यह मुझे लगता है कि मशीन लर्निंग / डेटा खनन विशेषज्ञ पी और एनपी से परिचित हैं, लेकिन शायद ही कभी अधिक सूक्ष्म जटिलता वर्गों (जैसे नेकां, बीपीपी, या आईपी) के बारे में बात करते हैं और डेटा के प्रभावी विश्लेषण के लिए उनके निहितार्थ हैं। क्या ऐसा करने का कोई सर्वेक्षण है?
2
कोई सर्वेक्षण जो मुझे पता है, लेकिन इस पॉइंटर को "क्वांटम लर्निंग" (# 5) इस पोस्ट से देखें: blog.computationalcomplexity.org/2012/10/quantum-workshop.html
—
Suresh Venkat
मशीन लर्निंग नियमित रूप से बहुत मुश्किल समस्याओं पर हमला करता है जो कि "वैश्विक" अनुकूलन के लिए एनपी के बाहर की संभावना है लेकिन एनपी के अंदर या "स्थानीय" अनुकूलन के लिए उससे कम कठिन है। इसलिए जटिलता वर्ग की पूरी अवधारणा धुंधली हो जाती है जब कोई "अच्छे पर्याप्त" परिणामों के लिए अनुकूलन कर रहा होता है जो कि अनुप्रयोग-निर्भर गुणवत्ता माप से अधिक मापा जाता है और एक अर्थ में एल्गोरिथ्म (ओं) को चलाने के लिए वास्तव में ज्ञात एप्रियोरी होता है ....
—
vzn
@vzn मेरे लिए, कि सूक्ष्मता जटिलता पर ध्यान देने के लिए सभी और अधिक कारण की तरह लगता है! यह कुछ बहुत ही रोचक जानकारी प्रदान कर सकता है।
—
माइक इजाबीकी
निश्चित रूप से सीखने के सिद्धांत, सर्किट जटिलता, क्रिप्टोग्राफी के बीच संबंध हैं। लेकिन यह सीखने के सिद्धांत का एक कोना है जो मशीन लर्निंग प्रैक्टिस से थोड़ा हट कर है। यदि आप रुचि रखते हैं, तो मैं कुछ
—
बिंदुओं के
हां, एक अन्य उदाहरण, BDDs (बाइनरी डिसीज आरेख) का उपयोग डेटाबेस एल्गोरिदम / डेटा माइनिंग में किया गया है और सर्किट एकता के लिए मजबूत संबंध हैं। लेकिन ऐसा लगता है कि यह पूरा प्रश्न थोड़ा मुश्किल हो सकता है क्योंकि बहुत अधिक मशीन सीखना व्यावहारिक है और लागू एमएल की जटिलता अक्सर अप्रत्यक्ष रूप से / अनुभवजन्य रूप से एल्गोरिदम के वास्तविक कार्यान्वयन का विश्लेषण करने के बजाय सैद्धांतिक रूप से प्रत्याशित या कड़ाई से वर्गीकृत करने के बजाय इसका अध्ययन किया जाता है।
—
vzn