Введение в вероятностные вычисления
В последние годы объем информации, собираемой на предприятиях, в науке или в Интернете, стремительно растет, и все чаще используются компьютеры, чтобы помочь людям интерпретировать все эти данные и действовать в соответствии с ними.
Например , что данные о местной температуре говорят нам о глобальной климатической системе, что веб-серфинг и покупки говорят нам о потребителях и как можно использовать генетические данные для персонализации лечения.
Что ж, все эти узнаваемые проблемы кажутся разными, но на самом деле они похожи. Все они требуют индуктивного вывода, обобщения наблюдений за миром до их основных причин. Компьютеры, которые мы использовали, не предназначены для этого и не умеют. ПОЧЕМУ ?
Изначально компьютеры создавались для решения научных и технических задач, но вскоре мы начали использовать их для бизнес-нужд. С момента своего появления компьютеры также стали коммуникационными и развлекательными устройствами. Но что происходит, когда компьютеры просят проанализировать данные?
Компьютер можно рассматривать как машину, которая выполняет набор инструкций, которые говорят ему, как преобразовывать входные данные в выходные. Есть два способа использования компьютеров для интерпретации или понимания данных - имитация и логический вывод.
В моделировании машина начинает с некоторых исходных предположений, которые она принимает в качестве входной конфигурации мира и производит в качестве выходных данных наблюдаемую траекторию. Это просто, поскольку машина выполняет инструкции в том же направлении, что и процесс, который моделирует, от причин до следствий.
Вывод - обратная проблема. Машина начинает с тех же исходных предположений, но принимает в качестве входных данных наблюдаемую траекторию и производит в качестве выходных данных конфигурацию мира, которая ее объясняет. Здесь машина должна вернуться от фактов к их вероятным причинам. Одна из распространенных проблем, связанных с выводами о данных, заключается в том, что обычно существует множество возможных объяснений для конкретных выходных данных. Другими словами, существует фундаментальная неуверенность в том, какое объяснение является правильным. Эта неопределенность является важной проблемой при объяснении и интерпретации данных. Он настолько распространен, что мы не можем ожидать абсолютно определенных ответов о данных, но мы можем делать хорошие предположения, которые включают в себя как можно больше знаний.
Хорошие предположения уравновешивают согласованность с базовыми знаниями и соответствие данным, не привнося ненужных сложностей. В традиционных вычислениях инструкции для умозаключений писать сложнее, чем для моделирования, потому что мы обычно собираем код научного поведения и технических знаний с точки зрения того, как одно вызывает другое. Поэтому гораздо легче использовать знания в этом направлении, чем в обратном. Но эти приложения обратного вывода или вывода часто более ценны как для бизнеса, так и для общества.
Вероятностные компьютеры автоматически преобразуют инструкции моделирования в программы вывода и управляют неопределенностью в отношении случайных объяснений. Это машины, предназначенные для переводчиков.
Вниманию читателя! Не прекращайте учиться сейчас. Получите все важные концепции теории CS для собеседований SDE с курсом теории CS по доступной для студентов цене и будьте готовы к отрасли.