Resume From Perceptron to Deep Learning
Hey guys kali ini saya akan sharing sharing mengenai apa yang saya dapat di kuliah tamu di kampus saya pada hari rabu 28 february 2018 mengenai Deep learning dan lain lainnya. sebelum kita masuk ke pembahasan deep learning. apa kalian tau machine learning
yeah Machine learning dalah proses komputer untuk belajar dari data. Tanpa adanya data, komputer tidak akan bisa belajar apa-apa. Oleh karena itu jika kita ingin belajar machine learning, pasti akan terus berinteraksi dengan data. Semua pengetahuan machine learning pasti akan melibatkan data. seperti apa sih contoh nya
coba lihat contoh kasus berikut ini"Recognizing hotdog or no hotdog from a given picture" kira-kira perlu ga si kita pake machine learning?? jawabannya ya dan harus. mengapa?? karena machine learning akan mengetahui sebuah hotdog tersebut melalui proses komputasi memakai data-data sebelumnya sehingga dia dapat mengenali apakah ini hotdog asli atau bukan.
lalu contoh lainnya "Classifying an integer as a prime or not" jawabannya ya dan tidak perlu. mengapa?? memang bisa kita menggunakan machine learning tetapi masih banyak cara yg lebih mudah dan simple daripada pakai machine learning.
lalu contoh lainnya lagi "Predict whether you'll like black panther movie,given you've watched captain america " jawabannya ya dan perlu, mengapa?? karena dari kita yang menonton black panther mesin akan mengecek data yang hampir sama dengan black panther seperti genre,rating dll hingga dapat merekomendasi captain america.
lalu contoh terakhir nih "computing the shortest path between jakarta and surabaya" jawabannya tidak bisa dan tidak perlu. loh kenapa si nggak bisa pake machine learning padahal ada algoritmanya juga??.
jadi gini yang membangun Machine learning ini ada 3 essensi yaitu:
1. Kita punya DATA (tidak perlu di jelaskan lagi karena jelas jika kita ingin belajar hal yang baru kita harus punya dasar datanya)
2. Ada sebuah POLA (jika kita melihat kasus black panther tadi machine learning dapat merekomendasi captain america dikarenakan hasil dari komputasi Genre nya apakah sama, rating nya apakah dewasa/anak-anak dan lain lain)
3. No Formulaic Expression exist to solve the pattern(kita ga bsa pakai rumus matematika untuk menyelesaikan POLA-POLA tadi karena rumus itu jawabannya sudah jelas ada, kalo misalkan sudah ada rumus gimana untuk kasus black panther tadi yang ga bisa di selesaikan pakai rumus )
Belajar Machine Learning
Machine Learning merupakan salah satu cabang dari disiplin ilmu Kecerdasan Buatan (Artificial Intellegence) yang membahas mengenai pembangunan sistem yang berdasarkan pada data. Banyak hal yang dipelajari, akan tetapi pada dasarnya ada 4 hal pokok yang dipelajari dalam machine learning.
1. Pembelajaran Terarah (Supervised Learning)
2. Pembelajaran Tak Terarah (Unsupervised Learning)
3. Pembelajaran Semi Terarah (Semi-supervised Learning)
4. Reinforcement Learning
Salah satu teknik pengaplikasian machine learning adalah supervised learning. Seperti yang dibahas sebelumnya, machine learning tanpa data maka tidak akan bisa bekerja. Oleh karena itu hal yang pertama kali disiapkan adalah data. Data biasanya akan dibagi menjadi 2 kelompok, yaitu data training dan data testing. Data training nantinya akan digunakan untuk melatih algoritma untuk mencari model yang cocok, sementara data testing akan dipakai untuk mengetes dan mengetahui performa model yang didapatkan pada tahapan testing.
Dari model yang didapatkan, kita dapat melakukan prediksi yang dibedakan menjadi dua macam, tergantung tipe keluarannya. Jika hasil prediksi bersifat diskrit, maka dinamakan proses klasifikasi. Contohnya klasifikasi jenis kelamin dilihat dari tulisan tangan (output laki dan perempuan). Sementara jika kelurannya bersifat kontinyu, maka dinamakan proses regresi. Contohnya prediksi kisaran harga rumah di kota Bandung (output berupa harga rumah).
Dampak Machine Learning di Masyarakat
Penerapan teknologi machine learning mau tidak mau pasti telah dirasakan sekarang. Setidaknya ada dua dampak yang saling bertolak belakang dari pengembangan teknolgi machine learning. Ya, dampak positif dan dampak negatif.
