Istilah-istilah ini sering digunakan secara bergantian, tetapi apa perbedaan yang membuat mereka masing-masing menjadi teknologi yang unik?

Teknologi ini umumnya terkait dengan kecerdasan buatan,machine learning,pembelajaran yang mendalam, dan neural network, dan meskipun semuanya berperan, istilah-istilah ini cenderung digunakan secara bergantian dalam percakapan, menyebabkan beberapa kebingungan seputar nuansa di antara mereka. Mudah-mudahan, kami dapat menggunakan posting blog ini untuk mengklarifikasi beberapa ambiguitas di sini.

Bagaimana hubungan kecerdasan buatan, machine learning, neural network, dan deep learning?

Mungkin cara termudah untuk berpikir tentang kecerdasan buatan, machine learning, neural network, dan deep learning adalah dengan menganggapnya seperti boneka Rusia. Masing-masing pada dasarnya adalah komponen dari istilah sebelumnya.

Artinya, machine learning adalah subbidang kecerdasan buatan. deep learning adalah subbidang machine learning, dan neural network membentuk tulang punggung algoritma deep learning. Faktanya, jumlah lapisan node, atau kedalaman, neural network yang membedakan satu neural network dari algoritma deep learning, yang harus memiliki lebih dari tiga.

Apa itu neural network?

neural network—dan lebih khusus lagi, neural network tiruan (JST) —meniru otak manusia melalui serangkaian algoritme. Pada tingkat dasar, neural network terdiri dari empat komponen utama: input, bobot, bias atau ambang batas, dan output. Mirip denganregresi linier, rumus aljabar akan terlihat seperti ini:

Dari sana, mari kita terapkan pada contoh yang lebih nyata, seperti apakah Anda harus memesan pizza untuk makan malam atau tidak. Ini akan menjadi hasil prediksi kami, atau y-hat. Anggaplah ada tiga faktor utama yang akan memengaruhi keputusan Anda:

• Jika Anda akan menghemat waktu dengan memesan (Ya: 1; Tidak: 0)

• Jika Anda akan menurunkan berat badan dengan memesan pizza (Ya: 1; Tidak: 0)

• Jika Anda akan menghemat uang (Ya: 1; Tidak: 0)

Kemudian, mari kita asumsikan hal berikut, beri kami input berikut:

• X1 = 1, karena Anda tidak membuat makan malam

• x2 = 0, karena kita mendapatkan SEMUA topping

• X3 = 1, karena kita hanya mendapat 2 potongan

Untuk tujuan penyederhanaan, input kami akan memiliki nilai biner 0 atau 1. Ini secara teknis mendefinisikannya sebagai perceptron karena neural network terutama memanfaatkan neuron sigmoid, yang mewakili nilai dari tak terhingga negatif hingga tak terhingga positif. Pembedaan ini penting karena sebagian besar masalah dunia nyata bersifat nonlinier, jadi kita membutuhkan nilai yang mengurangi seberapa besar pengaruh input tunggal terhadap hasilnya. Namun, meringkas dengan cara ini akan membantu Anda memahami matematika dasar yang berperan di sini.

Selanjutnya, kita sekarang perlu menetapkan beberapa bobot untuk menentukan tingkat kepentingan. Bobot yang lebih besar membuat kontribusi input tunggal terhadap output lebih signifikan dibandingkan dengan input lainnya.

• DI DALAM1 = 5, karena Anda menghargai waktu

• DI DALAM2 = 3, karena Anda menghargai untuk tetap bugar

• DI DALAM3 = 2, karena Anda punya uang di bank

Terakhir, kami juga akan mengasumsikan nilai ambang 5, yang akan diterjemahkan menjadi nilai bias –5.

Karena kami menetapkan semua nilai yang relevan untuk penjumlahan kami, kami sekarang dapat memasukkannya ke dalam rumus ini.

Dengan menggunakan fungsi aktivasi berikut, sekarang kita dapat menghitung hasilnya (yaitu, keputusan kita untuk memesan pizza):

Kesimpulan:

  Y-hat (hasil prediksi kami) = Memutuskan untuk memesan pizza atau tidak

  Y-hat = (1*5) + (0*3) + (1*2) - 5

  Y-hat = 5 + 0 + 2 – 5

  Y-hat = 2, yang lebih besar dari nol.

Karena Y-hat adalah 2, keluaran dari fungsi aktivasi adalah 1, artinya kitaakan pesan pizza (maksud saya, siapa yang tidak suka pizza).

