Tutorial Pembelajaran Mendalam untuk Pemula: Dasar-dasar Jaringan Syaraf Tiruan

Apa itu Deep Learning?

Belajar mendalam adalah perangkat lunak komputer yang meniru jaringan neuron di otak. Ini adalah bagian dari pembelajaran mesin berdasarkan jaringan saraf tiruan dengan pembelajaran representasi. Disebut pembelajaran mendalam karena memanfaatkan jaringan saraf yang dalam. Pembelajaran ini dapat diawasi, semi-diawasi atau tanpa pengawasan.

Algoritma pembelajaran mendalam dibangun dengan lapisan-lapisan yang terhubung.

• Lapisan pertama disebut Lapisan Input
• Lapisan terakhir disebut Lapisan Keluaran
• Semua lapisan di antaranya disebut Lapisan Tersembunyi. Kata deep berarti jaringan yang menghubungkan neuron di lebih dari dua lapisan.

Setiap lapisan Tersembunyi terdiri dari neuron. Neuron-neuron tersebut terhubung satu sama lain. Neuron akan memproses dan kemudian menyebarkan sinyal input yang diterimanya ke lapisan di atasnya. Kekuatan sinyal yang diberikan neuron pada lapisan berikutnya bergantung pada bobot, bias, dan fungsi aktivasi.

Jaringan mengonsumsi data masukan dalam jumlah besar dan mengoperasikannya melalui beberapa lapisan; jaringan dapat mempelajari fitur data yang semakin kompleks di setiap lapisan.

Proses pembelajaran mendalam

Jaringan saraf dalam memberikan akurasi canggih dalam banyak tugas, mulai dari deteksi objek hingga pengenalan suara. Mereka dapat belajar secara otomatis, tanpa pengetahuan yang telah ditentukan sebelumnya yang dikodekan secara eksplisit oleh pemrogram.

Untuk memahami ide pembelajaran mendalam, bayangkan sebuah keluarga, dengan seorang bayi dan orang tua. Balita menunjuk benda dengan jari kelingkingnya dan selalu mengucapkan kata 'kucing.' Karena orang tuanya khawatir tentang pendidikannya, mereka terus mengatakan kepadanya 'Ya, itu kucing' atau 'Tidak, itu bukan kucing.' Bayi itu terus menunjuk benda tetapi menjadi lebih akurat dengan 'kucing.' Anak kecil itu, jauh di lubuk hatinya, tidak tahu mengapa dia bisa mengatakan itu kucing atau bukan. Dia baru saja belajar cara menyusun hierarki fitur-fitur kompleks untuk menghasilkan kucing dengan melihat hewan peliharaan secara keseluruhan dan terus fokus pada detail seperti ekor atau hidung sebelum mengambil keputusan.

Jaringan saraf bekerja dengan cara yang sama. Setiap lapisan mewakili tingkat pengetahuan yang lebih dalam, yaitu hierarki pengetahuan. Jaringan saraf dengan empat lapisan akan mempelajari fitur yang lebih kompleks daripada dengan dua lapisan.

Pembelajaran terjadi dalam dua fase:

Fase pertama: Tahap pertama terdiri dari penerapan transformasi nonlinier pada masukan dan pembuatan model statistik sebagai keluaran.
Fase Kedua: Tahap kedua bertujuan untuk menyempurnakan model dengan metode matematika yang disebut turunan.

Jaringan saraf mengulangi kedua fase ini ratusan hingga ribuan kali hingga mencapai tingkat akurasi yang dapat ditoleransi. Pengulangan dua fase ini disebut iterasi.

Untuk memberikan contoh Deep learning, lihat gerakan di bawah ini, model sedang mencoba belajar menari. Setelah 10 menit pelatihan, model tidak bisa menari, dan terlihat seperti coretan.

Setelah 48 jam belajar, komputer menguasai seni menari.

Klasifikasi Jaringan Syaraf Tiruan

Jaringan saraf dangkal: Jaringan saraf dangkal hanya memiliki satu lapisan tersembunyi antara masukan dan keluaran.

