Apa itu AI?
AI (Artificial Intelligence) 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 tentang penalaran, ucapan, pembelajaran, penglihatan, dan pemecahan masalah, yang masih jauh di masa depan.
AI memiliki tiga level berbeda:
- Narrow AI : Kecerdasan buatan dikatakan sempit ketika mesin dapat melakukan tugas tertentu dengan lebih baik daripada manusia. Penelitian AI saat ini ada di sini sekarang
- AI Umum : Kecerdasan buatan mencapai keadaan umum ketika ia dapat melakukan tugas intelektual apa pun dengan tingkat akurasi yang sama seperti yang dilakukan manusia
- AI Aktif : AI aktif ketika dapat mengalahkan manusia dalam banyak tugas
Sistem AI awal menggunakan pencocokan pola dan sistem pakar.
Dalam tutorial ini, Anda akan belajar-
- Apa itu AI?
- Apakah ML itu?
- Apa itu Pembelajaran Mendalam?
- Proses Pembelajaran Mesin
- Proses Pembelajaran Mendalam
- Mengotomatiskan Ekstraksi Fitur menggunakan DL
- Perbedaan antara Machine Learning dan Deep Learning
- Kapan menggunakan ML atau DL?
Apakah ML itu?
ML (Machine Learning) adalah jenis AI di mana komputer dilatih untuk mengotomatiskan tugas yang lengkap atau tidak mungkin dilakukan oleh manusia. Ini adalah alat terbaik untuk menganalisis, memahami, dan mengidentifikasi pola dalam data berdasarkan studi algoritme komputer. Pembelajaran mesin dapat membuat keputusan dengan intervensi manusia minimal.
Membandingkan Kecerdasan Buatan vs Pembelajaran Mesin, Pembelajaran mesin menggunakan data untuk memasukkan algoritme yang dapat memahami hubungan antara masukan dan keluaran. Saat menyelesaikan pembelajaran, mesin dapat memprediksi nilai atau kelas dari titik data baru.
Apa itu Pembelajaran Mendalam?
Pembelajaran mendalam adalah perangkat lunak komputer yang meniru jaringan neuron di otak. Ini adalah bagian dari pembelajaran mesin dan disebut pembelajaran dalam karena memanfaatkan jaringan saraf yang dalam. Mesin menggunakan lapisan yang berbeda untuk belajar dari data. Kedalaman model diwakili oleh jumlah lapisan dalam model. Pembelajaran mendalam adalah seni baru dalam hal AI. Pada deep learning tahap pembelajaran dilakukan melalui jaringan saraf tiruan. Jaringan neural adalah arsitektur tempat lapisan ditumpuk satu sama lain
Proses Pembelajaran Mesin
Bayangkan Anda dimaksudkan untuk membuat program yang mengenali objek. Untuk melatih model, Anda akan menggunakan pengklasifikasi . Pengklasifikasi menggunakan fitur suatu objek untuk mencoba mengidentifikasi kelasnya.
Dalam contoh ini, pengklasifikasi akan dilatih untuk mendeteksi jika gambar tersebut adalah:
- Sepeda
- Perahu
- Mobil
- Pesawat
Empat 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 pola, dan kemudian 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.
Untuk melatih algoritme, Anda harus mengikuti beberapa langkah standar:
- Kumpulkan datanya
- Latih pengklasifikasi
- Membuat prediksi
Langkah pertama diperlukan, memilih data yang tepat akan membuat algoritma berhasil atau gagal. Data yang Anda pilih untuk melatih model disebut fitur. Dalam contoh objek, fiturnya adalah piksel dari gambar.
Setiap gambar adalah baris dalam data sedangkan setiap piksel adalah kolom. Jika gambar Anda berukuran 28x28, kumpulan data tersebut berisi 784 kolom (28x28). Pada gambar di bawah ini, 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. Saat pelatihan selesai, model akan memprediksi gambar apa yang sesuai dengan objek apa.
Setelah itu, model akan mudah digunakan untuk memprediksi gambar baru. Untuk setiap gambar baru yang dimasukkan ke dalam model, mesin akan memprediksi kelasnya. Misalnya, gambar yang sama sekali baru tanpa label akan melalui model. Bagi manusia, memvisualisasikan gambar sebagai mobil adalah hal yang sepele. Mesin tersebut menggunakan pengetahuan sebelumnya untuk memprediksi sebaik gambar sebuah mobil.
Proses Pembelajaran Mendalam
Pada deep learning tahap pembelajaran dilakukan melalui jaringan saraf tiruan. Jaringan neural adalah arsitektur tempat lapisan ditumpuk satu sama 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 perkalian tersebut mengalir ke lapisan berikutnya dan menjadi input. 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 algoritme matematika untuk memperbarui bobot semua neuron. Jaringan saraf sepenuhnya terlatih ketika nilai bobot memberikan keluaran yang mendekati kenyataan. Misalnya, jaringan saraf terlatih dapat mengenali objek pada gambar dengan akurasi yang lebih tinggi daripada jaringan saraf tradisional.