Salah satu dampak positif dari machine learning adalah menjadi peluang bagi para wirausahawan dan praktisi teknologi untuk terus berkarya dalam mengembangkan teknologi machine learning. Terbantunya aktivitas yang harus dilakukan manusia pun menjadi salah satu dampak positif machine learning. Sebagai contohnya adalah adanya fitur pengecekan ejaan untuk tiap bahasa pada Microsoft Word. Pengecekan secara manual akan memakan waktu berhari-hari dan melibatkan banyak tenaga untuk mendapatkan penulisan yang sempurna. Tapi dengan bantuan fitur pengecekan ejaan tersebut, secara real-time kita bisa melihat kesalahan yang terjadi pada saat pengetikan.
Akan tetapi disamping itu ada dampak negatif yang harus kita waspadai. Adanya pemotongan tenaga kerja karena pekerjaan telah digantikan oleh alat teknologi machine learning adalah suatu permasalahan yang harus dihadapi. Ditambah dengan ketergantungan terhadap teknologi akan semakin terasa. Manusia akan lebih terlena oleh kemampuan gadget-nya sehingga lupa belajar untuk melakukan suatu aktivitas tanpa bantuan teknologi.
nah sekarang kita ke Deep Learning nya
Deep learning adalah neural network dengan layer yang lebih dalam.
ri satu garis lurus antara satu objek dengan objek yang lain. Sedangkan non-linear, objek-objek tersebut tidak dapat dipisahkan oleh satu garis lurus. Namun sebenarnya, pada masalah non-linear sekalipun, objek-objek tersebut dapat dipisah dalam satu garis lurus. Hal itu dapat dilakukan jika datanya digambar dalam representasi yang berbeda, misal dari 2D digambar menjadi 3D. Salah satu kemampuan deep learning adalah mengubah representasi dari data agar dapat membedakan data-data tersebut.
Neural network didesain mirip seperti bentuk sistem syaraf manusia. Ide fungsi dasar dari sistem saraf manusia diaplikasikan ke neural network. Perceptron terdiri dari 3 bobot. Intinya, dia mencari bobot yang paling optimal, jadi jika dikalikan hasilnya akan mengeluarkan 1 atau 0. Misal anggaplah dia menjadi sebuah decision maker untuk pergi ke beberapa tempat. X1 adalah cuaca, x2 adalah teman, x3 adalah makanan. Disini x1 bobotnya besar, x2 bobotnya lebih kecil dan x3 lebih kecil lagi. Jika perkalian nilai antar bobot lebih besar dari threshold, program akan mengeluarkan nilai 1.
yeah Machine learning dalah proses komputer untuk belajar dari data. Tanpa adanya data, komputer tidak akan bisa belajar apa-apa. Oleh karena itu jika kita ingin belajar machine learning, pasti akan terus berinteraksi dengan data. Semua pengetahuan machine learning pasti akan melibatkan data. seperti apa sih contoh nya
coba lihat contoh kasus berikut ini"Recognizing hotdog or no hotdog from a given picture" kira-kira perlu ga si kita pake machine learning?? jawabannya ya dan harus. mengapa?? karena machine learning akan mengetahui sebuah hotdog tersebut melalui proses komputasi memakai data-data sebelumnya sehingga dia dapat mengenali apakah ini hotdog asli atau bukan.
lalu contoh lainnya "Classifying an integer as a prime or not" jawabannya ya dan tidak perlu. mengapa?? memang bisa kita menggunakan machine learning tetapi masih banyak cara yg lebih mudah dan simple daripada pakai machine learning.
lalu contoh lainnya lagi "Predict whether you'll like black panther movie,given you've watched captain america " jawabannya ya dan perlu, mengapa?? karena dari kita yang menonton black panther mesin akan mengecek data yang hampir sama dengan black panther seperti genre,rating dll hingga dapat merekomendasi captain america.
lalu contoh terakhir nih "computing the shortest path between jakarta and surabaya" jawabannya tidak bisa dan tidak perlu. loh kenapa si nggak bisa pake machine learning padahal ada algoritmanya juga??.
jadi gini yang membangun Machine learning ini ada 3 essensi yaitu:
1. Kita punya DATA (tidak perlu di jelaskan lagi karena jelas jika kita ingin belajar hal yang baru kita harus punya dasar datanya)
2. Ada sebuah POLA (jika kita melihat kasus black panther tadi machine learning dapat merekomendasi captain america dikarenakan hasil dari komputasi Genre nya apakah sama, rating nya apakah dewasa/anak-anak dan lain lain)
3. No Formulaic Expression exist to solve the pattern(kita ga bsa pakai rumus matematika untuk menyelesaikan POLA-POLA tadi karena rumus itu jawabannya sudah jelas ada, kalo misalkan sudah ada rumus gimana untuk kasus black panther tadi yang ga bisa di selesaikan pakai rumus )
Belajar Machine Learning
Machine Learning merupakan salah satu cabang dari disiplin ilmu Kecerdasan Buatan (Artificial Intellegence) yang membahas mengenai pembangunan sistem yang berdasarkan pada data. Banyak hal yang dipelajari, akan tetapi pada dasarnya ada 4 hal pokok yang dipelajari dalam machine learning.
