Dường như với tôi, các chuyên gia khai thác dữ liệu / học máy đã quen thuộc với P và NP, nhưng hiếm khi nói về một số lớp phức tạp tinh vi hơn (ví dụ NC, BPP hoặc IP) và ý nghĩa của chúng để phân tích dữ liệu hiệu quả. Có bất kỳ khảo sát về công việc làm điều này?
2
Không có khảo sát nào tôi biết, nhưng hãy xem con trỏ này để "học lượng tử" (# 5) từ bài đăng này: blog.computationalcomplexity.org/2012/10/quantum-workshop.html
—
Suresh Venkat
học máy thường xuyên tấn công các vấn đề rất khó xảy ra bên ngoài NP để tối ưu hóa "toàn cầu" nhưng bên trong NP hoặc ít khó hơn so với tối ưu hóa "cục bộ". do đó, toàn bộ khái niệm về lớp phức tạp trở nên mờ nhạt khi người ta tối ưu hóa cho kết quả "đủ tốt", được đo lường nhiều hơn bằng các phép đo chất lượng phụ thuộc vào ứng dụng và theo nghĩa thực sự là apriori thực sự biết chạy thuật toán ....
—
vzn
@vzn Với tôi, sự tinh tế đó dường như càng có nhiều lý do để chú ý đến sự phức tạp! Nó có thể cung cấp một số hiểu biết rất thú vị.
—
Mike Izbicki
chắc chắn có mối liên hệ giữa lý thuyết học tập, độ phức tạp mạch, mật mã. nhưng đây là góc của lý thuyết học tập bị loại bỏ khỏi thực tiễn học máy. nếu bạn quan tâm, tôi có thể đưa ra một số gợi ý
—
Sasho Nikolov
vâng, một ví dụ khác, các BDD (sơ đồ quyết định nhị phân) đã được sử dụng trong các thuật toán cơ sở dữ liệu / khai thác dữ liệu và có các kết nối mạnh mẽ đến độ phức tạp của mạch. nhưng đối với tôi, toàn bộ câu hỏi có thể là một tiền đề khó khăn vì nhiều máy học là thực dụng & phức tạp của ML ứng dụng thường được nghiên cứu gián tiếp / theo kinh nghiệm thông qua việc phân tích các triển khai thực tế của thuật toán thay vì cố gắng dự đoán về mặt lý thuyết hoặc phân loại nghiêm ngặt.
—
vzn