深度学习分析

作者 : IT 大叔 本文共3456个字,预计阅读时间需要9分钟 发布时间: 2020-08-23

如今,专家们正在谈论在分析环境中的深度学习以及该技术在商业领域的可能应用。事实是,许多巨头-Yahoo,IBM,Facebook,Google对这种技术都非常感兴趣。我们也有兴趣!这就是为什么我们决定写这篇文章并使这个问题更加接近的原因。今天,我们将帮助您了解深度学习在数据分析中的作用。

2014年,Google购买了一家AI公司DeepMind。Google表示,他们希望它能帮助他们与其他大型科技公司竞争,因为它们都致力于通过专注于深度学习来获得业务优势。其他公司也不会落后。例如,在2013年,Facebook聘请了纽约大学的教授Yann LeCunn领导他们的新人工智能实验室。IBM正在开发其Watson超级计算机。目前,它正在研究深度学习技术。同样在2013年,雅虎收购了一家照片分析初创公司LookFlow来领导他们的新深度学习小组[1]。总而言之,该领域正在发生很多事情!这是有原因的。

从我们之前有关机器学习和深度学习的文章中可以知道,深度学习是基于我们大脑工作方式的极其复杂的技术。这是机器学习的最新改进版本。当涉及深度学习时,它基于神经网络(受人类皮层启发)。这些网络具有:

  • 输入层(原始数据)
  • 隐藏层(它们处理并合并输入数据)
  • 输出层(产生结果:结果,估计,预测等)

这种高度的复杂性意味着通过深度学习,您可以使用更广泛,更复杂的数据源和大数据来解决更多问题。但是硬币的另一面。

目录

当深度学习遇到业务数据分析时

起初,将机器/深度学习与业务数据分析相结合似乎并非是不可能的事,而是写有挑战性。为什么?您会发现,机器学习和深度学习与业务分析不同,它们不是基于规则的。这意味着常规业务规则不适用于基于DL / ML的解决方案和算法。

机器/深度学习基于示例和经验。DL / ML应用程序必须经过培训才能以所需的方式工作。因此,一家想充分利用它的公司必须提供一组相关的数据示例。

这一切意味着,如果您想利用AI技术进行改进,就必须改变对业务分析的思考方式。为了使这项工作更加直接,您应该从基于仔细且多样化的测试开发解决方案开始。

诚然,对于企业家和数据科学家而言,这都是一个难以克服的难题,尤其是在AI之旅的开始之初,但是如果您想有效地利用深度学习,就必须这样做。

深度学习分析插图

深度学习如何增强分析能力?

事实是,每年我们都会在业务和分析中看到越来越多的深度学习应用程序。即使在今天,深度学习也为图像识别语音识别和NLP等领域中与AI相关的许多问题提供了最佳解决方案(如果您对NLP感兴趣,我们最近发表了一篇文章“ NLP Algorithms ”)。

加速数据科学

加速数据科学是数据分析领域,它利用机器学习和深度学习技术以及模型来解决复杂的业务/数据问题。例如,加速数据科学可用于提取客户情报并使用它来改善产品开发过程。此外,加速的数据科学使其可用于:

  • 做出更好的决定
  • 优化神经网络,使其更有用
  • 增强现有数据分析工具

数字生态系统

在2018年的《麦肯锡报告分析:成熟时代》 [2]中,公司谈到了数字生态系统,几个行业细分市场将汇聚在一起,以提供新型的产品和服务。在这样的业务环境中,深度学习算法将在以下方面发挥关键作用:

  • 为多供应商合同启用业务规则,
  • 监管支付系统,
  • 提供公共服务

这样的生态系统将减少交易成本,从而鼓励各种业务将业务活动外包。结果,客户将通过麦肯锡所称的“无缝数字体验”,在各个细分市场中获得丰富的产品和服务。

深度学习分析插图(2)

大数据

根据《计算机与电气工程》杂志发表的“大数据分析中的深度学习:一项比较研究” [3],“深度学习方法已广泛应用于科学和工程学的各个领域,例如语音识别,图像分类和语言处理中的学习方法。同样,传统的数据处理技术在处理大量数据方面也有一些限制。此外,大数据分析需要基于机器和深度学习技术的新型复杂算法,以高精度和高效率实时处理数据。”

因此,深度学习算法可以改善我们分析大数据的方式。这些复杂的算法可以更快,更准确地完成此任务。这正是我们需要的,因为大数据量如此之大,以至于无法使用常规数据处理技术对其进行处理或分析。

