Βαθιά Μάθηση Οπτική Εξήγηση

Κατανόηση της βαθιάς μάθησης χρησιμοποιώντας οπτικά παραδείγματα

Η βαθιά εκμάθηση είναι μια από τις πιο ισχυρές τεχνικές τεχνητής νοημοσύνης, ωστόσο, μπορεί να είναι δύσκολο να γίνει κατανοητό. Σε αυτό το ιστολόγιο, θα προσπαθήσω να εξηγήσω τη βαθιά μάθηση χρησιμοποιώντας γραφικά και παραδείγματα.

Η αρχιτεκτονική βαθιάς μάθησης εμπνέεται από τον τρόπο λειτουργίας του εγκεφάλου μας. Είναι μια σύνδεση νευρώνων. Τα μοντέλα βαθιάς μάθησης μπορούν να έχουν πολλές παραμέτρους. Ο αριθμός των παραμέτρων βασίζεται στον αριθμό των στρωμάτων και των νευρώνων, οι οποίοι μπορούν να αυξηθούν εκθετικά για εξελιγμένη αρχιτεκτονική.

Σε αυτό το ιστολόγιο, θα εξετάσω μια υπόθεση επιχειρηματικής χρήσης για τον εντοπισμό οικονομικής απάτης. Μία από τις μεγαλύτερες προκλήσεις στον εντοπισμό απάτης είναι το πρόβλημα της ανισορροπίας τάξης, πράγμα που σημαίνει ότι τα δεδομένα που χρησιμοποιούνται για την εκπαίδευση μοντέλων μηχανικής μάθησης έχουν πολύ λίγες περιπτώσεις απάτης.

Είναι σαν να εκπαιδεύετε ένα μοντέλο μηχανικής μάθησης για να βρει μια βελόνα σε μια θημωνιά. Ο εντοπισμός απάτης είναι ένα ειδικό πρόβλημα που δικαιολογεί την ύπαρξη μιας εξελιγμένης προσέγγισης όπως η αρχιτεκτονική βαθιάς μάθησης.

Στο παράδειγμα, θα πάρω δεδομένα από το σύστημα τραπεζικών συναλλαγών. Τα δεδομένα φαίνονται όπως φαίνεται εδώ. Τα δεδομένα έχουν τον τύπο χρηματοοικονομικής συναλλαγής, το ποσό, καθώς και το παλιό υπόλοιπο προέλευσης και προορισμού και το νέο υπόλοιπο. Υπάρχει επίσης μια σημαία που δείχνει εάν η συναλλαγή ήταν δόλια ή όχι.

Η παραπομπή για το σύνολο δεδομένων είναι διαθέσιμη στο τέλος του ιστολογίου.

Τα δεδομένα χωρίζονται σε δεδομένα εκπαίδευσης και δοκιμών. Το μοντέλο βαθιάς μάθησης αναπτύσσεται στο σετ εκπαίδευσης και στη συνέχεια επικυρώνεται στα δεδομένα της δοκιμής. Στη συνέχεια, αυτό το μοντέλο μπορεί να χρησιμοποιηθεί για την πρόβλεψη απάτης σε αόρατα δεδομένα.

Το μοντέλο βαθιάς μάθησης για την πρόβλεψη απάτης εμφανίζεται εδώ. Οι νευρώνες εισόδου αντιστοιχούν στα δεδομένα συναλλαγής. Κάθε νευρώνας αντιστοιχεί σε μια στήλη στα δεδομένα εισόδου, όπως ο τύπος της συναλλαγής, το ποσό και οι πληροφορίες υπολοίπου στην προέλευση και τον προορισμό.

Υπάρχει ένα ενδιάμεσο στρώμα και μετά το τελικό στρώμα που έχει δύο νευρώνες, ο ένας που προβλέπει μη απάτη και ο άλλος που προβλέπει μη απάτη.

Οι γραμμές είναι σήματα που περνούν μεταξύ των διαφορετικών επιπέδων. Μια πράσινη γραμμή δείχνει ένα θετικό σήμα και μια κόκκινη γραμμή ένα αρνητικό σήμα

Βλέπουμε ότι ο νευρώνας 1_0 περνά ένα θετικό σήμα στον νευρώνα Fraud.

Αυτό σημαίνει ότι έχει μάθει βαθιά πώς μοιάζει μια δόλια συναλλαγή! Αυτό είναι συναρπαστικό !

Ας κοιτάξουμε μέσα στον νευρώνα 1_0!

