Header Ads Widget

Ticker

6/recent/ticker-posts

Hubungan Artifial Intelligence, Machine Learning, dan Deep Learning


Artificial Intellingence (AI)

Artificial Intelligence lahir pada 1950-an, ketika beberapa perintis bidang ilmu komputer yang baru lahir mulai bertanya apakah komputer dapat dibuat bisa "berpikir". Definisi AI secara umum yakni upaya mengotomatisasi tugas-tugas intelektual yang biasanya dilakukan oleh manusia.

AI adalah bidang umum yang mencakup machine learning dan deep learning. Misalnya Program catur pertama, hanya melibatkan aturan kode yang dibuat oleh programmer, dan tidak memenuhi syarat sebagai pembelajaran mesin.

Banyak ahli percaya bahwa AI tingkat manusia dapat dicapai dengan membuat seperangkat aturan eksplisit yang cukup besar untuk memanipulasi pengetahuan. Pendekatan ini dikenal sebagai AI simbolik.

Meskipun AI simbolis terbukti cocok untuk memecahkan masalah logis yang terdefinisi dengan
baik, seperti bermain catur, ternyata sulit untuk menemukan aturan eksplisit untuk memecahkan masalah yang lebih kompleks dan kabur, seperti klasifikasi gambar, pengenalan ucapan, dan terjemahan bahasa. Kemuadian sebuah pendekatan baru muncul untuk menggantikan AI simbolis: Machine Learning

 Machine Learning
Machine Learning muncul dari pertanyaan : dapatkah komputer melampaui "Apa yang kita ketahui bagaimana cara memesannya" dan belajar sendiri dalam melakukan tugas tertentu. Dapatkah komputer mempelajari aturan ini secara otomatis dengan melihat data? Daripada programmer membuat aturan pemrosesan data. 

Dalam pemrograman klasik, paradigma AI simbolik, manusia memasukkan aturan (program) dan data untuk diproses menurut aturan ini, dan jawaban yang keluar. Dengan pembelajaran mesin, manusia memasukkan data serta jawaban yang diharapkan dari data, dan menghasilkan aturan. Aturan-aturan ini kemudian dapat diterapkan pada data baru untuk menghasilkan jawaban yang diinginkan

 

Sistem machine learning dilatih, tidak diprogram secara eksplisit. Misalnya, jika diinginkan  mengotomatiskan tugas menandai foto liburan, kemungkinan dapat menyajikan sistem machine learning dengan banyak contoh gambar yang sudah ditandai, dan sistem akan mempelajari aturan statistik untuk mengaitkan gambar tertentu dengan tag tertentu. 

Machine learning terkait erat dengan matematika statistik, tetapi berbeda dari statistik dalam beberapa hal penting. Tidak seperti statistik, pembelajaran mesin cenderung berurusan dengan kumpulan data yang besar dan kompleks (kumpulan data jutaan gambar, masing-masing terdiri dari puluhan ribu piksel) di mana analisis statistik klasik seperti analisis Bayesian tidak dapat diterapkan.

 Model machine learning mengubah data inputnya menjadi output yang berarti. Masalah utama dalam machine learning dan deep learning adalah mengubah data secara bermakna: dengan kata lain, untuk mempelajari representasi yang berguna dari data input yang ada—representasi yang membuat lebih dekat dengan output yang diharapkan.

Apa itu representasi itu? cara berbeda untuk melihat data untuk mewakili atau menyandikan data. Misalnya, gambar berwarna dapat dikodekan dalam format RGB (merah-hijau-biru) atau dalam format HSV (nilai-saturasi-rona). Ini adalah dua representasi berbeda dari data yang sama. Beberapa tugas yang mungkin sulit dengan satu representasi dapat menjadi mudah dengan yang lain. Misalnya, tugas
"memilih semua piksel merah dalam gambar" lebih sederhana dalam format RBG, sedangkan "membuat gambar kurang jenuh" lebih sederhana dalam format HSV. 

Model machine learning adalah tentang menemukan representasi yang tepat untuk data inputnya—transformasi data yang membuatnya lebih sesuai dengan tugas yang ada, seperti tugas klasifikasi.

Algoritma machine learning secara otomatis menemukan transformasi seperti itu yang mengubah data menjadi representasi yang lebih berguna untuk tugas yang diberikan. Operasi ini dapat berupa perubahan koordinat, atau proyeksi linier (yang dapat merusak informasi), terjemahan, operasi nonlinier (seperti memilih semua titik sehingga x < 0), dan seterusnya. 

Algoritme machine learning biasanya tidak kreatif dalam menemukan transformasi ini; mereka hanya mencari melalui serangkaian operasi yang telah ditentukan sebelumnya, yang
disebut ruang hipotesis. Secara teknis: mencari representasi yang berguna dari beberapa data input, dalam ruang kemungkinan yang telah ditentukan, menggunakan panduan dari beberapa sinyal 

Deep Learning
Deep learning adalah subbidang machine learning yang spesifik: pandangan baru tentang representasi pembelajaran dari data yang menekankan pada pembelajaran lapisan berturut-turut dari representasi yang semakin bermakna.

Deep in deep learning mewakili gagasan tentang lapisan representasi yang berurutan.  Berapa banyak lapisan yang berkontribusi pada model data disebut kedalaman model.

Deep Learning melibatkan puluhan atau bahkan ratusan lapisan representasi yang berurutan dan semuanya dipelajari secara otomatis dari paparan data pelatihan. 

Pendekatan machine learning cenderung berfokus pada pembelajaran hanya satu atau dua lapisan representasi data; karenanya mereka kadang-kadang disebut pembelajaran dangkal.

Deep learning, representasi berlapis ini (hampir selalu) dipelajari melalui model yang disebut neural networks, terstruktur dalam lapisan literal yang ditumpuk satu demi satu.
• Deep learning adalah kerangka kerja matematika untuk mempelajari representasi dari data.
• Seperti apa representasi yang dipelajari oleh  algoritma deep learning? Bagaimana jaringan
beberapa lapisan dalam (lihat gambar) mengubah gambar digit untuk mengenali digit apa itu

machine learning adalah tentang memetakan input (seperti gambar) ke target (seperti label "cat"), yang dilakukan dengan mengamati banyak contoh input dan target.
• Neural network dalam melakukan pemetaan input-ke-target ini melalui urutan mendalam dari transformasi data sederhana (lapisan) dan bahwa transformasi data ini dipelajari dengan paparan contoh.
• Spesifikasi dari apa yang dilakukan lapisan terhadap data inputnya disimpan dalam bobot lapisan, yang pada dasarnya adalah sekumpulan angka.
• Dalam istilah teknis, transformasi yang diterapkan oleh lapisan diparametrikan oleh bobotnya.
• Learning berarti menemukan sekumpulan nilai untuk bobot semua lapisan dalam jaringan, sehingga jaringan akan memetakan input contoh dengan benar ke target terkait.
• Tapi inilah masalahnya: deep neural network dapat berisi puluhan juta parameter. Menemukan nilai yang benar untuk semuanya, terutama mengingat bahwa memodifikasi nilai satu parameter akan memengaruhi perilaku semua parameter lainnya!





Posting Komentar

0 Komentar