Menjadi bagian penting dari Machine Learning, permintaan untuk telah melihat peningkatan yang luar biasa, khususnya di antara mereka yang tertarik untuk membuka kemungkinan AI yang tak terbatas.Terinspirasi oleh popularitas Deep Learning yang semakin meningkat, saya berpikir untuk membuat serangkaian blog yang akan mendidik Anda tentang tren baru di bidang Artificial Intelligence ini dan membantu Anda memahami tentang apa itu semua. Ini adalah yang pertama dari banyak blog dalam rangkaian yang disebut sebagai - Tutorial Pembelajaran Mendalam .
Tutorial Pembelajaran Mendalam
Dalam blog Tutorial Pembelajaran Mendalam ini, saya akan membawa Anda melalui hal-hal berikut, yang akan menjadi dasar untuk blog yang akan datang:
- Apa yang membuat Deep Learning muncul
- Apa itu Deep Learning dan bagaimana cara kerjanya?
Anda dapat mengikuti rekaman Tutorial Pembelajaran Mendalam ini di mana instruktur kami telah menjelaskan topik secara rinci dengan contoh yang akan membantu Anda memahami konsep ini dengan lebih baik.
Tutorial Pembelajaran Mendalam | Jaringan Neural Pembelajaran Mendalam | Edureka
Aplikasi Artificial Intelligence & Deep Learning
Sekarang pikirkan tentang ini, alih-alih Anda melakukan semua pekerjaan Anda, Anda memiliki mesin untuk menyelesaikannya untuk Anda atau dapat melakukan sesuatu yang Anda pikir tidak mungkin sama sekali. Contohnya:
 | Memprediksi Masa Depan: Hal ini dapat membantu kita dalam memprediksi Gempa Bumi, Tsunami, dll terlebih dahulu sehingga tindakan pencegahan dapat dilakukan untuk menyelamatkan banyak nyawa yang jatuh ke dalam cengkeraman bencana alam. |
| Obrolan-bot: Anda semua pasti pernah mendengar tentang Siri, yang merupakan asisten virtual yang dikontrol suara Apple. Percayalah, dengan bantuan Deep Learning, bantuan virtual ini semakin pintar dari hari ke hari. Faktanya, Siri dapat menyesuaikan dirinya sendiri sesuai dengan pengguna dan memberikan bantuan pribadi yang lebih baik. |
| Mobil Mengemudi Sendiri: Bayangkan, betapa luar biasanya bagi penyandang cacat fisik dan orang lanjut usia yang kesulitan mengemudi sendiri. Selain itu, akan menyelamatkan jutaan nyawa tak berdosa yang mengalami kecelakaan di jalan raya setiap tahun karena human error. |
Dokter Mata AI Google: Ini adalah inisiatif baru-baru ini yang diambil oleh Google di mana mereka bekerja sama dengan Indian Eye Care Chain untuk mengembangkan perangkat lunak AI yang dapat memeriksa pemindaian retina dan mengidentifikasi kondisi yang disebut retinopati diabetik, yang dapat menyebabkan kebutaan. |
| Komposer Musik AI: Nah, siapa sangka kita bisa memiliki komposer musik AI dengan menggunakan Deep Learning. Karenanya, saya tidak akan terkejut mendengar bahwa musik terbaik berikutnya diberikan oleh mesin. |
| Mesin Pembaca Mimpi: Ini salah satu favorit saya, mesin yang bisa mengabadikan impian Anda dalam bentuk video atau semacamnya. Dengan begitu banyak aplikasi AI & Deep Learning yang tidak realistis yang telah kita lihat sejauh ini, saya tidak terkejut mengetahui bahwa ini telah dicoba di Jepang beberapa tahun yang lalu pada tiga subjek tes dan mereka mampu mencapai akurasi hampir 60%. Itu adalah sesuatu yang sangat sulit dipercaya, namun benar. |
Saya cukup yakin bahwa beberapa aplikasi AI & Deep Learning di kehidupan nyata ini akan membuat Anda merinding. Baiklah, ini menetapkan dasar untuk Anda dan sekarang, kami siap untuk melanjutkan lebih jauh dalam Tutorial Pembelajaran Mendalam ini dan memahami apa itu kecerdasan Buatan.
