Kalendář


Připravujeme pro vás kalendář s "earnings calls", IPOs, SPAC mergery a dalším.

Hlavní události dne s vlivem na trhy

Definice hlubokého učení

AkciePrůvodce.cz > Akcie  > Technologické akcie  > Definice hlubokého učení

Definice hlubokého učení

Co je hluboké učení?

Hluboké učení je funkce umělé inteligence (AI), která napodobuje fungování lidského mozku při zpracování dat a vytváření vzorců professional použití při rozhodování. Hluboké učení je podmnožinou strojového učení v umělé inteligenci, která má sítě schopné učit se bez dozoru z dat, která jsou nestrukturovaná nebo neoznačená. Také se nazývá hluboké neurální učení nebo hluboká neurální síť.

Shrnutí

  • Hluboké učení je funkce AI, která napodobuje fungování lidského mozku při zpracování dat pro použití při detekci objektů, rozpoznávání řeči, překládání jazyků a rozhodování.
  • Hluboké učení AI je schopné se učit bez lidského dohledu, přičemž čerpá z nestrukturovaných i neoznačených dat.
  • Hluboké učení, forma strojového učení, lze mimo jiné použít k detekci podvodů nebo praní peněz.

Jak funguje hluboké učení

Hluboké učení se vyvinulo ruku v ruce s digitální érou, která přinesla explozi dat ve všech formách a ze všech regionů světa. Tato info, známá jednoduše jako velká data, jsou získávána mimo jiné ze zdrojů, jako jsou sociální média, internetové vyhledávače, platformy elektronického obchodování a online kina. Toto obrovské množství dat je snadno přístupné a lze je sdílet prostřednictvím fintech aplikací, jako je cloud computing.

Facts, která jsou obvykle nestrukturovaná, jsou však tak rozsáhlá, že může trvat desítky allow, než je lidé pochopí a extrahují relevantní informace. Společnosti si uvědomují neuvěřitelný potenciál, který může vyplývat z odhalení tohoto množství informací, a stále více se přizpůsobují systémům AI pro automatizovanou podporu.

Hluboké učení odhaluje obrovské množství nestrukturovaných dat, která by normálně lidem trvalo desítky let, než by je pochopili a zpracovali.

Hluboké učení vs. strojové učení

Jednou z nejběžnějších technik umělé inteligence používaných ke zpracování velkých dat je strojové učení, autoadaptivní algoritmus, který získává stále lepší analýzu a vzory se zkušenostmi nebo s nově přidanými daty.

Pokud společnost zabývající se digitálními platbami chtěla zjistit výskyt nebo potenciál podvodu ve svém systému, mohla by professional tento účel použít nástroje pro strojové učení. Výpočtový algoritmus zabudovaný do počítačového modelu zpracuje všechny transakce probíhající na digitální platformě, najde vzory v datové sadě a upozorní na jakoukoli anomálii detekovanou vzorem.

Hluboké učení, podmnožina strojového učení, využívá hierarchickou úroveň umělých neuronových sítí k provádění procesu strojového učení. Umělé neuronové sítě jsou budovány jako lidský mozek a neuronové uzly jsou propojeny dohromady jako pavučina. Zatímco tradiční programy vytvářejí analýzu s daty lineárně, hierarchická funkce systémů hlubokého učení umožňuje strojům zpracovávat facts pomocí nelineárního přístupu.

Výrobce elektroniky Panasonic spolupracuje s univerzitami a výzkumnými středisky na vývoji technologií hlubokého učení souvisejících s počítačovým viděním...

Zvláštní úvahy

Tradiční přístup k odhalování podvodů nebo praní špinavých peněz se může spoléhat na množství transakcí, které následují, zatímco nelineární technika hlubokého učení by zahrnovala čas, geografické umístění, IP adresu, typ maloobchodníka a jakoukoli další funkci, která by mohla poukazovat na podvodné jednání aktivita. První vrstva neuronové sítě zpracovává vstup surových dat, jako je částka transakce, a předává ji další vrstvě jako výstup. Druhá vrstva zpracovává informace předchozí vrstvy tím, že zahrnuje další informace, jako je IP adresa uživatele, a předává svůj výsledek.

Další vrstva bere informace o druhé vrstvě a zahrnuje nezpracovaná data, jako je zeměpisná poloha, a dělá design stroje ještě lepší. To pokračuje na všech úrovních neuronové sítě.

Příklad hlubokého učení

Pomocí výše uvedeného systému detekce podvodů s automatickým učením lze vytvořit příklad hlubokého učení. Pokud systém strojového učení vytvořil design s parametry postavenými na počtu dolarů, které uživatel odešle nebo přijme, může metoda hlubokého učení začít stavět na výsledcích nabízených strojovým učením.

Každá vrstva své neuronové sítě staví na své předchozí vrstvě s přidanými daty, jako je maloobchodník, odesílatel, uživatel, událost na sociálních médiích, kreditní skóre, IP adresa a řada dalších funkcí, jejichž vzájemné propojení může trvat roky, pokud bude zpracován člověkem bytost. Algoritmy hlubokého učení jsou trénovány nejen na vytváření vzorů ze všech transakcí, ale také na to, zda vzor signalizuje potřebu podvodného vyšetřování. Poslední vrstva předává signál analytikovi, který může zmrazit účet uživatele, dokud nebudou dokončena všechna nevyřízená šetření.

Hluboké učení se používá ve všech průmyslových odvětvích professional řadu různých úkolů. Komerční aplikace, které používají rozpoznávání obrázků, platformy s otevřeným zdrojovým kódem s aplikacemi pro doporučení spotřebitelů a nástroje lékařského výzkumu, které zkoumají možnost opětovného použití léků na nová onemocnění, jsou jen některé z příkladů začlenění hlubokého učení.

Kliněte pro ohodnocení článku!
[Celkem: 0 Průměrné hodnocení: 0]
Žádné příspěvky

Komentář
Jméno
E-mail
Web

error: