深度學習

深度學習是一種人工智慧（AI）功能，它模仿人腦在處理資料和建立用於決策的模式時的工作方式。深度學習是人工智慧中機器學習的一個子集，它的網路能夠在無監督的情況下從非結構化或無標記的資料中學習。也稱為深度神經學習或深度神經網路。...

什麼是深度學習(deep learning)？

深度學習是一種人工智慧（AI）功能，它模仿人腦在處理資料和建立用於決策的模式時的工作方式。深度學習是人工智慧中機器學習的一個子集，它的網路能夠在無監督的情況下從非結構化或無標記的資料中學習。也稱為深度神經學習或深度神經網路。

關鍵要點

深度學習是一種人工智慧功能，它模仿人腦處理資料的工作方式，用於探測物體、識別語音、翻譯語言和做出決策。
深度學習人工智慧能夠在沒有人監督的情況下，從非結構化和未標記的資料中學習。
深度學習是機器學習的一種形式，可以用來幫助發現欺詐或洗錢等功能。

深度學習的工作原理

隨著數字時代的到來，深度學習也在不斷發展，數字時代帶來了世界各地各種形式的資料爆炸式增長。這些資料，簡稱大資料，來自社交媒體、網際網路搜尋引擎、電子商務平臺和線上影院等。這些海量資料易於訪問，可以透過雲端計算等金融技術應用程式共享。

然而，這些通常是非結構化的資料非常龐大，人類可能需要幾十年的時間才能理解並提取相關資訊。公司意識到，解開這些豐富的資訊可以帶來難以置信的潛力，並越來越多地適應人工智慧系統的自動化支援。

深度學習揭示了大量的非結構化資料，這些資料通常需要人類幾十年的時間才能理解和處理。

深度學習與機器學習

用於處理大資料的最常見人工智慧技術之一是機器學習，這是一種自適應演算法，可以根據經驗或新新增的資料獲得越來越好的分析和模式。

如果一家數字支付公司想要檢測其系統中欺詐的發生或潛在情況，它可以為此目的使用機器學習工具。建立在計算機模型中的計算演算法將處理數字平臺上發生的所有事務，在資料集中找到模式，並指出模式檢測到的任何異常。

深度學習是機器學習的一個子集，它利用人工神經網路的層次結構來實現機器學習過程。人工神經網路就像人腦一樣建立起來，神經元節點像網路一樣連線在一起。傳統的程式以線性的方式建立資料分析，而深度學習系統的分層功能使機器能夠以非線性的方式處理資料。

電子產品**商松下一直在與大學和研究中心合作，開發與計算機視覺相關的深度學習技術。

特別註意事項

檢測欺詐或洗錢的傳統方法可能依賴於隨後發生的交易量，而深入學習的非線性技術將包括時間、地理位置、IP地址、零售商型別以及可能指向欺詐活動的任何其他特徵。神經網路的第一層處理原始資料輸入，如事務量，並將其作為輸出傳遞給下一層。第二層處理前一層的資訊，包括額外的資訊，如使用者的IP地址，並傳遞其結果。

下一層獲取第二層的資訊，包括原始資料，如地理位置，並使機器的模式更好。這種情況在神經元網路的各個層次都會持續。

深入學習的例子

使用上面提到的欺詐檢測系統和機器學習，可以建立一個深入學習的例子。如果機器學習系統建立了一個模型，模型中的引數建立在使用者傳送或接收的美元數量上，那麼深度學習方法就可以開始建立在機器學習提供的結果上。

它的每一層神經網路都建立在前一層的基礎上，添加了資料，如零售商、發件人、使用者、社交媒體事件、信用評分、IP地址，以及一系列其他功能，如果由人類處理，這些功能可能需要數年才能連線在一起。深度學習演算法不僅可以從所有事務中建立模式，還可以知道模式何時發出欺詐調查的訊號。最後一層將一個訊號傳遞給分析員，分析員可以凍結使用者的帳戶，直到所有未決的調查完成。

深度學習在所有行業都被用於許多不同的任務。使用影象識別的商業應用程式、帶有消費者推薦應用程式的開源平臺，以及探索新疾病藥物再利用可能性的醫學研究工具，都是深度學習整合的幾個例子。