สำหรับฉันแล้วดูเหมือนว่าผู้เชี่ยวชาญด้านการเรียนรู้เครื่องจักร / การขุดข้อมูลคุ้นเคยกับ P และ NP แต่ไม่ค่อยพูดถึงบางคลาสที่ซับซ้อนยิ่งขึ้น (เช่น NC, BPP หรือ IP) และความหมายของการวิเคราะห์ข้อมูลได้อย่างมีประสิทธิภาพ มีการสำรวจงานที่ทำเช่นนี้หรือไม่?
2
ไม่มีแบบสำรวจที่ฉันรู้ แต่ลองดูตัวชี้ไปที่ "การเรียนรู้ควอนตัม" (# 5) จากโพสต์นี้: blog.computationalcomplexity.org/2012/10/quantum-workshop.html
—
Suresh Venkat
การเรียนรู้ของเครื่องเป็นประจำจะโจมตีปัญหาที่ยากมากซึ่งเป็นปัญหาภายนอกของ NP สำหรับการเพิ่มประสิทธิภาพ "ทั่วโลก" แต่ภายใน NP หรือยากกว่านั้นสำหรับการเพิ่มประสิทธิภาพ "ท้องถิ่น" ดังนั้นแนวคิดทั้งหมดของคลาสความซับซ้อนจะพร่ามัวเมื่อมีการปรับให้เหมาะสมสำหรับผลลัพธ์ "ดีพอ" ซึ่งวัดได้มากขึ้นโดยการวัดคุณภาพที่ขึ้นกับแอปพลิเคชัน & ในแง่ที่ว่า apriori รู้จักการใช้อัลกอริทึมจริงๆ ....
—
vzn
@ vzn สำหรับฉันความละเอียดอ่อนนั้นดูเหมือนจะเป็นเหตุผลที่ให้ความสนใจกับความซับซ้อนมากยิ่งขึ้น! มันอาจให้ข้อมูลเชิงลึกที่น่าสนใจบางอย่าง
—
Mike Izbicki
แน่นอนว่ามีการเชื่อมโยงระหว่างทฤษฎีการเรียนรู้ความซับซ้อนของวงจรการเข้ารหัส แต่นี่คือมุมของทฤษฎีการเรียนรู้ที่ถูกลบออกจากการฝึกการเรียนรู้ด้วยเครื่อง หากคุณสนใจฉันสามารถขึ้นกับพอยน์เตอร์
—
Sasho Nikolov
ใช่อีกตัวอย่างหนึ่งคือ BDDs (ไดอะแกรมการตัดสินใจแบบไบนารี่) ถูกใช้ในอัลกอริธึมฐานข้อมูล / การทำเหมืองข้อมูลและมีการเชื่อมต่อกับความซับซ้อนของวงจรอย่างมาก แต่สำหรับฉันแล้วคำถามทั้งหมดอาจเป็นเรื่องยากเนื่องจากการเรียนรู้ของเครื่องส่วนใหญ่มีการใช้งานในทางปฏิบัติและความซับซ้อนของการประยุกต์ใช้ ML นั้นมักจะศึกษาทางอ้อม / สังเกตุผ่านการวิเคราะห์การใช้งานจริงของอัลกอริทึมมากกว่า
—
vzn