Neural Networks dan Deep Learning saat ini adalah dua kata kunci panas yang digunakan saat ini dengan Kecerdasan Buatan^{(Artificial Intelligence)} . Perkembangan terbaru di dunia kecerdasan buatan dapat dikaitkan dengan keduanya karena mereka telah memainkan peran penting dalam meningkatkan kecerdasan AI.

Lihatlah ke sekeliling, dan Anda akan menemukan semakin banyak mesin cerdas di sekitarnya. Berkat Neural Networks dan Deep Learning , pekerjaan dan kemampuan yang dulu dianggap sebagai keahlian manusia sekarang dilakukan oleh mesin. Saat ini, Mesin tidak lagi dibuat untuk memakan algoritme yang lebih kompleks, tetapi sebaliknya, mereka diumpankan untuk berkembang menjadi sistem otodidak yang mampu merevolusi banyak industri di sekitar.

Neural Networks dan Deep Learning telah memberikan kesuksesan besar bagi para peneliti dalam tugas-tugas seperti pengenalan gambar, pengenalan suara, menemukan hubungan yang lebih dalam dalam kumpulan data. Dibantu oleh ketersediaan sejumlah besar data dan daya komputasi, mesin dapat mengenali objek, menerjemahkan ucapan, melatih diri mereka sendiri untuk mengidentifikasi pola yang kompleks, mempelajari cara merancang strategi, dan membuat rencana darurat secara real-time.

Jadi, bagaimana tepatnya ini bekerja? Tahukah Anda bahwa Netral ^(Neutral) Networks dan Deep-Learning terkait, pada kenyataannya, untuk memahami Deep learning, Anda harus terlebih dahulu memahami tentang Neural Networks ? Baca terus untuk mengetahui lebih lanjut.

Apa itu Jaringan Syaraf?

Jaringan saraf^(Neural) pada dasarnya adalah pola pemrograman atau serangkaian algoritma yang memungkinkan komputer untuk belajar dari data pengamatan. Jaringan saraf^(Neural) mirip dengan otak manusia, yang bekerja dengan mengenali polanya. Data sensorik diinterpretasikan menggunakan persepsi mesin, pelabelan atau pengelompokan input mentah. Pola yang dikenali adalah numerik, dilampirkan dalam vektor, di mana data seperti gambar, suara, teks, dll. diterjemahkan.

Think Neural Network! Think how a human brain function

Seperti disebutkan di atas, jaringan saraf berfungsi seperti otak manusia; itu memperoleh semua pengetahuan melalui proses belajar. Setelah itu, bobot sinaptik menyimpan pengetahuan yang diperoleh. Selama proses pembelajaran, bobot sinaptik jaringan direformasi untuk mencapai tujuan yang diinginkan.

Sama seperti otak manusia, Neural Network^{(Neural Networks)} bekerja seperti sistem pemrosesan informasi paralel non-linear yang dengan cepat melakukan komputasi seperti pengenalan pola dan persepsi. Akibatnya, jaringan ini berkinerja sangat baik di bidang-bidang seperti pengenalan suara, audio, dan gambar di mana input/sinyal secara inheren nonlinier.

Dengan kata sederhana, Anda dapat mengingat Neural Network sebagai sesuatu yang mampu menyimpan pengetahuan seperti otak manusia dan menggunakannya untuk membuat prediksi.^{(In simple words, you can remember Neural Network as something which is capable of stocking knowledge like a human brain and use it to make predictions.)}

Struktur Jaringan Saraf

(Kredit Gambar: Mathworks)

Neural Network^(Networks) terdiri dari tiga lapisan,

1. lapisan masukan,
2. Lapisan tersembunyi, dan
3. lapisan keluaran.

Setiap lapisan terdiri dari satu atau lebih node, seperti yang ditunjukkan pada diagram di bawah ini dengan lingkaran kecil. Garis antara node menunjukkan aliran informasi dari satu node ke node berikutnya. Informasi mengalir dari input ke output, yaitu dari kiri ke kanan (dalam beberapa kasus mungkin dari kanan ke kiri atau keduanya).

Node dari lapisan input bersifat pasif, artinya mereka tidak mengubah data. Mereka menerima satu nilai pada input mereka dan menduplikasi nilai ke beberapa output mereka. Sedangkan^(Whereas) , node dari lapisan tersembunyi dan lapisan keluaran aktif. Dengan demikian mereka dapat memodifikasi data.

