Deep learning in de wereld van vandaag
De impact van deep learning is aanzienlijk - en dit is nog maar het begin.
Deep learning met SAS en Python
DLPy is een open source-pakket dat gegevenswetenschappers kunnen downloaden om SAS deep learning-algoritmen toe te passen op beeld-, tekst- en audiogegevens. Het is ontworpen om problemen met computer vision, natuurlijke taalverwerking, voorspelling en spraakverwerking op te lossen.
Hoe SAS® deep learning gebruikt
Deze stapsgewijze gids vergelijkt meerdere neurale netwerkmodellen en legt uit hoe ze gebruikt kunnen worden. Het geeft een inleiding tot deep learning-technieken en -toepassingen, en hoe SAS de creatie van diepe neurale netwerkmodellen ondersteunt.
Hoe kunt u deep learning gebruiken voor het inbedden van afbeeldingen
Inbeddingsmodellen worden gebruikt om de dimensionaliteit van invoergegevens, zoals beelden, te verminderen. Wanneer een inbeddingsmodel wordt gebruikt, worden invoerbeelden omgezet in laagdimensionale vectoren die gemakkelijker kunnen worden gebruikt voor andere computervisietaken. De sleutel tot een goede inbedding is het model zo te trainen dat gelijksoortige beelden in gelijksoortige vectoren worden omgezet.
Hoe werkt deep learning
Deep learning verandert hoe u denkt over het representeren van de problemen die u oplost met analyse. Het verschuift van het vertellen van de computer hoe hij een probleem moet oplossen naar het trainen van de computer om het probleem zelf op te lossen.
Feature representatie
Deep learning is een paradigmaverschuiving in modelbouw die verschuift van feature engineering naar feature representatie.
Deep learning-lagen
In plaats van bekende variabelen te gebruiken om onbekende factoren te voorspellen, kijkt deep learning naar lagen van de gegevens om latente kenmerken van de gegevens te herkennen.
Deep learning-resultaten
De belofte van deep learning is dat het kan leiden tot voorspellende systemen die goed generaliseren, zich goed aanpassen en voortdurend verbeteren naarmate nieuwe gegevens binnenkomen. U hoeft niet meer in een model te passen. U traint simpelweg de taak.
Een traditionele aanpak van analyses gebruikt de beschikbare gegevens om kenmerken te ontwikkelen om nieuwe variabelen af te leiden, selecteert vervolgens een analysemodel en schat ten slotte de parameters (of de onbekenden) van dat model. Deze technieken kunnen voorspellende systemen opleveren die niet goed generaliseren, omdat de volledigheid en juistheid afhangen van de kwaliteit van het model en zijn kenmerken. Als u bijvoorbeeld een fraudemodel ontwikkelt met feature engineering, begint u met een reeks variabelen, en leidt u hoogstwaarschijnlijk een model af uit die variabelen met behulp van gegevenstransformaties. Het is mogelijk dat u uiteindelijk 30.000 variabelen hebt waarvan uw model afhangt, en dan moet u het model vormgeven, uitzoeken welke variabelen zinvol zijn en welke niet, enzovoort. En als u meer gegevens toevoegt, moet u dit weer helemaal opnieuw doen.
De nieuwe aanpak met deep learning bestaat erin de formulering en specificatie van het model te vervangen door hiërarchische karakteriseringen (of lagen) die leren latente kenmerken van de gegevens te herkennen uit de regelmatigheden in de lagen.
Advanced Analytics van SAS
Deep learning is slechts één techniek in de toolkit van de gegevenswetenschapper. Leer meer over andere geavanceerde analysetechnieken, waaronder voorspellingen, tekstanalyse en optimalisatie.
Aanbevolen leesstof
- Article When it matters: Safeguarding your organization from the insideWith evolving threats, fraud detection technologies have to be flexible and nimble, and automated risk detection is a crucial component of decision advantage.
- Article Your personal data scientistImagine pushing a button on your desk and asking for the latest sales forecasts the same way you might ask Siri for the weather forecast. Find out what else is possible with a combination of natural language processing and machine learning.
- Article Introduction to machine learning: Five things the quants wish we knewMachine learning is gaining momentum thanks to bigger, more complex data sets. How does it work? Kimberly Nevala from SAS Best Practices explains what it is by focusing on what it isn't.