Jaringan saraf dalam: Jaringan saraf dalam memiliki lebih dari satu lapisan. Misalnya, model Google LeNet untuk pengenalan gambar memiliki 22 lapisan.

Saat ini, pembelajaran mendalam digunakan dalam banyak hal seperti mobil tanpa pengemudi, ponsel, Mesin Pencari Google, Deteksi penipuan, TV, dan sebagainya.

Jenis Jaringan Pembelajaran Mendalam

Sekarang dalam tutorial jaringan Deep Neural ini, kita akan belajar tentang jenis-jenis Jaringan Pembelajaran Mendalam:

Jaringan saraf umpan maju

Jenis jaringan syaraf tiruan yang paling sederhana. Dengan jenis arsitektur ini, informasi mengalir hanya dalam satu arah, maju. Artinya, aliran informasi dimulai pada lapisan masukan, menuju lapisan “tersembunyi”, dan berakhir pada lapisan keluaran. Jaringan

tidak memiliki lingkaran. Informasi berhenti pada lapisan keluaran.

Jaringan saraf berulang (RNNs)

RNN adalah jaringan saraf berlapis-lapis yang dapat menyimpan informasi dalam simpul konteks, yang memungkinkannya mempelajari urutan data dan mengeluarkan angka atau urutan lainnya. Dengan kata sederhana, ini adalah Jaringan saraf tiruan yang koneksi antar neuronnya mencakup loop. RNN sangat cocok untuk memproses urutan input.

Misalnya, jika tugasnya adalah memprediksi kata berikutnya dalam kalimat “Apakah kamu ingin a............?

• Neuron RNN akan menerima sinyal yang mengarah ke awal kalimat.
• Jaringan menerima kata “Lakukan” sebagai masukan dan menghasilkan vektor dari bilangan tersebut. Vektor ini diumpankan kembali ke neuron untuk menyediakan memori ke jaringan. Tahap ini membantu jaringan untuk mengingat bahwa ia menerima “Lakukan” dan menerimanya di posisi pertama.
• Jaringan juga akan melanjutkan ke kata-kata berikutnya. Dibutuhkan kata “kamu” dan “ingin.” Keadaan neuron diperbarui setelah menerima setiap kata.
• Tahap terakhir terjadi setelah menerima kata “a.” Jaringan saraf akan memberikan probabilitas untuk setiap kata bahasa Inggris yang dapat digunakan untuk melengkapi kalimat. RNN yang terlatih mungkin memberikan probabilitas tinggi untuk “kafe”, “minuman”, “burger”, dll.

Penggunaan umum RNN

• Membantu pedagang sekuritas untuk menghasilkan laporan analitik
• Mendeteksi kelainan dalam kontrak laporan keuangan
• Deteksi transaksi kartu kredit palsu
• Berikan keterangan untuk gambar
• Chatbot bertenaga
• Penggunaan standar RNN terjadi ketika praktisi bekerja dengan data atau urutan deret waktu (misalnya rekaman audio atau teks).

Jaringan saraf konvolusi (CNN)

CNN adalah jaringan saraf berlapis-lapis dengan arsitektur unik yang dirancang untuk mengekstrak fitur data yang semakin kompleks di setiap lapisan untuk menentukan output. CNN sangat cocok untuk tugas-tugas perseptual.

CNN sebagian besar digunakan ketika ada kumpulan data yang tidak terstruktur (misalnya gambar) dan praktisi perlu mengekstrak informasi darinya.

Misalnya, jika tugasnya adalah memprediksi keterangan gambar:

• CNN menerima gambar katakanlah seekor kucing, gambar ini, dalam istilah komputer, adalah kumpulan piksel. Umumnya satu lapisan untuk gambar skala abu-abu dan tiga lapisan untuk gambar berwarna.
• Selama pembelajaran fitur (yaitu, lapisan tersembunyi), jaringan akan mengidentifikasi fitur unik, misalnya ekor kucing, telinga, dll.
• Ketika jaringan benar-benar mempelajari cara mengenali suatu gambar, jaringan dapat memberikan probabilitas untuk setiap gambar yang diketahuinya. Label dengan probabilitas tertinggi akan menjadi prediksi jaringan.