Apa itu Artificial Intelligence?
Artificial Intelligence tidak lain adalah kemampuan mesin untuk meniru perilaku manusia yang cerdas. AI dicapai dengan meniru otak manusia, dengan memahami cara berpikirnya, cara belajar, memutuskan, dan bekerja saat mencoba memecahkan masalah.
Sebagai contoh: Mesin yang bermain catur, atau perangkat lunak yang diaktifkan dengan suara yang membantu Anda dengan berbagai hal di iPhone atau sistem Pengenalan Plat Nomor yang menangkap pelat nomor mobil yang sedang melaju kencang dan memprosesnya untuk mengekstrak nomor registrasi dan mengidentifikasi pemilik mobil . Semua ini tidak mudah diterapkan sebelumnya Pembelajaran Mendalam . Sekarang, mari kita pahami berbagai subkumpulan Artificial Intelligence.
apa metode di javascript
Subset dari Kecerdasan Buatan
Selama ini kamu pasti sudah banyak mendengar tentang Artificial Intelligence, Machine Learning dan Deep Learning. Namun, tahukah Anda hubungan ketiganya? Pada dasarnya Deep learning merupakan sub bidang dari Machine Learning dan Machine Learning merupakan sub bidang dari Artificial Intelligence seperti terlihat pada gambar dibawah ini:
Saat kita melihat sesuatu seperti AlphaGo , ini sering kali digambarkan sebagai kesuksesan besar untuk deep learning, namun sebenarnya ini adalah kombinasi ide dari beberapa bidang AI dan machine learning yang berbeda. Faktanya, Anda akan terkejut mendengar bahwa ide di balik jaringan neural dalam bukanlah hal baru tetapi sudah ada sejak tahun 1950-an. Namun, hal itu menjadi mungkin untuk menerapkannya secara praktis karena kemampuan sumber daya kelas atas yang tersedia saat ini.
Jadi, terus maju dalam blog tutorial deep learning ini, mari kita jelajahi Machine Learning diikuti dengan batasannya.
Apa itu Pembelajaran Mesin?
Pembelajaran Mesin adalah bagian dari Kecerdasan Buatan yang memberi komputer kemampuan untuk belajar tanpa diprogram secara eksplisit. Dalam pembelajaran mesin, kita tidak harus mendefinisikan secara eksplisit semua langkah atau ketentuan seperti aplikasi pemrograman lainnya. Sebaliknya, mesin dilatih pada set data pelatihan, yang cukup besar untuk membuat model, yang membantu mesin mengambil keputusan berdasarkan pembelajarannya.
Sebagai contoh: Kami ingin menentukan spesies bunga berdasarkan kelopak dan panjang sepal (daun bunga) menggunakan pembelajaran mesin. Lalu, bagaimana caranya?
| Kami akan memasukkan kumpulan data bunga yang berisi berbagai karakteristik bunga yang berbeda bersama dengan spesiesnya masing-masing ke dalam mesin kami seperti yang Anda lihat pada gambar di atas. Dengan menggunakan kumpulan data masukan ini, mesin akan membuat dan melatih model yang dapat digunakan untuk mengklasifikasikan bunga ke dalam kategori yang berbeda. |
| Setelah model kami dilatih, kami akan meneruskan serangkaian karakteristik sebagai masukan ke model. |
| Terakhir, model kita akan menampilkan spesies bunga yang ada di kumpulan data masukan baru. Proses melatih mesin untuk membuat model dan menggunakannya untuk pengambilan keputusan disebut Pembelajaran mesin . Namun proses ini memiliki beberapa keterbatasan. |
Batasan Machine Learning
Machine Learning tidak mampu menangani data berdimensi tinggi yang input & outputnya cukup besar. Penanganan dan pemrosesan jenis data seperti itu menjadi sangat kompleks dan menghabiskan banyak sumber daya. Ini disebut sebagai Kutukan Dimensi . Untuk memahami ini dalam istilah yang lebih sederhana, mari pertimbangkan gambar berikut:
| Pertimbangkan garis 100 yard dan Anda telah menjatuhkan koin di suatu tempat di garis. Sekarang, cukup mudah bagi Anda untuk menemukan koin hanya dengan berjalan di antrean. Garis ini adalah entitas berdimensi tunggal. |
| Selanjutnya, anggap Anda memiliki sisi persegi masing-masing 100 yard seperti yang ditunjukkan pada gambar di atas dan sekali lagi, Anda menjatuhkan koin di suatu tempat di antaranya. Sekarang, sangat jelas bahwa Anda akan membutuhkan lebih banyak waktu untuk menemukan koin di dalam kotak itu dibandingkan dengan skenario sebelumnya. Persegi ini adalah entitas 2 dimensi. |
| Mari kita selangkah lebih maju dengan mempertimbangkan kubus dengan sisi masing-masing 100 yard dan Anda telah menjatuhkan koin di suatu tempat di antaranya. Sekarang, lebih sulit untuk menemukan koin kali ini. Kubus ini adalah entitas 3 dimensi. |
Oleh karena itu, Anda dapat mengamati kompleksitas meningkat seiring dengan bertambahnya dimensi.Dan dalam kehidupan nyata, data dimensi tinggi yang kita bicarakan memiliki ribuan dimensi yang membuatnya sangat rumit untuk ditangani dan diproses. Data dimensi tinggi dapat dengan mudah ditemukan dalam kasus penggunaan seperti Pemrosesan gambar, NLP, Terjemahan Gambar, dll.
