Дубоко учење
Дубоко учење је функција вештачке интелигенције која имитира рад људског мозга у обради података и стварању образаца за употребу у одлучивању. Дубоко учење је подскуп машинског учења у вештачкој интелигенцији (АИ) који има мреже способне за учење без надзора из података који нису структурирани или необележени. Такође познато као дубоко неуронско учење или дубока неуронска мрежа.
Како функционише дубоко учење
Дубоко учење еволуирало је руку под руку са дигиталном ером, која је довела до експлозије података у свим облицима и из свих крајева света. Ови подаци, познати и као велики подаци, између осталог су прикупљени из извора попут друштвених медија, интернетских претраживача, платформи за е-трговину и интернетских биоскопа. Ова огромна количина података је лако доступна и може се делити путем финтецх апликација као што је цлоуд цомпутинг.
Међутим, подаци, који су обично неструктурирани, толико су огромни да би људима требало деценијама да их схвате и извуку релевантне информације. Компаније схватају невероватан потенцијал који може произаћи из откривања овог богатства информација и све се више прилагођавају АИ системима за аутоматизовану подршку.
Дубоко учење учи се из огромне количине неструктурираних података који би људима могли деценију разумјети и обрадити.
Дубоко учење према машинском учењу
Једна од најчешћих АИ техника која се користи за обраду великих података је машинско учење, самоадаптивни алгоритам који добија све бољу анализу и обрасце са искуством или са тек додатим подацима.
Ако би компанија за дигитално плаћање желела открити појаву или потенцијал преваре у свом систему, могла би употријебити алате за машинско учење у ту сврху. Рачунални алгоритам уграђен у рачунарски модел обрадит ће све трансакције које се догађају на дигиталној платформи, пронаћи обрасце у скупу података и указати на сваку аномалију коју детектира узорак.
Дубоко учење, подскуп машинског учења, користи хијерархијски ниво вештачких неуронских мрежа да изврши процес машинског учења. Вештачке неуронске мреже су изграђене попут људског мозга, са неуронским чворовима спојеним попут мреже. Док традиционални програми граде анализу података на линеарни начин, хијерархијска функција система дубоког учења омогућава машинама да обрађују податке нелинеарним приступом.
Традиционални приступ откривању преваре или прања новца може се ослањати на количину трансакције која ће уследити, док би нелинеарна техника дубоког учења укључивала време, географски положај, ИП адресу, врсту продавца и било које друге карактеристике које вероватно указују на лажне активности . Први слој неуронске мреже обрађује необрађени унос података као што је количина трансакције и преноси га на следећи слој као излаз. Други слој обрађује информације претходног слоја тако што укључује додатне информације попут корисничке ИП адресе и преноси његов резултат.
Следећи слој узима информације о другом слоју и укључује сирове податке, попут географског положаја и чини образац машине још бољим. Ово се наставља на свим нивоима неуронске мреже.
Кључне Такеаваис
- Дубоко учење је АИ функција која опонаша рад људског мозга у обради података за употребу у одлучивању.
- Дубоко учење АИ може да се научи из података који су и неструктурирани и необележени.
- Дубоко учење, подскуп машинског учења, може се користити за откривање преваре или прања новца.
Пример дубоког учења
Користећи горе споменути систем откривања превара приликом машинског учења, може се створити пример дубоког учења. Ако је систем машинског учења створио модел са параметрима изграђеним око броја долара које корисник пошаље или прими, метода дубоког учења може се почети градити на резултатима које нуди машинско учење.
Сваки слој неуронске мреже надограђује се на свом претходном слоју са додатним подацима као што су трговац, пошиљалац, корисник, догађај на друштвеним мрежама, кредитни резултат, ИП адреса и низ других функција којима ће требати године да се повежу заједно ако их људски обрађује биће. Алгоритми за дубоко учење обучени су да не само стварају обрасце из свих трансакција, већ и знају када образац сигнализира потребу за лажном истрагом. Завршни слој преноси сигнал аналитичару који може замрзнути кориснички налог док не буду окончане све истраге у току.
Дубоко учење користи се у свим индустријама за бројне различите задатке. Комерцијалне апликације које користе препознавање слике, платформе отвореног кода са апликацијама за препоруке потрошача и медицинска алата за истраживање који истражују могућност поновне употребе лекова за нове тегобе само су неки од примера примене дубоког учења.
Брза чињеница
Произвођач електронике Панасониц сарађује са универзитетима и истраживачким центрима на развоју технологија дубоког учења у вези са рачунарским видом.
Упоредите инвестиционе рачуне Име добављача Опис Откривање оглашивача × Понуде које се појављују у овој табели су од партнерстава од којих Инвестопедиа прима накнаду.