Perbedaan Antara Pembelajaran Mesin dan Pembelajaran Mendalam
Evelyn Clarke
Perbedaan Utama antara Pembelajaran Mesin dan Pembelajaran Mendalam
Perbedaan utama antara Pembelajaran Mesin dan Pembelajaran Mendalam adalah:
- Machine Learning memberikan performa luar biasa pada kumpulan data kecil/menengah, sedangkan Deep Learning memberikan performa luar biasa pada kumpulan data besar
- ML bekerja pada mesin kelas bawah, sedangkan DL membutuhkan mesin yang kuat, sebaiknya dengan GPU.
- Waktu eksekusi Machine Learning dari beberapa menit hingga jam, sedangkan Deep Learning membutuhkan waktu hingga berminggu-minggu.
- Dengan pembelajaran mesin, Anda memerlukan lebih sedikit data untuk melatih algoritme dibandingkan pembelajaran mendalam. Pembelajaran mendalam memerlukan kumpulan data yang luas dan beragam untuk mengidentifikasi struktur yang mendasarinya.
Apa itu AI?
AI (Kecerdasan Buatan) adalah cabang ilmu komputer di mana mesin diprogram dan diberi kemampuan kognitif untuk berpikir dan meniru tindakan seperti manusia dan hewan. Tolok ukur AI adalah kecerdasan manusia dalam hal penalaran, ucapan, pembelajaran, penglihatan, dan pemecahan masalah, yang masih jauh di masa depan.
AI memiliki tiga level berbeda
1) AI yang sempit: Kecerdasan buatan dikatakan sempit bila mesin dapat melakukan tugas tertentu lebih baik daripada manusia. Penelitian AI terkini telah hadir sekarang
2) AI Umum: Kecerdasan buatan mencapai kondisi umum ketika ia dapat melakukan tugas intelektual apa pun dengan tingkat akurasi yang sama seperti manusia
3) AI aktif: AI aktif jika dapat mengalahkan manusia dalam banyak tugas
Sistem AI awal menggunakan pencocokan pola dan sistem pakar.
Apa itu Pembelajaran Mesin (ML)?
ml (Pembelajaran mesin) adalah jenis AI di mana komputer dilatih untuk mengotomatisasi tugas-tugas yang melelahkan atau tidak mungkin dilakukan manusia. Ini adalah alat terbaik untuk menganalisis, memahami, dan mengidentifikasi pola dalam data berdasarkan studi algoritma komputer. Pembelajaran mesin dapat membuat keputusan dengan sedikit campur tangan manusia.
Pembandingan Kecerdasan Buatan vs Pembelajaran Mesin, Pembelajaran mesin menggunakan data untuk memasukkan algoritme yang dapat memahami hubungan antara masukan dan keluaran. Ketika mesin selesai belajar, mesin dapat memprediksi nilai atau kelas titik data baru.
Apa itu Deep Learning (DL)?
Pembelajaran mendalam adalah perangkat lunak komputer yang meniru jaringan neuron di otak. Ini adalah bagian dari pembelajaran mesin dan disebut pembelajaran mendalam karena menggunakan jaringan saraf dalam. Mesin menggunakan lapisan yang berbeda untuk belajar dari data. Kedalaman model diwakili oleh jumlah lapisan dalam model. Pembelajaran mendalam adalah teknologi terkini dalam hal AI. Dalam pembelajaran mendalam, fase pembelajaran dilakukan melalui jaringan saraf. Jaringan saraf adalah arsitektur tempat lapisan-lapisan ditumpuk satu di atas yang lain.
