O Deep Learning no mundo atual
O impacto do deep learning é significativo – e está apenas a começar
Deep Learning com SAS e Python
DLPy é um package open source que os cientistas de dados podem descarregar para aplicar algoritmos de deep learning do SAS a imagem, texto, e dados áudio. É concebido para resolver visão computacional, processamento de linguagem natural, efetuar previsão, e problemas de processamento de discurso.
Como o SAS® utiliza o Deep Learning
Este guia passo a passo compara múltiplos modelos de redes neurais e explica como os pode utilizar. Irá receber uma introdução a técnicas de deep learning, aplicações e como o SAS suporta a criação de modelos de redes neurais profundas.
Como utilizar o deep learning para incorporar imagem
Modelos de incorporação são usados para reduzir a dimensionalidade dos dados de entrada, tais como imagens. Quando um modelo de incorporação é utilizado, as imagens de entrada são convertidas em vetores de baixa dimensão que podem ser utilizados mais facilmente por outras funções de visão computacional. A chave para uma boa incorporação é formar o modelo para que as imagens semelhantes sejam convertidas em vetores semelhantes.
Como funciona o deep learning
O Deep Learning muda a forma como se pensa representar os problemas que se resolvem com a analítica. Passa de dizer ao computador como resolver um problema para treinar o computador a resolver o problema em si.
Representação de características
O Deep Learning é uma mudança de paradigma na construção de modelos que passa da engenharia de características para a representação de características
Deep learning layers
Em vez de utilizar variáveis conhecidas para prever o desconhecido, o deep learning observa os layers dos dados para reconhecer as características latentes dos dados.
Resultados do Deep Learning
A promessa do deep learning é a de que pode desenvolver sistemas de previsão que se podem generalizar corretamente, adaptar bem e melhorar continuamente à medida que chegam novos dados. Já não se encaixa num modelo. Em vez disso, treina a função.
Uma abordagem tradicional à analítica é a de utilizar os dados à disposição para trabalhar características e para derivar novas variáveis, e depois selecionar um modelo analítico e finalmente estimar os parâmetros desse modelo. Estas técnicas podem produzir sistemas preditivos que não generalizam bem porque a completude e correção dependem da qualidade do modelo e das suas características. Por exemplo, se desenvolver um modelo de fraude através da engenharia de características, começa com um conjunto de variáveis, e muito provavelmente obtém um modelo que irá derivar dessas variáveis utilizando transformações de dados. Pode acabar com 30.000 variáveis das quais o seu modelo depende, depois tem de moldar o modelo, descobrir quais as variáveis que são significativas, quais as que não são, e assim continuamente. A adição de mais dados requer que o faça de novo.
A nova abordagem, com o Deep Learning, é a de substituir a formulação e especificação do modelo com caracterizações (ou camadas) hierárquicas que aprendem a reconhecer características latentes dos dados de entre as regularidades nas camadas.
Analítica Avançada do SAS
O Deep learning é apenas uma técnica no conjunto de ferramentas dos cientistas de dados. Fique a saber mais sobre outras técnicas de analítica avançada, incluindo previsão, análise de texto e otimização.
Leitura recomendada
- Article Detetar e prevenir a fraude nas aplicações bancáriasA fraude nos créditos, por norma, começa por uma candidatura falsa. É por isso que é tão importante usar a análise logo no ponto de partida. Aprenda como a análise e a aprendizagem automática podem detetar fraudes logo nos primeiros pontos de contacto dos pedidos ao reconhecer os maiores desafios – identidades sintéticas.
- Research Nerd in the herd: protecting elephants with data scienceA passionate SAS data scientist uses machine learning to detect tuberculosis in elephants. Find out how her research can help prevent the spread of the disease.
- Article Machine learning for beginners and beyondWhether you’re an experienced data scientist or a machine learning beginner, you’ll appreciate these 10 tips for getting started with machine learning.