Bab lan Paragraf[Singidaken][Tampilake]
Konsep manawa robot luwih pinter tinimbang manungsa wis entuk imajinasi kolektif sajrone ana Fiksi Ilmiah.
Nanging, nalika Artificial Intelligence (AI) durung tekan level kasebut, kita wis nggawe terobosan sing signifikan kanggo ngasilake intelijen mesin, kaya sing dibuktekake dening uji coba Google, Tesla, lan Uber nganggo mobil sing nyopir dhewe.
Skalabilitas lan utilitas Deep Learning, pendekatan Machine Learning sing ndadekake kemajuan teknis iki, sebagian tanggung jawab kanggo transisi sukses AI saka universitas lan laboratorium riset menyang produk.
Revolusi komputer sabanjure bakal dibangun ing intelijen buatan, sinau jero, lan learning machine.
Teknologi kasebut dibangun kanthi kapasitas kanggo mbedakake pola lan banjur ramalan acara mbesuk adhedhasar data sing diklumpukake ing jaman kepungkur. Iki nerangake kenapa Amazon nggawe ide nalika sampeyan tuku online utawa kepiye Netflix ngerti sampeyan seneng film 1980-an sing ala.
Senajan komputer sing nggunakake konsep AI kadhangkala disebut "pinter", mayoritas sistem iki ora sinau dhewe; interaksi manungsa dibutuhake.
Ilmuwan data nyiapake input kanthi milih variabel sing bakal ditrapake analytics prediktif. Learning jero, ing tangan liyane, bisa nindakake fungsi iki kanthi otomatis.
Kiriman iki minangka pandhuan lapangan kanggo para penyayang data sing kepengin sinau babagan sinau sing jero, jembar, lan potensial ing mangsa ngarep.
Apa iku Deep Learning?
Learning jero bisa dianggep minangka subset saka machine learning.
Iki minangka lapangan sing dibangun kanthi sinau lan dandan kanthi mriksa algoritma komputer.
Learning jero, minangka lawan saka learning machine, dianggo karo gawean jaringan saraf, kang mestine kanggo niru carane wong mikir lan sinau. Nganti saiki, jaringan saraf diwatesi kerumitan amarga keterbatasan daya komputer.
Nanging, kemajuan analitis Big Data wis ngaktifake jaringan saraf sing luwih gedhe lan luwih kuat, supaya komputer bisa ngawasi, ngerti, lan nanggapi kahanan sing rumit luwih cepet tinimbang wong.
Disaranake maca - Arsitektur Jaringan Syaraf Tesla Dijelasake
Kategorisasi gambar, terjemahan basa, lan pangenalan wicara kabeh entuk manfaat saka sinau sing jero. Bisa ngatasi masalah pangenalan pola tanpa mbutuhake interaksi manungsa.
Iku ateges telung utawa luwih-lapisan jaringan saraf. Jaringan saraf iki ngupaya niru aktivitas otak manungsa, sanajan kanthi sukses sing winates, kanthi ngidini "sinau" saka data sing akeh banget.
Nalika lapisan siji jaringan syaraf isih bisa ngasilake prediksi sing kira-kira, lapisan sing luwih didhelikake bisa mbantu ngoptimalake lan nyetel akurasi.
Apa iku Neural Network?
Jaringan syaraf tiruan adhedhasar jaring syaraf sing katon ing otak manungsa. Biasane, jaringan saraf dumadi saka telung lapisan.
Telung tingkat kasebut yaiku input, output, lan didhelikake. Jaringan syaraf sing tumindak katon ing diagram ing ngisor iki.
Amarga jaringan saraf sing ditampilake ing ndhuwur mung duwe siji lapisan sing didhelikake, iki diarani "jaringan saraf cethek."
Lapisan liyane sing didhelikake ditambahake menyang sistem kasebut kanggo mbentuk struktur sing luwih canggih.
Apa Jaringan Deep?
Ing jaringan jero, akeh lapisan sing didhelikake ditambahake.
Latihan desain kasebut dadi saya rumit amarga jumlah lapisan sing didhelikake ing jaringan mundhak, ora mung babagan wektu sing dibutuhake kanggo nglatih jaringan kanthi bener nanging uga babagan sumber daya sing dibutuhake.
