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 Detect and prevent banking application fraudCredit fraud often starts with a falsified application. That’s why it’s important to use analytics starting at the entrance point. Learn how analytics and machine learning can detect fraud at the point of application by recognizing the biggest challenge – synthetic identities.
- Article A guide to machine learning algorithms and their applicationsDo you know the difference between supervised and unsupervised learning? How about the difference between decision trees and forests? Or when to use a support vector algorithm? Get all the answers here.
- Article 4 strategies that will change your approach to fraud detectionTechnology advances are giving financial institutions a better arsenal than ever for fraud detection. Take a look at four ways to turbocharge your defenses.