Pembelajaran mendalam (Deep Learning) menggerakkan sebagian besar teknologi yang kita andalkan setiap hari. Ini bisa jadi mesin penerjemah yang menerjemahkan situs web yang sedang kita kunjungi, bisa jadi pengenalan wajah yang memungkinkan kita masuk ke ponsel kita., atau bahkan bisa jadi rekomendasi yang kami andalkan untuk menunjukkan kepada kami serial atau acara TV terbaik berikutnya di Netflix untuk ditonton. Jadi di video kali ini kita akan melihat deep learning lebih detail, dan benar-benar paham apa itu.
Artikel ini adalah bagian dari seri penjelasan pembelajaran mendalam yang dipersembahkan oleh assemblyAI. Perusahaan yang mengembangkan API ucapan ke teks otomatis yang canggih. Jika Anda ingin memiliki token API gratis, ikuti tautan di deskripsi. Pertama dan terutama deskripsi pembelajaran yang mendalam. Pembelajaran mendalam adalah sekelompok teknik yang didasarkan pada jaringan saraf tiruan (Neural Network) yang memiliki kapasitas untuk mempelajari pola kompleks secara langsung dari data. Jadi mari kita uraikan ini, dan lakukan langkah demi langkah.
Hal pertama jaringan saraf tiruan. Jaringan saraf tiruan adalah algoritme yang dibuat terinspirasi oleh otak kita. Anda dapat melihat dalam contoh ini kami memiliki lapisan neuron yang ditumpuk satu demi satu. Dalam jaringan saraf tiruan, kami memiliki tiga lapisan berbeda. Salah satunya disebut lapisan input, tempat kami menerima input. Yang lainnya disebut lapisan keluaran di ujung jaringan, di mana ia memberikan prediksi aktual atau hasil jaringan, atau algoritme. Dan di antara itu, Kita memiliki lapisan tersembunyi.
Semua lapisan ini terdiri dari neuron, tergantung pada masukan atau keluaran atau masalah yang Anda selesaikan, Anda akan memiliki jumlah neuron yang berbeda. Selalu ada satu masukan dan satu lapisan keluaran. Tetapi semakin banyak lapisan tersembunyi yang Anda miliki di antaranya, semakin dalam jaringan yang akan Anda miliki. Dan dari situlah kata kunci "mendalam" berasal dari deep learning. Sedangkan "pembelajaran" berasal dari pembelajaran mesin, atau fakta bahwa jaringan ini mampu mempelajari pola kompleks yang berbeda.
Jaringan saraf tiruan dan pembelajaran mendalam telah sangat memengaruhi kehidupan kita dalam 10 hingga 15 tahun terakhir. Tapi sebenarnya mereka sudah ada lebih lama dari itu. Jaringan saraf tiruan pertama diusulkan jauh-jauh hari pada tahun 1943. Sejak itu, ada gelombang minat yang akhirnya padam. Anda benar-benar dapat berpikir bahwa kita saat ini hidup dalam gelombang minat baru dalam hal pembelajaran mendalam. Kali ini orang berpikir bahwa itu tidak akan benar-benar hilang, karena pertama-tama kami memiliki banyak data yang dapat kami tangani, dan daya komputasi menjadi lebih baik dan lebih baik setiap hari. Belum lagi penelitian yang sedang dilakukan dalam pembelajaran mendalam saat ini untuk membuatnya lebih baik dan lebih cepat setiap hari.
Jadi mari kita bicara tentang bagaimana semua ini berkaitan dengan pembelajaran mesin dan juga bagaimana pembelajaran mesin dibandingkan dengan pembelajaran mendalam. Mari kita mulai dari atas. Kami tahu bahwa kami memiliki ilmu komputer dengan benar. Ilmu komputer memiliki cabang yang berbeda, ini bisa berupa keamanan komputer, rekayasa perangkat lunak, atau sistem terdistribusi. Salah satu cabang ini disebut kecerdasan buatan. Dalam kecerdasan buatan, tujuan umumnya adalah membuat komputer melakukan tugas yang biasanya dilakukan manusia, dengan cara yang akurat dan juga efisien.
Ada berbagai pendekatan untuk kecerdasan buatan, dan salah satu pendekatan ini disebut pembelajaran mesin. Singkatnya, pembelajaran mesin bertujuan agar komputer mempelajari cara melakukan tugas langsung dari data. Pembelajaran mendalam adalah bagian dari pembelajaran mesin (Machine Learning). Sekali lagi itu sendiri merupakan sekelompok teknik yang ada dalam pembelajaran mesin. Ketika Anda mengatakan pembelajaran mesin, Anda sebenarnya memasukkan pembelajaran mendalam ke dalam gambarannya. Ketika kami ingin membandingkan machine learning dan deep learning, tentunya yang kami coba bandingkan adalah algoritma machine learning tradisional dengan algoritma deep learning, yang telah disempurnakan dalam dekade terakhir.
