart. Иногда вам хочется чего-то, что кажется вам вознаграждением, и вы можете пойти куда-нибудь в более престижное место. Иногда, честно говоря, вы просто очень голодны или, возможно, хотите избавиться от своих проблем - количество часто недооценивается, но (на мой взгляд) чрезвычайно важная часть обеда. А что насчет еды, которую готовила ваша семья?
Однажды в Синдзюку меня попал под ливень, от которого невозможно убежать. Я спрятался в месте с лапшой, чтобы поесть. Он был обшит панелями из темного дерева, которое не отражало свет, а на потолке были пятна дыма. Я ел тяжелые тарелки супа, наблюдал за другими посетителями и думал о многом; о том, когда закончится дождь, о разных жизнях других людей, о том, насколько я чувствовал себя детективом в суровом нуарном романе. Я мало что помню о еде, но был рад, что она у меня есть.
Конечно, это лишь некоторые из многих способов перекусить. В Китае и Непале я обычно вижу множество ресторанов, выходящих наружу, а люди обедают на улице и в общественных местах. В Японии не так уж и много. Суть в том, что благодаря размышлениям об алгоритмах и векторах функций мои собственные мысли о еде расширились до различных измерений.
И это хорошо, потому что я люблю думать о еде.