java keluar dari metode
Pembelajaran mesin tidak mampu memecahkan kasus penggunaan ini dan karenanya, Pembelajaran mendalam membantu. Pembelajaran mendalam mampu menangani data berdimensi tinggi dan juga efisien dalam berfokus pada fitur yang tepat dengan sendirinya. Proses ini disebut ekstraksi fitur. Sekarang, mari kita lanjutkan dalam Tutorial Deep Learning ini dan pahami cara kerja deep learning.
Bagaimana Cara Kerja Deep Learning?
Dalam upaya untuk merekayasa ulang otak manusia, Deep Learning mempelajari unit dasar otak yang disebut sel otak atau neuron. Terinspirasi dari neuron, neuron buatan atau perceptron dikembangkan. Sekarang, mari kita pahami fungsi neuron biologis dan bagaimana kita meniru fungsi ini di perceptron atau neuron buatan:
Jika kita fokus pada struktur neuron biologis, ia memiliki dendrit yang digunakan untuk menerima masukan. Masukan ini dijumlahkan dalam badan sel dan menggunakan Akson, ia diteruskan ke neuron biologis berikutnya seperti yang ditunjukkan pada gambar di atas.
Demikian pula, perceptron menerima banyak masukan, menerapkan berbagai transformasi dan fungsi, dan memberikan keluaran.
cara keluar dari metode di java
Seperti kita ketahui bahwa otak kita terdiri dari beberapa neuron yang terhubung yang disebut jaringan saraf, kita juga dapat memiliki jaringan neuron buatan yang disebut perceptron untuk membentuk jaringan saraf dalam. Jadi, mari kita lanjutkan dalam Tutorial Pembelajaran Mendalam ini untuk memahami seperti apa jaringan saraf dalam itu.
Tutorial Deep Learning: Apa itu Deep Learning?
- Jaringan neural dalam apa pun akan terdiri dari tiga jenis lapisan:
- Lapisan Input
- Lapisan Tersembunyi
- Lapisan Keluaran
| Pada diagram di atas, lapisan pertama adalah lapisan masukan yang menerima semua masukan dan lapisan terakhir adalah lapisan keluaran yang memberikan keluaran yang diinginkan. |
| Semua lapisan di antara lapisan ini disebut lapisan tersembunyi. Mungkin ada n jumlah lapisan tersembunyi berkat sumber daya kelas atas yang tersedia saat ini. |
| Jumlah lapisan tersembunyi dan jumlah perceptron di setiap lapisan akan sepenuhnya bergantung pada kasus penggunaan yang Anda coba selesaikan. |
Sekarang setelah Anda memiliki gambaran tentang Deep Neural Networks, mari kita lanjutkan dalam Tutorial Deep Learning ini untuk mendapatkan gambaran tingkat tinggi tentang bagaimana Deep Neural Networks memecahkan masalah Pengenalan Gambar.