1. Pembelajaran Terarah (Supervised Learning)
2. Pembelajaran Tak Terarah (Unsupervised Learning)
3. Pembelajaran Semi Terarah (Semi-supervised Learning)
4. Reinforcement Learning
Salah satu teknik pengaplikasian machine learning adalah supervised learning. Seperti yang dibahas sebelumnya, machine learning tanpa data maka tidak akan bisa bekerja. Oleh karena itu hal yang pertama kali disiapkan adalah data. Data biasanya akan dibagi menjadi 2 kelompok, yaitu data training dan data testing. Data training nantinya akan digunakan untuk melatih algoritma untuk mencari model yang cocok, sementara data testing akan dipakai untuk mengetes dan mengetahui performa model yang didapatkan pada tahapan testing.
Dari model yang didapatkan, kita dapat melakukan prediksi yang dibedakan menjadi dua macam, tergantung tipe keluarannya. Jika hasil prediksi bersifat diskrit, maka dinamakan proses klasifikasi. Contohnya klasifikasi jenis kelamin dilihat dari tulisan tangan (output laki dan perempuan). Sementara jika kelurannya bersifat kontinyu, maka dinamakan proses regresi. Contohnya prediksi kisaran harga rumah di kota Bandung (output berupa harga rumah).
Dampak Machine Learning di Masyarakat
Penerapan teknologi machine learning mau tidak mau pasti telah dirasakan sekarang. Setidaknya ada dua dampak yang saling bertolak belakang dari pengembangan teknolgi machine learning. Ya, dampak positif dan dampak negatif.
Salah satu dampak positif dari machine learning adalah menjadi peluang bagi para wirausahawan dan praktisi teknologi untuk terus berkarya dalam mengembangkan teknologi machine learning. Terbantunya aktivitas yang harus dilakukan manusia pun menjadi salah satu dampak positif machine learning. Sebagai contohnya adalah adanya fitur pengecekan ejaan untuk tiap bahasa pada Microsoft Word. Pengecekan secara manual akan memakan waktu berhari-hari dan melibatkan banyak tenaga untuk mendapatkan penulisan yang sempurna. Tapi dengan bantuan fitur pengecekan ejaan tersebut, secara real-time kita bisa melihat kesalahan yang terjadi pada saat pengetikan.
Akan tetapi disamping itu ada dampak negatif yang harus kita waspadai. Adanya pemotongan tenaga kerja karena pekerjaan telah digantikan oleh alat teknologi machine learning adalah suatu permasalahan yang harus dihadapi. Ditambah dengan ketergantungan terhadap teknologi akan semakin terasa. Manusia akan lebih terlena oleh kemampuan gadget-nya sehingga lupa belajar untuk melakukan suatu aktivitas tanpa bantuan teknologi.
nah sekarang kita ke Deep Learning nya
Deep learning adalah neural network dengan layer yang lebih dalam.
ri satu garis lurus antara satu objek dengan objek yang lain. Sedangkan non-linear, objek-objek tersebut tidak dapat dipisahkan oleh satu garis lurus. Namun sebenarnya, pada masalah non-linear sekalipun, objek-objek tersebut dapat dipisah dalam satu garis lurus. Hal itu dapat dilakukan jika datanya digambar dalam representasi yang berbeda, misal dari 2D digambar menjadi 3D. Salah satu kemampuan deep learning adalah mengubah representasi dari data agar dapat membedakan data-data tersebut.
Neural network didesain mirip seperti bentuk sistem syaraf manusia. Ide fungsi dasar dari sistem saraf manusia diaplikasikan ke neural network. Perceptron terdiri dari 3 bobot. Intinya, dia mencari bobot yang paling optimal, jadi jika dikalikan hasilnya akan mengeluarkan 1 atau 0. Misal anggaplah dia menjadi sebuah decision maker untuk pergi ke beberapa tempat. X1 adalah cuaca, x2 adalah teman, x3 adalah makanan. Disini x1 bobotnya besar, x2 bobotnya lebih kecil dan x3 lebih kecil lagi. Jika perkalian nilai antar bobot lebih besar dari threshold, program akan mengeluarkan nilai 1.
Komentar
Posting Komentar