Pertama, mari kita bicara tentang mengapa Anda harus mempelajari deep learning. Di pasar ini, tidak ada kekurangan kosakata berbagai konsep dan berbagai teknologi baru yang modis. Bagaimana Deep Learning berbeda? Kita sangat menyukai metafora yang pernah digunakan Andrew Ng.
Dia menyamakan deep Learning dengan roket. Salah satu bagian terpenting dari roket ini adalah mesinnya. Saat ini, inti dari mesin ini adalah jaringan saraf. Semua orang tahu bahwa roket membutuhkan bahan bakar selain mesin. Jadi data besar sebenarnya merupakan bagian penting lain dari keseluruhan roket – bahan bakar.
Di masa lalu, ketika kita berbicara tentang data besar. Lebih banyak penekanan ditempatkan pada kemampuan untuk menyimpan dan mengelola data. tetapi metode dan alat ini lebih tentang statistik dan ringkasan data historis masa lalu.
Untuk apa yang tidak diketahui di masa depan, metode tradisional ini tidak dapat membantu kita menarik kesimpulan dari data besar untuk diprediksi. Jika kita mempertimbangkan kombinasi jaringan saraf dan data besar, kita dapat melihat nilai sebenarnya dan signifikansi data besar.
Andrew Ng pernah berkata, “Kami percaya bahwa (deep Learning yang diwakili oleh jaringan saraf) adalah jalan pintas yang memungkinkan kami untuk mendekati kecerdasan buatan.” Ini adalah salah satu alasan terpenting mengapa kita ingin belajar deep learning.
1. Apa Itu Deep Learning
Deep Learning adalah bidang yang dihasilkan oleh perpaduan machine learning dan jaringan saraf, kecerdasan buatan, pemodelan grafis, pengoptimalan, pengenalan pola, dan pemrosesan sinyal. Dalam jurnal akademis yang serius, model disiplin yang muncul ini telah dikagumi oleh para sarjana yang serius dan waras: “Jaringan deep Learning adalah pengembangan revolusioner dari jaringan saraf, dan bahkan diyakini bahwa mereka dapat digunakan untuk membuat model prediksi yang lebih kuat.”
2. Proses Mempelajari Deep Learning
Ketika mempelajari ide-ide inti dari deep learning, metode umum yang kami ambil umumnya ditunjukkan pada gambar berikut. Apa pun jenis model machine learning yang dikembangkan, pada akhirnya akan kembali ke model dasar ini. Data input diteruskan ke model, disaring melalui beberapa lapisan non-linier, dan lapisan terakhir berisi pengklasifikasi – yang menentukan jenis objek yang dimiliki objek tersebut.
Tujuan pembelajaran dengan data adalah untuk memprediksi atau mengklasifikasikan variabel respons dengan seperangkat atribut yang diberikan. Ini agak mirip dengan regresi linier, di mana satu set variabel independen (juga disebut atribut atau fitur) digunakan untuk memprediksi variabel dependen (respons) melalui model linier. Namun, model regresi linier tradisional tidak dianggap sebagai deep Learning karena tidak menerapkan beberapa lapisan transformasi nonlinier ke data.
Baca juga
- 8 Tools Open Source Untuk Membantu Penerapan Deep Learning Dengan Mudah
- Daftar Algoritma Populer Untuk Machine Learning Beserta Jenis Dan Penjelasanya
Teknik pembelajaran data populer lainnya adalah DECISION TREE, random forest, dan mesin vektor pendukung. Meskipun teknik ini kuat, mereka tidak mendalam. Tree decision dan random forest bekerja pada data input asli tanpa mengubah atau menghasilkan fitur baru. Mesin vektor pendukung lebih dangkal karena hanya terdiri dari fungsi kernel dan transformasi linier. Demikian pula jaringan saraf lapisan tersembunyi tunggal tidak dianggap sebagai jaringan saraf dalam karena hanya berisi satu lapisan tersembunyi.
3. Masalah Apa Yang Dapat Dipecahkan Oleh Deep Learning?
Kekuatan deep Learning berasal dari kemampuan untuk mengklasifikasikan atau memprediksi data nonlinier dengan sejumlah langkah nonlinier paralel yang sederhana. Dalam proses dari data input mentah hingga klasifikasi data yang sebenarnya, model deep Learning mempelajari fitur hierarkis dari data input. Setiap lapisan mengekstrak fitur dari output lapisan sebelumnya.
Model deep Learning adalah jaringan saraf dengan beberapa lapisan tersembunyi. Seperti yang ditunjukkan pada gambar di bawah, jaringan saraf dalam yang paling sederhana mengandung setidaknya dua lapisan neuron tersembunyi. Input dari setiap layer berasal dari output dari layer sebelumnya.
