Pengertian Deep
Learning
Deep Learning adalah varian dari pembelajaran mesin yang
berbasis jarringan syaraf tiruan dengan banyak hidden layers yang memiliki
kemampuan untuk mempelajari representasi atau fitur data secara otomatis.
Sebelum deep learning dikenal, fitur dari sebuah pembelajaran mesin dalam
domain tertentu harus di analisis dan ditentukan oleh perekayasanya dan
diintegrasikan dalam algoritma pembelajaran karena penemuan fitur secara
otomasi hanya dengan sedikit prior knowledge dianggap tidak mungkin.
Metode yang digunakan
Deep Learning
Sejak tahun 2006, sistem pemelajaran mesin dengan struktur yang dalam, atau
secara umum disebut sebagai deep learning atau hierarchical
learning, muncul sebagai bidang baru dalam penelitian pemelajaran mesin. Kesuksesan algoritma-algoritma pemelajaran mesin bergantung pada representasi data. Suatu representasi tertentu mungkin lebih dapat menggambarkan faktor-faktor penting yang bisa menjelaskan suatu data ketimbang representasi lainnya. Walaupun pengetahuan spesifik tentang ranah permasalahan tempat pemelajaran mesin akan diaplikasikan dapat digunakan untuk membantu merancang representasi, pengetahuan yang bersifat umum juga dapat digunakan. Apa yang ingin dicapai dalam bidang kecerdasan buatan justru mendorong perancangan algoritma-algoritma untuk mencari atau mempelajari representasi dengan mengimplementasikan pengetahuan yang bersifat umum seperti itu.
Buku ini membahas metodologi dan aplikasi deep learning untuk pengolahan sinyal dan informasi. Buku ini meninjau ulang kemajuan mutakhir dalam algoritma-algoritma unsupervised feature learning bidang pemelajaran fitur tanpa supervisi dan deep learning.
Dewas in kemajua pemelajara mesi tela sedemikia cepat. Kita telah mengalami masajmasa keemasan dalam pemelajaran mesin.
Contoh Kasus Deep
Learning
Ayah Makoto sangat membanggakan mentimun "berduri" yang diproduksi
kebunnya, Ia telah mendedikasikan hidupnya untuk memproduksi mentimun yang
segar dan krispi yang masih memiliki "duri-duri" di badannya.
Mentimun yang lurus dan gemuk dengan warna yang terang serta memiliki banyak
"duri" merupakan mentimun yang berkualitas dan memiliki harga lebih
tinggi di pasaran.Namun Makoto dengan cepat menyadari bahwa proses menyortir mentimun merupakan pekerjaan yang sama sulitnya dengan menanam mentimun itu sendiri. "Tiap mentimun memiliki warna, bentuk, kualitas serta tingkat kesegaran yang berbeda", ujar Makoto.
Di Jepang, tiap kebun memiliki standar sendiri-sendiri dan tidak ada standar resmi. Kebun Makoto menyortir mentimunnya kedalam sembilan kelas, Ibu Makoto lah yang menyortir keseluruhan mentimun secara manual yang menghabiskan waktu sampai dengan delapan jam per hari saat waktu panen tiba.
"Proses penyortiran ini bukan sebuah pekerjaan yang mudah untuk dipelajari. Kita harus melihat tidak hanya berdasarkan ukuran dan tebalnya, namun juga warna, tekstur, goresan, apakah mereka bungkuk atau tidak dan apakah mereka memiliki "duri-duri. Butuh waktu berbulan-bulan untuk mempelajari sistemnya dan kita tidak dapat mempekerjakan karyawan part-time untuk bekerja di waktu-waktu paling sibuk. Saya sendiri baru memahami bagaimana menyortir timun dengan baik," terang Makoto lagi.
Mesin penyortir otomatis telah tersedia di pasar, namun mesin tersebut memiliki keterbatasan dalam hal performa dan harga, selain itu kebun yang relatif kecil biasanya tidak menggunakan mesin ini.
Makoto tidak merasa bahwa penyortiran merupakan pekerjaan penting bagi petani mentimun. "Petani ingin fokus dan menghabiskan waktu mereka untuk menanam sayuran yang lezat. Saya ingin mengotomasi proses penyortiran sebelum mengambil alih bisnis perkebunan ini dari orangtua saya."
Makoto pertama kali mendapatkan ide ngoprek machine learning untuk proses penyortiran mentimun dari studi kasus yang jauh berbeda: Google AlphaGo yang berhasil mengalahkan pemain Go profesional terbaik dunia.
"Saat melihat Google AlphaGo, Saya menyadari ada sesuatu yang sangat spektakuler terjadi di sini," ujar Makotor. "Berita itu telah memancing saya untuk memulai mengembangkan penyortir mentimun dengan teknologi deep learning".
Menggunakan deep learning untuk pengenalan citra memungkinkan sebuah komputer untuk belajar dari kumpulan data mengenai fitur-fitur yang dimiliki oleh tiap gambar. Menggunakan neuron-neuron buatan, deep learning dapat secara otomatis mengklasifikasi gambar dengan tingkat akurasi yang tinggi. Dengan demikian, neural network dapat mengenal berbagai spesies kucing, atau model mobil atau bahkan pesawat hanya dari gambar. Terkadang neural network dapat bekerja lebih baik dari mata manusia untuk aplikasi tertentu.
Benarkah komputer dapat belajar seni menyortir mentimun sang Ibu? Makoto memutuskan untuk melihat apakah Ia dapat menggunakan teknologi deep learning untuk menyortir mentimun menggunakan pustaka machine learning yang belum lama ini di open source kan oleh Google, TensorFlow.
"Google baru saja meng-open source-kan TensorFlow, jadi Saya ingin mulai mencobanya dengan gambar-gambar mentimun saya," jelas Makoto. "Ini merupakan pertama kalinya saya mencoba menggunakan teknologi machine learning atau deep learning, dan langsung mendapatkan akurasi yang lebih tinggi dari yang saya harapkan. Hasil tadi memompa kepercayaan diri bahwa teknologi ini dapat mengatasi permasalahan yang saya hadapi."
Dengan TensorFlow, kita tidak perlu menjadi ahli model matematika atau optimasi algoritma untuk mengimplementasi deep neural network. Cukup unduh contoh kode yang ada dan membaca tutorialnya, kita dapat langsung mulai menyelami samudra deep learning. Pustaka ini menurunkan tingkat kesulitan untuk menggunakan teknologi machine learning dan sejak Google meng-open source-kan TensorFlow November lalu, banyak orang yang bukan ahli machine learning memanfaatkan teknologi ini dengan aplikasi dan kumpulan data mereka sendiri.