Perbedaan antara Pembelajaran Mesin dan Pembelajaran Mendalam
Di bawah ini adalah perbedaan utama antara Pembelajaran Mendalam vs Pembelajaran Mesin
| Parameter | Pembelajaran mesin | Belajar mendalam |
|---|---|---|
| Ketergantungan Data | Performa luar biasa pada kumpulan data kecil/menengah | Performa luar biasa pada kumpulan data besar |
| Ketergantungan perangkat keras | Bekerja pada mesin kelas bawah. | Membutuhkan mesin yang kuat, sebaiknya dengan GPU: DL melakukan perkalian matriks dalam jumlah besar |
| Rekayasa fitur | Perlu memahami fitur-fitur yang mewakili data | Tidak perlu memahami fitur terbaik yang mewakili data |
| Waktu eksekusi | Dari beberapa menit hingga jam | Hingga berminggu-minggu. Neural Network perlu menghitung sejumlah besar bobot |
| Interpretabilitas | Beberapa algoritma mudah diinterpretasikan (logistik, pohon keputusan), ada pula yang hampir mustahil (SVM, XGBoost) | Sulit hingga tidak mungkin |
Kapan menggunakan ML atau DL?
Pada tabel di bawah, kami merangkum perbedaan antara keduanya Mesin belajar dan belajar mendalam dengan contoh.
| Parameter | Pembelajaran mesin | Belajar mendalam |
|---|---|---|
| Kumpulan data pelatihan | Kecil | Besar |
| Pilih fitur | Yes | Tidak |
| Jumlah algoritma | Banyak | Beberapa |
| Waktu pelatihan | Pendek | Panjang |
Dengan pembelajaran mesin, Anda memerlukan lebih sedikit data untuk melatih algoritme daripada pembelajaran mendalam. Pembelajaran mendalam memerlukan serangkaian data yang luas dan beragam untuk mengidentifikasi struktur yang mendasarinya. Selain itu, pembelajaran mesin menyediakan model yang dilatih lebih cepat. Arsitektur pembelajaran mendalam yang paling canggih dapat memakan waktu beberapa hari hingga seminggu untuk dilatih. Keuntungan pembelajaran mendalam dibandingkan pembelajaran mesin adalah sangat akurat. Anda tidak perlu memahami fitur apa yang merupakan representasi data terbaik; jaringan saraf mempelajari cara memilih fitur-fitur penting. Dalam pembelajaran mesin, Anda perlu memilih sendiri fitur apa yang akan disertakan dalam model.
Proses Pembelajaran Mesin
Bayangkan Anda dimaksudkan untuk membuat program yang mengenali objek. Untuk melatih model, Anda akan menggunakan a penggolong. Pengklasifikasi menggunakan fitur suatu objek untuk mencoba mengidentifikasi kelas miliknya.
Dalam contoh ini, pengklasifikasi akan dilatih untuk mendeteksi apakah gambar tersebut adalah:
- Sepeda
- Perahu
- Mobil
- Pesawat
Keempat objek di atas adalah kelas yang harus dikenali oleh pengklasifikasi. Untuk membuat pengklasifikasi, Anda perlu memiliki beberapa data sebagai masukan dan memberi label padanya. Algoritme akan mengambil data tersebut, menemukan polanya, lalu mengklasifikasikannya ke dalam kelas yang sesuai.
Tugas ini disebut pembelajaran yang diawasi. Dalam pembelajaran yang diawasi, data pelatihan yang Anda masukkan ke algoritme menyertakan label.
Melatih suatu algoritme memerlukan beberapa langkah standar berikut:
- Kumpulkan datanya
- Latih pengklasifikasi
- Membuat prediksi
Langkah pertama diperlukan, pemilihan data yang tepat akan membuat algoritma berhasil atau gagal. Data yang Anda pilih untuk melatih model disebut a fitur. Pada contoh objek, fiturnya adalah piksel dari gambar.
Setiap gambar adalah baris dalam data sedangkan setiap piksel adalah kolom. Jika gambar Anda berukuran 28×28, kumpulan data berisi 784 kolom (28×28). Pada gambar di bawah, setiap gambar telah diubah menjadi vektor fitur. Label memberi tahu komputer objek apa yang ada dalam gambar.
Tujuannya adalah menggunakan data pelatihan ini untuk mengklasifikasikan jenis objek. Langkah pertama terdiri dari membuat kolom fitur. Kemudian, langkah kedua melibatkan pemilihan algoritma untuk melatih model. Ketika pelatihan selesai, model akan memprediksi gambar apa yang sesuai dengan objek apa.