Dalam struktur yang saling berhubungan, setiap nilai dari lapisan input diduplikasi dan dikirim ke semua node tersembunyi. Nilai yang memasuki simpul tersembunyi dikalikan dengan bobot, satu set angka yang telah ditentukan disimpan dalam program. Masukan berbobot kemudian ditambahkan untuk menghasilkan satu nomor. Jaringan saraf dapat memiliki sejumlah lapisan, dan sejumlah node per lapisan. Sebagian besar aplikasi menggunakan struktur tiga lapis dengan maksimum beberapa ratus node input

Contoh Neural Network^{(Example of Neural Network)}

Pertimbangkan jaringan saraf yang mengenali objek dalam sinyal sonar, dan ada 5000 sampel sinyal yang disimpan di PC. PC harus mencari tahu apakah sampel ini mewakili kapal selam, paus, gunung es, batu laut, atau tidak sama sekali? Metode DSP konvensional^{(Conventional DSP)} akan mendekati masalah ini dengan matematika dan algoritma, seperti korelasi dan analisis spektrum frekuensi.

Sementara dengan jaringan saraf, 5000 sampel akan diumpankan ke lapisan input, menghasilkan nilai yang muncul dari lapisan output. Dengan memilih bobot yang tepat, output dapat dikonfigurasi untuk melaporkan berbagai informasi. Misalnya, mungkin ada output untuk: kapal selam (ya/tidak), batu laut (ya/tidak), paus (ya/tidak), dll.

Dengan bobot lain, output dapat mengklasifikasikan objek sebagai logam atau non-logam, biologis atau non-biologis, musuh atau sekutu, dll. Tidak ada algoritma, tidak ada aturan, tidak ada prosedur; hanya hubungan antara input dan output yang ditentukan oleh nilai bobot yang dipilih.

Sekarang, mari kita pahami konsep Deep Learning.^{(Now, let’s understand the concept of Deep Learning.)}

Apa itu Pembelajaran Mendalam?

Pembelajaran mendalam pada dasarnya adalah bagian dari Neural Networks ; mungkin bisa dibilang Neural Network^{(Neural Network)} yang kompleks dengan banyak hidden layer di dalamnya.

Secara teknis, Deep learning juga dapat didefinisikan sebagai seperangkat teknik yang kuat untuk belajar di jaringan saraf. Ini mengacu pada jaringan saraf tiruan ( JST^(ANN) ) yang terdiri dari banyak lapisan, kumpulan data besar, perangkat keras komputer yang kuat untuk memungkinkan model pelatihan yang rumit. Ini berisi kelas metode dan teknik yang menggunakan jaringan saraf tiruan dengan banyak lapisan fungsionalitas yang semakin kaya.

Struktur jaringan pembelajaran mendalam^{(Structure of Deep learning network)}

Jaringan^(Deep) pembelajaran dalam sebagian besar menggunakan arsitektur jaringan saraf dan karenanya sering disebut sebagai jaringan saraf dalam. Penggunaan pekerjaan "dalam" mengacu pada jumlah lapisan tersembunyi di jaringan saraf. Jaringan saraf konvensional berisi tiga lapisan tersembunyi, sedangkan jaringan dalam dapat memiliki sebanyak 120-150.

Deep Learning melibatkan memberi makan sistem komputer banyak data, yang dapat digunakan untuk membuat keputusan tentang data lain. Data ini diumpankan melalui jaringan saraf, seperti halnya dalam pembelajaran mesin. Jaringan pembelajaran mendalam^(Deep) dapat mempelajari fitur langsung dari data tanpa perlu ekstraksi fitur manual.

Contoh Pembelajaran Mendalam^{(Examples of Deep Learning)}

Pembelajaran mendalam saat ini sedang digunakan di hampir setiap industri mulai dari Otomotif^(Automobile) , Aerospace , dan Otomasi^(Automation) hingga Medis^(Medical) . Berikut adalah beberapa contohnya.

• Google , Netflix , dan Amazon : Google menggunakannya dalam algoritme pengenalan suara dan gambarnya. Netflix dan Amazon juga menggunakan pembelajaran mendalam untuk memutuskan apa yang ingin Anda tonton atau beli selanjutnya
• Mengemudi tanpa pengemudi: Para peneliti menggunakan jaringan pembelajaran mendalam untuk secara otomatis mendeteksi objek seperti rambu berhenti dan lampu lalu lintas. Pembelajaran mendalam^(Deep) juga digunakan untuk mendeteksi pejalan kaki, yang membantu mengurangi kecelakaan.
• Dirgantara dan Pertahanan: Pembelajaran mendalam digunakan untuk mengidentifikasi objek dari satelit yang menemukan area yang diminati, dan mengidentifikasi zona aman atau tidak aman bagi pasukan.
• Berkat Deep Learning , Facebook secara otomatis menemukan dan menandai teman di foto Anda. Skype dapat menerjemahkan komunikasi lisan secara real-time dan juga cukup akurat.
• Penelitian Medis: Peneliti medis menggunakan pembelajaran mendalam untuk mendeteksi sel kanker secara otomatis
• Otomasi Industri^{(Industrial Automation)} : Pembelajaran mendalam membantu meningkatkan keselamatan pekerja di sekitar alat berat dengan secara otomatis mendeteksi ketika orang atau benda berada dalam jarak yang tidak aman dari alat berat.
• Elektronik: Pembelajaran mendalam^(Deep) sedang digunakan dalam terjemahan pendengaran dan ucapan otomatis.

