Apa itu Pembelajaran Mendalam?
Di blog ini, saya akan berbicara tentang Apa itu Pembelajaran Mendalam yang sedang hangat saat ini dan telah dengan kuat berakar pada banyak sekali industri yang berinvestasi di bidang seperti Artificial Intelligence, Big Data, dan Analytics. Misalnya, Google menggunakan pembelajaran mendalam dalam algoritma pengenalan suara dan gambarnya sedangkan Netflix dan Amazon menggunakannya untuk memahami perilaku pelanggan mereka. Sebenarnya, Anda tidak akan mempercayainya, tetapi para peneliti di MIT mencoba memprediksi masa depan menggunakan pembelajaran mendalam.Sekarang, bayangkan seberapa besar potensi deep learning dalam merevolusi dunia dan bagaimana perusahaan akan mencarinya .Sebelum berbicara tentang pembelajaran mendalam, seseorang harus memahami hubungannya dengan Pembelajaran Mesin dan Kecerdasan Buatan. Cara termudah untuk memahami hubungan ini adalah dengan melalui diagram di bawah ini:
ara: Apa itu Pembelajaran Mendalam - Garis Waktu Teknologi AI
Di sini, pada gambar Anda dapat melihat bahwa Machine Learning adalah bagian dari AI. Ini menyiratkan fakta bahwa kita dapat membangun mesin cerdas yang dapat belajar berdasarkan kumpulan data yang disediakan sendiri. Lebih lanjut, Anda akan melihat bahwa Pembelajaran Mendalam adalah bagian dari Pembelajaran Mesin di mana Algoritma Pembelajaran Mesin serupa digunakan untuk melatih Jaringan Neural Dalam untuk mencapai akurasi yang lebih baik dalam kasus-kasus di mana performa sebelumnya tidak sesuai dengan target. Following adalah topik yang akan saya bahas dalam tutorial deep learning ini:
- Kecerdasan buatan
- Pembelajaran mesin
- Kekurangan ML
- Apa itu Pembelajaran Mendalam?
- Aplikasi Pembelajaran Mendalam
Dapatkan Sertifikasi Dengan Proyek Tingkat Industri & Lacak Karir Anda dengan Cepat
Kecerdasan buatan
ara: Apa itu Pembelajaran Mendalam - Kecerdasan Buatan
Istilah AI diciptakan pada tahun 1956 oleh John McCarthy, yang juga disebut sebagai Bapak Kecerdasan Buatan. Ide di balik AI cukup sederhana namun menarik, yaitu membuat mesin cerdas yang dapat mengambil keputusan sendiri. Anda mungkin menganggapnya sebagai fantasi sains, tetapi sehubungan dengan perkembangan terkini dalam teknologi dan daya komputasi, gagasan itu tampaknya semakin mendekati kenyataan hari demi hari.
Pembelajaran Mesin: Langkah Menuju Kecerdasan Buatan
Sekarang, setelah Anda terbiasa dengan AI, mari kita bahas secara singkat tentang Machine Learning dan pahami apa artinya saat kami mengatakan bahwa kami memprogram mesin untuk belajar. Mari kita mulai dengan definisi Machine Learning yang sangat terkenal:
peran dan tanggung jawab scrum master pdf
'Sebuah program komputer dikatakan belajar dari pengalaman E sehubungan dengan beberapa tugas T dan beberapa ukuran kinerja P, jika kinerjanya di T, sebagaimana diukur oleh P, meningkat dengan pengalaman E.' - Tom Mitchell, Universitas Carnegie Mellon
Jadi, jika Anda ingin program Anda memprediksi pola lalu lintas di persimpangan yang sibuk (tugas T), Anda dapat menjalankannya melalui algoritme pembelajaran mesin dengan data tentang pola lalu lintas sebelumnya (pengalaman E). Sekarang, keakuratan prediksi (ukuran kinerja P) akan bergantung pada fakta apakah program telah berhasil belajar dari kumpulan data atau tidak (pengalaman E).
Pada dasarnya, Pembelajaran Mesin disebut sebagai jenis kecerdasan buatan (AI) yang memberi komputer kemampuan untuk belajar tanpa diprogram secara eksplisit dengan memaparkannya ke sejumlah besar data. Prinsip inti di balik Machine Learning adalah belajar dari kumpulan data dan mencoba meminimalkan kesalahan atau memaksimalkan kemungkinan prediksi mereka menjadi benar.
Kekurangan dari Machine Learning
- Algoritme ML tradisional tidak berguna saat bekerja dengan data berdimensi tinggi, di situlah kami memiliki banyak input dan output. Misalnya, dalam hal pengenalan tulisan tangan, kami memiliki sejumlah besar masukan di mana kami akan memiliki jenis masukan berbeda yang terkait dengan jenis tulisan tangan yang berbeda.
- Tantangan besar kedua adalah memberi tahu komputer fitur apa yang harus dicari yang akan memainkan peran penting dalam memprediksi hasil serta mencapai akurasi yang lebih baik saat melakukannya. Proses inilah yang disebut ekstraksi fitur .