Το διάγραμμα ραντάρ είναι μια αναπαράσταση του τι έχει μάθει ο νευρώνας για τα δεδομένα. Μια μπλε γραμμή υποδηλώνει υψηλή τιμή και μια κόκκινη γραμμή υποδεικνύει χαμηλή τιμή. Το διάγραμμα ραντάρ δείχνει μια υψηλή, αλλά σχεδόν παρόμοια παλιά και νέα ισορροπία στην αρχή. Ωστόσο, υπάρχει πολύ μεγάλη διαφορά μεταξύ της παλιάς και της νέας ισορροπίας στον προορισμό.

Μια τέτοια κατάσταση είναι ένδειξη απάτης. Αυτή η κατάσταση μπορεί να παρουσιαστεί οπτικά παρακάτω.

Εδώ φαίνεται η ακρίβεια του μοντέλου βαθιάς μάθησης χρησιμοποιώντας έναν πίνακα σύγχυσης.

Συνολικά, υπάρχουν περίπου 95000 συναλλαγές, εκ των οποίων οι 62 δόλιες συναλλαγές, πολύ λιγότερες από τη συνολική συναλλαγή. Ωστόσο, το μοντέλο βαθιάς μάθησης τα πάει καλά καθώς μπορεί να αναγνωρίσει σωστά το 52 ως απάτη, το οποίο ονομάζεται επίσης αληθινό θετικό (tp)

Υπάρχει 1 ψευδώς θετικό (fp), που σημαίνει ότι δεν πρόκειται για απάτη, αλλά το μοντέλο το επισήμανε εσφαλμένα ως απάτη. Άρα η ακρίβεια, που είναι tp / (tp +fp), ισούται με 98%.

Επίσης, υπάρχουν 10 ψευδώς αρνητικά (fn), που σημαίνει ότι πρόκειται για δόλιες συναλλαγές, αλλά το μοντέλο μας δεν είναι σε θέση να τις προβλέψει. Έτσι το μέτρο ανάκληση που είναι tp / (tp +fn) που είναι 83%

Η αρχιτεκτονική βαθιάς μάθησης είναι πολύ ισχυρή καθώς βοηθά στην επίλυση σύνθετων προβλημάτων όπως η ανίχνευση απάτης. Ένας οπτικός τρόπος ανάλυσης της αρχιτεκτονικής βαθιάς μάθησης είναι χρήσιμος για την κατανόηση της αρχιτεκτονικής καθώς και για το πώς λύνει το πρόβλημα

Παραπομπή πηγών δεδομένων για συνθετικά οικονομικά σύνολα δεδομένων για ανίχνευση απάτης

Τα δεδομένα συνθετικών οικονομικών δεδομένων για τον εντοπισμό απάτης είναι διαθέσιμα εδώ: https://www.kaggle.com/competitions/spaceship-titanic/overview

Όπως ορίζεται στην ενότητα Άδεια χρήσης, διαθέτει άδεια χρήσης CC BY-SA 4.0.

• Κοινοποίηση — αντιγράψτε και αναδιανείμετε το υλικό σε οποιοδήποτε μέσο ή μορφή
• Προσαρμόζω — αναμείξτε, μετασχηματίστε και βασιστείτε στο υλικό για οποιονδήποτε σκοπό, ακόμη και για εμπορικό.

Παρακαλούμε εγγραφείτε στο Medium με τον σύνδεσμο παραπομπής μου.

Παρακαλούμε συνεισφέρω για να ενημερώνομαι κάθε φορά που δημοσιεύω μια νέα ιστορία.

Μπορείτε να επισκεφτείτε τον ιστότοπό μου για να κάνετε αναλυτικά στοιχεία με μηδενική κωδικοποίηση. https://experiencedatascience.com

Στον ιστότοπο, μπορείτε επίσης να συμμετέχετε σε επερχόμενα εργαστήρια τεχνητής νοημοσύνης για μια ενδιαφέρουσα και καινοτόμο εμπειρία επιστήμης δεδομένων και τεχνητής νοημοσύνης.

Εδώ είναι ένας σύνδεσμος προς το κανάλι μου στο YouTube
https://www.youtube.com/c/DataScienceDemonstrated

Αναδημοσίευση του Deep Learning Visually Explained από την πηγή https://towardsdatascience.com/deep-learning-visually-explained-a9fff874d280?source=rss—-7f60cf5620c9—4 μέσω https://towardsdatascience.com/feed

Si al principi no tens èxit, aleshores el paracaigudisme no és per a tu.

->