Apa itu Deep Learning? Tutorial untuk Pemula

What is Deep Learning?

Deep learning adalah jenis machine learning yang mengajarkan komputer melakukan tugas dengan belajar dari contoh, mirip seperti manusia. Bayangkan mengajari komputer mengenali kucing: alih-alih menyuruhnya mencari kumis, telinga, dan ekor, Anda menunjukkan ribuan foto kucing. Komputer menemukan pola umum sendiri dan belajar cara mengidentifikasi kucing. Inilah inti dari deep learning.

Secara teknis, deep learning menggunakan sesuatu yang disebut "neural network," yang terinspirasi dari otak manusia. Jaringan ini terdiri dari lapisan-lapisan node yang saling terhubung untuk memproses informasi. Semakin banyak lapisan, semakin "dalam" jaringannya, memungkinkan pembelajaran fitur yang lebih kompleks dan melakukan tugas yang lebih canggih.

Kemiripan Antara Neuron dan Neural Network

Evolusi Machine Learning ke Deep Learning

Apa itu machine learning?

Machine learning sendiri adalah subbidang dari kecerdasan buatan (AI) yang memungkinkan komputer belajar dari data dan membuat keputusan tanpa pemrograman eksplisit. Ini mencakup berbagai teknik dan algoritma yang memungkinkan sistem mengenali pola, membuat prediksi, dan meningkatkan kinerja dari waktu ke waktu. Anda dapat mempelajari perbedaan antara machine learning dan AI dalam artikel terpisah. 

Bagaimana deep learning berbeda dari machine learning tradisional

Walaupun machine learning sudah menjadi teknologi transformatif tersendiri, deep learning membawanya selangkah lebih maju dengan mengotomatiskan banyak tugas yang biasanya memerlukan keahlian manusia.

Deep learning pada dasarnya adalah subset khusus dari machine learning, dibedakan oleh penggunaan neural network dengan tiga lapisan atau lebih. Neural network ini berupaya meniru perilaku otak manusia—meski masih jauh dari kemampuannya—untuk "belajar" dari data dalam jumlah besar. Anda dapat mendalami machine learning vs deep learning lebih lanjut dalam pos terpisah. 

Pentingnya rekayasa fitur (feature engineering)

Feature engineering adalah proses memilih, mentransformasi, atau membuat variabel paling relevan, yang disebut "fitur", dari data mentah untuk digunakan dalam model machine learning.

Misalnya, jika Anda membangun model prediksi cuaca, data mentah mungkin mencakup suhu, kelembapan, kecepatan angin, dan tekanan barometrik. Feature engineering akan menentukan variabel mana yang paling penting untuk memprediksi cuaca dan mungkin mentransformasinya (mis., mengonversi suhu dari Fahrenheit ke Celsius) agar lebih berguna bagi model.

Dalam machine learning tradisional, feature engineering sering kali merupakan proses manual yang memakan waktu dan memerlukan keahlian domain. Namun, salah satu keunggulan deep learning adalah kemampuannya untuk secara otomatis mempelajari fitur relevan dari data mentah, sehingga mengurangi kebutuhan intervensi manual.

Mengapa Deep Learning Penting?

Alasan mengapa deep learning menjadi standar industri:

• Menangani data tidak terstruktur: Model yang dilatih pada data terstruktur dapat dengan mudah belajar dari data tidak terstruktur, yang mengurangi waktu dan sumber daya dalam standarisasi kumpulan data.
• Menangani data besar: Berkat hadirnya graphics processing unit (GPU), model deep learning dapat memproses data dalam jumlah besar dengan kecepatan sangat tinggi.
• Akurasi tinggi: Model deep learning memberikan hasil paling akurat dalam computer vision, natural language processing (NLP), dan pemrosesan audio.
• Pengenalan pola: Sebagian besar model memerlukan intervensi engineer machine learning, tetapi model deep learning dapat mendeteksi berbagai pola secara otomatis.