Mengotomatiskan Ekstraksi Fitur menggunakan DL
Kumpulan data dapat berisi lusinan hingga ratusan fitur. Sistem akan belajar dari relevansi fitur-fitur ini. Namun, tidak semua fitur berarti untuk algoritme. Bagian penting dari pembelajaran mesin adalah menemukan sekumpulan fitur yang relevan untuk membuat sistem mempelajari sesuatu.
Salah satu cara untuk melakukan bagian ini dalam pembelajaran mesin adalah dengan menggunakan ekstraksi fitur. Ekstraksi fitur menggabungkan fitur yang ada untuk membuat sekumpulan fitur yang lebih relevan. Ini dapat dilakukan dengan PCA, T-SNE atau algoritma pengurangan dimensi lainnya.
Misalnya dalam pengolahan citra, praktisi perlu mengekstrak fitur secara manual pada citra seperti mata, hidung, bibir dan lain sebagainya. Fitur yang diekstrak tersebut dimasukkan ke dalam 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. Pada jaringan syaraf konvolusional, ekstraksi ciri dilakukan dengan menggunakan filter. Jaringan menerapkan filter ke gambar untuk melihat apakah ada kecocokan, yaitu, bentuk fitur identik dengan bagian gambar. Jika ada yang cocok, jaringan akan menggunakan filter ini. Oleh karena itu, proses ekstraksi fitur dilakukan secara otomatis.
Perbedaan antara Machine Learning dan Deep Learning
Di bawah ini adalah perbedaan utama antara Pembelajaran Dalam vs Pembelajaran Mesin
|
Pembelajaran mesin |
Pembelajaran Mendalam |
|
|
Dependensi Data |
Performa luar biasa pada set data kecil / menengah |
Performa luar biasa pada kumpulan data besar |
|
Ketergantungan perangkat keras |
Bekerja dengan mesin kelas bawah. |
Memerlukan mesin yang kuat, sebaiknya dengan GPU: DL melakukan perkalian matriks dalam jumlah yang signifikan |
|
Rekayasa fitur |
Perlu memahami fitur-fitur yang merepresentasikan data |
Tidak perlu memahami fitur terbaik yang mewakili data |
|
Waktu eksekusi |
Dari beberapa menit hingga beberapa jam |
Sampai berminggu-minggu. Neural Network perlu menghitung bobot dalam jumlah yang signifikan |
|
Interpretabilitas |
Beberapa algoritme mudah diinterpretasikan (logistik, pohon keputusan), beberapa hampir tidak mungkin (SVM, XGBoost) |
Sulit hingga tidak mungkin |
Kapan menggunakan ML atau DL?
Pada tabel di bawah, kami merangkum perbedaan antara pembelajaran mesin dan pembelajaran mendalam dengan berbagai contoh.
| Pembelajaran mesin | Pembelajaran mendalam | |
| Dataset pelatihan | Kecil | Besar |
| Pilih fitur | Iya | Tidak |
| Jumlah algoritme | Banyak | Beberapa |
| Waktu pelatihan | Pendek | Panjang |
Dengan pembelajaran mesin, Anda membutuhkan lebih sedikit data untuk melatih algoritme daripada pembelajaran mendalam. Pembelajaran mendalam membutuhkan kumpulan data yang luas dan beragam untuk mengidentifikasi struktur yang mendasarinya. Selain itu, pembelajaran mesin menyediakan model yang dilatih lebih cepat. Arsitektur deep learning paling canggih dapat membutuhkan waktu berhari-hari hingga seminggu untuk dilatih. Keuntungan pembelajaran mendalam dibandingkan pembelajaran mesin adalah akurasinya yang tinggi. Anda tidak perlu memahami fitur apa yang merupakan representasi terbaik dari data; jaringan saraf mempelajari cara memilih fitur penting. Dalam pembelajaran mesin, Anda perlu memilih sendiri fitur apa yang akan disertakan dalam model.
Ringkasan
Kecerdasan buatan menanamkan kemampuan kognitif ke mesin. Membandingkan AI vs Machine Learning, 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 yang diberikan data.
Pembelajaran mendalam adalah terobosan di bidang kecerdasan buatan. Ketika ada cukup data untuk dilatih, pembelajaran mendalam mencapai hasil yang mengesankan, terutama untuk pengenalan gambar dan terjemahan teks. Alasan utamanya adalah ekstraksi fitur dilakukan secara otomatis di berbagai lapisan jaringan.