Penggunaan Pembelajaran Mendalam - Kasus
Kami ingin melakukan pengenalan gambar menggunakan Deep Networks:
| Di sini, kami meneruskan data dimensi tinggi ke lapisan masukan. Untuk mencocokkan dimensi data masukan, lapisan masukan akan berisi beberapa sub-lapisan perceptrons sehingga dapat mengkonsumsi seluruh masukan. |
| Keluaran yang diterima dari lapisan masukan akan berisi pola dan hanya akan dapat mengidentifikasi tepi gambar berdasarkan tingkat kontras. |
| Output ini akan diumpankan ke Hidden layer 1 di mana ia akan dapat mengidentifikasi berbagai fitur wajah seperti mata, hidung, telinga, dll. |
| Sekarang, ini akan diumpankan ke hidden layer 2 dimana itu akan dapat membentuk seluruh permukaan. Kemudian keluaran dari lapisan 2 dikirim ke lapisan keluaran. |
| Terakhir, lapisan keluaran melakukan klasifikasi berdasarkan hasil yang diperoleh dari sebelumnya dan memprediksi namanya. |
Izinkan saya mengajukan pertanyaan, apa yang akan terjadi jika salah satu lapisan ini hilang atau jaringan saraf tidak cukup dalam? Sederhana, kami tidak akan dapat mengidentifikasi gambar secara akurat. Inilah alasan utama mengapa kasus penggunaan ini tidak memiliki solusi selama bertahun-tahun sebelum Deep Learning. Hanya untuk melangkah lebih jauh, kami akan mencoba menerapkan jaringan dalam pada kumpulan Data MNIST.
Kumpulan data Mnist terdiri dari 60.000 sampel pelatihan dan 10.000 sampel pengujian gambar digit tulisan tangan. Tugas di sini adalah untuk melatih model yang dapat secara akurat mengidentifikasi digit yang ada pada gambar.
- Untuk mengatasi kasus penggunaan ini, jaringan dalam akan dibuat dengan beberapa lapisan tersembunyi untuk memproses semua 60.000 gambar piksel demi piksel dan akhirnya kami akan menerima lapisan keluaran.
- Lapisan keluaran akan berupa larik indeks 0 hingga 9, di mana setiap indeks sesuai dengan digit masing-masing. Indeks 0 berisi probabilitas untuk 0 sebagai digit yang ada pada gambar masukan.
Demikian pula, indeks 2 yang memiliki nilai 0,1, sebenarnya mewakili probabilitas 2 sebagai digit yang ada pada citra masukan. Jadi, jika kita melihat probabilitas tertinggi dalam larik ini adalah 0,8 yang ada pada indeks 7 larik. Karenanya angka yang ada pada gambar adalah 7.
Kesimpulan
Jadi guys, ini semua tentang deep learning secara singkat. Dalam tutorial deep learning ini, kami melihat berbagai aplikasi deep learning dan memahami hubungannya dengan AI dan Machine Learning. Kemudian, kami memahami bagaimana kami dapat menggunakan perceptron atau blok bangunan dasar neuron buatan untuk membuat jaringan saraf dalam yang dapat melakukan tugas-tugas kompleks semacam itu. Akhirnya, kami membahas salah satu kasus penggunaan pembelajaran mendalam di mana kami melakukan pengenalan gambar menggunakan jaringan saraf dalam dan memahami semua langkah yang terjadi di balik layar. Sekarang, di blog berikutnya dari seri Tutorial Deep Learning ini, kita akan mempelajari cara mengimplementasikan perceptron menggunakan TensorFlow, yang merupakan library berbasis Python untuk Deep Learning.
Sekarang setelah Anda mengetahui tentang Deep Learning, lihat oleh Edureka, perusahaan pembelajaran online tepercaya dengan jaringan lebih dari 250.000 pelajar yang puas dan tersebar di seluruh dunia. Kursus Edureka Deep Learning dengan Pelatihan Sertifikasi TensorFlow membantu pelajar menjadi ahli dalam pelatihan dan mengoptimalkan jaringan saraf dasar dan konvolusional menggunakan proyek dan tugas waktu nyata bersama dengan konsep seperti fungsi SoftMax, Jaringan Neural encoder Otomatis, Mesin Boltzmann Terbatas (RBM).
Ada pertanyaan untuk kami? Harap sebutkan di bagian komentar dan kami akan menghubungi Anda kembali.