ทำความเข้าใจการเรียนรู้เชิงลึกโดยใช้ตัวอย่างภาพ
การเรียนรู้เชิงลึกเป็นหนึ่งในเทคนิค AI ที่ทรงพลังที่สุด อย่างไรก็ตาม อาจเป็นเรื่องยากที่จะเข้าใจ ในบล็อกนี้ ฉันจะพยายามอธิบายการเรียนรู้เชิงลึกโดยใช้ภาพและตัวอย่าง
สถาปัตยกรรมการเรียนรู้เชิงลึกได้รับแรงบันดาลใจจากวิธีการทำงานของสมองของเรา เป็นการเชื่อมต่อของเซลล์ประสาท โมเดลการเรียนรู้เชิงลึกสามารถมีพารามิเตอร์ได้มากมาย จำนวนพารามิเตอร์ขึ้นอยู่กับจำนวนเลเยอร์และเซลล์ประสาท ซึ่งสามารถเติบโตแบบทวีคูณสำหรับสถาปัตยกรรมที่ซับซ้อน
ในบล็อกนี้ ฉันจะพูดถึงกรณีการใช้งานทางธุรกิจในการตรวจจับการฉ้อโกงทางการเงิน หนึ่งในความท้าทายที่ใหญ่ที่สุดในการตรวจจับการฉ้อโกงคือปัญหาความไม่สมดุลของชั้นเรียน ซึ่งหมายความว่าข้อมูลที่ใช้ในการฝึกโมเดลการเรียนรู้ของเครื่องมีการฉ้อโกงน้อยมาก
มันเหมือนกับการฝึกโมเดลแมชชีนเลิร์นนิงให้ค้นหาเข็มในกองหญ้า การตรวจจับการฉ้อโกงเป็นปัญหาพิเศษที่แสดงให้เห็นถึงแนวทางที่ซับซ้อน เช่น สถาปัตยกรรมการเรียนรู้เชิงลึก
ในตัวอย่างนี้ ผมจะดึงข้อมูลจากระบบธุรกรรมทางธนาคาร ข้อมูลมีลักษณะตามที่แสดงไว้ที่นี่ ข้อมูลจะมีประเภทของธุรกรรมทางการเงิน จำนวนเงิน รวมถึงยอดคงเหลือต้นทางและปลายทาง และยอดดุลใหม่ นอกจากนี้ยังมีธงที่ระบุว่าธุรกรรมดังกล่าวเป็นการฉ้อโกงหรือไม่
ข้อมูลอ้างอิงสำหรับชุดข้อมูลมีอยู่ที่ส่วนท้ายของบล็อก
ข้อมูลจะแบ่งออกเป็นข้อมูลการฝึกอบรมและการทดสอบ โมเดลการเรียนรู้เชิงลึกได้รับการพัฒนาบนชุดการฝึกอบรม จากนั้นจะมีการตรวจสอบความถูกต้องกับข้อมูลการทดสอบ จากนั้นโมเดลนี้สามารถใช้เพื่อทำนายการฉ้อโกงข้อมูลที่มองไม่เห็นได้
โมเดลการเรียนรู้เชิงลึกสำหรับการทำนายการฉ้อโกงแสดงอยู่ที่นี่ เซลล์ประสาทอินพุตสอดคล้องกับข้อมูลธุรกรรม เซลล์ประสาทแต่ละอันสอดคล้องกับคอลัมน์ในข้อมูลอินพุต เช่น ประเภทของธุรกรรม จำนวน และข้อมูลความสมดุลที่ต้นทางและปลายทาง
มีชั้นกลางชั้นหนึ่งและชั้นสุดท้ายซึ่งมีเซลล์ประสาทสองอัน ชั้นหนึ่งทำนายการไม่ฉ้อโกง และอีกชั้นทำนายว่าไม่มีการฉ้อโกง
เส้นคือสัญญาณที่ส่งผ่านระหว่างเลเยอร์ต่างๆ เส้นสีเขียวแสดงถึงสัญญาณบวก และเส้นสีแดงแสดงถึงสัญญาณลบ
เราเห็นว่าเซลล์ประสาท 1_0 กำลังส่งสัญญาณเชิงบวกไปยังเซลล์ประสาทที่ฉ้อโกง
ซึ่งหมายความว่าได้เรียนรู้อย่างลึกซึ้งว่าธุรกรรมที่เป็นการฉ้อโกงมีลักษณะอย่างไร! นี่มันน่าตื่นเต้น!
ให้เราดูภายในเซลล์ประสาท 1_0!