Baiklah, mari kita lihat bagaimana mereka berbeda dengan algoritma pembelajaran mesin tradisional di satu sisi, dan pembelajaran mendalam di sisi lain. Perbedaan pertama dan paling menonjol adalah saat Anda melatih algoritme pembelajaran mesin, Anda memerlukan fitur yang diekstraksi dari data secara manual. Saat Anda melakukan pelatihan pembelajaran mendalam, Anda tidak perlu melakukan itu. Sebagai contoh, katakanlah Anda mencoba mengklasifikasikan kucing atau anjing. Contoh paling umum di internet. Apa yang terjadi adalah ketika Anda ingin melatih model Anda untuk memahami apakah gambar yang diberikan adalah kucing atau anjing, Anda harus mengekstrak fitur seperti berapa banyak telinga runcing yang dimilikinya, seperti apa bentuk hidungnya, apa warnanya hidung, apa pose yang diberikan binatang itu misalnya. Ini hanyalah contoh abstrak dari jenis fitur apa yang dapat Anda ekstrak.
Sedangkan untuk deep learning anda cukup memberikan gambar apa adanya pada algoritma deep learning anda. Itu sendiri akan mengerti apa polanya, dan apa ciri-cirinya, memisahkan kedua hewan satu sama lain di foto-foto ini. Ini sangat bagus kan. Karena saat Anda melatih model deep learning, Anda tidak perlu melakukan rekayasa masa depan sama sekali. Tapi tentu saja fitur kecil yang menyenangkan ini ada harganya. Saat Anda melatih algoritme pembelajaran mendalam, Anda harus memiliki lebih banyak data daripada yang Anda butuhkan untuk algoritme pembelajaran mesin tradisional agar dapat melatih model Anda agar akurat.
Dan juga, karena semua komputasi yang perlu dilakukan dalam algoritme pembelajaran mendalam, Anda harus memiliki mesin yang lebih kuat, yang memiliki daya pemrosesan lebih tinggi, dan ini akan memakan waktu lebih lama. Itu semacam trade-off tentu saja semakin kuat mesin yang Anda miliki, semakin sedikit waktu yang dibutuhkan. Rata-rata akan selalu membutuhkan waktu lebih lama untuk melatih algoritme pembelajaran mendalam yang dibandingkan dengan algoritme pembelajaran mesin tradisional.
Ada satu perbedaan lain sebenarnya, yang agak sulit untuk dituliskan di atas kertas. Artinya, algoritme pembelajaran mendalam sebenarnya mampu menangkap pola yang sedikit lebih abstrak. Jadi Anda benar-benar dapat melakukan tugas dengan algoritme pembelajaran mendalam, yang tidak dapat Anda lakukan dengan algoritme pembelajaran mesin tradisional. Ini bisa jadi misalnya pemrosesan bahasa alami. Anda mungkin tidak selalu tahu fitur seperti apa yang akan diekstraksi, atau fitur seperti apa yang akan dihasilkan dari teks Anda untuk dapat melakukan analisis sentimen yaitu menganalisis jika teks tertentu memiliki konotasi positif atau negatif. Padahal pembelajaran mendalam menangani ini dengan sangat baik, hanya dengan melihat contoh yang diberi label.
Contoh lain sebenarnya adalah contoh yang sudah saya berikan tadi. Saat Anda mencoba membedakan antara kucing dan anjing, mungkin agak sulit untuk membuat fitur hanya dengan melihat foto binatang. Sedangkan dengan deep learning Anda tidak perlu khawatir akan hal itu. Anda cukup memasukkan data Anda ke dalam algoritme pembelajaran mendalam dan kemudian akan mengekstrak semuanya untuk Anda. Saya pikir ini membuat algoritme pembelajaran mendalam lebih baik dalam hal tugas abstrak yang akan sangat sulit bagi manusia untuk memformatnya.
Tentu saja ada hal keren lainnya yang dapat Anda lakukan dengan deep learning, misalnya mengubah ucapan menjadi teks. Itulah tepatnya yang dilakukan assemblyAI. Jika saat ini Anda tertarik untuk memiliki API ucapan-ke-teks yang terintegrasi di salah satu proyek yang sedang Anda kerjakan. Anda dapat mencoba AssemblyAI. Anda dapat mengikuti tautan dalam deskripsi untuk mendapatkan token API gratis Anda sendiri untuk mulai mengerjakannya kapan pun Anda mau.
