دیپ لرنینگ رو دیتاست بدون برچسب که حاوی تراکنش های بانکی است

Question

سلام
بنده یه نگاه به مقاله ( Unsupervised Deep Embedding for Clustering Analysis) انداختم دیتا ست هایی که برای کارشون استفاده کردن یا تصویر هست و یا متن. در صوری که دیتا ست من داده های تراکنشی هست یا به عبارت دیگه مجموعه ای از رکوردها هست و ویژگی های دیتا ست من هم مشخصه.
آیا به نظر شما این الگوریتمی که تو مقاله ارائه شده میتونه روی دیتا ست من کار کنه؟
همچنین لینک مثالی که از الگوریتم auto encoder گذاشته بودید روی تصویر کار کرده بود. آیا این الگوریتم روی دیتا ست من کار میکنه؟
آیا مقاله یا سایتی رو سراغ دارید که روی دیتاست هایی که به صورت رکوردد هستند با دیپ لرنینگ کار کرده باشند؟

Answer 1

سلام
ایده هایی که مطرح شده، کلی هستن و میشه در مسائل مختلف استفادشون کرد.
برای مثال همون شبکه های کانولوشنی که شاید توی تصویر خیلی معروف باشه، برای پردازش زبان طبیعی در سطح character level هم استفاده شده و به نسبت موفق آمیز هم بوده
مثلا برای داده های شما که ساختار spatial نداره، در حالتی که تصویر هست مثلا شما بیشتر از لایه های convolutionی یا چیزایی استفاده می کنید که ساختار تصویر رو هم در نظر بگیره، اما اینجا اون لایه ها رو می تونید با fully connected جایگزین کنید.
خلاصه که ایده ها کلی هستن و اینکه ورودی به چه صورتی هست، توی ساختار شبکه ممکنه تاثیر بذاره اما بیسیک قضیه یکسانه و باید تست کنید نتیجه رو ببینید. البته اینو هم در نظر بگیرید که اگه با نکات آموزش شبکه های دیپ آشنا نباشید ممکنه به مشکل بخورید و اینم خیلی مهمه که بدونید کی مشکل از پیاده سازی شماست و کی واقعا ایده ای که پیاده شده مشکل داره
در مورد چیزی که به بانک مربوط بشه، در زمینه anomaly detection در ترنزکشن های بانکی می دونم که خیلی با autoencoder ها و چیزای دیگه کار شده. برای یه نمونه پیاده سازیش توی keras این لینک رو ببینید:

https://medium.com/@curiousily/credit-card-fraud-detection-using-autoencoders-in-keras-tensorflow-for-hackers-part-vii-20e0c85301bd