Görsel örnekleri kullanarak derin öğrenmeyi anlama
Derin öğrenme en güçlü yapay zeka tekniklerinden biridir ancak anlaşılması zor olabilir. Bu blogda derin öğrenmeyi görseller ve örneklerle anlatmaya çalışacağım.
Derin öğrenme mimarisi beynimizin çalışma biçiminden ilham alır. Bu nöronların bir bağlantısıdır. Derin öğrenme modellerinin birçok parametresi olabilir. Parametrelerin sayısı, karmaşık mimari için katlanarak büyüyebilen katman ve nöron sayısına dayanmaktadır.
Bu blogda, finansal dolandırıcılık tespitine ilişkin bir ticari kullanım örneğini ele alacağım. Dolandırıcılık tespitindeki en büyük zorluklardan biri sınıf dengesizliği sorunudur; bu, makine öğrenimi modellerini eğitmek için kullanılan verilerde çok az sayıda dolandırıcılık vakası olduğu anlamına gelir.
Samanlıkta iğne bulmak için bir makine öğrenimi modelini eğitmek gibidir. Dolandırıcılık tespiti, derin öğrenme mimarisi gibi karmaşık bir yaklaşıma sahip olmayı haklı çıkaran özel bir sorundur.
Örnekte bankacılık işlem sisteminden veri alacağım. Veriler burada gösterildiği gibi görünüyor. Veriler, finansal işlemin türüne, tutarına, ayrıca başlangıç ve varış yeri eski bakiyesine ve yeni bakiyeye sahiptir. İşlemin hileli olup olmadığını gösteren bir bayrak da bulunmaktadır.
Veri kümesinin alıntısı blogun sonunda mevcuttur.
Veriler eğitim ve test verilerine bölünür. Derin öğrenme modeli eğitim seti üzerinde geliştirilir ve daha sonra test verileri üzerinde doğrulanır. Daha sonra bu model, görünmeyen veriler üzerindeki sahtekarlığı tahmin etmek için kullanılabilir.
Dolandırıcılık tahmini için derin öğrenme modeli burada gösterilmektedir. Giriş nöronları işlem verilerine karşılık gelir. Her nöron, giriş ve varış noktasındaki işlem türü, tutar ve bakiye bilgileri gibi giriş verilerindeki bir sütuna karşılık gelir.
Bir ara katman ve ardından biri sahtekarlık yapılmayacağını, diğeri sahtekarlık yapılmayacağını tahmin eden iki nörona sahip son katman vardır.
Çizgiler farklı katmanlar arasında iletilen sinyallerdir. Yeşil çizgi pozitif sinyali, kırmızı çizgi ise negatif sinyali gösterir
Nöron 1_0'ın nöron Fraud'a pozitif sinyal ilettiğini görüyoruz.
Bu, hileli bir işlemin neye benzediğini derinlemesine öğrendiği anlamına geliyor! Bu heyecan verici !
Nöron 1_0'ın içine bir göz atalım!
Radar grafiği, nöronun veriler hakkında öğrendiklerinin bir temsilidir. Mavi çizgi yüksek değeri, kırmızı çizgi ise düşük değeri gösterir. Radar grafiği, başlangıç noktasında yüksek fakat hemen hemen benzer eski ve yeni dengeyi gösteriyor. Ancak varış noktasında eski denge ile yeni denge arasında çok büyük bir fark var.
Böyle bir durum dolandırıcılığın göstergesidir. Bu durum aşağıda görsel olarak gösterilebilir.
Burada, karışıklık matrisi kullanan derin öğrenme modelinin doğruluğu gösterilmektedir.
Toplamda yaklaşık 95000 işlem vardır ve bunların 62'si hileli işlemdir, bu da toplam işlemden son derece azdır. Bununla birlikte, derin öğrenme modeli, 52'yi dolandırıcılık olarak doğru bir şekilde tanımlayabildiği için iyi bir performans sergiliyor ve buna gerçek pozitif (tp) de deniyor.
1 yanlış pozitif (fp) vardır; bu, bunun bir sahtekarlık olmadığı ancak modelin bunu yanlışlıkla sahtekarlık olarak işaretlediği anlamına gelir. Yani tp / (tp +fp) olan hassasiyet %98'e eşittir.
Ayrıca 10 adet yanlış negatif (fn) vardır, bu da bunların hileli işlemler olduğu anlamına gelir, ancak modelimiz bunları tahmin edememektedir. Yani tp / (tp +fn) olan ölçüm hatırlaması %83'tür
Derin öğrenme mimarisi, dolandırıcılık tespiti gibi karmaşık sorunların çözülmesine yardımcı olduğu için çok güçlüdür. Derin öğrenme mimarisini analiz etmenin görsel bir yolu, mimariyi anlamanın yanı sıra sorunu nasıl çözdüğü konusunda da faydalıdır.
Dolandırıcılık tespiti için sentetik finansal veri kümelerine yönelik veri kaynağı alıntısı
Dolandırıcılık tespitine yönelik sentetik finansal veri kümelerine ilişkin veriler burada mevcuttur: https://www.kaggle.com/competitions/spaceship-titanic/overview
Lisans bölümünde belirtildiği gibi lisansa sahiptir. CC BY-SA 4.0.
- paylaş — materyali herhangi bir ortamda veya formatta kopyalayın ve yeniden dağıtın
- uyarlamak — ticari olarak bile olsa herhangi bir amaç için materyali yeniden karıştırın, dönüştürün ve üzerine inşa edin.
Lütfen Medium'a katıl Referans bağlantımla.
Lütfen abone ol Yeni bir hikaye yayınladığımda haberdar olmak için.
Sıfır kodlama ile analiz yapmak için web sitemi ziyaret edebilirsiniz. https://experiencedatascience.com
Web sitesinde ilginç ve yenilikçi bir veri bilimi ve yapay zeka deneyimi için yaklaşan yapay zeka atölyelerine de katılabilirsiniz.
İşte YouTube kanalımın bağlantısı
https://www.youtube.com/c/DataScienceDemonstrated
Derin Öğrenme Görsel Olarak Açıklandı Kaynaktan yayımlandı https://towardsdatascience.com/deep-learning-visually-explained-a9fff874d280?source=rss—-7f60cf5620c9—4 https://towardsdatascience.com/feed aracılığıyla
<!–
->
- Bitcoin
- bizbuildermike
- blockchain
- blockchain uyumluluğu
- blockchain konferansı
- Blockchain Danışmanları
- coinbase
- zeka
- Fikir birliği
- kripto konferansı
- kripto madenciliği
- cryptocurrency
- Merkezi olmayan
- Defi
- Dijital Varlıklar
- Ethereum
- makine öğrenme
- değiştirilemez jeton
- Platon
- plato yapay zekası
- Plato Veri Zekası
- Platoblok zinciri
- PlatoVeri
- plato oyunu
- Çokgen
- hissesini kanıtı
- W3
- zefirnet