Jaringan jero kanthi input, papat lapisan sing didhelikake, lan output ditampilake ing ngisor iki.
Kepiye cara Deep Learning?
Jaringan syaraf dibangun saka lapisan kelenjar, padha karo cara neuron mbentuk otak manungsa. Node lapisan individu disambungake menyang kelenjar ing lapisan tetanggan.
Jumlah lapisan ing jaringan nuduhake ambane. A neuron tunggal ing otak manungsa nampa ewonan pesen.
Sinyal pindhah ing antarane simpul ing jaringan syaraf buatan, sing menehi bobot.
A simpul kanthi bobot sing luwih dhuwur nduweni pengaruh sing luwih gedhe ing simpul ing ngisor iki. Lapisan pungkasan nggabungake input bobot kanggo nyedhiyakake output.
Sistem sinau jero mbutuhake hardware sing kuwat amarga jumlah data sing ditangani lan akeh komputasi matematika sing canggih.
Pitungan latihan sinau jero, sanajan kanthi teknologi canggih kasebut, bisa njupuk sawetara minggu.
Sistem learning jero mbutuhake jumlah data sing signifikan kanggo nyedhiyakake temuan sing bener; mula, informasi diwenehake ing bentuk dataset massive.
Nalika ngolah data, jaringan syaraf tiruan bisa nggolongake informasi adhedhasar respon marang urutan biner ya utawa pitakonan palsu sing nglibatake komputasi matematika sing rumit banget.
Algoritma pangenalan rai, contone, sinau kanggo ngenali lan ngenali pinggiran lan garis pasuryan.
Banjur unsur sing luwih penting saka pasuryan, lan pungkasane kabeh perwakilan saka pasuryan.
Algoritma kasebut nglatih dhewe sajrone wektu, nambah kemungkinan balesan sing bener.
Ing kahanan iki, algoritma pangenalan rai bakal ngenali pasuryan luwih bener saka wektu.
Deep Learning VS Machine Learning
Kepiye carane sinau jero beda karo pembelajaran mesin yen kalebu subset?
Sinau jero beda karo pembelajaran mesin tradisional ing jinis data sing digunakake lan metode sing digunakake kanggo sinau.
Kanggo nggawe prediksi, algoritma machine learning nggunakake data terstruktur lan label, sing tegese karakteristik tartamtu ditemtokake saka data input model lan diklompokake dadi tabel.
Iki ora ateges ora nggunakake data sing ora terstruktur; rodo, yen mengkono, biasane dadi liwat sawetara wis Processing kanggo sijine menyang format kabentuk.
Learning jero ngilangi bagean saka pra-proses data sing umume ditindakake dening machine learning.
Algoritma kasebut bisa nyerep lan napsirake data sing ora terstruktur kayata teks lan gambar, uga ngotomatisasi ekstraksi fitur, nyuda katergantungan marang spesialis manungsa.
Coba bayangake kita duwe koleksi gambar macem-macem kewan sing pengin diatur dadi kategori kayata "kucing", "asu", "hamster", lan liya-liyane.
Algoritma sinau jero bisa nemtokake sipat (kayata kuping) sing paling penting kanggo misahake siji kewan saka liyane. Hierarki fitur iki ditemtokake kanthi manual dening spesialis manungsa ing pembelajaran mesin.
Sistem sinau jero banjur ganti lan mathuk dhewe kanggo akurasi liwat keturunan gradien lan backpropagation, saéngga bisa ngasilake prediksi sing luwih tepat babagan gambar kewan sing anyar.
Aplikasi Deep Learning
1 Chatbots
Chatbots bisa ndandani masalah klien sajrone sawetara detik. A chatbot iku sawijining Kacerdhasan gawéyan (AI) alat sing ngidini sampeyan komunikasi online liwat teks utawa text-to-speech.
Bisa komunikasi lan tumindak kanthi cara sing padha karo manungsa. Chatbots akeh digunakake ing layanan pelanggan, marketing media sosial, lan olahpesen cepet klien.
Iki nanggapi input sampeyan kanthi jawaban otomatis. Iki ngasilake pirang-pirang bentuk balesan nggunakake mesin learning lan teknik sinau jero.
2. Mobil nyopir dhewe
Deep Learning minangka faktor utama ing mburi mobil nyopir dhewe dadi kasunyatan.
