Syväoppiminen visuaalisesti selitettynä

Syväoppimisen ymmärtäminen visuaalisten esimerkkien avulla

Syväoppiminen on yksi tehokkaimmista tekoälytekniikoista, mutta sitä voi olla vaikea ymmärtää. Tässä blogissa yritän selittää syväoppimista visuaalisesti ja esimerkein.

Syväoppimisen arkkitehtuuri on saanut inspiraationsa siitä, miten aivomme toimivat. Se on neuronien yhteys. Syväoppimismalleilla voi olla monia parametreja. Parametrien määrä perustuu kerrosten ja neuronien määrään, joka voi kasvaa eksponentiaalisesti kehittyneessä arkkitehtuurissa.

Tässä blogissa käsittelen yrityskäyttöön liittyvää tapausta taloudellisten petosten havaitsemisesta. Yksi petosten havaitsemisen suurimmista haasteista on luokkaepätasapainon ongelma, mikä tarkoittaa, että koneoppimismallien kouluttamiseen käytetyssä datassa on hyvin vähän petostapauksia.

Se on kuin koneoppimismallin opettamista löytämään neula heinäsuovasta. Petosten havaitseminen on erityinen ongelma, joka oikeuttaa kehittyneen lähestymistavan, kuten syvän oppimisarkkitehtuurin.

Esimerkissä otan tiedot pankkitapahtumajärjestelmästä. Tiedot näyttävät tässä esitetyltä. Tiedoissa on rahoitustapahtuman tyyppi, summa sekä alkuperä ja kohde vanha saldo ja uusi saldo. Siellä on myös lippu, joka osoittaa, oliko tapahtuma vilpillinen vai ei.

Tietoaineiston lainaus löytyy blogin lopusta.

Tiedot on jaettu harjoitus- ja testitietoihin. Syväoppimismalli kehitetään harjoitusjoukolle ja validoidaan sitten testidatalla. Sitten tätä mallia voidaan käyttää ennustamaan petoksia näkymättömiin tietoihin.

Syväoppimismalli petosten ennustamiseen on esitetty tässä. Syötehermosolut vastaavat transaktiotietoja. Jokainen neuroni vastaa saraketta syöttötiedoissa, kuten tapahtuman tyyppi, määrä ja saldotiedot lähtö- ja kohdepisteessä.

On yksi välikerros ja sitten viimeinen kerros, jossa on kaksi hermosolua, joista toinen ennustaa, ettei petosta, ja toinen, joka ennustaa, ettei petosta.

Viivat ovat signaaleja, jotka kulkevat eri kerrosten välillä. Vihreä viiva osoittaa positiivista signaalia ja punainen viiva negatiivista signaalia

Näemme, että neuroni 1_0 välittää positiivisen signaalin hermosolulle Fraud.

Tämä tarkoittaa, että se on syvästi oppinut, miltä vilpillinen liiketoimi näyttää! Tämä on jännittävää !

Kurkistakaamme neuronin 1_0 sisään!

Tutkakaavio on esitys siitä, mitä neuroni on oppinut tiedoista. Sininen viiva osoittaa korkeaa arvoa ja punainen viiva matalaa arvoa. Tutkakartta osoittaa korkeaa, mutta lähes samanlaista vanhaa ja uutta tasapainoa origossa. Kohteen vanhan ja uuden saldon välillä on kuitenkin erittäin suuri ero.

Tällainen tilanne on merkki petoksesta. Tämä tilanne voidaan esittää visuaalisesti alla.

Tässä näkyy syväoppimismallin tarkkuus hämmennysmatriisin avulla.

Kaikkiaan tapahtumia on noin 95000 62, joista vilpillisiä tapahtumia on 52, mikä on erittäin vähemmän kuin kokonaistapahtuma. Syväoppimismalli toimii kuitenkin hyvin, koska se pystyy tunnistamaan XNUMX oikein petokseksi, jota kutsutaan myös tosi positiiviseksi (tp)

On 1 väärä positiivinen (fp), mikä tarkoittaa, että se ei ole petos, mutta malli merkitsi sen väärin petokseksi. Joten tarkkuus, joka on tp / (tp +fp), on 98%.

Lisäksi on 10 väärää negatiivista (fn), mikä tarkoittaa, että ne ovat vilpillisiä tapahtumia, mutta mallimme ei pysty ennustamaan niitä. Joten mitta muistaa, joka on tp / (tp + fn), joka on 83 %

Deep learning -arkkitehtuuri on erittäin tehokas, koska se auttaa ratkaisemaan monimutkaisia ​​ongelmia, kuten petosten havaitsemista. Visuaalinen tapa analysoida syväoppimisarkkitehtuuria on hyödyllinen arkkitehtuurin ymmärtämisessä ja sen ratkaisemisessa

Tietolähdeviite synteettisille taloustietosarjoille petosten havaitsemiseen

Synteettiset taloustietojoukot petosten havaitsemiseen ovat saatavilla täältä: https://www.kaggle.com/competitions/spaceship-titanic/overview

Kuten Lisenssi-osiossa määritetään, sillä on lisenssi CC BY-SA 4.0.

• Jaa: — kopioida ja jakaa aineistoa missä tahansa välineessä tai muodossa
• sopeuttaa — miksaa uudelleen, muunna ja rakenna materiaalia mihin tahansa tarkoitukseen, jopa kaupalliseen tarkoitukseen.

Ole hyvä liittyä Mediumiin viittauslinkilläni.

Ole hyvä merkitä pysyn ajan tasalla aina, kun julkaisen uuden tarinan.

Voit vierailla verkkosivustollani tehdäksesi analytiikkaa nollakoodauksella. https://experiencedatascience.com

Sivustolla voit myös osallistua tuleviin tekoälytyöpajoihin mielenkiintoiseen ja innovatiiviseen datatieteeseen ja tekoälykokemukseen.

Tässä linkki YouTube-kanavalleni
https://www.youtube.com/c/DataScienceDemonstrated

Deep Learning Visually Explained Julkaistu uudelleen lähteestä https://towardsdatascience.com/deep-learning-visually-explained-a9fff874d280?source=rss—-7f60cf5620c9—4 kautta https://towardsdatascience.com/feed

<!-

->