Apa itu Deep Learning?

Deep learning adalah salah satu bidang yang paling berpengaruh dan berkembang pesat di bidang kecerdasan buatan. Namun, mendapatkan pemahaman intuitif tentang deep learning dapat sulit karena istilah deep learning mencakup berbagai algoritma dan teknik yang berbeda. Deep learning juga merupakan subdisiplin dari machine learning secara umum, sehingga penting untuk memahami apa itu machine learning untuk memahami deep learning.

Apa itu Machine Learning?

Deep learning adalah ekstensi dari beberapa konsep yang berasal dari machine learning, sehingga alasan itu, mari kita ambil satu menit untuk menjelaskan apa itu machine learning.

Dengan sederhana, machine learning adalah metode untuk memungkinkan komputer melakukan tugas tertentu tanpa secara eksplisit mengkode setiap baris algoritma yang digunakan untuk menyelesaikan tugas tersebut. Ada banyak algoritma machine learning yang berbeda, tetapi salah satu algoritma yang paling umum digunakan adalah multilayer perceptron. Multilayer perceptron juga disebut sebagai jaringan saraf, dan terdiri dari serangkaian node/neuron yang terhubung. Ada tiga lapisan yang berbeda dalam multilayer perceptron: lapisan input, lapisan tersembunyi, dan lapisan output.

Lapisan input mengambil data ke dalam jaringan, di mana data tersebut dimanipulasi oleh node di lapisan tengah/tersembunyi. Node di lapisan tersembunyi adalah fungsi matematika yang dapat memanipulasi data yang masuk dari lapisan input, mengekstrak pola yang relevan dari data input. Ini adalah bagaimana jaringan saraf “belajar”. Jaringan saraf mendapatkan namanya dari fakta bahwa mereka terinspirasi oleh struktur dan fungsi otak manusia.

Koneksi antara node di jaringan memiliki nilai yang disebut bobot. Nilai-nilai ini pada dasarnya adalah asumsi tentang bagaimana data di satu lapisan terkait dengan data di lapisan berikutnya. Saat jaringan dilatih, bobot-bobot tersebut disesuaikan, dan tujuannya adalah bahwa bobot/asumsi tentang data akan akhirnya konvergen pada nilai yang akurat mewakili pola yang bermakna dalam data.

Fungsi aktivasi hadir di node jaringan, dan fungsi aktivasi tersebut mengubah data dalam cara non-linier, memungkinkan jaringan untuk belajar representasi kompleks dari data. Fungsi aktivasi mengalikan nilai input dengan nilai bobot dan menambahkan suku bias.

Apa itu Deep Learning?

Deep learning adalah istilah yang diberikan kepada arsitektur machine learning yang menggabungkan banyak multilayer perceptron, sehingga tidak hanya satu lapisan tersembunyi tetapi banyak lapisan tersembunyi. Semakin “dalam” jaringan saraf yang dalam, semakin sopistikasi pola yang dapat dipelajari jaringan.

Jaringan lapisan dalam yang terdiri dari neuron kadang-kadang disebut sebagai jaringan terhubung penuh atau lapisan terhubung penuh, merujuk pada fakta bahwa neuron tertentu mempertahankan koneksi ke semua neuron yang mengelilinginya. Jaringan terhubung penuh dapat digabungkan dengan fungsi machine learning lainnya untuk menciptakan arsitektur deep learning yang berbeda.

Jenis-Jenis Deep Learning

Ada berbagai arsitektur deep learning yang digunakan oleh peneliti dan insinyur, dan setiap arsitektur yang berbeda memiliki kasus penggunaan khusus.

Convolutional Neural Networks

Convolutional neural networks, atau CNN, adalah arsitektur jaringan saraf yang umum digunakan dalam pembuatan sistem visi komputer. Struktur convolutional neural networks memungkinkan mereka untuk menafsirkan data gambar, mengubahnya menjadi angka yang dapat diinterpretasikan oleh jaringan terhubung penuh. CNN memiliki empat komponen utama:

• Lapisan konvolusi
• Lapisan subsampling/pengambilan sampel
• Fungsi aktivasi
• Lapisan terhubung penuh

Lapisan konvolusi adalah yang mengambil gambar sebagai input ke jaringan, menganalisis gambar dan mendapatkan nilai piksel. Subsampling atau pengambilan sampel adalah di mana nilai gambar diubah/dikurangi untuk menyederhanakan representasi gambar dan mengurangi sensitivitas filter gambar terhadap noise. Fungsi aktivasi mengontrol bagaimana data mengalir dari satu lapisan ke lapisan berikutnya, dan lapisan terhubung penuh adalah yang menganalisis nilai yang mewakili gambar dan mempelajari pola yang terkandung dalam nilai tersebut.

