মেশিন লার্নিং সম্প্রদায়টি কি "শর্তযুক্ত" এবং "দ্বারা প্যারাম্যাট্রাইজড" ব্যবহার করছে?

বলুন, উপর নির্ভরশীল । কঠোরভাবে বলতে, $X$ $\alpha$

যদি এবং উভয় এলোমেলো ভেরিয়েবল হয় তবে আমরা লিখতে পারি ; $X$ $\alpha$ $p(X\mid\alpha)$
তবে, যদি একটি র্যান্ডম ভেরিয়েবল হয় এবং একটি প্যারামিটার হয় তবে আমাদের লিখতে হবে । $X$ $\alpha$ $p(X; \alpha)$

আমি বেশ কয়েকবার লক্ষ্য করেছি যে মেশিন লার্নিং সম্প্রদায়টি পার্থক্যগুলি উপেক্ষা করে শর্তাদি অপব্যবহার করছে বলে মনে হচ্ছে।

উদাহরণস্বরূপ, বিখ্যাত এলডিএ মডেলটিতে, যেখানে একটি র্যান্ডম ভেরিয়েবলের পরিবর্তে ডিরিচলেট প্যারামিটার। $\alpha$

এখানে চিত্র বর্ণনা লিখুন

এটি ? আমি এলডিএ কাগজের মূল লেখক সহ অনেক লোককে এটিকে হিসাবে লিখি । $p(\theta;\alpha)$ $p(\theta\mid\alpha)$

machine-learning terminology

— সিবস জুয়া
সূত্র

গাণিতিকভাবে বলতে গেলে, আপনি সর্বদা স্থির উপর শর্ত রাখতে পারেন, যেহেতু এটি এলোমেলো ভেরিয়েবলের সীমাবদ্ধ কেস। বায়েশিয়ান দৃষ্টিকোণ থেকে সমস্ত অজানাটিকে এলোমেলো ভেরিয়েবল হিসাবে বিবেচনা করা হয়, তাই কন্ডিশনিং নোটেশনটি সর্বত্র ব্যবহার করা বোধগম্য।

— শি'য়ান

@ শি'আন আমি "একটি ধ্রুবককে কন্ডিশনিং করার" বিষয়ে আপনার বক্তব্যটি বুঝতে পারি। তবে কল্পনা করুন যে আমি প্যারামিটার অর্থাত্ একটি বিস্তৃত বিতরণ থেকে আঁক । আমি কি হিসাবে বিতরণটি লিখতে পারি ? এটি আমার কাছে অদ্ভুত দেখাচ্ছে কারণ যেহেতু কেউ সর্বদা একটি স্থির- সেট করতে পারে । আমার কাছে আরও স্বাচ্ছন্দ্য বোধ করে।

X

$X$

θ

$\theta$

X \sim C a t (θ)

$X\sim Cat(\theta)$

p (X ∣ θ)

$p(X\mid\theta)$

θ

$\theta$

p (X; θ)

$p(X;\theta)$

— সিবস জুবিলিং

এই বিশেষ ক্ষেত্রে আমি

লিখতে সমস্যা দেখছি না । আবার শর্তসাপেক্ষে স্বরলিপি ব্যবহার করে প্রতিটি অজানা প্যারামিটারে পূর্বের বিতরণ প্রবর্তনের পথ প্রশস্ত হয়।

p (X ∣ θ)

$p(X\mid\theta)$

— শি'য়ান

আমি মনে করি এটি মেশিন লার্নিং বনাম পরিসংখ্যানের তুলনায় বায়েশিয়ান / নন-বায়েশিয়ান পরিসংখ্যান সম্পর্কে বেশি।

$X,\alpha$ $p(X \mid \alpha)$ $X$ $\alpha$ $\alpha$ $\alpha$ $p(X; \alpha)$ $p(X \mid \alpha)$ $p(\alpha)$ $\alpha$ $\alpha$ $\alpha$

$p(X ; \alpha)$ $p(X \mid \alpha)$ $p$ $\mid$

— জুহো কোককল
সূত্র