Dalam tutorial ini, kita akan menyelami dunia deep learning dan menemukan semua konsep kunci yang diperlukan agar Anda dapat memulai karier di bidang kecerdasan buatan (AI). Jika Anda ingin belajar dengan latihan praktis, lihat kursus kami, An Introduction to Deep Learning in Python.

Konsep Inti Deep Learning

Sebelum masuk ke seluk-beluk algoritma deep learning dan penerapannya, penting untuk memahami konsep dasar yang membuat teknologi ini begitu revolusioner. Bagian ini akan memperkenalkan elemen pembangun deep learning: neural network, deep neural network, dan fungsi aktivasi.

Neural network

Di jantung deep learning terdapat neural network, yakni model komputasi yang terinspirasi oleh otak manusia. Jaringan ini terdiri dari node yang saling terhubung, atau "neuron", yang bekerja sama untuk memproses informasi dan mengambil keputusan. Seperti halnya otak kita memiliki wilayah berbeda untuk tugas berbeda, neural network memiliki lapisan yang ditetapkan untuk fungsi tertentu.

Kami memiliki panduan lengkap, What are Neural Networks, yang membahas hal-hal penting secara lebih rinci.

Deep neural network

Yang membuat sebuah neural network menjadi "deep" adalah jumlah lapisan antara input dan output. Deep neural network memiliki banyak lapisan, memungkinkan pembelajaran fitur yang lebih kompleks dan membuat prediksi yang lebih akurat. "Kedalaman" jaringan inilah yang memberi nama deep learning dan kekuatannya untuk memecahkan masalah yang rumit.

Tutorial pengenalan deep neural networks kami membahas pentingnya DNN dalam deep learning dan kecerdasan buatan.

Fungsi aktivasi

Dalam neural network, fungsi aktivasi ibarat pengambil keputusan. Mereka menentukan informasi apa yang harus diteruskan ke lapisan berikutnya. Fungsi-fungsi ini menambah tingkat kompleksitas, sehingga jaringan dapat belajar dari data dan membuat keputusan yang bernuansa.

Bagaimana Deep Learning Bekerja

Deep learning menggunakan ekstraksi fitur untuk mengenali kemiripan fitur dari label yang sama dan kemudian menggunakan batas keputusan untuk menentukan fitur mana yang secara akurat mewakili setiap label. Dalam klasifikasi kucing dan anjing, model deep learning akan mengekstrak informasi seperti mata, wajah, dan bentuk tubuh hewan dan membaginya menjadi dua kelas.

Model deep learning terdiri dari deep neural network. Neural network sederhana terdiri dari lapisan input, lapisan tersembunyi, dan lapisan output. Model deep learning terdiri dari beberapa lapisan tersembunyi; dengan penambahan lapisan, akurasi model meningkat.

Neural Network Sederhana

Lapisan input berisi data mentah dan mentransfer data ke node lapisan tersembunyi. Node lapisan tersembunyi mengklasifikasikan titik data berdasarkan informasi target yang lebih luas, dan pada setiap lapisan berikutnya, ruang lingkup nilai target dipersempit untuk menghasilkan dugaan yang akurat. Lapisan output menggunakan informasi lapisan tersembunyi untuk memilih label yang paling mungkin. Dalam kasus kita, memprediksi gambar anjing secara akurat alih-alih kucing.

Artificial Intelligence vs. Deep Learning

Mari jawab salah satu pertanyaan paling sering diajukan di internet: "Apakah deep learning itu kecerdasan buatan?". Jawaban singkatnya ya. Deep learning adalah subset dari machine learning, dan machine learning adalah subset dari AI.

AI vs. ML vs. DL

Kecerdasan buatan adalah gagasan bahwa mesin cerdas dapat dibangun untuk meniru perilaku manusia atau melampaui kecerdasan manusia. AI menggunakan metode machine learning dan deep learning untuk menyelesaikan tugas manusia. Singkatnya, AI mencakup deep learning karena ini adalah algoritma paling maju yang mampu membuat keputusan cerdas.

Untuk Apa Deep Learning Digunakan?