RNNs/LSTMs

Recurrent neural networks, atau RNN, populer untuk tugas di mana urutan data penting, di mana jaringan harus mempelajari urutan data. RNN umum digunakan untuk masalah seperti pemrosesan bahasa alami, karena urutan kata penting saat mendekode makna kalimat. Bagian “rekuren” dari istilah Recurrent Neural Network berasal dari fakta bahwa output untuk elemen tertentu dalam urutan bergantung pada perhitungan sebelumnya serta perhitungan saat ini. Tidak seperti bentuk jaringan saraf yang lain, RNN memiliki “memori”, dan informasi yang dihitung pada langkah waktu yang berbeda dalam urutan digunakan untuk menghitung nilai akhir.

Ada beberapa jenis RNN, termasuk RNN berarah ganda, yang mengambil item masa depan dalam urutan menjadi pertimbangan, serta item sebelumnya, saat menghitung nilai item. Jenis RNN lainnya adalah Long Short-Term Memory, atau LSTM, jaringan. LSTMs adalah jenis RNN yang dapat menangani rantai data panjang. RNN biasa mungkin mengalami masalah yang disebut “masalah gradien meledak”. Masalah ini terjadi saat rantai data input menjadi sangat panjang, tetapi LSTMs memiliki teknik untuk mengatasi masalah ini.

Autoencoders

Sebagian besar arsitektur deep learning yang disebutkan sejauh ini diterapkan pada masalah pembelajaran terawasi, bukan tugas pembelajaran tidak terawasi. Autoencoders dapat mengubah data tidak terawasi menjadi format terawasi, memungkinkan jaringan saraf digunakan pada masalah tersebut.

Autoencoders sering digunakan untuk mendeteksi anomali dalam dataset, contoh pembelajaran tidak terawasi, karena sifat anomali tidak diketahui. Contoh deteksi anomali seperti deteksi penipuan untuk lembaga keuangan. Dalam konteks ini, tujuan autoencoder adalah untuk menentukan baseline pola reguler dalam data dan mengidentifikasi anomali atau outlier.

Struktur autoencoder sering simetris, dengan lapisan tersembunyi disusun sehingga output jaringan menyerupai input. Empat jenis autoencoder yang sering digunakan adalah:

• Autoencoder reguler/plain
• Encoder multilayer
• Encoder konvolusi
• Encoder terregulasi

Autoencoder reguler/plain hanya jaringan saraf dengan satu lapisan tersembunyi, sedangkan autoencoder multilayer adalah jaringan dalam dengan lebih dari satu lapisan tersembunyi. Autoencoder konvolusi menggunakan lapisan konvolusi bukan, atau tambahan, lapisan terhubung penuh. Autoencoder terregulasi menggunakan fungsi kerugian khusus yang memungkinkan jaringan saraf melakukan fungsi yang lebih kompleks, fungsi selain hanya menyalin input ke output.

Generative Adversarial Networks

Generative Adversarial Networks (GANs) sebenarnya adalah beberapa jaringan saraf yang dalam, bukan hanya satu jaringan. Dua model deep learning dilatih secara bersamaan, dan output mereka diberikan ke jaringan lain. Jaringan-jaringan tersebut berkompetisi satu sama lain, dan karena mereka memiliki akses ke output data satu sama lain, mereka berdua belajar dari data tersebut dan memperbaiki. Jaringan-jaringan tersebut pada dasarnya bermain peran palsu dan deteksi, di mana model generatif mencoba membuat instance baru yang akan menipu model deteksi/model diskriminator. GANs telah menjadi populer di bidang visi komputer.

Rangkuman Deep Learning

Deep learning memperluas prinsip-prinsip jaringan saraf untuk menciptakan model yang sopistikasi yang dapat mempelajari pola kompleks dan memgeneralisasi pola tersebut ke dataset masa depan. Convolutional neural networks digunakan untuk menafsirkan gambar, sedangkan RNNs/LSTMs digunakan untuk menafsirkan data urutan. Autoencoders dapat mengubah tugas pembelajaran tidak terawasi menjadi tugas pembelajaran terawasi. Akhirnya, GANs adalah beberapa jaringan yang dipertandingkan satu sama lain yang sangat berguna untuk tugas visi komputer.