Los algoritmos de aprendizaje automático definitivamente funcionan con algún tipo de datos. Aunque las computadoras modernas tienen memoria virtual, a veces el paso de aprendizaje de datos y algoritmos puede tomar demasiado tiempo.
Puedes hacerlo más rápido al
- Reducción de la complejidad del algoritmo u optimización de la implementación.
- Reduciendo la cantidad de datos
- Haga que su algoritmo se ejecute en diferentes máquinas y reduzca el resultado
Si no puede hacer nada con los dos primeros pasos, debe implementar una versión distribuida de su algoritmo. Significa que necesita rociar cálculos de alto costo entre máquinas separadas, realizar esos cálculos de forma independiente y reducir el resultado.
- ¿Cuál es el mejor algoritmo para descubrir características bien correlacionadas?
- Cómo obtener un codificador automático de ruido para aprender una representación demasiado completa
- ¿De qué manera es una 'Máquina de Turing Neural Lie Access' superior a las NTM normales?
- ¿Qué usos novedosos hay para el aprendizaje de refuerzo profundo?
- ¿Qué es el HTML? ¿Cuáles son las características que tiene sobre una representación de datos en texto plano?
Veamos un ejemplo: tenemos un bosque aleatorio con 100 árboles. El aprendizaje de 1 árbol lleva 1 hora. Por lo tanto, necesita `\ gt` 100 horas para aprender que el bosque al azar usa 1 computadora.
Suponga que tiene 100 computadoras. Puede hacer que cada uno aprenda un árbol, ya que esta operación no depende de otros árboles. Aquí su bosque aleatorio se vuelve ‘distribuido’: 100 computadoras aprendieron 100 árboles por usted y lo devolvieron a la computadora maestra que ahora ha completado el modelo de bosque aleatorio solo en 1 hora en lugar de 100.
Ese es un ejemplo tonto, pero presenta la idea de algo distribuido . Creo que eso es lo que le pidieron en una entrevista: dar una explicación básica de los algoritmos de aprendizaje automático distribuidos. De hecho, en un mundo moderno, los científicos de datos usan hadoop y spark, pero no es importante para una entrevista interna.