4. Mengapa Deep Learning Lebih Baik Daripada Machine Learning Tradisional?
Struktur model Machine Learning tradisional relatif sederhana, dan bergantung pada insinyur algoritma untuk melakukan rekayasa fitur atau bahkan sub-model untuk meningkatkan efek model. Baca juga Perbedaan Antara Deep Learning Dan Machine Learning Yang Harus di Pahami
Namun, karena struktur hierarkisnya, deep Learning secara teoritis dapat menyesuaikan fungsi apa pun. Seluruh struktur kompleks dapat digunakan untuk Fitur digabungkan secara otomatis (seperti gambar). Juga dapat digunakan untuk membangun model kompleks (seperti LSTM dalam domain NLP, yang dapat mempertimbangkan konteks). Baca juga Dasar-Dasar Yang Harus Di Pelajari Untuk Machine Learning Developer
5. Apakah Mungkin Untuk Menggunakan Deep Learning Setiap Saat?
Dikombinasikan dengan deskripsi sebelumnya, jika masalah itu sendiri sangat kompleks, seperti terjemahan. Atau masalah yang memerlukan rekayasa fitur kompleks untuk mengabstraksi fitur, seperti domain gambar. Maka deep Learning akan memainkan nilainya. Baca juga Contoh Implementasi Deep Learning Dalam Bidang Bisnis
Jika masalahnya sendiri relatif sederhana, deep Learning mungkin tidak lebih baik. Masalah kompleks sering disertai dengan skala data yang lebih banyak, sehingga deep Learning membutuhkan lebih banyak sumber daya komputasi.
Selain itu, pembelajaran penguatan (umumnya mengacu pada pembelajaran penguatan dalam) kurang dapat diterapkan, seperti permainan, pembelajaran penguatan memiliki dua karakteristik,
- Adalah data pelatihannya tidak memiliki label “akurat”, atau hanya serangkaian sampel. Hasil, dan pengaruh sampel pada hasil tidak diketahui, yang juga merupakan pembelajaran penguatan yang perlu dipelajari.
- Pembelajaran penguatan membutuhkan beberapa iterasi pembelajaran Setelah setiap pembelajaran, perlu berinteraksi dengan lingkungan untuk mendapatkan data pelatihan baru, yang tidak mungkin dilakukan dalam banyak skenario. Sekarang dikatakan ada eksplorasi pembelajaran penguatan online di bidang estimasi iklan.
6. Apa Kesulitan Deep Learning?
Dibandingkan dengan Machine Learning, mempelajari deep Learning jauh lebih sulit untuk dilatih. Bahkan parameter awal yang kecil akan berdampak besar pada hasil akhir. Ini memengaruhi banyak aspek. Saya akan berbicara singkat tentang beberapa poin di sini, dan saya akan membicarakannya secara rinci ketika saya memiliki kesempatan.
(1) Desain Struktur Jaringan
Dalam Machine Learning, kita perlu menggabungkan bisnis dan membangun fitur. Dalam deep learning, tidak hanya menumpuk beberapa lapisan, dan hasilnya akan keluar, masih membutuhkan insinyur algoritma untuk merancang. Mengapa menggunakan struktur CNN di bidang gambar, karena desain filter dan pooling dapat mengekstrak informasi gambar lokal dan fitur bentuk dengan baik.
Dan mengapa menggunakan struktur RNN di NLP, karena desain loop dapat mempertahankan keadaan konteks dengan baik. Mengapa bidang periklanan melakukan pemodelan urutan perilaku pengguna, karena membawa informasi fitur baru.
(2) Pelatihan Struktur Jaringan
Ada dua alasan yang saya ketahui di sini. Salah satunya adalah fungsi loss yang kompleks mungkin tidak cembung atau bergetar hebat, dan fungsi loss yang kompleks mungkin juga memerlukan optimalisasi pembaruan parameter yang ditargetkan.
Jaringan saraf kurang sensitif terhadap pembaruan gradien dan Machine Learning. Yang lainnya adalah bahwa struktur dan fungsi aktivasi jaringan akan menyebabkan masalah seperti ledakan gradien dan dispersi gradien. Bahkan menyebabkan degradasi semakin dalam dan semakin buruk efeknya. Tentu saja, serangkaian metode dapat digunakan untuk mengatasi masalah gradien. Seperti fungsi aktivasi ReLu, Jaringan Residual, Adam, dll.
(3) Biaya Penyesuaian Parameter Relatif Besar
Ini lebih mudah dipahami, dan butuh waktu lama untuk melatih sekali.
Kesimpulan
Teknik deep Learning sedang digunakan secara komersial di industri perawatan kesehatan, pemrosesan citra medis, pemrosesan bahasa alami, dan peningkatan rasio klik-tayang iklan. Microsoft, IBM, Yahoo, Twitter, Baidu, PayPal, dan Facebook semuanya menggunakan deep Learning untuk memahami preferensi pengguna sehingga mereka dapat merekomendasikan layanan dan produk yang ditargetkan. Deep Learning ada di mana-mana, bahkan digunakan pada ponsel cerdas untuk mendukung teknologi bantuan suara. Inilah pentingnya Kenapa Kita Harus Mempelajari Deep Learning.