Jika output dari setiap node berada di atas nilai ambang yang ditentukan, node tersebut diaktifkan, mengirim data ke lapisan jaringan berikutnya. Jika tidak, tidak ada data yang diteruskan ke lapisan jaringan berikutnya. Sekarang, bayangkan proses di atas diulang beberapa kali untuk satu keputusan karena neural network cenderung memiliki banyak lapisan "tersembunyi" sebagai bagian dari algoritme deep learning. Setiap lapisan tersembunyi memiliki fungsi aktivasinya sendiri, yang berpotensi meneruskan informasi dari lapisan sebelumnya ke lapisan berikutnya. Setelah semua output dari lapisan tersembunyi dihasilkan, kemudian digunakan sebagai input untuk menghitung output akhir dari jaringan syaraf tiruan. Sekali lagi, contoh di atas hanyalah contoh paling dasar dari neural network; kebanyakan contoh dunia nyata adalah nonlinier dan jauh lebih kompleks.

Perbedaan utama antara regresi dan neural network adalah dampak perubahan pada bobot tunggal. Dalam regresi, Anda dapat mengubah bobot tanpa memengaruhi input lain dalam suatu fungsi. Namun, tidak demikian halnya dengan neural network. Karena output dari satu lapisan diteruskan ke lapisan jaringan berikutnya, satu perubahan dapat memiliki efek berjenjang pada neuron lain di jaringan.

Apa perbedaan deep learning dari neural network?

Meskipun tersirat dalam penjelasan neural network, perlu diperhatikan secara lebih eksplisit. "Deep" dalam deep learning mengacu pada kedalaman lapisan dalam neural network. neural network yang terdiri dari lebih dari tiga lapisan—yang mencakup input dan output—dapat dianggap sebagai algoritme deep learning. Ini umumnya diwakili menggunakan diagram berikut:

Sebagian besar neural network dalam bersifat feed-forward, artinya mengalir dalam satu arah hanya dari input ke output. Namun, Anda juga dapat melatih model melalui propagasi balik; yaitu, bergerak berlawanan arah dari keluaran ke masukan. Backpropagation memungkinkan kita untuk menghitung dan mengaitkan kesalahan yang terkait dengan setiap neuron, memungkinkan kita menyesuaikan dan menyesuaikan algoritme dengan tepat.

Apa perbedaan deep learning dari machine learning?

deep learning hanyalah bagian dari machine learning. Perbedaan utama mereka adalah bagaimana setiap algoritme belajar dan berapa banyak data yang digunakan setiap jenis algoritme. deep learning mengotomatiskan sebagian besar bagian ekstraksi fitur dari proses, menghilangkan beberapa intervensi manusia manual yang diperlukan. Itu juga memungkinkan penggunaan kumpulan data besar,sehingga dapat disebut "machine learning yang diskalakan" .

machine learning klasik, atau "tidak mendalam", lebih bergantung pada intervensi manusia untuk belajar. Pakar manusia menentukan hierarki fitur untuk memahami perbedaan antara input data, biasanya membutuhkan data yang lebih terstruktur untuk dipelajari. Misalnya, saya akan menunjukkan rangkaian gambar berbagai jenis makanan cepat saji, "pizza", "burger", atau "taco". Pakar manusia pada gambar-gambar ini akan menentukan karakteristik yang membedakan setiap gambar sebagai jenis makanan cepat saji tertentu. Misalnya, roti dari setiap jenis makanan mungkin menjadi fitur pembeda di setiap gambar. Sebagai alternatif, Anda dapat menggunakan label, seperti "pizza", "burger", atau "taco", untuk merampingkan proses pembelajaran melalui pembelajaran yang diawasi.

Machine learning "Deep" dapat memanfaatkan kumpulan data berlabel, juga dikenal sebagai pembelajaran terawasi, untuk menginformasikan algoritmenya, tetapi tidak selalu memerlukan kumpulan data berlabel. Itu dapat menyerap data tidak terstruktur dalam bentuk mentahnya (misalnya teks, gambar), dan secara otomatis dapat menentukan serangkaian fitur yang membedakan "pizza", "burger", dan "taco" satu sama lain.

Dengan mengamati pola dalam data, model deep learning dapat mengelompokkan input secara tepat. Mengambil contoh yang sama dari sebelumnya, kita dapat mengelompokkan gambar pizza, burger, dan taco ke dalam kategori masing-masing berdasarkan kesamaan atau perbedaan yang diidentifikasi pada gambar. Dengan demikian, model pembelajaran yang mendalam akan membutuhkan lebih banyak poin data untuk meningkatkan akurasinya, sedangkan model machine learning mengandalkan lebih sedikit data mengingat struktur data yang mendasarinya. deep learning terutama dimanfaatkan untuk kasus penggunaan yang lebih kompleks, seperti asisten virtual atau deteksi penipuan.