摘要：監(jiān)督大多數(shù)情況下，機(jī)器學(xué)習(xí)依賴于被標(biāo)記為真或假的數(shù)據(jù)。回歸學(xué)習(xí)回歸學(xué)習(xí)是最重要和廣泛使用的機(jī)器學(xué)習(xí)和統(tǒng)計(jì)工具之一。風(fēng)險規(guī)避機(jī)器學(xué)習(xí)給企業(yè)提供了防止詐騙者陷入困境并減輕潛在貨幣和監(jiān)管復(fù)雜化的能力。

摘要： 了解機(jī)器學(xué)習(xí)發(fā)展史、機(jī)器學(xué)習(xí)是什么？機(jī)器學(xué)習(xí)有什么？看看本文就夠了。

如今機(jī)器學(xué)習(xí)已經(jīng)成為了這個時代的熱門話題。機(jī)器學(xué)習(xí)已經(jīng)存在了幾十年，但直到最近我們才得以利用這項(xiàng)技術(shù)。

接下來，讓我們一起回顧一下機(jī)器學(xué)習(xí)的發(fā)展歷史：

機(jī)器學(xué)習(xí)（ML）的處理系統(tǒng)和算法主要通過在數(shù)據(jù)和通過找出數(shù)據(jù)里隱藏的模式進(jìn)而做出預(yù)測的識別模式。這里值得一提的是，機(jī)器學(xué)習(xí)屬于人工智能（AI）領(lǐng)域，而人工智能又與更廣泛的數(shù)據(jù)挖掘和知識發(fā)現(xiàn)領(lǐng)域相交叉。

機(jī)器學(xué)習(xí)還可以用于下列內(nèi)容：

醫(yī)療保健：識別高?？蛻?；優(yōu)化診斷準(zhǔn)確性；改進(jìn)健康計(jì)劃成本。

社會：預(yù)測廣告活動效果；預(yù)測消費(fèi)者情緒或其反饋。

航空：預(yù)測火箭發(fā)動機(jī)爆炸；預(yù)測試點(diǎn)能力；預(yù)測航線。

還有其他一些行業(yè)也希望通過利用這種技術(shù)來獲得商業(yè)價值。事實(shí)上，根據(jù)普華永道2017年全球數(shù)字智商調(diào)查，54%的機(jī)構(gòu)正在大量投資人工智能和機(jī)器學(xué)習(xí)。

機(jī)器學(xué)習(xí)任務(wù)分為三類。

1. 監(jiān)督ML：

大多數(shù)情況下，機(jī)器學(xué)習(xí)依賴于被標(biāo)記為真或假的數(shù)據(jù)。

示例：教計(jì)算機(jī)學(xué)會根據(jù)人類完成的交易標(biāo)簽來識別潛在的欺詐性或非欺詐性交易，以確保獲得高質(zhì)量的數(shù)據(jù)。了解到欺詐性交易與非欺詐性交易之間的差異后，ML會自動對新交易數(shù)據(jù)進(jìn)行分類以獲得潛在的欺詐性活動。

2. 未受監(jiān)督的ML：

與監(jiān)督學(xué)習(xí)依賴于標(biāo)簽有所不同，該種類型的算法需要對象的各個方面提供大量的數(shù)據(jù)。

示例：在欺詐發(fā)生的情況下，提供欺詐者的各種屬性以及一些交易價值，根據(jù)交易的固有特征和描述特征，無監(jiān)督ML可以將交易分為兩個不同的組。

3. 強(qiáng)化學(xué)習(xí)的ML：

示例：學(xué)習(xí)玩流行的棋盤游戲奧賽羅，ML會收到關(guān)于玩家是贏還是輸?shù)男畔?。該程序沒有將數(shù)據(jù)庫中的所有的動作都標(biāo)記為贏了或輸了，但卻能知道整個游戲的最終結(jié)果。然后，ML可以進(jìn)行多種游戲，每次都重視那些導(dǎo)致獲勝組合的動作。

一些流行的方法：

ML中采用了多種學(xué)習(xí)方法，下面將為大家介紹一些最為常見的方法。

決策樹學(xué)習(xí)：

一個預(yù)測模型，通過映射關(guān)于項(xiàng)目的觀察結(jié)果，得出結(jié)論；使用決策節(jié)點(diǎn)的層次結(jié)構(gòu)，當(dāng)逐步回答時，可以將交易分類為欺詐或非欺詐。