Belakangan ini, dunia teknologi menyaksikan lonjakan aplikasi kecerdasan buatan, dan semuanya didukung oleh model deep learning. Aplikasinya berkisar dari rekomendasi film di Netflix hingga sistem manajemen gudang Amazon.

Pada bagian ini, kita akan mempelajari beberapa aplikasi paling terkenal yang dibangun menggunakan deep learning. Ini akan membantu Anda menyadari potensi penuh dari deep neural network.

Computer Vision

Computer vision (CV) digunakan pada mobil swa-kemudi untuk mendeteksi objek dan menghindari tabrakan. Ini juga digunakan untuk pengenalan wajah, estimasi pose, klasifikasi gambar, dan deteksi anomali.

Pengenalan Wajah

Automatic Speech Recognition

Automatic speech recognition (ASR) digunakan oleh miliaran orang di seluruh dunia. Teknologi ini ada di ponsel kita dan biasa diaktifkan dengan mengucap "Hey, Google" atau "Hi, Siri." Aplikasi audio semacam itu juga digunakan untuk text-to-speech, klasifikasi audio, dan deteksi aktivitas suara.

Pengenalan Pola Ucapan

Generative AI

Generative AI mengalami lonjakan permintaan saat CryptoPunk NFT terjual seharga $1 juta. CryptoPunk adalah koleksi seni generatif yang dibuat menggunakan model deep learning. Pengenalan model GPT-4 oleh OpenAI telah merevolusi ranah pembuatan teks dengan alat ChatGPT yang bertenaga; kini, Anda dapat mengajari model untuk menulis satu novel penuh atau bahkan menulis kode untuk proyek data science Anda. 

Seni Generatif

Penerjemahan

Penerjemahan dengan deep learning tidak terbatas pada penerjemahan bahasa, karena kini kita dapat menerjemahkan foto menjadi teks menggunakan OCR, atau menerjemahkan teks menjadi gambar menggunakan NVIDIA GauGAN2.

Penerjemahan Bahasa

Peramalan Deret Waktu

Peramalan deret waktu digunakan untuk memprediksi kejatuhan pasar, harga saham, dan perubahan cuaca. Sektor keuangan bergantung pada spekulasi dan proyeksi masa depan. Model deep learning dan deret waktu lebih baik daripada manusia dalam mendeteksi pola sehingga menjadi alat penting di industri ini dan sejenisnya.

Peramalan Deret Waktu

Otomatisasi

Deep learning digunakan untuk mengotomatiskan tugas, misalnya melatih robot untuk manajemen gudang. Aplikasi yang paling populer adalah memainkan video game dan makin mahir memecahkan teka-teki. Baru-baru ini, Dota AI dari OpenAI mengalahkan tim pro OG, yang mengejutkan dunia karena tidak disangka kelima bot mampu mengungguli juara dunia.

Lengan Robotik Bertenaga Reinforcement Learning

Umpan Balik Pelanggan

Deep learning digunakan untuk menangani umpan balik dan keluhan pelanggan. Teknologi ini digunakan di setiap aplikasi chatbot untuk menyediakan layanan pelanggan yang lancar.

Umpan Balik Pelanggan

Biomedis

Bidang ini paling banyak mendapat manfaat dengan hadirnya deep learning. DL digunakan dalam biomedis untuk mendeteksi kanker, membangun obat yang stabil, deteksi anomali pada rontgen dada, dan membantu peralatan medis.

Menganalisis Sekuens DNA

Model Deep Learning

Mari pelajari berbagai jenis model deep learning dan cara kerjanya.

Supervised Learning

Supervised learning menggunakan dataset berlabel untuk melatih model agar dapat mengklasifikasikan data atau memprediksi nilai. Dataset berisi fitur dan label target, yang memungkinkan algoritme belajar seiring waktu dengan meminimalkan loss antara label yang diprediksi dan aktual. Supervised learning dapat dibagi menjadi masalah klasifikasi dan regresi.

