Comprendere il deep learning utilizzando esempi visivi
Il deep learning è una delle tecniche di intelligenza artificiale più potenti, tuttavia può essere difficile da comprendere. In questo blog cercherò di spiegare il deep learning utilizzando immagini ed esempi.
L'architettura del deep learning si ispira al funzionamento del nostro cervello. È una connessione di neuroni. I modelli di deep learning possono avere molti parametri. Il numero di parametri si basa sul numero di strati e neuroni, che può crescere esponenzialmente per un'architettura sofisticata.
In questo blog tratterò un caso d'uso aziendale relativo al rilevamento di frodi finanziarie. Una delle maggiori sfide nel rilevamento delle frodi è il problema dello squilibrio di classe, il che significa che i dati utilizzati per addestrare i modelli di machine learning presentano pochissimi casi di frode.
È come addestrare un modello di apprendimento automatico a trovare un ago in un pagliaio. Il rilevamento delle frodi è un problema speciale che giustifica l’adozione di un approccio sofisticato come l’architettura di deep learning.
Nell'esempio, prenderò i dati dal sistema di transazioni bancarie. I dati appaiono come mostrato qui. I dati contengono il tipo di transazione finanziaria, l'importo, nonché il vecchio saldo di origine e destinazione e il nuovo saldo. C'è anche un flag che indica se la transazione è stata fraudolenta o meno.
La citazione del set di dati è disponibile alla fine del blog.
I dati sono suddivisi in dati di training e di test. Il modello di deep learning viene sviluppato sul training set e poi validato sui dati di test. Quindi questo modello può essere utilizzato per prevedere le frodi su dati invisibili.
Il modello di deep learning per la previsione delle frodi è mostrato qui. I neuroni di input corrispondono ai dati della transazione. Ogni neurone corrisponde a una colonna nei dati di input come il tipo di transazione, l'importo e le informazioni sul saldo all'origine e alla destinazione.
C'è uno strato intermedio e poi lo strato finale che ha due neuroni, uno che prevede l'assenza di frode e l'altro che prevede l'assenza di frode.
Le linee sono segnali passati tra i diversi strati. Una linea verde indica un segnale positivo e una linea rossa indica un segnale negativo
Vediamo che il neurone 1_0 sta trasmettendo un segnale positivo al neurone Fraud.
Ciò significa che ha imparato a fondo come si presenta una transazione fraudolenta! Questo è eccitante !
Diamo un'occhiata all'interno del neurone 1_0!
Il grafico radar è una rappresentazione di ciò che il neurone ha appreso sui dati. Una linea blu indica un valore alto e una linea rossa indica un valore basso. Il grafico radar indica un equilibrio vecchio e nuovo elevato, ma quasi simile all’origine. Tuttavia, c’è una grande differenza tra il vecchio e il nuovo equilibrio a destinazione.
Una situazione del genere è indice di frode. Questa situazione può essere mostrata visivamente di seguito.
Di seguito è mostrata l'accuratezza del modello di deep learning utilizzando una matrice di confusione.
In totale, ci sono circa 95000 transazioni, di cui 62 transazioni fraudolente, che sono estremamente inferiori alla transazione totale. Tuttavia, il modello di deep learning sta funzionando bene in quanto è in grado di identificare correttamente 52 come frode, chiamata anche true positive (tp)
È presente 1 falso positivo (fp), il che significa che non si tratta di una frode, ma il modello l'ha contrassegnata erroneamente come frode. Quindi la precisione, che è tp / (tp +fp), è pari al 98%.
Inoltre, ci sono 10 falsi negativi (fn), il che significa che si tratta di transazioni fraudolente, ma il nostro modello non è in grado di prevederli. Quindi la misura di richiamo che è tp / (tp +fn) che è 83%
L'architettura di deep learning è molto potente in quanto aiuta a risolvere problemi complessi come il rilevamento delle frodi. Un modo visivo per analizzare l'architettura del deep learning è utile per comprendere l'architettura e il modo in cui risolve il problema
Citazione dell'origine dati per set di dati finanziari sintetici per il rilevamento delle frodi
I set di dati finanziari sintetici per il rilevamento delle frodi sono disponibili qui: https://www.kaggle.com/competitions/spaceship-titanic/overview
Come specificato nella sezione Licenza, ha una licenza CC BY-SA 4.0.
- Condividi — copiare e ridistribuire il materiale in qualsiasi supporto o formato
- Adattare — remixare, trasformare e costruire sul materiale per qualsiasi scopo, anche commerciale.
Per favore, unisciti a Medium con il mio link di riferimento.
Per favore, sottoscrivi per rimanere informato ogni volta che pubblico una nuova storia.
Puoi visitare il mio sito Web per eseguire analisi senza codifica. https://experiencedatascience.com
Sul sito web puoi anche partecipare ai prossimi workshop sull'intelligenza artificiale per un'esperienza interessante e innovativa di scienza dei dati e intelligenza artificiale.
Ecco un collegamento al mio canale YouTube
https://www.youtube.com/c/DataScienceDemonstrated
Deep Learning spiegato visivamente Ripubblicato dalla fonte https://towardsdatascience.com/deep-learning-visually-explained-a9fff874d280?source=rss—-7f60cf5620c9—4 tramite https://towardsdatascience.com/feed
<!–
->
- Bitcoin
- bizbuildermike
- blockchain
- conformità blockchain
- conferenza blockchain
- Consulenti Blockchain
- coinbase
- geniale
- Consenso
- conferenza crittografica
- criptazione mineraria
- criptovaluta
- decentrata
- DeFi
- Risorse digitali
- Ethereum
- machine learning
- gettone non fungibile
- Platone
- platone ai
- Platone Data Intelligence
- Platoneblockchain
- PlatoneDati
- gioco di plato
- Poligono
- prova di palo
- W3
- zefiro