Memasukkan data mentah ke algoritme jarang sekali berhasil dan inilah alasan mengapa ekstraksi fitur menjadi bagian penting dari alur kerja pembelajaran mesin tradisional. Oleh karena itu, tanpa ekstraksi fitur, tantangan bagi pemrogram akan meningkat karena keefektifan algoritme sangat bergantung pada seberapa mendalam pemrogramnya. Oleh karena itu, sangat sulit untuk menerapkan model atau algoritme Machine Learning ini ke masalah kompleks seperti pengenalan objek, pengenalan tulisan tangan, NLP (Pemrosesan Bahasa Alami), dll.
Pembelajaran Mendalam
Pembelajaran mendalam adalah satu-satunya metode yang dapat kami gunakan untuk mengatasi tantangan ekstraksi fitur. Ini karena model pembelajaran yang dalam mampu belajar untuk fokus pada fitur yang tepat dengan sendirinya, membutuhkan sedikit panduan dari programmer. Pada dasarnya, pembelajaran mendalam meniru cara otak kita berfungsi, yaitu belajar dari pengalaman. Seperti yang Anda ketahui, otak kita terdiri dari milyaran neuron yang memungkinkan kita melakukan hal-hal menakjubkan. Bahkan otak anak berusia satu tahun dapat memecahkan masalah kompleks yang sangat sulit untuk diselesaikan bahkan dengan menggunakan komputer super. Sebagai contoh:
- Kenali wajah orang tuanya dan berbagai objeknya juga.
- Membedakan suara yang berbeda dan bahkan dapat mengenali orang tertentu berdasarkan suaranya.
- Tarik kesimpulan dari gerakan wajah orang lain dan banyak lagi.
Sebenarnya, otak kita secara tidak sadar telah melatih dirinya sendiri untuk melakukan hal-hal seperti itu selama bertahun-tahun. Sekarang, pertanyaannya datang, seberapa dalam pembelajaran meniru fungsi otak? Nah, pembelajaran mendalam menggunakan konsep neuron buatan yang berfungsi dengan cara yang mirip dengan neuron biologis yang ada di otak kita. Oleh karena itu, kami dapat mengatakan bahwa Pembelajaran Dalam adalah subbidang dari mesin belajar berkaitan dengan algoritma yang terinspirasi oleh struktur dan fungsi otak yang disebut jaringan saraf tiruan.
kode contoh python regresi logistik
Sekarang, mari kita ambil contoh untuk memahaminya. Misalkan kita ingin membuat sistem yang dapat mengenali wajah berbagai orang dalam sebuah gambar.Jika kami menyelesaikan ini sebagai masalah pembelajaran mesin biasa, kami akan menentukan fitur wajah seperti mata, hidung, telinga, dll. Dan kemudian, sistem akan mengidentifikasi fitur mana yang lebih penting untuk orang itu sendiri.
Sekarang, pembelajaran mendalam mengambil satu langkah ke depan. Pembelajaran mendalam secara otomatis menemukan fitur-fitur yang penting untuk klasifikasi karena jaringan neural dalam, sedangkan untuk Pembelajaran Mesin kami harus menentukan fitur-fitur ini secara manual.
ara: Pengenalan Wajah menggunakan Deep Networks
Seperti yang ditunjukkan pada gambar di atas, Deep Learning bekerja sebagai berikut:
- Pada level terendah, jaringan menetapkan pola kontras lokal sebagai hal yang penting.
- Lapisan berikut kemudian dapat menggunakan pola kontras lokal tersebut untuk memusatkan perhatian pada hal-hal yang menyerupai mata, hidung, dan mulut
- Terakhir, lapisan atas dapat menerapkan fitur wajah tersebut ke template wajah.
- Jaringan neural dalam mampu menyusun fitur yang semakin kompleks di setiap lapisannya yang berurutan.
Pernahkah Anda bertanya-tanya bagaimana Facebook secara otomatis memberi label atau menandai semua orang yang ada dalam gambar yang Anda unggah? Nah, Facebook menggunakan Deep Learning dengan cara yang sama seperti yang disebutkan dalam contoh di atas. Sekarang, Anda akan menyadari kemampuan Deep Learning dan bagaimana hal itu dapat mengungguli Machine Learning dalam kasus di mana kami hanya memiliki sedikit ide tentang semua fitur yang dapat memengaruhi hasil. Oleh karena itu, Deep network dapat mengatasi kekurangan dari Machine Learning dengan menarik kesimpulan dari kumpulan data yang terdiri dari data input tanpa pelabelan yang tepat.
Apa itu Deep Learning | Pembelajaran Mendalam Sederhana | Edureka
Aplikasi Deep Learning
Melangkah ke depan dalam apa itu blog pembelajaran mendalam, mari kita lihat beberapa aplikasi Deep Learning di kehidupan nyata untuk memahami kekuatan sebenarnya.