Pembelajaran Penguatan

Pembelajaran penguatan adalah subbidang pembelajaran mesin di mana sistem dilatih dengan menerima “hadiah” atau “hukuman” virtual, yang pada dasarnya belajar melalui coba-coba. DeepMind Google telah menggunakan pembelajaran penguatan untuk mengalahkan manusia yang unggul dalam game Go. Pembelajaran penguatan juga digunakan dalam video game untuk meningkatkan pengalaman bermain game dengan menyediakan bot yang lebih cerdas.

Salah satu algoritma yang paling terkenal adalah:

• Q-belajar
• Jaringan Q dalam
• Aksi-Negara-Penghargaan-Tindakan-Negara (SARSA)
• Gradien Kebijakan deterministik mendalam (DDPG)

Contoh aplikasi pembelajaran mendalam

Nah dalam tutorial Deep learning untuk pemula ini, mari kita pelajari tentang aplikasi Deep Learning:

AI di bidang Keuangan

Sektor teknologi keuangan sudah mulai menggunakan AI untuk menghemat waktu, mengurangi biaya, dan menambah nilai. Pembelajaran mendalam mengubah industri pinjaman dengan menggunakan penilaian kredit yang lebih kuat. Pengambil keputusan kredit dapat menggunakan AI untuk aplikasi pinjaman kredit yang kuat guna mencapai penilaian risiko yang lebih cepat dan akurat, menggunakan kecerdasan mesin untuk mempertimbangkan karakter dan kapasitas pemohon.

Underwrite adalah perusahaan Fintech yang menyediakan solusi AI untuk perusahaan pembuat kredit. underwrite.ai menggunakan AI untuk mendeteksi pemohon mana yang lebih mungkin membayar kembali pinjamannya. Pendekatan mereka secara radikal mengungguli metode tradisional.

AI dalam SDM

Under Armour, perusahaan pakaian olahraga, merevolusi perekrutan dan memodernisasi pengalaman kandidat dengan bantuan AI. Faktanya, Under Armour mengurangi waktu perekrutan untuk toko ritelnya hingga 35%. Under Armour menghadapi minat yang semakin meningkat pada tahun 2012. Mereka menerima, rata-rata, 30000 resume per bulan. Membaca semua lamaran tersebut dan memulai proses penyaringan dan wawancara memakan waktu terlalu lama. Proses yang panjang untuk merekrut dan merekrut orang berdampak pada kemampuan Under Armour untuk memiliki staf penuh, siap, dan siap beroperasi di toko ritel mereka.

Pada saat itu, Under Armour memiliki semua teknologi SDM yang 'harus dimiliki' seperti solusi transaksional untuk pengadaan, penerapan, pelacakan, dan orientasi, namun alat-alat tersebut tidak cukup berguna. Pilih di bawah armor HireVue, penyedia AI untuk solusi SDM, baik untuk wawancara sesuai permintaan maupun langsung. Hasilnya hanya gertakan; mereka berhasil mengurangi waktu pengisian sebesar 35%. Sebagai imbalannya, mereka merekrut staf dengan kualitas lebih tinggi.

AI dalam Pemasaran

AI adalah alat yang berharga untuk manajemen layanan pelanggan dan tantangan personalisasi. Peningkatan pengenalan suara dalam manajemen pusat panggilan dan perutean panggilan sebagai hasil penerapan teknik AI memungkinkan pengalaman yang lebih lancar bagi pelanggan.

Misalnya, analisis audio pembelajaran mendalam memungkinkan sistem menilai nada emosional pelanggan. Jika pelanggan merespons dengan buruk AI chatbot, sistem dapat mengalihkan pembicaraan ke operator manusia nyata yang mengambil alih masalah tersebut.

Selain ketiga contoh Deep learning di atas, AI banyak digunakan di sektor/industri lain.