แผนภูมิเรดาร์เป็นตัวแทนของสิ่งที่เซลล์ประสาทได้เรียนรู้เกี่ยวกับข้อมูล เส้นสีน้ำเงินแสดงถึงค่าที่สูง และเส้นสีแดงแสดงถึงค่าต่ำ แผนภูมิเรดาร์บ่งชี้ถึงความสมดุลเก่าและใหม่ที่จุดเริ่มต้นในระดับสูง แต่เกือบจะใกล้เคียงกัน อย่างไรก็ตาม มีความแตกต่างอย่างมากระหว่างยอดคงเหลือเก่าและใหม่ที่ปลายทาง
สถานการณ์ดังกล่าวเป็นข้อบ่งชี้ถึงการฉ้อโกง สถานการณ์นี้สามารถแสดงภาพได้ด้านล่าง
ต่อไปนี้คือความแม่นยำของโมเดลการเรียนรู้เชิงลึกโดยใช้เมทริกซ์ความสับสน
โดยรวมแล้วมีธุรกรรมประมาณ 95000 รายการ โดยมีธุรกรรมฉ้อโกง 62 รายการ ซึ่งน้อยกว่าธุรกรรมทั้งหมดมาก อย่างไรก็ตาม โมเดลการเรียนรู้เชิงลึกกำลังทำงานได้ดี เนื่องจากสามารถระบุ 52 ได้อย่างถูกต้องว่าเป็นการฉ้อโกง ซึ่งเรียกอีกอย่างว่าผลบวกที่แท้จริง (tp)
มีค่าบวกลวง 1 รายการ (fp) ซึ่งหมายความว่า ไม่ใช่การฉ้อโกง แต่แบบจำลองติดธงสถานะว่าเป็นการฉ้อโกงอย่างไม่ถูกต้อง ดังนั้นความแม่นยำ ซึ่งก็คือ tp / (tp +fp) จึงเท่ากับ 98%
นอกจากนี้ ยังมีผลลบลวง (fn) 10 รายการ ซึ่งหมายความว่าเป็นธุรกรรมที่เป็นการฉ้อโกง แต่แบบจำลองของเราไม่สามารถคาดเดาได้ ดังนั้นการเรียกคืนหน่วยวัดคือ tp / (tp +fn) ซึ่งก็คือ 83%
สถาปัตยกรรมการเรียนรู้เชิงลึกมีประสิทธิภาพมาก เนื่องจากช่วยแก้ปัญหาที่ซับซ้อน เช่น การตรวจจับการฉ้อโกง วิธีวิเคราะห์สถาปัตยกรรมการเรียนรู้เชิงลึกด้วยภาพมีประโยชน์ในการทำความเข้าใจสถาปัตยกรรมตลอดจนวิธีแก้ปัญหา
การอ้างอิงแหล่งข้อมูลสำหรับชุดข้อมูลทางการเงินสังเคราะห์สำหรับการตรวจจับการฉ้อโกง
ชุดข้อมูลทางการเงินสังเคราะห์สำหรับการตรวจจับการฉ้อโกงมีอยู่ที่นี่: https://www.kaggle.com/competitions/spaceship-titanic/overview
ตามที่ระบุไว้ในส่วนใบอนุญาตก็มีใบอนุญาต CC BY-SA 4.0.
- Share — คัดลอกและแจกจ่ายสื่อในสื่อหรือรูปแบบใด ๆ
- ปรับ — รีมิกซ์ แปลงร่าง และสร้างบนวัสดุเพื่อวัตถุประสงค์ใดๆ แม้แต่ในเชิงพาณิชย์
กรุณา เข้าร่วมสื่อ ด้วยลิงก์ผู้อ้างอิงของฉัน
กรุณา สมัครเป็นสมาชิก เพื่อรับทราบข้อมูลทุกครั้งที่ฉันเผยแพร่เรื่องราวใหม่
คุณสามารถเยี่ยมชมเว็บไซต์ของฉันเพื่อทำการวิเคราะห์โดยไม่ต้องเขียนโค้ด https://experiencedatascience.com
บนเว็บไซต์ คุณยังสามารถเข้าร่วมเวิร์กช็อป AI ที่กำลังจะมีขึ้นเพื่อประสบการณ์วิทยาศาสตร์ข้อมูลและ AI ที่น่าสนใจและสร้างสรรค์
นี่คือลิงค์ไปยังช่อง YouTube ของฉัน
https://www.youtube.com/c/DataScienceDemonstrated
การเรียนรู้เชิงลึกอธิบายด้วยสายตาเผยแพร่ซ้ำจากแหล่งที่มา https://towardsdatascience.com/deep-learning-visually-explained-a9fff874d280?source=rss—-7f60cf5620c9—4 ผ่าน https://towardsdatascience.com/feed
<!–
->
- Bitcoin
- bizbuildermike
- blockchain
- การปฏิบัติตามบล็อคเชน
- การประชุม blockchain
- ที่ปรึกษาบล็อคเชน
- coinbase
- เหรียญอัจฉริยะ
- เอกฉันท์
- การประชุม crypto
- การทำเหมือง crypto
- cryptocurrency
- ซึ่งกระจายอำนาจ
- Defi
- สินทรัพย์ดิจิทัล
- ethereum
- เรียนรู้เครื่อง
- โทเค็นที่ไม่สามารถทำซ้ำได้
- เพลโต
- เพลโตไอ
- เพลโตดาต้าอินเทลลิเจนซ์
- Platoblockchain
- เพลโตดาต้า
- เพลโตเกม
- รูปหลายเหลี่ยม
- หลักฐานการเดิมพัน
- W3
- ลมทะเล