深度学习越来越受到关注。 它主要侧重于机器学习的一个部分:人工神经网络。 本文解释了深度学习为何会改变分析的局面 ,何时使用它,以及Visual Analytics如何使业务分析人员利用(公民)数据科学家建立的分析模型。
什么是深度学习和人工神经网络?
深度学习是人工神经网络的现代流行语,是机器学习中用于建立分析模型的众多概念之一。 神经网络的工作原理与我们从人脑中了解到的类似:您将非线性交互作为输入,并将其传递到输出。 神经网络在输入和输出之间的计算节点中利用持续学习和不断增长的知识。 在大多数情况下,神经网络是一种监督算法,该算法使用历史数据集学习参数以预测未来事件的输出,例如用于交叉销售或欺诈检测。 无监督神经网络可用于查找新的模式和异常。 在某些情况下,将有监督和无监督算法结合起来是有意义的。
神经网络在研究中已经使用了数十年,其中包括各种复杂的概念,例如递归神经网络(RNN),卷积神经网络(CNN)和自动编码器。 但是,如今强大而又灵活的计算基础架构与其他技术(例如具有数千个内核的图形处理单元(GPU))相结合,可以在更深层次的层上进行更强大的计算。 因此,术语“深度学习”。
TensorFlow Playground的以下图片显示了一个易于使用的环境,其中包括各种测试数据集,配置选项和可视化,以学习和理解深度学习和神经网络:
如果您想了解有关深度学习和神经网络的详细信息,我建议以下来源:
- “ 深度学习框架剖析 ” –有关神经网络的基本概念和组成部分的文章
- TensorFlow Playground无需任何编码即可亲自动手操作神经网络,也可在Github上使用以构建自己的定制离线游乐场
- 在Youtube上的“ 深度学习简化 ”视频系列,其中对基本概念,替代算法和一些框架(如H2O.ai或Tensorflow)进行了简短的简单说明
尽管深度学习越来越受青睐,但这并不是每种情况的灵丹妙药。
什么时候(不)使用深度学习?
深度学习带来了几年前“批量生产”中无法实现的许多新可能性,例如,与没有深度学习相比,图像分类,对象识别,语音翻译或自然语言处理(NLP)的方式要复杂得多。 关键优势是自动化功能工程,与其他大多数机器学习替代方法相比,这会花费大量时间和精力。
您还可以利用深度学习来做出更好的决策&#