现在,让我们看几个如何在数据分析中使用深度学习的示例。

使用深度学习分析进行欺诈检测

欺诈检测是商业世界中最常见的AI应用程序之一。简而言之,输入层可以包含交易数量或涉及的零售商类型。与特定类型的零售商在一定频率下具有一定数量的交易量和一定数量的交易量,将使我们识别出更高的欺诈风险并更加准确地做到这一点。

假设您拥有一家电子商务企业,并且使用了欺诈检测应用程序。每次客户购买产品时,有关此交易的数据都会直接发送到此应用程序(确切地说是发送到其机器/深度学习模型)。机器/深度学习模型将生成有关每笔交易的建议。根据这些建议,系统可以做出决定。它可以批准,阻止或标记手动审核。此过程称为数据评分。这是一种分析传入数据(在我们的案例中是关于交易)的更快,更有效的方法。

深度学习分析插图(4)

美国国防部可行性研究

2014年,深度学习分析初创公司提出并使用深度学习技术为美国国防部进行了可行性研究。

他们的假设是,深度学习技术可以改善雷达图像的分析。最终,美国政府要求该公司提出一项进行小型可行性研究的建议。他们与另一家公司合作,并在短短几个月内取得了可喜的成果。深度学习分析(Deep Learning Analytics)的研究促使美国政府发布了所谓的广域公告,邀请公司扩大可行性研究。9个月后,五角大楼国防高级研究计划局(DARPA)演示日展示了深度学习分析的原型[4]。

毫无疑问,它是近年来开发的最有趣的深度学习应用程序之一。

医疗保健中的深度学习分析

这是深度学习分析的另一个引人入胜的应用。在2019年末[5]发表了一篇文章,比较了风险分层的传统方法和深度学习方法。一个解释:卫生保健中的风险分层是在实践中为所有患者分配风险状态的过程。

实际上,这是一个非常复杂的任务,涉及大量数据。风险分层基于从各种来源收集的数据,主要是:

  • 病史
  • 健康指标
  • 患者的生活方式

风险分层背后的想法是基于应对人口管理挑战,个性化治疗计划,使风险与护理水平相匹配以及将实践与基于价值的护理方法相结合。总而言之,为每个患者提供更好的医疗服务。

美国管理医疗杂志发表的一项研究表明,深度学习预测模型在儿科患者风险分层中比传统方法准确得多。

深度学习分析插图(6)

住院风险的深度学习分析模型

该项目的研究人员正在收集从2014年到2015年一年的数据。在2016年,他们开发了一种深度学习模型,该模型可以预测小儿患者的住院风险。深度学习模型提供的结果表明,与所有其他模型相比,深度学习模型表现最佳,曲线下面积为75.1%。深度学习应用程序选择了高风险患者中的前10%,并正确识别了其中的45.2%。其他型号的准确度分别为39.2%和41.6%。这清楚地表明,与其他传统方法相比,深度学习分析更为准确。

此外,深度学习分析模型提供了一些重要的优势,这些优势是使用传统模型无法获得的:

  • 缺乏对人力资本的大量投资。您一次投资了深度学习模型,并且可以为您使用很多年。当您要升级或修改算法时,只有投资
  • 深度学习分析消除了对领域知识和提供商专业知识的需求,而无需将相关的医疗索赔分类为集群。
  • 深度学习模型需要更少的时间来产生结果。

深度学习分析插图(8)

[1] https://techcrunch.com/2014/01/26/google-deepmind/

[2] https://www.mckinsey.com/business-functions/mckinsey-analytics/our-insights/analytics-comes-of-age

[3] https://www.sciencedirect.com/science/article/abs/pii/S0045790617315835

[4] https://www.washingtonpost.com/news/on-small-business/wp/2016/08/24/business-rx-the-story-of-how-one-tiny-start-up-bested世界上最大的联邦承包商/

[5] https://www.dataversity.net/deep-learning-bests-traditional-models-in-risk-stratification/

免责声明:
1. 本站资源转自互联网,源码资源分享仅供交流学习,下载后切勿用于商业用途,否则开发者追究责任与本站无关!
2. 本站使用「署名 4.0 国际」创作协议,可自由转载、引用,但需署名原版权作者且注明文章出处
3. 未登录无法下载,登录使用金币下载所有资源。
IT小站 » 深度学习分析

常见问题FAQ

没有金币/金币不足 怎么办?
本站已开通每日签到送金币,每日签到赠送五枚金币,金币可累积。
所有资源普通会员都能下载吗?
本站所有资源普通会员都可以下载,需要消耗金币下载的白金会员资源,通过每日签到,即可获取免费金币,金币可累积使用。

发表评论