计算机深度学习技术介绍
。深度学习是人工智能机器学习的一个子集，它具有能够从非结构化或未标记的数据中不受监督地学习的网络。也称为深度神经学习或深度神经
深度学习是一种人工智能（AI）功能，它模仿人脑在处理数据和创建用于决策的模式方面的工作。深度学习是人工智能机器学习的一个子集，它具有能够从非结构化或未标记的数据中不受监督地学习的网络。也称为深度神经学习或深度神经网络。
深度学习是一种AI功能，它模仿人脑在处理用于检测对象，识别语音，翻译语言和进行决策的数据时的工作方式。
深度学习AI可以在无人监督的情况下从非结构化和未标记的数据中学习。
深度学习是机器学习的一种形式，可用于帮助检测欺诈或洗钱以及其他功能。
深度学习如何工作
深度学习与数字时代同步发展，数字时代带来了来自世界各地的各种形式的数据爆炸式增长。这些数据（简称为大数据）来自社交媒体，互联网搜索引擎，电子商务平台和在线电影院等资源。大量数据易于访问，可以通过云计算等金融科技应用程序共享。
但是，通常是非结构化的数据非常庞大，以至于人类可能需要数十年才能理解并提取相关信息。公司意识到，挖掘这些丰富的信息可能会带来令人难以置信的潜力，并且越来越多地采用AI系统进行自动化支持。
深度学习可解散大量的非结构化数据，通常这需要人类花费数十年的时间来理解和处理。
深度学习与机器学习
机器学习是用于处理大数据的最常见的AI技术之一，它是一种自适应算法，随着经验或新添加的数据的出现，分析算法和模式将变得越来越好。
如果数字支付公司想要检测其系统中欺诈的发生或潜在可能性，则可以为此目的使用机器学习工具。计算机模型中内置的计算算法将处理在数字平台上发生的所有交易，在数据集中查找模式，并指出该模式检测到的任何异常情况。
深度学习是机器学习的一个子集，它利用人工神经网络的层次结构来执行机器学习的过程。人工神经网络就像人的大脑一样构建，神经元节点像网络一样连接在一起。传统程序以线性方式使用数据构建分析，而深度学习系统的分层功能使机器可以使用非线性方法处理数据。
特别注意事项
检测欺诈或洗钱的传统方法可能取决于随之而来的交易量，而深度学习非线性技术将包括时间，地理位置，IP地址，零售商的类型以及任何可能表明欺诈的特征。活动。神经网络的第一层处理原始数据输入（例如事务量），并将其作为输出传递到下一层。第二层通过包含诸如用户IP地址之类的附加信息来处理前一层的信息，并传递其结果。
下一层获取第二层的信息，并包括诸如地理位置之类的原始数据，并使机器的模式更加完善。这在神经元网络的所有层次上都继续存在。
深度学习示例
将上述欺诈检测系统与机器学习一起使用，可以创建一个深度学习示例。如果机器学习系统使用围绕用户发送或接收的美元数量建立参数的模型来创建，则深度学习方法可以开始基于机器学习提供的结果。
其神经网络的每一层都在其上一层基础上，添加了诸如零售商，发件人，用户，社交媒体事件，信用评分，IP地址之类的附加数据，以及许多其他功能，如果由人工处理，则可能需要花费数年才能连接在一起存在。训练深度学习算法不仅可以从所有交易中创建模式，而且还可以知道何时某个模式表明需要进行欺诈性调查。最后一层将信号传递给分析人员，该分析人员可以冻结用户的帐户，直到完成所有未完成的调查。
深度学习已在所有行业中用于许多不同的任务。使用图像识别的商业应用程序，带有消费者推荐应用程序的开源平台以及探索将药物重新用于新疾病的可能性的医学研究工具就是深度学习整合的一些例子。