Klasifikasi

Algoritme klasifikasi membagi dataset ke dalam berbagai kategori berdasarkan ekstraksi fitur. Model deep learning yang populer adalah ResNet50 untuk klasifikasi gambar dan BERT (model bahasa)) untuk klasifikasi teks.

Klasifikasi

Regresi

Alih-alih membagi dataset ke dalam kategori, model regresi mempelajari hubungan antara variabel input dan output untuk memprediksi hasil. Model regresi umum digunakan untuk analisis prediktif, peramalan cuaca, dan memprediksi kinerja pasar saham. LSTM dan RNN adalah model regresi deep learning yang populer.

Regresi Linear

Unsupervised Learning

Unsupervised learning mempelajari pola dalam dataset tanpa label dan membuat kluster. Model deep learning dapat mempelajari pola tersembunyi tanpa intervensi manusia dan sering digunakan dalam mesin rekomendasi.

Unsupervised learning digunakan untuk mengelompokkan berbagai spesies, pencitraan medis, dan riset pasar. Model deep learning yang paling umum untuk clustering adalah deep embedded clustering algorithm.

Clustering Data

Reinforcement Learning

Reinforcement learning (RL) adalah metode machine learning di mana agen mempelajari berbagai perilaku dari lingkungan. Agen ini mengambil tindakan acak dan memperoleh reward. Agen belajar mencapai tujuan melalui coba-coba di lingkungan yang kompleks tanpa intervensi manusia.

Seperti bayi yang, dengan dorongan orang tua, belajar berjalan, AI belajar melakukan tugas tertentu dengan memaksimalkan reward, dan perancang menetapkan kebijakan reward. Baru-baru ini, RL banyak diminati dalam otomatisasi karena kemajuan robotika, mobil swa-kemudi, mengalahkan pemain pro dalam gim, dan mendaratkan roket kembali ke bumi.

Kerangka Reinforcement Learning

Ambil contoh gim video Mario:

• Di awal, agen (karakter Mario) menerima state nol dari lingkungan.
• Berdasarkan state tersebut, agen akan mengambil aksi; dalam kasus kita, Mario bergerak ke kanan.
• Sekarang state berubah, dan karakter berada pada frame baru.
• Agen menerima reward, karena dengan bergerak ke kanan karakter tidak mati. Tujuan utama kita adalah memaksimalkan reward.

Agen akan terus mengulang mengambil aksi dan memaksimalkan reward hingga mencapai akhir tahap atau mati. Pelajari lebih lanjut di An Introduction to Reinforcement Learning.

Generative Adversarial Networks

Generative adversarial networks (GAN) menggunakan dua neural network, dan bersama-sama menghasilkan instance sintetis dari data asli. GAN meraih banyak popularitas dalam beberapa tahun terakhir karena mampu meniru sebagian seniman hebat untuk menghasilkan karya unggulan. GAN banyak digunakan untuk menghasilkan seni, video, musik, dan teks sintetis. Pelajari lebih lanjut aplikasi nyata di Generative Adversarial Networks Tutorial.

Kerangka Generative Adversarial Network 

Bagaimana GAN bekerja dalam pembuatan gambar sintetis:

• Pertama, jaringan generator mengambil input berupa noise acak dan menghasilkan gambar palsu.
• Gambar yang dihasilkan dan gambar asli diberi masukan ke discriminator.
• Discriminator memutuskan apakah gambar yang dihasilkan itu asli atau tidak. Ia mengembalikan probabilitas dari nol hingga satu, di mana nol mewakili gambar palsu, dan satu mewakili gambar autentik.
Arsitektur GAN berisi dua loop umpan balik. Discriminator berada dalam loop umpan balik dengan gambar asli, sedangkan generator berada dalam loop umpan balik dengan discriminator. Keduanya bekerja selaras untuk menghasilkan gambar yang lebih autentik.

Graph Neural Network

Graf adalah struktur data yang terdiri dari edge dan vertex. Edge dapat bersifat terarah jika ada ketergantungan arah antar vertex (node), yang juga dikenal sebagai graf terarah. Lingkaran hijau pada diagram di bawah adalah node, dan panah merepresentasikan edge.

