Memahami pembelajaran mendalam menggunakan contoh visual
Pembelajaran mendalam adalah salah satu teknik AI yang paling kuat, namun sulit untuk dipahami. Di blog ini saya akan mencoba menjelaskan deep learning menggunakan visual dan contoh.
Arsitektur pembelajaran mendalam terinspirasi oleh cara kerja otak kita. Ini adalah koneksi neuron. Model pembelajaran mendalam dapat memiliki banyak parameter. Jumlah parameter didasarkan pada jumlah lapisan dan neuron, yang dapat bertambah secara eksponensial untuk arsitektur canggih.
Di blog ini, saya akan mengambil kasus penggunaan bisnis deteksi penipuan keuangan. Salah satu tantangan terbesar dalam deteksi penipuan adalah masalah ketidakseimbangan kelas, yang berarti data yang digunakan untuk melatih model pembelajaran mesin hanya memiliki sedikit kasus penipuan.
Ini seperti melatih model pembelajaran mesin untuk menemukan jarum di tumpukan jerami. Deteksi penipuan adalah masalah khusus yang memerlukan pendekatan canggih seperti arsitektur pembelajaran mendalam.
Pada contoh saya akan mengambil data dari sistem transaksi perbankan. Datanya terlihat seperti yang ditunjukkan di sini. Data tersebut berupa jenis transaksi keuangan, jumlah, serta asal dan tujuan saldo lama, dan saldo baru. Ada juga tanda yang menunjukkan apakah transaksi tersebut palsu atau tidak.
Kutipan untuk kumpulan data tersedia di akhir blog.
Data tersebut dibagi menjadi data latih dan data uji. Model pembelajaran mendalam dikembangkan pada set pelatihan dan kemudian divalidasi pada data pengujian. Kemudian model ini dapat digunakan untuk memprediksi penipuan pada data yang tidak terlihat.
Model pembelajaran mendalam untuk prediksi penipuan ditampilkan di sini. Neuron masukan sesuai dengan data transaksi. Setiap neuron berhubungan dengan kolom pada data masukan seperti jenis transaksi, jumlah, dan informasi saldo di asal dan tujuan.
Terdapat satu lapisan perantara dan kemudian lapisan terakhir yang memiliki dua neuron, satu yang memprediksi non-penipuan dan yang lainnya memprediksi tanpa penipuan.
Garis adalah sinyal yang diteruskan antar lapisan yang berbeda. Garis hijau menunjukkan sinyal positif dan garis merah menunjukkan sinyal negatif
Kita melihat bahwa neuron 1_0 meneruskan sinyal positif ke neuron Penipuan.
Artinya, mereka telah mempelajari secara mendalam seperti apa transaksi penipuan itu! Ini menyenangkan !
Mari kita intip ke dalam neuron 1_0!
Bagan radar adalah representasi dari apa yang telah dipelajari neuron tentang data. Garis biru menunjukkan nilai tinggi, dan garis merah menunjukkan nilai rendah. Grafik radar menunjukkan keseimbangan lama dan baru yang tinggi, namun hampir serupa di titik asal. Namun terdapat perbedaan yang sangat besar antara saldo lama dan baru di tempat tujuan.
Situasi seperti ini merupakan indikasi penipuan. Situasi ini dapat ditunjukkan secara visual di bawah ini.
Di sini ditampilkan keakuratan model pembelajaran mendalam menggunakan matriks konfusi.
Totalnya ada sekitar 95000 transaksi, dimana terdapat 62 transaksi penipuan, jauh lebih sedikit dari total transaksi. Namun, model pembelajaran mendalam berjalan dengan baik karena mampu mengidentifikasi 52 dengan benar sebagai penipuan, yang juga disebut benar positif (tp)
Terdapat 1 false positif (fp), artinya ini bukan penipuan, namun model salah menandainya sebagai penipuan. Jadi presisinya yaitu tp / (tp +fp) sama dengan 98%.
Selain itu, terdapat 10 false negative (fn) yang artinya merupakan transaksi penipuan, namun model kami tidak dapat memprediksinya. Jadi ukuran recall yaitu tp/(tp+fn) yaitu 83%
Arsitektur pembelajaran mendalam sangat berguna karena membantu memecahkan masalah kompleks seperti deteksi penipuan. Cara visual untuk menganalisis arsitektur pembelajaran mendalam berguna dalam memahami arsitektur serta cara memecahkan masalah
Kutipan sumber data untuk kumpulan data keuangan sintetis untuk deteksi penipuan
Kumpulan data keuangan sintetis untuk deteksi penipuan adalah data yang tersedia di sini: https://www.kaggle.com/competitions/spaceship-titanic/overview
Sebagaimana ditentukan di bagian Lisensi, ia memiliki lisensi CC BY-SA 4.0.
- Share โ menyalin dan mendistribusikan ulang materi dalam media atau format apa pun
- Menyesuaikan โ mencampur, mengubah, dan mengembangkan materi untuk tujuan apa pun, bahkan untuk tujuan komersial.
Silahkan bergabunglah dengan Medium dengan tautan referensi saya.
Silahkan berlangganan untuk tetap mendapat informasi setiap kali saya merilis cerita baru.
Anda dapat mengunjungi situs web saya untuk membuat analisis tanpa coding. https://experiencedatascience.com
Di situs web, Anda juga dapat berpartisipasi dalam lokakarya AI yang akan datang untuk mendapatkan ilmu data dan pengalaman AI yang menarik dan inovatif.
Ini tautan ke saluran YouTube saya
https://www.youtube.com/c/DataScienceDemonstrated
Pembelajaran Mendalam Dijelaskan Secara Visual Diterbitkan ulang dari Sumber https://towardsdatascience.com/deep-learning-visually-explained-a9fff874d280?source=rssโ-7f60cf5620c9โ4 melalui https://towardsdatascience.com/feed
<!โ
->
- Bitcoin
- bizbuildermike
- blockchain
- kepatuhan blockchain
- konferensi blockchain
- Konsultan Blockchain
- coinbase
- kecerdasan
- Konsensus
- konferensi crypto
- pertambangan kripto
- cryptocurrency
- Terdesentralisasi
- Defi
- Aset-Aset Digital
- ethereum
- Mesin belajar
- token yang tidak dapat dipertukarkan
- plato
- plato ai
- Kecerdasan Data Plato
- Platoblockchain
- Data Plato
- permainan plato
- Poligon
- bukti kepemilikan
- W3
- zephyrnet.dll