Pemateri:AssemblyAI
Judul Asli:Deep learning in 5 minutes What is deep learning
Sumber: https://www.youtube.com/@AssemblyAI
Artikel ini adalah bagian dari seri penjelasan pembelajaran mendalam yang dipersembahkan oleh assemblyAI. Perusahaan yang mengembangkan API ucapan ke teks otomatis yang canggih. Jika Anda ingin memiliki token API gratis, ikuti tautan di deskripsi. Pertama dan terutama deskripsi pembelajaran yang mendalam. Pembelajaran mendalam adalah sekelompok teknik yang didasarkan pada jaringan saraf tiruan (Neural Network) yang memiliki kapasitas untuk mempelajari pola kompleks secara langsung dari data. Jadi mari kita uraikan ini, dan lakukan langkah demi langkah.
Hal pertama jaringan saraf tiruan. Jaringan saraf tiruan adalah algoritme yang dibuat terinspirasi oleh otak kita. Anda dapat melihat dalam contoh ini kami memiliki lapisan neuron yang ditumpuk satu demi satu. Dalam jaringan saraf tiruan, kami memiliki tiga lapisan berbeda. Salah satunya disebut lapisan input, tempat kami menerima input. Yang lainnya disebut lapisan keluaran di ujung jaringan, di mana ia memberikan prediksi aktual atau hasil jaringan, atau algoritme. Dan di antara itu, Kita memiliki lapisan tersembunyi.
Semua lapisan ini terdiri dari neuron, tergantung pada masukan atau keluaran atau masalah yang Anda selesaikan, Anda akan memiliki jumlah neuron yang berbeda. Selalu ada satu masukan dan satu lapisan keluaran. Tetapi semakin banyak lapisan tersembunyi yang Anda miliki di antaranya, semakin dalam jaringan yang akan Anda miliki. Dan dari situlah kata kunci "mendalam" berasal dari deep learning. Sedangkan "pembelajaran" berasal dari pembelajaran mesin, atau fakta bahwa jaringan ini mampu mempelajari pola kompleks yang berbeda.
Jaringan saraf tiruan dan pembelajaran mendalam telah sangat memengaruhi kehidupan kita dalam 10 hingga 15 tahun terakhir. Tapi sebenarnya mereka sudah ada lebih lama dari itu. Jaringan saraf tiruan pertama diusulkan jauh-jauh hari pada tahun 1943. Sejak itu, ada gelombang minat yang akhirnya padam. Anda benar-benar dapat berpikir bahwa kita saat ini hidup dalam gelombang minat baru dalam hal pembelajaran mendalam. Kali ini orang berpikir bahwa itu tidak akan benar-benar hilang, karena pertama-tama kami memiliki banyak data yang dapat kami tangani, dan daya komputasi menjadi lebih baik dan lebih baik setiap hari. Belum lagi penelitian yang sedang dilakukan dalam pembelajaran mendalam saat ini untuk membuatnya lebih baik dan lebih cepat setiap hari.
Jadi mari kita bicara tentang bagaimana semua ini berkaitan dengan pembelajaran mesin dan juga bagaimana pembelajaran mesin dibandingkan dengan pembelajaran mendalam. Mari kita mulai dari atas. Kami tahu bahwa kami memiliki ilmu komputer dengan benar. Ilmu komputer memiliki cabang yang berbeda, ini bisa berupa keamanan komputer, rekayasa perangkat lunak, atau sistem terdistribusi. Salah satu cabang ini disebut kecerdasan buatan. Dalam kecerdasan buatan, tujuan umumnya adalah membuat komputer melakukan tugas yang biasanya dilakukan manusia, dengan cara yang akurat dan juga efisien.
Ada berbagai pendekatan untuk kecerdasan buatan, dan salah satu pendekatan ini disebut pembelajaran mesin. Singkatnya, pembelajaran mesin bertujuan agar komputer mempelajari cara melakukan tugas langsung dari data. Pembelajaran mendalam adalah bagian dari pembelajaran mesin (Machine Learning). Sekali lagi itu sendiri merupakan sekelompok teknik yang ada dalam pembelajaran mesin. Ketika Anda mengatakan pembelajaran mesin, Anda sebenarnya memasukkan pembelajaran mendalam ke dalam gambarannya. Ketika kami ingin membandingkan machine learning dan deep learning, tentunya yang kami coba bandingkan adalah algoritma machine learning tradisional dengan algoritma deep learning, yang telah disempurnakan dalam dekade terakhir.
