Deep Learning : Peniru Jaringan Saraf Manusia

[Angela]

Deep Learning merupakan subset dari bagian Machine Learning, yg pada dasarnya adalahneural networkyang terdiri dari tiga atau lapisan yg lebih. Neural network ini mencoba untuk mensimulasikan perilaku otak manusia, walaupun jauh dari kemampuan yg sesuai dari cara bekerja otak manusia, neural network sanggup untuk belajar dari sejumlah data dengan skala yg besar. Sementara neural network dengan satu lapisan masih dapat menciptakan perkiraan, dengan menambahkan lapisan tersembunyi (hidden layer) dapat menolong mengoptimalkan & menambah akurasi yg lebih tepat.

Deep Learning mendorong banyak aplikasi kecerdasan buatan (AI) yg meningkatkan otomasi, mengerjakan tugas analisis & fisik tanpa campur tangan manusia. Teknologi Deep Learning terletak di balik produk & layanin sehari-hari (seperti asisten digital, remote TV yg diaktifkan dengan suara, & deteksi penipuan kartu kredit) serta teknologi baru seperti autonomous driving (mobil yg dapat menyetir sendiri).



Cara Kerja Deep Learning


Deep Learning maupun neural network, atau ANN (Artificial Neural Network), didesain untuk mencoba mengikuti cara kerja otak manusia melalui kombinasi input data, weights, & bias. Masing-masing dari elemen ini bekerja sama untuk secara seksama mengenal, mengklasifikasikan, & menggambarkan objek sesuai dengan data yg diberikan.


Deep neural networks terdiri dari beberapa lapisan nodes/neuron yg saling berhubungan, masing-masing dibangun di atas lapisan sebelumnya untuk menyempurnakan & mengoptimalkan perkiraan atau kategorikan (sesuai dengan tugas/tujuan yg diberikan). Perkembangan komputasi melalui jaringan ini disebut juga denganforward propagation, dimana lapisan input & output dari jaringan neural dalam disebutvisible layer. Lapisan input adalah tempat model/algoritma Deep Learning menerima data untuk diproses oleh algoritma tersebut, & lapisan output adalah perkiraan atau klasifikasi akhir dibuat.


Adanya proses lain yg disebut juga denganbackpropagation.Backpropagation terjadi dimana saat model/algoritma Deep Learning tersebut mempelajari data & tugas/tujuan yg diberikan. Ini dapat dilakukan seperti gradient descent, untuk menghitung kesalahan dalam perkiraan & kemudian menyesuaikan fungsi weights & bias dengan mem-backpropagate melalui lapisanhidden layerupaya saat training model/algoritma tersebut. Bersama-sama, forward propagation & backpropagation memungkinkan neural network menciptakan perkiraan & mengoreksi kesalahan apa pun untuk menyesuai & meningkatkan akurasi dari algoritma tersebut. Seiring jalannya training, algoritma jadi lebih seksama secara bertahap-tahap (sering dipanggil juga denganepochs).



Arsitektur Deep Learning :


- CNN (Convolutional Neural Networks), sering dipakai khususnya dalam computer vision & aplikasi klasifikasi gambar, dimana CNN dapat mendeteksi fitur & pola dalam gambar, memungkinkan tugas seperti deteksi atau pengenalan objek (object detection). Pada 2015, CNN dapat mengalahkan performa manusia dalam tantanganobject detectionuntuk perdana kalinya.

- RNN (Recurrent Neural Networks), biasanya dipakai dalam NLP (Natural Language Processing) & aplikasi pengenalan suara (speech recognition) karena memanfaatkan data sekuensi/berurutan atau deret waktu.


- Transformer, arsitektur/algoritma deep learning yg saat ini sangat banyak dipakai diberbagai aplikasi, algoritma ini menjawab pertanyaan/menghilangkan limitasi RNN & LSTM (variasi/modifikasi dari RNN),vanishing gradient.Baru-baru ini, transformer juga dipakai di sektor computer vision maupun suara.​

https://digitalpolar.com/deep-learning/ Hari ini 20:42