Le deep learning dans le monde d'aujourd'hui
L'impact du deep learning est considérable – et il ne fait que commencer.
Deep learning avec SAS et Python
DLPy est un package open source que les data scientists peuvent télécharger pour appliquer les algorithmes de deep learning SAS à des images, textes et audios. Il est conçu pour résoudre les problèmes de computer vision, de traitement automatique du langage naturel, de prévision et de traitement de la parole.
Comment SAS® utilise le deep learning
Ce guide pas-à-pas compare plusieurs modèles de réseaux neuronaux et explique comment les utiliser. Vous découvrirez les techniques de deep learning, leurs applications et la manière dont SAS permet de créer de modèles de réseaux neuronaux profonds.
Comment utiliser le deep learning pour l'intégration d'images
Les modèles d'intégration sont utilisés pour réduire la dimensionnalité des données d'entrée, telles que les images. Lorsqu'un modèle d'intégration est utilisé, les images d'entrée sont converties en vecteurs de faible dimension qui peuvent plus facilement être utilisés par d'autres tâches computer vision. La clé d'une bonne intégration est de bien former le modèle pour que les images similaires soient converties en vecteurs similaires.
Comment fonctionne le deep learning
Le deep learning modifie la façon dont vous pensez à la représentation des problèmes que vous résolvez. Il ne s'agit plus de dire à l'ordinateur comment résoudre un problème, mais de l'entraîner à résoudre lui-même le problème.
Représentation des caractéristiques
Le deep learning est un changement de paradigme dans la modélisation qui passe de l'ingénierie du feature engineering au feature representation.
Couches de deep learning
Au lieu d'utiliser des variables connues pour prédire des inconnues, le deep learning se sert des couches de données pour reconnaître les caractéristiques latentes des données.
Résultats du deep learning
La promesse du deep learning est de conduire à des systèmes prédictifs qui se généralisent bien, s'adaptent bien, et s'améliorent constamment au fur et à mesure que de nouvelles données arrivent. Vous ne rentrez plus dans un modèle. Vous entraînez la tâche.
Une approche analytique traditionnelle consiste à utiliser les données disponibles pour concevoir des caractéristiques permettant de dériver de nouvelles variables, puis à sélectionner un modèle analytique et enfin à estimer les paramètres (ou les inconnues) de ce modèle. Ces techniques peuvent produire des systèmes prédictifs qui ne se généralisent pas bien, car l'exhaustivité et l'exactitude dépendent de la qualité du modèle et de ses caractéristiques. Par exemple, si vous développez un modèle de fraude avec le feature engineering, vous commencez par un ensemble de variables, et vous obtenez très probablement un modèle à partir de ces variables en utilisant des transformations de données. Vous pouvez vous retrouver avec 30 000 variables dont dépend votre modèle, puis vous devez façonner le modèle, déterminer quelles variables sont significatives, lesquelles ne le sont pas, et ainsi de suite. Si vous ajoutez des données supplémentaires, vous devez tout recommencer.
La nouvelle approche du deep learning consiste à remplacer la formulation et la spécification du modèle par des caractérisations hiérarchiques (ou couches) qui apprennent à reconnaître les caractéristiques latentes des données à partir des régularités des couches.
L'Analytique Avancée de SAS
Le deep learning n'est qu'une technique parmi d'autres dans la boîte à outils du data scientist. Découvrez d'autres techniques d'analytique avancée, notamment la prévision, l'analyse textuelle et l'optimisation.
Lecture recommandée
- Article Machine learning and artificial intelligence in a brave new worldWhat is the interplay between man and machine in a brave new world with AI?
- 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 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.