Pembelajaran Mesin Dan Deep Learning

Sejak awal, komputer telah berhasil melaksanakan banyak sekali kiprah yang sulit bagi manusia. Berikan permasalahan gravitasi, perancangan roket, simulasi reaksi kimia, dan banyak sekali hal lain yang terlihat mustahil, komputer sanggup menyelesaikannya dengan baik dan sangat cepat.

Namun anehnya, saat berusaha menuntaskan duduk kasus yang sangat gampang bagi insan ibarat mengenali objek dalam foto dan memahami percakapan manusia, komputer seakan tak berdaya. Setidaknya hingga kala Deep Learning dimulai.

Jauh sebelum AlphaGo memenangkan permainan Go melawan juara dunia, kendaraan beroda empat mengemudi dengan sendirinya, dan ajun virtual ibarat Siri, ilmuwan-ilmuwan komputer telah berusaha menciptakan sistem yang mempunyai kecerdasan— Artificial Intelligence (AI).

Jenis AI yang paling sederhana sanggup kita lihat pada sistem berbasis aturan-aturan. Sederhananya, komputer melaksanakan tindakan menurut aturan-aturan ibarat “Jika A maka B”. Aturan-aturan ini ditulis secara formal dengan bahasa yang sanggup dipahami komputer. Pendekatan ibarat ini disebut dengan Knowledge Base.

Tentu saja pendekatan ibarat ini tidak mudah untuk permasalahan yang luas. Semakin luas permasalahan yang akan diselesaikan, semakin banyak pula aturan-aturan yang perlu ditulis secara manual. Masalahnya, sangat sulit untuk menyusun pengetahuan dalam aturan-aturan formal yang cukup kompleks untuk mendeskripsikan lingkup permasalahan secara akurat.

Kesulitan ini mendorong sebuah pendekatan sistem AI yang baru. Dari pada memperlihatkan sistem AI pengetahuan yang tertulis secara formal, sistem AI diberikan kemampuan untuk mencar ilmu kemampuan untuk mencari pengetahuannya sendiri. Kemampuan ini disebut Pembelajaran Mesin (Machine Learning).

Pembelajaran Mesin

Pembelajaran mesin memakai algoritma yang umum sanggup dipakai untuk banyak sekali duduk kasus yang berbeda. Kita hanya perlu memperlihatkan data, kemudian algoritma itu akan mencari hal-hal yang menarik dalam data yang kita berikan, hingga kesudahannya sistem AI akan membangun pengetahuan menurut data tersebut. Dengan kata lain, pembelajaran mesin sanggup menyesuaikan diri terhadap suatu duduk kasus dengan mempelajari pola-pola yang ditemukan dalam data.

Sebagai contoh, kita sanggup mengelompokkan spesies bunga dari genus Iris dengan melihat ukuran sepal (kelopak) dan petalnya (mahkota).

Secara umum algoritma pembelajaran mesin sanggup dikategorikan menjadi dua jenis tergantung dari data yang diberikan, yaitu Supervised Learning dan Unsupervised Learning.

Supervised Learning

Contoh masalah bunga iris di atas ialah pola Supervised Learning. Pada supervised learning, algoritma pembelajaran mesin diberikan pola input (ukuran sepal dan petal) dan pasangan outputnya (spesies). Tugas algoritma pembelajaran mesin ialah mencari kekerabatan antara masing-masing pasangan ukuran sepal dan petal dengan spesiesnya— mencari operasi-operasi yang diharapkan semoga semua input mengarah pada output yang tepat. Dalam pembelajaran mesin, output dari pola input tertentu biasa disebut dengan label.

Beberapa pola algoritma supervised learning ialah Decision Tree, Naive Bayes, Nearest Neighbor, dan Support Vector Machine.

Unsupervised Learning

Berbeda dengan supervised learning, label tidak diberikan pada algoritma unsupervised learning. Bayangkan tabel dataset bunga iris diatas, namun tanpa kolom spesies. Tentu saja algoritma unsupervised learning tidak akan secara absurd mengetahui bahwa ukuran sepal dan petal tertentu masuk ke spesies Iris setosa, namun algoritma unsupervised learning sanggup menemukan struktur dari data yang diberikan.