Setelah itu, model tersebut mudah digunakan untuk memprediksi gambar baru. Untuk setiap gambar baru yang dimasukkan ke dalam model, mesin akan memprediksi kelasnya. Misalnya, gambar yang sepenuhnya baru tanpa label akan melalui model. Bagi manusia, memvisualisasikan gambar sebagai sebuah mobil adalah hal yang sepele. Mesin tersebut juga menggunakan pengetahuan sebelumnya untuk memprediksi gambar mobil.
Proses Pembelajaran Mendalam
Dalam pembelajaran mendalam, fase pembelajaran dilakukan melalui jaringan saraf. Jaringan saraf adalah arsitektur tempat lapisan-lapisan ditumpuk satu di atas yang lain.
Perhatikan contoh gambar yang sama di atas. Set pelatihan akan diumpankan ke jaringan saraf
Setiap masukan masuk ke neuron dan dikalikan dengan bobot. Hasil perkaliannya dialirkan ke lapisan berikutnya dan menjadi masukan. Proses ini diulangi untuk setiap lapisan jaringan. Lapisan terakhir diberi nama lapisan keluaran; ini memberikan nilai aktual untuk tugas regresi dan probabilitas setiap kelas untuk tugas klasifikasi. Jaringan saraf menggunakan algoritma matematika untuk memperbarui bobot semua neuron. Jaringan saraf dilatih sepenuhnya ketika nilai bobot memberikan keluaran yang mendekati kenyataan. Misalnya, jaringan saraf yang terlatih dapat mengenali objek pada gambar dengan akurasi lebih tinggi dibandingkan jaringan saraf tradisional.
Otomatiskan Ekstraksi Fitur menggunakan DL
Sebuah kumpulan data dapat berisi selusin hingga ratusan fitur. Sistem akan belajar dari relevansi fitur-fitur ini. Namun, tidak semua fitur bermakna bagi algoritme. Bagian penting dari pembelajaran mesin adalah menemukan serangkaian fitur yang relevan agar sistem mempelajari sesuatu.
Salah satu cara untuk melakukan bagian ini dalam pembelajaran mesin adalah dengan menggunakan ekstraksi fitur. Ekstraksi fitur menggabungkan fitur-fitur yang ada untuk membuat serangkaian fitur yang lebih relevan. Hal ini dapat dilakukan dengan PCA, T-SNE atau algoritma reduksi dimensi lainnya.
Misalnya pada pengolahan citra, praktisi perlu mengekstrak fitur-fitur pada citra secara manual seperti mata, hidung, bibir dan sebagainya. Fitur yang diekstraksi tersebut dimasukkan ke model klasifikasi.
Pembelajaran mendalam memecahkan masalah ini, terutama untuk jaringan saraf konvolusional. Lapisan pertama jaringan saraf akan mempelajari detail kecil dari gambar; lapisan berikutnya akan menggabungkan pengetahuan sebelumnya untuk membuat informasi yang lebih kompleks. Dalam jaringan saraf konvolusional, ekstraksi fitur dilakukan dengan menggunakan filter. Jaringan menerapkan filter pada gambar untuk melihat apakah ada kecocokan, yaitu, bentuk fitur identik dengan bagian gambar. Jika ada kecocokan, jaringan akan menggunakan filter ini. Oleh karena itu, proses ekstraksi fitur dilakukan secara otomatis.
Kesimpulan
Kecerdasan Buatan sedang menanamkan kemampuan kognitif pada mesin. Membandingkan AI vs Pembelajaran Mesin, sistem AI awal menggunakan pencocokan pola dan sistem pakar.
Ide di balik pembelajaran mesin adalah bahwa mesin dapat belajar tanpa campur tangan manusia. Mesin perlu menemukan cara untuk mempelajari cara menyelesaikan tugas berdasarkan data.
Pembelajaran mendalam adalah terobosan di bidang kecerdasan buatan. Jika terdapat cukup data untuk dilatih, pembelajaran mendalam akan mencapai hasil yang mengesankan, terutama untuk pengenalan gambar dan terjemahan teks. Alasan utamanya adalah ekstraksi fitur dilakukan secara otomatis di berbagai lapisan jaringan.