Baiklah, mari kita lihat bagaimana mereka berbeda dengan algoritma pembelajaran mesin tradisional di satu sisi, dan pembelajaran mendalam di sisi lain. Perbedaan pertama dan paling menonjol adalah saat Anda melatih algoritme pembelajaran mesin, Anda memerlukan fitur yang diekstraksi dari data secara manual. Saat Anda melakukan pelatihan pembelajaran mendalam, Anda tidak perlu melakukan itu. Sebagai contoh, katakanlah Anda mencoba mengklasifikasikan kucing atau anjing. Contoh paling umum di internet. Apa yang terjadi adalah ketika Anda ingin melatih model Anda untuk memahami apakah gambar yang diberikan adalah kucing atau anjing, Anda harus mengekstrak fitur seperti berapa banyak telinga runcing yang dimilikinya, seperti apa bentuk hidungnya, apa warnanya hidung, apa pose yang diberikan binatang itu misalnya. Ini hanyalah contoh abstrak dari jenis fitur apa yang dapat Anda ekstrak.
Sedangkan untuk deep learning anda cukup memberikan gambar apa adanya pada algoritma deep learning anda. Itu sendiri akan mengerti apa polanya, dan apa ciri-cirinya, memisahkan kedua hewan satu sama lain di foto-foto ini. Ini sangat bagus kan. Karena saat Anda melatih model deep learning, Anda tidak perlu melakukan rekayasa masa depan sama sekali. Tapi tentu saja fitur kecil yang menyenangkan ini ada harganya. Saat Anda melatih algoritme pembelajaran mendalam, Anda harus memiliki lebih banyak data daripada yang Anda butuhkan untuk algoritme pembelajaran mesin tradisional agar dapat melatih model Anda agar akurat.
Dan juga, karena semua komputasi yang perlu dilakukan dalam algoritme pembelajaran mendalam, Anda harus memiliki mesin yang lebih kuat, yang memiliki daya pemrosesan lebih tinggi, dan ini akan memakan waktu lebih lama. Itu semacam trade-off tentu saja semakin kuat mesin yang Anda miliki, semakin sedikit waktu yang dibutuhkan. Rata-rata akan selalu membutuhkan waktu lebih lama untuk melatih algoritme pembelajaran mendalam yang dibandingkan dengan algoritme pembelajaran mesin tradisional.
Ada satu perbedaan lain sebenarnya, yang agak sulit untuk dituliskan di atas kertas. Artinya, algoritme pembelajaran mendalam sebenarnya mampu menangkap pola yang sedikit lebih abstrak. Jadi Anda benar-benar dapat melakukan tugas dengan algoritme pembelajaran mendalam, yang tidak dapat Anda lakukan dengan algoritme pembelajaran mesin tradisional. Ini bisa jadi misalnya pemrosesan bahasa alami. Anda mungkin tidak selalu tahu fitur seperti apa yang akan diekstraksi, atau fitur seperti apa yang akan dihasilkan dari teks Anda untuk dapat melakukan analisis sentimen yaitu menganalisis jika teks tertentu memiliki konotasi positif atau negatif. Padahal pembelajaran mendalam menangani ini dengan sangat baik, hanya dengan melihat contoh yang diberi label.
Contoh lain sebenarnya adalah contoh yang sudah saya berikan tadi. Saat Anda mencoba membedakan antara kucing dan anjing, mungkin agak sulit untuk membuat fitur hanya dengan melihat foto binatang. Sedangkan dengan deep learning Anda tidak perlu khawatir akan hal itu. Anda cukup memasukkan data Anda ke dalam algoritme pembelajaran mendalam dan kemudian akan mengekstrak semuanya untuk Anda. Saya pikir ini membuat algoritme pembelajaran mendalam lebih baik dalam hal tugas abstrak yang akan sangat sulit bagi manusia untuk memformatnya.
Tentu saja ada hal keren lainnya yang dapat Anda lakukan dengan deep learning, misalnya mengubah ucapan menjadi teks. Itulah tepatnya yang dilakukan assemblyAI. Jika saat ini Anda tertarik untuk memiliki API ucapan-ke-teks yang terintegrasi di salah satu proyek yang sedang Anda kerjakan. Anda dapat mencoba AssemblyAI. Anda dapat mengikuti tautan dalam deskripsi untuk mendapatkan token API gratis Anda sendiri untuk mulai mengerjakannya kapan pun Anda mau.
Pemateri:AssemblyAI
Judul Asli:Deep learning in 5 minutes What is deep learning
Sumber: https://www.youtube.com/@AssemblyAI
Komentar
Posting Komentar