Sejuta set data dimuat menyang sistem kanggo nggawe model, nglatih mesin kanggo sinau, banjur evaluasi temuan ing lingkungan sing aman.
Uber Kacerdhasan gawéyan Labs ing Pittsburgh ora mung nyoba nggawe mobil tanpa sopir luwih umum nanging uga nggabungake pirang-pirang fitur cerdas, kayata kemungkinan pangiriman panganan, kanthi nggunakake mobil tanpa sopir.
Sumelang sing paling penting kanggo pangembangan kendharaan nyopir dhewe yaiku ngatasi acara sing ora diantisipasi.
Siklus tes lan implementasine sing terus-terusan, khas saka algoritma sinau jero, njamin nyopir sing aman amarga akeh skenario sing terus-terusan.
3. Asisten Virtual
Asisten Virtual minangka program basis awan sing ngenali printah swara basa alami lan nindakake samubarang kanggo sampeyan.
Asisten virtual kayata Amazon Alexa, Cortana, Siri, lan Asisten Google minangka conto umum.
Kanggo nggunakake kanthi lengkap potensial, dheweke mbutuhake piranti sing nyambung menyang internet. Nalika prentah diwenehake marang asisten kasebut, cenderung menehi pengalaman sing luwih apik adhedhasar pengalaman sadurunge nggunakake algoritma Deep Learning.
4. Hiburan
Perusahaan kaya Netflix, Amazon, YouTube, lan Spotify nyedhiyakake saran film, lagu, lan video sing cocog kanggo para pelanggan kanggo nambah pengalaman.
Deep Learning tanggung jawab kanggo kabeh iki.
Perusahaan streaming online nyedhiyakake rekomendasi produk lan layanan adhedhasar riwayat telusuran, minat, lan kegiatan.
Algoritma sinau jero uga digunakake kanggo ngasilake subtitle kanthi otomatis lan nambah swara menyang film bisu.
5. Robotika
Deep Learning akeh digunakake kanggo ngembangake robot sing bisa nindakake pakaryan kaya manungsa.
Robot sing didhukung Deep Learning nggunakake nganyari wektu nyata kanggo ndeteksi alangan ing rute lan kanthi cepet ngatur dalane.
Bisa digunakake kanggo ngangkut barang ing rumah sakit, pabrik, gudang, manajemen inventaris, pabrik produk, lan liya-liyane.
Robot Boston Dynamics nanggapi manungsa nalika didorong. Dheweke bisa ngosongake mesin pencuci piring, bisa tangi nalika tiba, lan bisa nindakake macem-macem kegiatan liyane.
6. Healthcare
Dokter ora bisa bebarengan karo pasien saben jam, nanging siji-sijine perkara sing meh kita lakoni yaiku telpon.
Sinau jero uga ngidini teknologi medis nganalisa data saka gambar sing dijupuk lan data gerakan kanggo nemokake masalah kesehatan sing potensial.
Program visi komputer AI, umpamane, nggunakake data iki kanggo ngetutake pola gerakan pasien kanggo ramalan tiba uga owah-owahan ing kahanan mental.
Sinau jero uga wis digunakake kanggo ngenali kanker kulit nggunakake foto lan liya-liyane.
7. Pangolah Bahasa Alami
Ngembangake teknologi pangolahan basa alam ndadekake robot bisa maca komunikasi lan entuk makna saka dheweke.
Senadyan mangkono, pendekatan kasebut bisa disederhanakake, ora bisa ngerteni cara-cara gabungan tembung-tembung kanggo mengaruhi makna utawa tujuane.
Sinau jero mbantu pemroses basa alami ngerteni pola sing luwih rumit ing frasa lan menehi interpretasi sing luwih akurat.
8. Komputer Visi
Sinau jero nyoba niru cara pikiran manungsa ngolah informasi lan ngenali pola, dadi cara sing cocog kanggo nglatih aplikasi AI adhedhasar visi.
Sistem kasebut bisa njupuk pirang-pirang set foto sing diwenehi tag lan sinau kanggo ngenali item kaya pesawat, pasuryan, lan gaman nggunakake model sinau jero.
Deep Learning in Action
Kajaba saka layanan streaming musik favorit sing nyaranake lagu sing sampeyan senengi, kepiye sinau jero bisa ngganti urip wong?