Graf Terarah

Graph neural network (GNN) adalah jenis arsitektur deep learning yang beroperasi langsung pada struktur graf. GNN diterapkan dalam analisis dataset besar, sistem rekomendasi, dan computer vision.

Jaringan Graf

GNN juga digunakan untuk klasifikasi node, prediksi tautan, dan clustering. Dalam beberapa kasus, graph neural network berkinerja lebih baik daripada convolution neural network, misalnya saat mengenali objek dan memprediksi relasi semantik.

Natural Language Processing

Natural language processing (NLP) menggunakan teknologi deep learning untuk membantu komputer mempelajari bahasa manusia alami. NLP menggunakan deep learning untuk membaca, mengurai, dan memahami bahasa manusia. NLP banyak digunakan untuk memproses ucapan, teks, dan gambar. Pengenalan transfer learning membawa NLP ke level berikutnya karena kita dapat fine-tune model dengan beberapa sampel dan mencapai performa mutakhir.

Subkategori NLP

NLP dapat dibagi menjadi beberapa bidang:

• Penerjemahan: menerjemahkan bahasa, struktur molekul, dan persamaan matematika
• Ringkasan: meringkas teks yang panjang menjadi beberapa baris sambil mempertahankan informasi kunci.
• Klasifikasi: membagi teks ke berbagai kategori.
• Generasi: generasi teks ke teks; dapat digunakan untuk menghasilkan esai lengkap dengan satu baris teks.
• Percakapan: asisten virtual, mempertahankan pengetahuan percakapan sebelumnya dan meniru percakapan manusia.
• Menjawab pertanyaan: AI menjawab pertanyaan dengan menggunakan data tanya jawab.
• Ekstraksi fitur: mendeteksi pola dalam teks atau mengekstrak informasi seperti "named entity recognition" dan "part of speech".
• Kemiripan kalimat: mengevaluasi kesamaan antar berbagai teks.
• Teks ke ucapan: mengonversi teks menjadi suara yang dapat didengar.
• Pengenalan ucapan otomatis: memahami berbagai bunyi dan mengonversinya menjadi teks.
• Optical character recognition: ekstraksi data teks dari gambar.

Jika Anda ingin mencoba berbagai aplikasi NLP, cobalah Hugging Face Spaces. Spaces menampung semua jenis aplikasi web yang dapat Anda eksplorasi untuk mendapatkan inspirasi bagi proyek NLP Anda.

Menelisik Lebih Dalam Konsep Deep Learning

Fungsi Aktivasi

Dalam neural network, fungsi aktivasi menghasilkan batas keputusan output dan digunakan untuk meningkatkan kinerja model. Fungsi aktivasi adalah ekspresi matematis yang memutuskan apakah input harus melewati suatu neuron atau tidak berdasarkan tingkat kepentingannya. Fungsi ini juga memberikan non-linearitas pada jaringan. Tanpa fungsi aktivasi, neural network menjadi model regresi linear sederhana.

Ada beberapa jenis fungsi aktivasi:

• Tanh
• ReLU
• Sigmoid
• Linear
• Softmax
• Swish

Fungsi Aktivasi

Fungsi-fungsi ini menghasilkan berbagai batas output, seperti terlihat pada gambar di atas. Dengan beberapa lapisan dan fungsi aktivasi, Anda dapat memecahkan masalah kompleks apa pun. Pelajari lebih lanjut tentang apa itu fungsi aktivasi dalam deep learning?

Fungsi Loss

Fungsi loss adalah selisih antara nilai aktual dan prediksi. Ini memungkinkan neural network melacak kinerja model secara keseluruhan. Bergantung pada masalah spesifik, kita memilih jenis fungsi tertentu, misalnya mean squared error.

