Deep Learning

Pembelajaran mendalam (juga dikenal sebagai pembelajaran terstruktur dalam) adalah bagian dari keluarga metode pembelajaran mesin yang lebih luas berdasarkan jaringan saraf tiruan dengan pembelajaran representasi. Pembelajaran dapat diawasi, semi-diawasi atau tidak diawasi.

Arsitektur pembelajaran mendalam seperti jaringan saraf dalam, jaringan kepercayaan mendalam, pembelajaran penguatan mendalam, jaringan saraf berulang dan jaringan saraf convolutional telah diterapkan ke bidang termasuk visi komputer, pengenalan ucapan, pemrosesan bahasa alami, terjemahan mesin, bioinformatika, desain obat, medis analisis gambar, ilmu iklim, inspeksi material, dan program permainan papan, di mana mereka telah menghasilkan hasil yang sebanding dan dalam beberapa kasus melebihi kinerja ahli manusia.

Jaringan saraf tiruan (JST) terinspirasi oleh pemrosesan informasi dan node komunikasi terdistribusi dalam sistem biologis. JST memiliki berbagai perbedaan dari otak biologis. Secara khusus, jaringan saraf tiruan cenderung statis dan simbolis, sedangkan otak biologis sebagian besar organisme hidup bersifat dinamis (plastik) dan analog.

Kata sifat "dalam" dalam pembelajaran mendalam mengacu pada penggunaan beberapa lapisan dalam jaringan. Pekerjaan awal menunjukkan bahwa perceptron linier tidak dapat menjadi pengklasifikasi universal, tetapi jaringan dengan fungsi aktivasi nonpolinomial dengan satu lapisan tersembunyi dengan lebar tak terbatas dapat. Pembelajaran mendalam adalah variasi modern yang berkaitan dengan jumlah lapisan yang tidak terbatas dengan ukuran terbatas, yang memungkinkan aplikasi praktis dan implementasi yang dioptimalkan, sambil mempertahankan universalitas teoretis dalam kondisi ringan. Dalam pembelajaran mendalam, lapisan juga diizinkan untuk menjadi heterogen dan menyimpang secara luas dari model koneksionis yang diinformasikan secara biologis, demi efisiensi, keterlatihan, dan pemahaman, di mana bagian "terstruktur".