Baca^(Read) : Apa itu Machine Learning dan Deep Learning^{(Machine Learning and Deep Learning)} ?

Kesimpulan^(Conclusion)

Konsep Neural Networks bukanlah hal baru, dan para peneliti telah mencapai keberhasilan yang moderat dalam dekade terakhir ini. Tetapi pengubah permainan yang sebenarnya adalah evolusi jaringan^(Deep) saraf dalam.

Dengan mengungguli pendekatan pembelajaran mesin tradisional, ini telah menunjukkan bahwa jaringan saraf dalam dapat dilatih dan dicoba tidak hanya oleh beberapa peneliti, tetapi juga memiliki ruang lingkup untuk diadopsi oleh perusahaan teknologi multinasional untuk menghasilkan inovasi yang lebih baik dalam waktu dekat.

Thanks to Deep Learning and Neural Network, AI is not just doing the tasks, but it has started to think!

What is Deep Learning and Neural Network

Neural Networks and Deep Learning are currently the two hot buzzwords that are being used nowadays with Artificial Intelligence. The recent developments in the world of Artificial intelligence can be attributed to these two as they have played a significant role in improving the intelligence of AI.

Look around, and you will find more and more intelligent machines around. Thanks to Neural Networks and Deep Learning, jobs and capabilities that were once considered the forte of humans are now being performed by machines. Today, Machines are no longer made to eat more complex algorithms, but instead, they are fed to develop into an autonomous, self-teaching system capable of revolutionizing many industries all around.

Neural Networks and Deep Learning have lent enormous success to the researchers in tasks such as image recognition, speech recognition, finding deeper relations in a data sets. Aided by the availability of massive amounts of data and computational power, machines can recognize objects, translate speech, train themselves to identify complex patterns, learn how to devise strategies and make contingency plans in real-time.

So, how exactly does this work? Do you know that both Neutral Networks and Deep-Learning related, in fact, to understand Deep learning, you must first understand about Neural Networks? Read on to know more.

What is a Neural Network

A Neural network is basically a programming pattern or a set of algorithms that enables a computer to learn from the observational data. A Neural network is similar to a human brain, which works by recognizing the patterns. The sensory data is interpreted using a machine perception, labeling or clustering raw input. The patterns recognized are numerical, enclosed in vectors, into which the data such are images, sound, text, etc. are translated.

Think Neural Network! Think how a human brain function

As mentioned above, a neural network functions just like a human brain; it acquires all the knowledge through a learning process. After that, synaptic weights store the acquired knowledge. During the learning process, the synaptic weights of the network are reformed to achieve the desired objective.

Just like the human brain, Neural Networks work like non-linear parallel information-processing systems which rapidly perform computations such as pattern recognition and perception. As a result, these networks perform very well in areas like speech, audio and image recognition where the inputs/signals are inherently nonlinear.

In simple words, you can remember Neural Network as something which is capable of stocking knowledge like a human brain and use it to make predictions.

Structure of Neural Networks

(Image Credit: Mathworks)

Neural Networks comprises of three layers,

1. Input layer,
2. Hidden layer, and
3. Output layer.

Each layer consists of one or more nodes, as shown in the below diagram by small circles. The lines between the nodes indicate the flow of information from one node to the next. The information flows from the input to the output, i.e. from left to right (in some cases it may be from right to left or both ways).

The nodes of the input layer are passive, meaning they do not modify the data. They receive a single value on their input and duplicate the value to their multiple outputs. Whereas, the nodes of the hidden and output layer are active. Thus that can they modify the data.

In an interconnected structure, each value from the input layer is duplicated and sent to all of the hidden nodes. The values entering a hidden node are multiplied by weights, a set of predetermined numbers stored in the program. The weighted inputs are then added to produce a single number. Neural networks can have any number of layers, and any number of nodes per layer. Most applications use the three-layer structure with a maximum of a few hundred input nodes

Example of Neural Network

Consider a neural network recognizing objects in a sonar signal, and there are 5000 signal samples stored in the PC. The PC has to figure out if these samples represent a submarine, whale, iceberg, sea rocks, or nothing at all? Conventional DSP methods would approach this problem with mathematics and algorithms, such as correlation and frequency spectrum analysis.