Loss = Jumlah (Prediksi - Aktual)²

Fungsi loss yang paling sering digunakan dalam deep learning:

• Binary cross-entropy
• Categorical hinge
• Mean squared error
• Huber
• Sparse categorical cross-entropy

Backpropagation

Dalam forward propagation, kita menginisialisasi neural network dengan input acak untuk menghasilkan output yang juga acak. Untuk membuat model berkinerja lebih baik, kita menyesuaikan bobot secara acak menggunakan backpropagation. Untuk melacak kinerja model, kita memerlukan fungsi loss yang akan menemukan global minima guna memaksimalkan akurasi model.

Stochastic Gradient Descent

Gradient descent digunakan untuk mengoptimalkan fungsi loss dengan mengubah bobot secara terkontrol untuk mencapai loss minimum. Kini kita memiliki tujuan, tetapi kita memerlukan arah apakah harus menaikkan atau menurunkan bobot untuk mencapai kinerja yang lebih baik. Turunan dari fungsi loss akan memberi kita arah dan bisa digunakan untuk memperbarui bobot jaringan.

Gradient Descent

Persamaan di bawah ini menunjukkan bagaimana bobot diperbarui menggunakan gradient descent.

w = w -Jw

Dalam stochastic gradient descent, sampel dibagi menjadi batch alih-alih menggunakan seluruh dataset untuk mengoptimalkan gradient descent. Ini berguna jika Anda ingin mencapai loss minimum lebih cepat dan mengoptimalkan daya komputasi.

Hyperparameter

Hyperparameter adalah parameter yang dapat diatur sebelum menjalankan proses pelatihan. Parameter ini secara langsung memengaruhi kinerja model dan membantu Anda lebih cepat mencapai global minima.

Daftar hyperparameter yang paling sering digunakan:

• Learning rate: ukuran langkah setiap iterasi dan dapat diatur dari 0,1 hingga 0,0001. Singkatnya, menentukan kecepatan model belajar.
• Batch size: jumlah sampel yang dilewatkan melalui neural network sekaligus.
• Jumlah epoch: banyaknya iterasi perubahan bobot model. Terlalu banyak epoch dapat menyebabkan overfitting dan terlalu sedikit dapat menyebabkan underfitting, jadi kita harus memilih jumlah yang sedang.

Pelajari lebih lanjut bagaimana komponen-komponen ini bekerja bersama dengan mengikuti Keras Tutorial: Deep Learning in Python.

Algoritma Populer

Convolutional Neural Networks

Convolutional neural network (CNN) adalah feed-forward neural network yang mampu memproses array data terstruktur. CNN banyak digunakan untuk aplikasi computer vision seperti klasifikasi gambar.

Arsitektur Convolution Neural Network

CNN andal dalam mengenali pola, garis, dan bentuk. CNN terdiri dari lapisan convolutional, lapisan pooling, dan lapisan output (fully connected layers). Model klasifikasi gambar biasanya berisi beberapa lapisan konvolusi, diikuti lapisan pooling, karena penambahan lapisan meningkatkan akurasi model. Pelajari lebih lanjut tentang lapisan konvolusi di sini: Convolutional Neural Networks in Python.

Recurrent Neural Networks

Recurrent neural network (RNN) berbeda dari feed-forward network karena output dari suatu lapisan diumpankan kembali ke input untuk memprediksi output lapisan. Ini membantu bekerja lebih baik dengan data berurutan karena dapat menyimpan informasi dari sampel sebelumnya untuk memprediksi sampel berikutnya. Pelajari lebih lanjut di Recurrent Neural Network (RNN) Tutorial: Types & Examples.

Arsitektur Recurrent Neural Network

Pada neural network tradisional, output lapisan dihitung berdasarkan nilai input saat ini, tetapi pada RNN output juga dihitung berdasarkan input sebelumnya. Ini membuatnya cukup baik dalam memprediksi kata berikutnya, meramalkan harga saham, di chatbot AI, dan deteksi anomali.

Long Short-term Memory Networks

Long short-term memory networks (LSTM) adalah jenis recurrent neural network tingkat lanjut yang dapat mempertahankan informasi nilai masa lalu lebih banyak. LSTM menyelesaikan masalah vanishing gradient yang ada pada RNN sederhana.

Arsitektur LSTM

RNN khas terdiri dari jaringan neural berulang dengan satu lapisan tanh, sedangkan LSTM terdiri dari empat lapisan interaktif yang berkomunikasi untuk memproses sekuens data yang besar.

Anda dapat memperoleh pengalaman langsung melalui Tutorial: LSTM untuk prediksi saham atau kursus advanced deep learning with Keras jika ingin mempelajari lebih lanjut tentang model deep learning.

Kerangka Deep Learning

Ada beberapa kerangka deep learning, seperti MxNet, CNTK, dan Caffe2, tetapi kita akan mempelajari kerangka yang paling populer.

Tensorflow

Tensorflow (TF) adalah pustaka open-source yang digunakan untuk membuat aplikasi deep learning. Ini mencakup semua alat yang diperlukan bagi Anda untuk bereksperimen dan mengembangkan produk AI komersial. TF mendukung CPU, GPU, dan TPU untuk melatih model kompleks. TF awalnya dikembangkan oleh tim Google AI untuk penggunaan internal dan kini tersedia untuk publik.

API Tensorflow tersedia untuk aplikasi berbasis peramban, perangkat seluler, dan TensorFlow Extended ideal untuk produksi. TF kini menjadi standar industri, dan digunakan untuk riset akademis maupun penerapan model deep learning di produksi.

TF juga hadir dengan Tensorboard, yaitu dasbor yang mampu menganalisis eksperimen machine learning Anda. Baru-baru ini, pengembang Tensorflow mengintegrasikan Keras ke dalam kerangkanya, yang populer untuk mengembangkan deep neural network. Pelajari lebih lanjut di Introduction to TensorFlow in Python Course.

Keras

Keras adalah kerangka neural network yang ditulis dalam Python dan mampu berjalan di beberapa kerangka seperti Tensorflow dan Theano. Keras adalah pustaka open-source yang dikembangkan untuk memungkinkan eksperimen cepat dalam deep learning sehingga Anda dapat dengan mudah mengubah konsep menjadi aplikasi AI yang berfungsi.

Dokumentasinya cukup mudah dipahami, dan API-nya mirip dengan Numpy, yang memungkinkan integrasi mudah dengan proyek data science apa pun. Seperti TF, Keras juga dapat berjalan di CPU, GPU, dan TPU, bergantung pada perangkat keras yang tersedia. Pelajari lebih lanjut di Introduction to Deep Learning with Keras.

PyTorch

PyTorch adalah kerangka deep learning yang paling populer dan paling mudah. PyTorch menggunakan tensor alih-alih array Numpy untuk melakukan komputasi numerik cepat yang didukung GPU. PyTorch terutama digunakan untuk deep learning dan mengembangkan model machine learning yang kompleks.

Peneliti akademis lebih suka menggunakan PyTorch karena fleksibilitas dan kemudahan penggunaannya. PyTorch ditulis dalam C++ dan Python, serta mendukung akselerasi GPU dan TPU. PyTorch telah menjadi solusi satu atap untuk semua masalah deep learning. Jika Anda ingin mempelajari lebih lanjut tentang PyTorch, cobalah mengikuti kursus Introduction to Deep Learning with PyTorch.

Kesimpulan

Dalam tutorial ini, kita telah membahas apa itu deep learning, beberapa dasar deep learning, cara kerjanya, dan penerapannya. Kita juga telah mempelajari cara kerja deep neural network dan berbagai jenis model deep learning. Terakhir, Anda telah diperkenalkan pada beberapa kerangka deep learning yang populer.

Tutorial ini memberi Anda semua informasi kunci yang diperlukan untuk memulai di bidang deep learning. Untuk melanjutkan pembelajaran, Deep Learning in Python Track akan mempersiapkan Anda mengerjakan proyek dunia nyata. Anda juga dapat melihat deep learning dengan Keras di R jika Anda nyaman dengan bahasa pemrograman R.