Apa itu Deep Learning?

Deep learning adalah salah satu bidang yang paling berpengaruh dan berkembang pesat di bidang kecerdasan buatan. Namun, memahami deep learning secara intuitif 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 kita akan menjelaskan apa itu machine learning.

Secara sederhana, machine learning adalah metode untuk memungkinkan komputer melakukan tugas tertentu tanpa harus menulis setiap baris kode 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, mengambil pola yang relevan dari data input. Ini adalah cara jaringan saraf “belajar”. Jaringan saraf mendapatkan namanya dari 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 lain. 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 dengan 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. “Lebih dalam” jaringan saraf, maka pola yang lebih kompleks yang dapat dipelajari oleh jaringan.

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

Jenis-Jenis Deep Learning yang Berbeda

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

Jaringan Saraf Konvolusi

Jaringan saraf konvolusi, atau CNN, adalah arsitektur jaringan saraf yang umum digunakan dalam pembuatan sistem visi komputer. Struktur jaringan saraf konvolusi memungkinkan mereka untuk menafsirkan data gambar, mengubahnya menjadi angka yang dapat diinterpretasikan oleh jaringan terhubung penuh. Jaringan saraf konvolusi 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 lain, dan lapisan terhubung penuh adalah yang menganalisis nilai yang mewakili gambar dan mempelajari pola yang terkandung dalam nilai tersebut.

RNNs/LSTMs

Jaringan saraf rekuren, atau RNN, populer untuk tugas di mana urutan data penting, di mana jaringan harus mempelajari tentang urutan data. RNN umum digunakan untuk masalah seperti pemrosesan bahasa alami, karena urutan kata penting saat mendekode makna kalimat. Bagian “rekuren” dari istilah Jaringan Saraf Rekuren berasal dari kenyataan bahwa output untuk elemen tertentu dalam urutan bergantung pada komputasi sebelumnya serta komputasi saat ini. Tidak seperti bentuk jaringan saraf lainnya, 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, selain item sebelumnya, saat menghitung nilai item. Jenis RNN lainnya adalah Jaringan Memori Jangka Pendek-Panjang, atau LSTM. LSTM adalah jenis RNN yang dapat menangani rantai data yang panjang. RNN biasa mungkin mengalami masalah yang disebut “masalah gradien meledak”. Masalah ini terjadi ketika rantai data input menjadi sangat panjang, tetapi LSTM memiliki teknik untuk mengatasi masalah ini.

Autoencoder

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

Autoencoder sering digunakan untuk mendeteksi anomali dalam dataset, contoh pembelajaran tidak terawasi karena sifat anomali tidak diketahui. Contoh deteksi anomali termasuk 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 biasa
• Autoencoder multilayer
• Autoencoder konvolusi
• Autoencoder teratur

Autoencoder biasa 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 lapisan terhubung penuh. Autoencoder teratur menggunakan fungsi kerugian khusus yang memungkinkan jaringan saraf melakukan fungsi yang lebih kompleks, fungsi selain hanya menyalin input ke output.

Jaringan Adversarial Generatif

Jaringan Adversarial Generatif (GAN) sebenarnya adalah beberapa jaringan saraf dalam yang dilatih secara bersamaan, dan output mereka diberikan ke jaringan lain. Jaringan-jaringan tersebut berkompetisi satu sama lain, dan karena mereka memiliki akses ke data output satu sama lain, mereka berdua belajar dari data tersebut dan meningkatkan kemampuan. Jaringan-jaringan tersebut pada dasarnya bermain permainan palsu dan deteksi, di mana model generatif mencoba membuat contoh baru yang akan menipu model deteksi/model diskriminator. GAN telah menjadi populer di bidang visi komputer.

Rangkuman Deep Learning

Deep learning memperluas prinsip-prinsip jaringan saraf untuk menciptakan model yang canggih yang dapat mempelajari pola kompleks dan menggeneralisasi pola tersebut ke dataset masa depan. Jaringan saraf konvolusi digunakan untuk menafsirkan gambar, sedangkan RNN/LSTM digunakan untuk menafsirkan data urutan. Autoencoder dapat mengubah tugas pembelajaran tidak terawasi menjadi tugas pembelajaran terawasi. Akhirnya, GAN adalah beberapa jaringan yang dilatih bersama yang sangat berguna untuk tugas visi komputer.