While with a neural network, the 5000 samples would be fed to the input layer, resulting in values popping from the output layer. By selecting the proper weights, the output can be configured to report a wide range of information. For instance, there might be outputs for: submarine (yes/no), sea rock (yes/no), whale (yes/no), etc.

With other weights, the outputs can classify the objects as metal or non-metal, biological or non-biological, enemy or ally, etc. No algorithms, no rules, no procedures; only a relationship between the input and output dictated by the values of the weights selected.

Now, let’s understand the concept of Deep Learning.

What is a Deep Learning

Deep learning is basically a subset of Neural Networks; perhaps you can say a complex Neural Network with many hidden layers in it.

Technically speaking, Deep learning can also be defined as a powerful set of techniques for learning in neural networks. It refers to artificial neural networks (ANN) that are composed of many layers, massive data sets, powerful computer hardware to make complicated training model possible. It contains the class of methods and techniques that employ artificial neural networks with multiple layers of increasingly richer functionality.

Structure of Deep learning network

Deep learning networks mostly use neural network architectures and hence are often referred to as deep neural networks. Use of work “deep” refers to the number of hidden layers in the neural network. A conventional neural network contains three hidden layers, while deep networks can have as many as 120- 150.

Deep Learning involves feeding a computer system a lot of data, which it can use to make decisions about other data. This data is fed through neural networks, as is the case in machine learning. Deep learning networks can learn features directly from the data without the need for manual feature extraction.

Examples of Deep Learning

Deep learning is currently being utilized in almost every industry starting from Automobile, Aerospace, and Automation to Medical. Here are some of the examples.

• Google, Netflix, and Amazon: Google uses it in its voice and image recognition algorithms. Netflix and Amazon also use deep learning to decide what you want to watch or buy next
• Driving without a driver: Researchers are utilizing deep learning networks to automatically detect objects such as stop signs and traffic lights. Deep learning is also used to detect pedestrians, which helps decrease accidents.
• Aerospace and Defense: Deep learning is used to identify objects from satellites that locate areas of interest, and identify safe or unsafe zones for troops.
• Thanks to Deep Learning, Facebook automatically finds and tags friends in your photos. Skype can translate spoken communications in real-time and pretty accurately too.
• Medical Research: Medical researchers are using deep learning to automatically detect cancer cells
• Industrial Automation: Deep learning is helping to improve worker safety around heavy machinery by automatically detecting when people or objects are within an unsafe distance of machines.
• Electronics: Deep learning is being used in automated hearing and speech translation.

Read: What is Machine Learning and Deep Learning?

Conclusion

The concept of Neural Networks is not new, and researchers have met with moderate success in the last decade or so. But the real game-changer has been the evolution of Deep neural networks.

By out-performing the traditional machine learning approaches it has showcased that deep neural networks can be trained and trialed not just by few researchers, but it has the scope to be adopted by multinational technology companies to come with better innovations in the near future.

Thanks to Deep Learning and Neural Network, AI is not just doing the tasks, but it has started to think!

Related posts

• SMS Organizer: SMS Application Didukung oleh Machine Learning

• Apa itu Machine Learning and Deep Learning di Artificial Intelligence

• Cara Menginstal Drupal Menggunakan WAMP pada Windows

• Best Software & Hardware Bitcoin Wallets untuk Windows, iOS, Android

• Setup Internet Radio Station Gratis pada Windows PC

• Apa itu Data Analytics dan untuk apa

• Online Reputation Management Tips, Tools & Services

• Fix Partner tidak terhubung ke router error di TeamViewer pada Windows 10

• Bawa Device Sendiri (BYOD) Advantages, Best Practices, dll

• Apa saja kartu chip dan PIN 'atau EMV Credit

• Apa Silly Window Syndrome - Explanation and Prevention

• Alat terbaik untuk mengirim SMS gratis dari komputer Anda

• Fitur terbaik di LibreOffice Calc

• Convert Magnet Tautan ke tautan langsung Download menggunakan Seedr

• Apa artinya NFT rata-rata dan cara membuat NFT Digital Art?

• Whiteboard Fox adalah online whiteboard gratis yang memungkinkan real-time sharing

• Nine Nostalgic Tech Sounds Anda mungkin belum pernah mendengar dalam bertahun-tahun

• Apa itu Big Data - penjelasan sederhana dengan Example

• Video konferensi etiket, tips dan aturan yang perlu Anda ikuti

• Aplikasi Sesi Pesan menawarkan keamanan yang kuat; Diperlukan Nomor No phone!