【摘要】深度学习和拓扑数据分析的六大惊人之举假如你有一个一千列和一百万行的数据集。无论你从哪个角度看它——小型，中型或大型的数据——你不可

深度学习和拓扑数据分析的六大惊人之举

假如你有一个一千列和一百万行的数据集。无论你从哪个角度看它——小型，中型或大型的数据——你不可能看到它的全貌。将它放大或缩小。使它能够在一个屏幕里显示完全。由于人的本质，如果能够看到事物的全局的话，我们就会有更好的理解。有没有办法把数据都放到一张图里，让你可以像观察地图一样观察数据呢？

将深度学习与拓扑数据分析结合在一起完全能够达到此目的，并且还绰绰有余。

1、它能在几分钟内创建一张数据图，其中每一个点都是一个数据项或一组类似的数据项。

基于数据项的相关性和学习模式，系统将类似的数据项组合在一起。这将使数据有唯一的表示方式，并且会让你更清晰地洞察数据。可视化图中的节点由一个或多个数据点构成，而点与点之间的链接则代表数据项之间高相似性。

2、它展示了数据中的模式，这是使用传统商业智能无法识别的。

下面是个案例，展示的是算法是如何仅仅通过分析用户行为来识别两组不同的人群。典型的特征区分，黄色和蓝色点：女性和男性。

如果我们分析行为类型，我们会发现，其中一组大部分是发送信息（男性），而另一组则多为接收信息（女性）。

3、它能在多层面上识别分段数据

分段数据表现在多种层面上——从高层次分类到具有相同数据项的分组。

在一个Netflix数据集的例子中，每个数据项是一部电影。最高层次的一组是音乐，孩子，外交和成人电影。中层次的部分包含不同分段：从印度片和港片到惊悚片和恐怖片。在低层次中是电视连续剧分组，比如“万能管家”，“办公室”，“神秘博士”等。

4、它能分析任何数据：文本，图像，传感器数据，甚至音频数据。

任何数据都可以被分段并理解，如果可以将它展现为数字矩阵，其中每一行是一个数据项，列是一个参数。下面这些是最常见的用例：

5、如果你引导它，它能学习更复杂的依赖关系。

选择一组数据项，将它们分组，算法就会发现所有相关或类似的数据项。重复这个过程数次，那么神经网络可以学习到它们之间的差异，比如Mac硬件，PC硬件和一般电子文本的差异。

对20000篇属于20个不同主题的文章进行了初步分析，得出一个密集的点云图（左图）。在使用深度学习迭代几次之后，算法会将它们进行分类，错误率仅仅1.2%（右图）。

6、即使没有监督它也能够学习

深度学习和自编码器模拟了人类大脑活动，并且能够在数据集中自动识别高层次的模式。例如，在谷歌大脑计划中，自编码器通过“观看”一千万条YouTube视频截取的数字图像，成功地学习并识别出人和猫脸：

我最近在使用拓扑数据分析和深度学习，并开发出一套工具，它将这些技术转换成了一个用户友好型界面，能够让人们观察数据并发现潜在联系。