Pengenalan suara
Anda semua pasti pernah mendengar tentang Siri, yang merupakan asisten cerdas yang dikontrol suara Apple. Seperti raksasa besar lainnya, Apple juga mulai berinvestasi pada Deep Learning untuk membuat layanannya lebih baik dari sebelumnya.
Di bidang pengenalan ucapan dan asisten cerdas yang dikendalikan suara seperti Siri, seseorang dapat mengembangkan model akustik yang lebih akurat menggunakan jaringan saraf dalam dan saat ini menjadi salah satu bidang paling aktif untuk implementasi pembelajaran yang mendalam. Dengan kata sederhana, Anda dapat membangun sistem yang dapat mempelajari fitur-fitur baru atau menyesuaikan diri menurut Anda dan oleh karena itu, memberikan bantuan yang lebih baik dengan memprediksi semua kemungkinan sebelumnya.
Terjemahan Mesin Otomatis
Kita semua tahu bahwa Google dapat langsung menerjemahkan antara 100 bahasa manusia yang berbeda, itu terlalu sangat cepat seperti sulap. Teknologi di belakang penerjemah Google disebut Mesin penerjemah dan telah menjadi penyelamat bagi orang yang tidak dapat berkomunikasi satu sama lain karena perbedaan dalam bahasa berbicara. Nah, Anda mungkin berpikir bahwa fitur ini sudah ada sejak lama, jadi, apa yang baru? Izinkan saya memberi tahu Anda bahwa selama dua tahun terakhir, dengan bantuan pembelajaran mendalam, Google telah sepenuhnya mereformasi pendekatan terjemahan mesin di Google Terjemahan. Faktanya, peneliti deep learning yang hampir tidak tahu apa-apa tentang terjemahan bahasa mengedepankan solusi pembelajaran mesin yang relatif sederhana yang mengalahkan sistem terjemahan bahasa buatan ahli terbaik di dunia. Terjemahan teks dapat dilakukan tanpa pra-pemrosesan urutan, memungkinkan algoritme untuk mempelajari ketergantungan antara kata dan pemetaannya ke bahasa baru. Jaringan bertumpuk dari jaringan neural berulang yang besar digunakan untuk melakukan terjemahan ini.
- Terjemahan Visual Instan
Seperti yang Anda ketahui, pembelajaran mendalam digunakan untuk mengidentifikasi gambar yang memiliki huruf dan di mana huruf-huruf itu ada di tempat kejadian. Setelah diidentifikasi, mereka dapat diubah menjadi teks, diterjemahkan dan gambar dibuat ulang dengan teks terjemahan. Ini sering disebut terjemahan visual instan .
Sekarang, bayangkan situasi di mana Anda pernah mengunjungi negara lain yang bahasa ibunya tidak Anda kenal. Nah, tidak perlu khawatir, dengan menggunakan berbagai aplikasi seperti Google Translate Anda dapat melanjutkan dan melakukan terjemahan visual instan untuk membaca papan nama atau papan toko yang ditulis dalam bahasa lain. Ini hanya mungkin karena Deep Learning.
catatan: Anda dapat melanjutkan dan mengunduh Aplikasi Google Terjemahan dan melihat terjemahan visual instan yang luar biasa menggunakan gambar di atas.
Perilaku: Mobil Self Driven Otomatis
Google mencoba mengambil inisiatif mobil tanpa pengemudi, yang dikenal sebagai WAYMO, ke tingkat kesempurnaan yang benar-benar baru menggunakan Deep Learning. Oleh karena itu, daripada menggunakan algoritma kode tangan lama, mereka sekarang dapat memprogram sistem yang dapat belajar sendiri menggunakan data yang disediakan oleh sensor yang berbeda. Pembelajaran mendalam sekarang menjadi pendekatan terbaik untuk sebagian besar tugas persepsi, serta banyak tugas kontrol tingkat rendah. Karenanya, sekarang bahkan orang yang tidak tahu cara mengemudi atau cacat, dapat melanjutkan dan mengambil perjalanan tanpa bergantung pada orang lain.
Di sini, saya hanya menyebutkan beberapa kasus penggunaan kehidupan nyata yang terkenal di mana Deep Learning digunakan secara ekstensif dan menunjukkan hasil yang menjanjikan. Ada banyak aplikasi pembelajaran mendalam lainnya bersama dengan banyak bidang yang belum dieksplorasi.
mengkonversi string ke format tanggal di java
Jadi, ini semua tentang pembelajaran mendalam secara singkat. Saya yakin sekarang, Anda pasti sudah menyadari perbedaan antara Machine Learning dan Deep Learning serta bagaimana Deep Learning bisa sangat berguna untuk berbagai aplikasi kehidupan nyata. Sekarang, di blog saya berikutnya dalam seri tutorial pembelajaran mendalam ini, kita akan mendalami berbagai konsep dan algoritma Pembelajaran Mendalam beserta aplikasinya secara rinci.
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 peserta didik 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.