Beberapa pola algoritma unsupervised learning ialah k-Means dan Hidden Markov Model.

Pentingnya Representasi Data

Dalam kebanyakan kasus, sistem pembelajaran mesin klasik tidak mencar ilmu menurut data mentah, melainkan menurut representasi dari data tersebut.

Misalnya, kita mempunyai data sensor akselerometer untuk mengenali acara manusia. Data mentah dari akselerometer tersebut terlalu awut-awutan untuk dipelajari eksklusif oleh sistem pembelajaran mesin. Sistem akan kesulitan menemukan warta penting dari data mentah yang polanya tak teratur, sehingga performa pembelajaran menjadi buruk. Maka dari itu perlu dicari informasi-informasi yang sanggup mewakilkan data tersebut, ibarat nilai rata-rata dari suatu data dan warna dan bentuk objek pada gambar. Masing-masing warta yang mewakilkan data disebut sebagai Fitur. Pemilihan fitur ini tergantung pada karakteristik datanya.

Performa suatu algoritma pembelajaran mesin sangat bergantung pada representasi data yang digunakan. Sayangnya, dalam banyak masalah sulit untuk mengetahui fitur yang perlu diekstrak dari suatu data.

Misalnya, kita tahu bahwa burung mempunyai sayap, sehingga kita sanggup memakai keberadaan sayap sebagai fitur untuk mengenali burung dalam sebuah gambar. Namun sayap itu sendiri sangat sulit untuk dideskripsikan dalam nilai-nilai piksel, sehingga sulit untuk mengekstrak fitur yang mewakilkan berbentuk sayap.

Masalah ibarat ini sanggup diatasi dengan memakai pembelajaran mesin bukan hanya untuk menemukan output dari representasi data, tapi juga untuk menemukan representasi data itu sendiri. Pendekatan ini disebut sebagai Pembelajaran Representasi (Representation Learning). Dengan mengandalkan sistem untuk mencari representasi datanya sendiri, algoritma-algoritma pembelajaran representasi memungkinkan fitur-fitur terbaik ditemukan dengan cepat tanpa intervensi manusia. Selain itu, representasi yang dihasilkan pun biasanya lebih baik daripada representasi yang dicari secara manual.

Pembelajaran representasi terdengar sempurna, namun pada aplikasinya data yang sangat kompleks masih sulit untuk direpresentasikan dengan baik. Sehingga pada kesudahannya performa pembelajaran pun buruk. Untuk mengatasi duduk kasus tersebut, representasi data yang kompleks sanggup dideskripsikan dengan susunan representasi-representasi yang lebih sederhana, membentuk struktur representasi dengan lapisan-lapisan bertingkat. Dengan memakai struktur yang berlapis-lapis, kita pun mulai memasuki dunia Deep Learning.

Deep Learning

Ide dari deep learning ialah menciptakan hierarki konsep-konsep dengan arsitektur yang terdiri dari beberapa lapisan, menyusun konsep yang kompleks dari konsep-konsep yang lebih sederhana. Sifat ini memperlihatkan deep learning kemampuan untuk merepresentasikan sebuah permasalahan dengan fleksibilitas yang tinggi.

Machine learning diterjemahkan menjadi pembelajaran mesin dan representation learning menjadi pembelajaran representasi. Tapi pembelajaran dalam terdengar kurang enak, jadi saya akan tetap memakai istilah deep learning.

Referensi

Goodfellow, I., Bengio, Y. & Courville, A., 2016. Deep Learning. Book in preparation for MIT Press.

Bengio, Y., Courville, A. and Vincent, P., 2013. Representation learning: A review and new perspectives. IEEE transactions on pattern analysis and machine intelligence, 35(8), pp.1798–1828.

Deng, L., 2014. A Tutorial Survey of Architectures, Algorithms, and Applications for Deep Learning. APSIPA Transactions on Signal and Information Processing, Volume 3.

Deng, L. & Yu, D., 2014. Deep Learning: Methods and Applications. Foundations and Trends® in Signal Processing, 7(3–4), pp. 197–387.

https://medium.com/@ilhamadun/pembelajaran-mesin-dan-deep-learning-5c86c7cf77b9

Sumber http://meemcode.blogspot.com

Berlangganan Informasi Terbaru: