- Beranda
- Komunitas
- Entertainment
- The Lounge
Deep Learning : Peniru Jaringan Saraf Manusia
TS
digitalpolar
Deep Learning : Peniru Jaringan Saraf Manusia
Deep Learning merupakan subset dari bagian Machine Learning, yang pada dasarnya adalah neural network yang terdiri dari tiga atau lapisan yang lebih. Neural network ini mencoba untuk mensimulasikan perilaku otak manusia, walaupun jauh dari kemampuan yang sesuai dari cara bekerja otak manusia, neural network mampu untuk belajar dari sejumlah data dengan skala yang besar. Sementara neural network dengan satu lapisan masih dapat membuat perkiraan, dengan menambahkan lapisan tersembunyi (hidden layer) dapat membantu mengoptimalkan dan menambah akurasi yang lebih tepat.
Deep Learning mendorong banyak aplikasi kecerdasan buatan (AI) yang meningkatkan otomasi, melakukan tugas analisis dan fisik tanpa campur tangan manusia. Teknologi Deep Learning terletak di balik produk dan layanan sehari-hari (seperti asisten digital, remote TV yang diaktifkan dengan suara, dan deteksi penipuan kartu kredit) serta teknologi baru seperti autonomous driving (mobil yang dapat menyetir sendiri).
Cara Kerja Deep Learning
Deep Learning maupun neural network, atau ANN (Artificial Neural Network), didesain untuk mencoba meniru cara kerja otak manusia melalui kombinasi input data, weights, dan bias. Masing-masing dari elemen ini bekerja sama untuk secara akurat mengenal, mengklasifikasikan, dan menggambarkan objek sesuai dengan data yang diberikan.
Deep neural networks terdiri dari beberapa lapisan nodes/neuron yang saling berhubungan, masing-masing dibangun di atas lapisan sebelumnya untuk menyempurnakan dan mengoptimalkan prediksi atau kategorikan (sesuai dengan tugas/tujuan yang diberikan). Perkembangan komputasi melalui jaringan ini disebut juga dengan forward propagation, dimana lapisan input dan output dari jaringan neural dalam disebut visible layer. Lapisan input adalah tempat model/algoritma Deep Learning menerima data untuk diproses oleh algoritma tersebut, dan lapisan output adalah prediksi atau klasifikasi akhir dibuat.
Adanya proses lain yang disebut juga dengan backpropagation. Backpropagation terjadi dimana saat model/algoritma Deep Learning tersebut mempelajari data dan tugas/tujuan yang diberikan. Ini bisa dilakukan seperti gradient descent, untuk menghitung kesalahan dalam prediksi dan kemudian menyesuaikan fungsi weights dan bias dengan mem-backpropagate melalui lapisan hidden layer upaya saat training model/algoritma tersebut. Bersama-sama, forward propagation dan backpropagation memungkinkan neural network membuat prediksi dan mengoreksi kesalahan apa pun untuk menyesuai dan meningkatkan akurasi dari algoritma tersebut. Seiring jalannya training, algoritma menjadi lebih akurat secara bertahap-tahap (sering dipanggil juga dengan epochs).
Arsitektur Deep Learning :
- CNN (Convolutional Neural Networks), sering digunakan terutama dalam computer vision dan aplikasi klasifikasi gambar, dimana CNN dapat mendeteksi fitur dan pola dalam gambar, memungkinkan tugas seperti deteksi atau pengenalan objek (object detection). Pada 2015, CNN dapat mengalahkan performa manusia dalam tantangan object detection untuk pertama kalinya.
- RNN (Recurrent Neural Networks), biasanya digunakan dalam NLP (Natural Language Processing) dan aplikasi pengenalan suara (speech recognition) karena memanfaatkan data sekuensi/berurutan atau deret waktu.
- Transformer, arsitektur/algoritma deep learning yang saat ini sangat banyak digunakan diberbagai aplikasi, algoritma ini menjawab pertanyaan/menghilangkan limitasi RNN dan LSTM (variasi/modifikasi dari RNN), vanishing gradient. Baru-baru ini, transformer juga digunakan di sektor computer vision maupun suara.
Sumber : https://digitalpolar.com/deep-learning/
Diubah oleh digitalpolar 03-09-2022 12:46
User telah dihapus memberi reputasi
1
407
0
Komentar yang asik ya
Komentar yang asik ya
Komunitas Pilihan