Deep Learning Visuellt förklarad

Förstå djupinlärning med hjälp av visuella exempel

Deep learning är en av de mest kraftfulla AI-teknikerna, men den kan vara svår att förstå. I den här bloggen kommer jag att försöka förklara djupinlärning med hjälp av bilder och exempel.

Deep learning arkitektur är inspirerad av hur vår hjärna fungerar. Det är en anslutning av neuroner. Modeller för djupinlärning kan ha många parametrar. Antalet parametrar är baserat på antalet lager och neuroner, som kan växa exponentiellt för sofistikerad arkitektur.

I den här bloggen kommer jag att ta ett företagsanvändningsfall för upptäckt av ekonomiskt bedrägeri. En av de största utmaningarna inom bedrägeriupptäckt är problemet med klassobalans, vilket innebär att data som används för att träna maskininlärningsmodeller har väldigt få fall av bedrägeri.

Det är som att träna en maskininlärningsmodell för att hitta en nål i en höstack. Bedrägeriupptäckt är ett speciellt problem som motiverar ett sofistikerat tillvägagångssätt som djupinlärningsarkitektur.

I exemplet kommer jag att ta data från banktransaktionssystemet. Uppgifterna ser ut som visas här. Uppgifterna har typen av finansiell transaktion, belopp, samt ursprung och destination gammalt saldo och nytt saldo. Det finns också en flagga som indikerar om transaktionen var bedräglig eller inte.

Citatet för datasetet finns i slutet av bloggen.

Uppgifterna är uppdelade i tränings- och testdata. Modellen för djupinlärning utvecklas på träningssetet och sedan valideras den på testdata. Sedan kan denna modell användas för att förutsäga bedrägerier på osynliga data.

Modellen för djupinlärning för bedrägeriförutsägelse visas här. Ingångsneuronerna motsvarar transaktionsdata. Varje neuron motsvarar en kolumn i indata som typen av transaktion, belopp och saldoinformation vid ursprunget och destinationen.

Det finns ett mellanlager och sedan det sista lagret som har två neuroner, en som förutsäger icke-bedrägeri och den andra som förutsäger inget bedrägeri.

Linjerna är signaler som passerar mellan de olika lagren. En grön linje indikerar en positiv signal och en röd linje indikerar en negativ signal

Vi ser att neuron 1_0 skickar en positiv signal till neuronbedrägeri.

Det betyder att den har djupt lärt sig hur en bedräglig transaktion ser ut! Det här är spännande !

Låt oss kika in i neuron 1_0!

Radardiagrammet är en representation av vad neuronen har lärt sig om data. En blå linje anger ett högt värde och en röd linje anger ett lågt värde. Radardiagrammet indikerar en hög, men nästan lika gammal och ny balans vid ursprunget. Det är dock väldigt stor skillnad mellan den gamla och nya balansen på destinationen.

En sådan situation är en indikation på bedrägeri. Denna situation kan visas visuellt nedan.

Här visas noggrannheten hos modellen för djupinlärning med hjälp av en förvirringsmatris.

Totalt finns det cirka 95000 62 transaktioner, av vilka det finns 52 bedrägliga transaktioner, vilket är extremt färre än den totala transaktionen. Men djupinlärningsmodellen fungerar bra eftersom den kan identifiera XNUMX korrekt som bedrägeri, vilket också kallas sant positivt (tp)

Det finns 1 falsk positiv (fp), vilket betyder att det inte är ett bedrägeri, men modellen har felaktigt flaggat det som bedrägeri. Så precisionen, som är tp / (tp +fp), är lika med 98%.

Det finns också 10 falska negativ (fn), vilket betyder att de är bedrägliga transaktioner, men vår modell kan inte förutsäga dem. Så återkallningsmåttet som är tp / (tp +fn) vilket är 83 %

Arkitektur för djupinlärning är mycket kraftfull eftersom den hjälper till att lösa komplexa problem som att upptäcka bedrägerier. Ett visuellt sätt att analysera djupinlärningsarkitektur är användbart för att förstå arkitekturen såväl som hur den löser problemet

Datakälla citat för syntetiska finansiella datauppsättningar för bedrägeriupptäckt

De syntetiska finansiella datauppsättningarna för upptäckt av bedrägerier finns tillgängliga här: https://www.kaggle.com/competitions/spaceship-titanic/overview

Som specificerats i avsnittet Licens har den en licens CC BY-SA 4.0.

• Dela — kopiera och vidaredistribuera materialet i valfritt medium eller format
• Anpassa — remixa, transformera och bygga vidare på materialet för alla ändamål, även kommersiellt.

Tveka inte, gå med i Medium med min remisslänk.

Tveka inte, prenumerera att hålla mig informerad när jag släpper en ny berättelse.

Du kan besöka min webbplats för att göra analyser utan kodning. https://experiencedatascience.com

På hemsidan kan du också delta i kommande AI-workshops för en intressant och innovativ datavetenskap och AI-upplevelse.

Här är en länk till min YouTube-kanal
https://www.youtube.com/c/DataScienceDemonstrated

Deep Learning Visually Explained Återpublicerad från källan https://towardsdatascience.com/deep-learning-visually-explained-a9fff874d280?source=rss—-7f60cf5620c9—4 via https://towardsdatascience.com/feed

<!–

->