Sinau jero, ternyata, nggawe macem-macem aplikasi. Sapa wae sing nggunakake Facebook bakal sok dong mirsani yen sampeyan ngirim gambar anyar, situs sosial kerep ngenali lan menehi tag kanca-kanca.
Sinau jero digunakake kanggo pangolahan basa alami lan pangenalan wicara dening asisten digital kayata Siri, Cortana, Alexa, lan Google Now.
Terjemahan wektu nyata diwenehake liwat Skype. Akeh layanan email wis maju ing kemampuan kanggo ndeteksi pesen spam sadurunge tekan kothak mlebu.
PayPal wis nggunakake sinau jero kanggo nyegah pembayaran penipuan. CamFind, contone, ngidini sampeyan njupuk foto obyek apa wae lan, nggunakake teknologi telusuran visual seluler, nemtokake apa iku.
Pembelajaran jero digunakake kanggo nyedhiyakake solusi khusus saka Google. AlphaGo, program komputer sing dikembangake dening Google Deepmind, wis ngalahake juara Go saiki.
WaveNet, dikembangake dening DeepMind, bisa nggawe wicara sing muni luwih alami tinimbang sistem wicara sing kasedhiya saiki. Kanggo nerjemahake basa lisan lan tekstual, Google Translate nggunakake sinau jero lan pangenalan gambar.
Sembarang foto bisa diidentifikasi nggunakake Google Planet. Kanggo mbantu ngembangake aplikasi AI, Google nggawe Tensorflow deep learning database piranti lunak.
Masa Depan Deep Learning
Sinau jero minangka topik sing ora bisa diendhani nalika ngrembug babagan teknologi. Ora perlu dikandhakake, sinau jero wis berkembang dadi salah sawijining unsur teknologi sing paling penting.
Organisasi biyen dadi siji-sijine sing kasengsem ing teknologi kaya AI, sinau jero, sinau mesin, lan liya-liyane. Individu uga dadi kasengsem ing unsur teknologi iki, utamane sinau jero.
Salah siji saka akeh alasan sinau jero entuk perhatian akeh yaiku kapasitas kanggo ngidini keputusan sing didorong data sing luwih apik lan uga nambah akurasi prediksi.
Piranti pangembangan sinau jero, perpustakaan, lan basa bisa uga dadi komponen reguler saka toolkit pangembangan piranti lunak sajrone sawetara taun.
Set alat saiki iki bakal mbukak dalan kanggo desain, persiyapan, lan latihan model anyar sing prasaja.
Transformasi gaya, tag otomatis, cipta musik, lan tugas liyane bakal luwih gampang ditindakake kanthi katrampilan kasebut.
Panjaluk kanggo coding cepet ora tau luwih gedhe.
Pangembang sinau jero bakal luwih akeh nggunakake lingkungan pangembangan sing terintegrasi, mbukak, basis awan sing ngidini akses menyang macem-macem perpustakaan algoritma sing ora ana lan bisa dipasang ing mangsa ngarep.
Sinau jero duwe masa depan sing cerah!
Paedah a jaringan saraf iku unggul ing dealing karo jumlah gedhe saka data heterogen (mikir kabeh otak kita kudu menehi hasil karo, kabeh wektu).
Iki utamané bener ing umur kita sensor pinter kuat, kang bisa ngumpulake massive jumlah data. Sistem komputer tradisional berjuang kanggo nyaring, nggolongake, lan entuk kesimpulan saka akeh data.
kesimpulan
Learning jero Kakuwasan umume solusi intelijen buatan (AI) sing bisa nambah otomatisasi lan analitis proses.
Umume wong sing sinau kanthi jero saben dina nalika nggunakake internet utawa ponsel.
Sinau jero digunakake kanggo ngasilake subtitle kanggo video YouTube. Nindakake pangenalan swara ing telpon lan speaker cerdas.
Wenehi identifikasi pasuryan kanggo gambar, lan ngidini mobil nyopir dhewe, ing antarane akeh panggunaan liyane.
Lan, nalika ilmuwan data lan akademisi ngatasi masalah sing saya rumit proyek sinau jero nggunakake kerangka sinau jero, intelijen buatan iki bakal dadi bagian sing penting ing urip saben dinane.
Ninggalake a Reply