Globoko učenje z vizualno razlago

Razumevanje globokega učenja z uporabo vizualnih primerov

Globoko učenje je ena najmočnejših tehnik AI, vendar jo je težko razumeti. V tem blogu bom poskušal razložiti poglobljeno učenje z uporabo vizualnih elementov in primerov.

Arhitektura globokega učenja se zgleduje po tem, kako delujejo naši možgani. Je povezava nevronov. Modeli globokega učenja imajo lahko veliko parametrov. Število parametrov temelji na številu plasti in nevronov, ki lahko eksponentno rastejo za sofisticirano arhitekturo.

V tem blogu bom obravnaval primer poslovne uporabe odkrivanja finančnih goljufij. Eden največjih izzivov pri odkrivanju goljufij je problem neravnovesja razredov, kar pomeni, da imajo podatki, ki se uporabljajo za usposabljanje modelov strojnega učenja, zelo malo primerov goljufij.

To je kot usposobiti model strojnega učenja za iskanje igle v kupu sena. Odkrivanje goljufij je poseben problem, ki upravičuje prefinjen pristop, kot je arhitektura globokega učenja.

V primeru bom vzel podatke iz bančnega transakcijskega sistema. Podatki so videti, kot je prikazano tukaj. Podatki vsebujejo vrsto finančne transakcije, znesek ter izvorno in ciljno staro stanje ter novo stanje. Obstaja tudi zastavica, ki označuje, ali je bila transakcija goljufiva ali ne.

Navedba za nabor podatkov je na voljo na koncu bloga.

Podatki so razdeljeni na podatke o usposabljanju in testih. Model globokega učenja je razvit na vadbenem nizu in nato validiran na testnih podatkih. Potem se lahko ta model uporabi za napovedovanje goljufij na nevidnih podatkih.

Tukaj je prikazan model globokega učenja za napovedovanje goljufij. Vhodni nevroni ustrezajo transakcijskim podatkom. Vsak nevron ustreza stolpcu v vhodnih podatkih, kot so vrsta transakcije, znesek in informacije o stanju na izvoru in cilju.

Obstaja ena vmesna plast in nato zadnja plast, ki ima dva nevrona, enega, ki napoveduje, da ni goljufij, in drugega, ki napoveduje, da jih ni.

Črte so signali, ki se prenašajo med različnimi plastmi. Zelena črta označuje pozitiven signal, rdeča črta pa negativen signal

Vidimo, da nevron 1_0 posreduje pozitiven signal nevronu Fraud.

To pomeni, da se je poglobljeno naučil, kako izgleda goljufiva transakcija! To je razburljivo!

Pokukajmo v notranjost nevrona 1_0!

Radarska karta je predstavitev tega, kar se je nevron naučil o podatkih. Modra črta označuje visoko vrednost, rdeča črta pa nizko vrednost. Radarska karta kaže visoko, a skoraj podobno staro in novo ravnovesje na izvoru. Je pa razlika med starim in novim stanjem na destinaciji zelo velika.

Takšno stanje je znak goljufije. To stanje je mogoče vizualno prikazati spodaj.

Tukaj je prikazana natančnost modela globokega učenja z uporabo matrike zmede.

Skupaj je okoli 95000 transakcij, od tega je 62 goljufivih transakcij, kar je izjemno manj od celotne transakcije. Vendar pa je model globokega učenja dober, saj lahko pravilno prepozna 52 kot goljufijo, kar se imenuje tudi pravo pozitivno (tp)

Obstaja 1 lažno pozitiven (fp), kar pomeni, da ne gre za goljufijo, vendar jo je model nepravilno označil kot goljufijo. Torej je natančnost, ki je tp / (tp +fp), enaka 98 %.

Obstaja tudi 10 lažno negativnih (fn), kar pomeni, da gre za goljufive transakcije, vendar jih naš model ne more predvideti. Torej mera odpoklica, ki je tp / (tp +fn), kar je 83 %

Arhitektura globokega učenja je zelo zmogljiva, saj pomaga pri reševanju kompleksnih problemov, kot je odkrivanje goljufij. Vizualni način za analizo arhitekture globokega učenja je koristen za razumevanje arhitekture in tudi za to, kako rešuje problem

Navedba vira podatkov za sintetične nize finančnih podatkov za odkrivanje goljufij

Sintetični nabori finančnih podatkov za odkrivanje goljufij so na voljo tukaj: https://www.kaggle.com/competitions/spaceship-titanic/overview

Kot je navedeno v razdelku Licenca, ima licenco CC BY-SA 4.0.

• Delite s prijatelji, znanci, družino in partnerji :-) — kopirati in razširjati gradivo v katerem koli mediju ali obliki
• Prilagoditi — predelati, preoblikovati in nadgraditi gradivo za kateri koli namen, tudi komercialno.

Prosimo, pridruži se Medium z mojo referenčno povezavo.

Prosimo, naročiti da ostanem obveščen, ko objavim novo zgodbo.

Obiščete lahko mojo spletno stran in naredite analitiko brez kodiranja. https://experiencedatascience.com

Na spletni strani se lahko udeležite tudi prihajajočih delavnic AI za zanimivo in inovativno izkušnjo podatkovne znanosti in AI.

Tukaj je povezava do mojega kanala YouTube
https://www.youtube.com/c/DataScienceDemonstrated

Deep Learning Visually Explained Ponovno objavljeno iz vira https://towardsdatascience.com/deep-learning-visually-explained-a9fff874d280?source=rss—-7f60cf5620c9—4 prek https://towardsdatascience.com/feed

<!–

->