回歸學(xué)習(xí)：

回歸學(xué)習(xí)是最重要和廣泛使用的機(jī)器學(xué)習(xí)和統(tǒng)計(jì)工具之一。它能夠通過學(xué)習(xí)依賴變量和預(yù)測變量之間的關(guān)系做出數(shù)據(jù)預(yù)測。

樸素貝葉斯學(xué)習(xí)：

這是一個概率圖形模型，表示一組隨機(jī)變量及其條件獨(dú)立性；例如，欺詐者與交易金額，年齡，行為等之間的概率關(guān)系。

神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)：

神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)由多個隱藏層組成，模仿人腦的行為。深度學(xué)習(xí)包括多個一個接一個的神經(jīng)網(wǎng)絡(luò)。

由于金融詐騙給企業(yè)帶了很大的信譽(yù)損失和財(cái)務(wù)破壞，引起了全球很多方面的關(guān)注。每年都有數(shù)百萬的家庭遭受金融詐騙，經(jīng)濟(jì)損失達(dá)數(shù)億美元。

曾經(jīng)，有一家金融界被稱為佼佼者的機(jī)構(gòu)同意支付165億美元來解決金融詐騙案?？紤]到所有這些情況，將數(shù)據(jù)挖掘工具和技術(shù)用于檢測可能的欺詐活動或事件變得很重要。

在研究可幫助我們識別欺詐活動的數(shù)據(jù)挖掘技術(shù)之前，首先根據(jù)2016年普華永道經(jīng)濟(jì)犯罪調(diào)查來查看欺詐行為。

三大風(fēng)險預(yù)測算法和案例如下：

分類方法：用于生成可能的值（即true，false，yes，no，o,1等）。這種機(jī)器學(xué)習(xí)技術(shù)可以根據(jù)各種預(yù)測變量來分類特定債務(wù)會變成“好”還是“壞”。

神經(jīng)網(wǎng)絡(luò)：在包含神經(jīng)元和具有輸入、輸出和隱藏層節(jié)點(diǎn)的大型數(shù)據(jù)集上顯示更好的結(jié)果。這種方法通常用于使用各種人口學(xué)，年齡和其他變量作為輸入來執(zhí)行信用評級預(yù)測。

隨機(jī)決策森林：分類的集合學(xué)習(xí)方法。他們在培訓(xùn)和輸出種類時（即分類模式）構(gòu)建了許多決策樹。這被廣泛用于執(zhí)行信用風(fēng)險預(yù)測。

Beneish M-Score是另一個在財(cái)務(wù)報(bào)表欺詐領(lǐng)域受歡迎的新興數(shù)學(xué)模型。該模型使用財(cái)務(wù)比率和八個變量來確定一個組織是否操縱了其收入。這些變量是根據(jù)公司財(cái)務(wù)報(bào)表中的數(shù)據(jù)構(gòu)建的，一旦計(jì)算出來，就會創(chuàng)建一個M-Score來描述盈余被操縱的程度。請注意，作為概率模型，它不會識別100%準(zhǔn)確度的操縱器。

機(jī)器學(xué)習(xí)的好處主要是：

通過快速集成進(jìn)行數(shù)據(jù)驅(qū)動的決策：機(jī)器學(xué)習(xí)利用各種數(shù)據(jù)，幫助企業(yè)根據(jù)最新的數(shù)據(jù)模式不斷升級其策略。

加速洞察力：機(jī)器學(xué)習(xí)能夠加快識別相關(guān)數(shù)據(jù)的速度使得利益相關(guān)者能夠及時行動。例如，機(jī)器學(xué)習(xí)可以不斷優(yōu)化客戶的下一個最佳報(bào)價，因此客戶在中午可能看到的內(nèi)容可能與同一個客戶在晚上看到的內(nèi)容不同。

風(fēng)險規(guī)避：機(jī)器學(xué)習(xí)給企業(yè)提供了防止詐騙者陷入困境并減輕潛在貨幣和監(jiān)管復(fù)雜化的能力。

文章原標(biāo)題《Deep Dive Into Machine Learning》

作者：Sunil Kappal

更為詳細(xì)的內(nèi)容，請查看原文文章