মেশিন লার্নিং প্রায়শই একটি ফাংশনটির অপ্টিমাইজেশনের সাথে সম্পর্কিত হয় যার অনেকগুলি স্থানীয় মিনিমা রয়েছে। লুকানো ইউনিটগুলির সাথে ফিডফর্ডার নিউরাল নেটওয়ার্কগুলি একটি ভাল উদাহরণ। এই ফাংশনগুলি স্বতন্ত্র বা অবিচ্ছিন্ন হোক না কেন, এমন কোনও পদ্ধতি নেই যা বৈশ্বিক ন্যূনতম অর্জন করে এবং থামবে। এটি প্রমাণ করা সহজ যে এটি একটি মাত্রিক এবং মসৃণ হলেও (অবিচ্ছিন্নভাবে অনেকগুলি ডেরাইভেটিভস রয়েছে) এমনকী একটি অবিচ্ছিন্ন ক্রিয়াকলাপের সর্বনিম্ন সর্বনিম্ন সন্ধানের জন্য কোনও সাধারণ অ্যালগরিদম নেই। অনুশীলনে, স্নায়ুবিক নেটওয়ার্ক শেখার জন্য সমস্ত অ্যালগরিদম স্থানীয় সর্বনিম্নে আটকে যায়। এটি যাচাই করা সহজ: একটি এলোমেলো নিউরাল নেটওয়ার্ক তৈরি করুন, এলোমেলো ইনপুটগুলিতে এর প্রতিক্রিয়াগুলির একটি বড় সেট তৈরি করুন, তারপরে প্রতিক্রিয়াগুলি অনুলিপি করার জন্য একই আর্কিটেকচার সহ আরও একটি নিউরাল নেটওয়ার্ক শিখার চেষ্টা করুন। নিখুঁত সমাধান বিদ্যমান থাকাকালীন, কোনও ব্যাকপ্রসারণই অন্য কোনও শেখার অ্যালগরিদম এটি আবিষ্কার করতে সক্ষম হবে না,
কিছু শিখার পদ্ধতি যেমন সিমুলেটেড অ্যানিলিং বা জেনেটিক অ্যালগরিদমগুলি অনেকগুলি স্থানীয় মিনিমা অন্বেষণ করে। অবিচ্ছিন্ন ক্রিয়াকলাপগুলির জন্য গ্রেডিয়েন্ট বংশোদ্ভূত জাতীয় পদ্ধতি রয়েছে যা নিকটতম স্থানীয় ন্যূনতম সন্ধান করে। এগুলি অনেক দ্রুত, কেন তারা অনুশীলনে ব্যাপকভাবে ব্যবহৃত হয় ts তবে পর্যাপ্ত সময় দেওয়ার পরে, পূর্বের পদ্ধতিগুলির প্রশিক্ষণটি ত্রুটির ক্ষেত্রে ত্রুটির ক্ষেত্রে পরে ছাড়িয়ে যায়। কিন্তু বাস্তব বিশ্বের সমস্যার জন্য যুক্তিসঙ্গত সময়ের সীমাবদ্ধতার সাথে, পরবর্তী দলগুলি সাধারণত আরও ভাল।
কিছু মডেলগুলির জন্য, লজিস্টিক রিগ্রেশনগুলির মতো, স্থানীয় এক সর্বনিম্ন থাকে, ফাংশনটি উত্তল, মিনিমাইজেশনটি সর্বনিম্নে রূপান্তরিত করে তবে মডেলগুলি নিজেরাই সরল।
তিক্ত সত্য।
আরও মনে রাখবেন যে অভিব্যক্তির প্রমাণ এবং সর্বোত্তম সমাধানে রূপান্তরের প্রমাণ দুটি পৃথক বিষয়। কে-মানে অ্যালগরিদম এটির একটি উদাহরণ।
শেষ অবধি, কিছু মডেলের জন্য আমরা কীভাবে শিখতে জানি না। উদাহরণস্বরূপ, যদি আউটপুটটি ইনপুটগুলির একটি স্বেচ্ছামূলক গণনাযোগ্য ফাংশন হয় তবে আমরা ভাল অ্যালগরিদম জানি না যা যুক্তিসঙ্গত সময়ে এই ফাংশনটি বাস্তবায়নের জন্য একটি টুরিং বা সমতুল্য মেশিন খুঁজে পায়। উদাহরণস্বরূপ, যদি চ (1) = 2, চ (2) = 3, চ (3) = 5, চ (4) = 7, ..., চ (10) = 29 (দশ প্রথম প্রাইম) 'শিখার কোন অ্যালগরিদম জানি না যা যুক্তিসঙ্গত সময়ে ভবিষ্যদ্বাণী করতে সক্ষম হবে যে f (11) = 31, যদি না এটি ইতিমধ্যে সংখ্যার ধারণাটি জেনে থাকে।