Mengapa Pembelajaran Mendalam itu Penting?

Pembelajaran mendalam adalah alat yang ampuh untuk membuat prediksi menjadi hasil yang dapat ditindaklanjuti. Pembelajaran mendalam unggul dalam penemuan pola (pembelajaran tanpa pengawasan) dan prediksi berbasis pengetahuan. Big data adalah bahan bakar untuk pembelajaran mendalam. Ketika keduanya digabungkan, sebuah organisasi dapat menuai hasil yang belum pernah terjadi sebelumnya dalam hal produktivitas, penjualan, manajemen, dan inovasi.

Pembelajaran mendalam dapat mengungguli metode tradisional. Misalnya, algoritme pembelajaran mendalam 41% lebih akurat dibandingkan algoritme pembelajaran mesin dalam klasifikasi gambar, 27% lebih akurat dalam pengenalan wajah, dan 25% dalam pengenalan suara.

Keterbatasan pembelajaran mendalam

Sekarang dalam tutorial jaringan Neural ini, kita akan belajar tentang batasan Pembelajaran Mendalam:

Pelabelan data

Sebagian besar model AI saat ini dilatih melalui "pembelajaran terbimbing". Artinya, manusia harus memberi label dan mengkategorikan data yang mendasarinya, yang dapat menjadi tugas yang cukup besar dan rawan kesalahan. Misalnya, perusahaan yang mengembangkan teknologi mobil tanpa pengemudi mempekerjakan ratusan orang untuk membuat anotasi secara manual pada umpan video selama berjam-jam dari kendaraan prototipe guna membantu melatih sistem ini.

Dapatkan kumpulan data pelatihan yang besar

Telah terbukti bahwa teknik pembelajaran mendalam sederhana seperti CNN, dalam beberapa kasus, dapat meniru pengetahuan para ahli di bidang kedokteran dan bidang lainnya. Gelombang saat ini Mesin belajarNamun, memerlukan kumpulan data pelatihan yang tidak hanya diberi label tetapi juga cukup luas dan universal.

Metode pembelajaran mendalam memerlukan ribuan observasi agar model menjadi relatif baik dalam tugas klasifikasi dan, dalam beberapa kasus, jutaan observasi agar dapat berfungsi pada level manusia. Tidak mengherankan, pembelajaran mendalam terkenal di perusahaan teknologi raksasa; mereka menggunakan data besar untuk mengumpulkan data berukuran petabyte. Hal ini memungkinkan mereka untuk membuat model pembelajaran mendalam yang mengesankan dan sangat akurat.

Jelaskan suatu masalah

Model yang besar dan kompleks bisa jadi sulit dijelaskan dalam istilah manusia. Misalnya, mengapa keputusan tertentu diambil. Itulah salah satu alasan mengapa penerimaan beberapa alat AI lambat di area aplikasi yang memerlukan interpretabilitas.

Selain itu, seiring dengan meluasnya penerapan AI, persyaratan peraturan juga dapat mendorong kebutuhan akan model AI yang lebih dapat dijelaskan.

Ringkasan

Ikhtisar Pembelajaran Mendalam: Pembelajaran mendalam adalah teknologi baru yang canggih kecerdasan buatanArsitektur pembelajaran mendalam terdiri dari lapisan input, lapisan tersembunyi, dan lapisan output. Kata mendalam berarti ada lebih dari dua lapisan yang terhubung sepenuhnya.

Ada banyak sekali jaringan saraf, yang masing-masing arsitekturnya dirancang untuk melakukan tugas tertentu. Misalnya, CNN bekerja sangat baik dengan gambar, RNN memberikan hasil yang mengesankan dengan analisis deret waktu dan teks.

Pembelajaran mendalam kini aktif di berbagai bidang, mulai dari keuangan hingga pemasaran, rantai pasokan, dan pemasaran. Perusahaan besar adalah perusahaan pertama yang menggunakan pembelajaran mendalam karena mereka sudah memiliki banyak data. Pembelajaran mendalam memerlukan kumpulan data pelatihan yang ekstensif.