আমার কাছে মনে হয় যে মেশিন লার্নিং / ডেটা মাইনিং বিশেষজ্ঞরা পি এবং এনপি-র সাথে পরিচিত, তবে খুব বেশি সূক্ষ্ম জটিলতার কিছু ক্লাস (উদাহরণস্বরূপ এনসি, বিপিপি, বা আইপি) এবং কার্যকরভাবে ডেটা বিশ্লেষণের জন্য তাদের প্রভাব সম্পর্কে খুব কমই কথা বলেন। কাজ করে কি কোনও জরিপ আছে?
2
আমি জানি না এমন কোনও জরিপ, তবে এই পোস্টারটি
—
সুরেশ ভেঙ্কট
মেশিন লার্নিং নিয়মিত খুব শক্ত সমস্যার আক্রমণ করে যা "গ্লোবাল" অপ্টিমাইজেশনের জন্য এনপির বাইরে থাকে তবে এনপির অভ্যন্তরে বা "স্থানীয়" অপ্টিমাইজেশনের চেয়ে কম শক্ত হয় hard সুতরাং জটিলতা শ্রেণীর পুরো ধারণাটি ঝাপসা হয়ে যায় যখন কোনও "নির্ভরযোগ্য যথেষ্ট" ফলাফলের জন্য অনুকূলিত হয় যা প্রয়োগ নির্ভর মানের মানের পরিমাপের দ্বারা আরও পরিমাপ করা হয় এবং এক অর্থে অ্যালগরিদম (গুলি) চালানোর জন্য সত্যই অপরিচিত না হয় ....
—
ভিজেএন
@vzn আমার কাছে, এই সূক্ষ্মতাটিকে জটিলতার দিকে মনোযোগ দেওয়ার আরও কারণ বলে মনে হচ্ছে! এটি কিছু খুব আকর্ষণীয় অন্তর্দৃষ্টি সরবরাহ করতে পারে।
—
মাইক ইজবিকি
শেখার তত্ত্ব, সার্কিট জটিলতা, ক্রিপ্টোগ্রাফির মধ্যে অবশ্যই সংযোগ রয়েছে। তবে এটি শিখন তত্ত্বের কোণটি যা মেশিন লার্নিং অনুশীলন থেকে কিছুটা দূরে সরে গেছে। আপনি যদি আগ্রহী হন তবে আমি কিছু পয়েন্টার নিয়ে আসতে পারি
—
সাশো নিকোলভ
হ্যাঁ, অন্য একটি উদাহরণ, বিডিডি (বাইনারি সিদ্ধান্ত ডায়াগ্রাম) ডাটাবেস অ্যালগরিদম / ডেটা মাইনিংয়ে ব্যবহৃত হয়েছে এবং সার্কিট জটিলতার সাথে দৃ strong় সংযোগ রয়েছে। তবে আমার কাছে মনে হয় পুরো প্রশ্নটি একটি জটিল কৌশল হতে পারে কারণ অনেকগুলি মেশিন লার্নিং বাস্তববাদী এবং প্রয়োগকৃত এমএলটির জটিলতা প্রায়শই তাত্ত্বিকভাবে প্রত্যাশা বা কঠোরভাবে শ্রেণিবদ্ধ করার চেষ্টা করার পরিবর্তে অ্যালগরিদমের বাস্তব বাস্তবায়ন বিশ্লেষণের মাধ্যমে পরোক্ষ / অভিজ্ঞতার সাথে অধ্যয়ন করা হয়।
—
vzn