Perbedaan antara Machine Learning dan Deep Learning

machine learning vs deep learning

Bagi kebanyakan orang, istilah Machine Learning dan Deep Learning tampak seperti kata kunci yang dapat dipertukarkan di dunia kecerdasan buatan (AI). Namun, itu tidaklah benar.

Oleh karena itu, setiap orang yang berusaha untuk lebih memahami bidang kecerdasan buatan (AI) harus mulai dengan memahami istilah dan perbedaannya.

Apa perbedaan antara Machine Learning dan Deep Learning ?

Machine Learning bisa didefinisikan sebagai komputer yang belajar dari data menggunakan algoritma untuk melakukan tugas tanpa diprogram secara eksplisit. Deep Learning menggunakan struktur algoritma yang kompleks yang dimodelkan pada otak manusia. Ini memungkinkan pemrosesan data tidak terstruktur (unstructured data) seperti dokumen, gambar, dan teks.

Apa itu Machine Learning ?

Machine Learning adalah istilah umum ketika komputer/pemrograman yang belajar dari data. Ini merupakan persilangan dari ilmu komputer dan statistik di mana algoritma tersebut digunakan untuk melakukan tugas tertentu tanpa diprogram secara eksplisit. Sebaliknya, mereka mengenali pola dalam data dan membuat prediksi begitu data baru tiba.

Secara umum, proses pembelajaran algoritma bisa supervised maupun unsupervised, tergantung dari data yang diberikan untuk algoritma tersebut.

Algoritma Tradisional Machine Learning bisa menjadi sesuatu yang sederhana seperti linear regression. Contohnya, memprediksi penghasilan berdasarkan tahun-tahun pendidikan tinggi. Pada langkah pertama, mis. pendapatan = y + x * tahun pendidikan.

Kemudian, berikan algoritma tersebut 1 set data untuk pembelajaran. Ini bisa berupa tabel sederhana dengan data tahun pendidikan tinggi beberapa orang dan pendapatan terkait mereka. Selanjutnya, biarkan algoritma menarik garis, mis. melalui Ordinary Least Square (OLS) Regression.

Sekarang, Anda dapat memberikan algoritme beberapa data uji, mis. tahun pribadi Anda pendidikan tinggi, dan biarkan memprediksi pendapatan Anda.

Meskipun contoh ini terdengar sederhana, ini dianggap sebagai Machine Learning. Kekuatan pendorong di balik Machine Learning adalah ilmu statistik biasa.

Algoritma Machine Learning mampu membuat prediksi tanpa diprogram secara eksplisit, hanya berdasarkan pola dan inference.

Untuk meringkas

  • Machine Learning berada di persimpangan ilmu komputer dan statistik di mana komputer menerima kemampuan untuk belajar tanpa diprogram secara eksplisit.
  • Ada dua kategori besar masalah machine learning: supervised dan unsupervised.
  • Algoritma Machine Learning bisa menjadi sesuatu yang sederhana seperti OLS regression.

Baca juga : Jenis Jenis Machine Learning yang harus Kamu Tahu di 2022

Apa itu Deep Learning ?

Algoritma Deep Learning dapat dianggap sebagai evolusi yang canggih dan kompleks secara matematis dari algoritma Machine Learning. Deep Learning menjadi algoritma yang sangat populer untuk saat ini dengan alasan yang baik: Perkembangan terakhir telah menghasilkan hasil yang sebelumnya dianggap tidak memungkinkan.

Deep Learning merupakan algoritma yang menganalisis data dengan struktur logika yang mirip dengan cara manusia menarik kesimpulan. Perhatikan bahwa ini dapat terjadi baik melalui supervised maupun unsupervised. Untuk mencapai hal ini, aplikasi Deep Learning menggunakan struktur algoritma berlapis (layer) yang disebut Artificial Neural Network (ANN).

Desain ANN merupakan inspirasi dari jaringan saraf biologis otak manusia, yang mengarah ke proses pembelajaran yang jauh lebih mampu dibandingkan tradisional machine learning.

Gambar diatas merupakan contoh ilustrasi ANN. Lapisan paling kiri disebut lapisan input, lapisan paling kanan merupakan lapisan output. Lapisan tengah disebut lapisan tersembunyi karena nilainya tidak dapat diamati dalam set pelatihan. Secara sederhana, lapisan tersembunyi adalah nilai yang dihitung yang digunakan oleh nodes/neuron yang terhubung untuk melakukan keajaibannya.

Semakin banyak lapisan tersembunyi yang dimiliki jaringan antara lapisan input dan output, semakin dalam. Secara umum, setiap ANN dengan dua atau lebih lapisan tersembunyi disebut sebagai deep neural network.

Baca juga : Pendahuluan Deep Learning

Saat ini, Deep Learning digunakan di banyak bidang. Dalam autopilot (autonomous driving). Misalnya, Deep Learning digunakan untuk mendeteksi objek, seperti tanda berhenti atau pejalan kaki. Militer menggunakan Deep Learning untuk mengidentifikasi objek dari satelit, mis. untuk menemukan zona aman atau tidak aman bagi pasukannya.

Tentu saja, industri elektronik konsumen juga penuh dengan Deep Learning. Perangkat bantuan rumah seperti Amazon Alexa, misalnya, mengandalkan algoritma Deep Learning untuk merespons suara Anda dan mengetahui preferensi Anda.

Bagaimana dengan contoh yang lebih konkrit? Bayangkan perusahaan Tesla menggunakan algoritma Deep Learning untuk mobilnya untuk mengenali tanda berhenti. Pada langkah pertama, ANN akan mengidentifikasi properti yang relevan dari tanda berhenti, juga disebut fitur.

Fitur dapat berupa struktur spesifik pada citra yang diinput, seperti titik, tepi, atau objek. Sementara seorang insinyur perangkat lunak harus memilih fitur yang relevan dalam algoritma Machine Learning yang lebih tradisional, ANN mampu melakukan rekayasa fitur otomatis.

Lapisan tersembunyi pertama mungkin belajar cara mendeteksi tepi, berikutnya cara membedakan warna, dan yang terakhir belajar cara mendeteksi bentuk yang lebih kompleks yang dikhususkan untuk bentuk objek yang kita coba kenali.

Ketika algoritma Deep Learning sedang training dengan data pelatihan, algoritma Deep Learning pada akhirnya akan belajar dari kesalahan mereka sendiri apakah prediksinya bagus, atau perlu disesuaikan (juga sering disebut loss function).

Secara keseluruhan, melalui rekayasa fitur otomatis dan kemampuan belajar, algoritma Deep Learning hanya memerlukan sedikit campur tangan manusia.

Meskipun ini menunjukkan potensi besar Deep Learning, ada dua alasan utama mengapa baru-baru ini mencapai begitu banyak kegunaan: banyaknya jumlah data dan tenaga komputasi.

Pertama, Deep Learning membutuhkan data dalam jumlah yang sangat besar (kita akan mendapatkan pengecualian untuk aturan itu). Program autopilot Tesla, misalnya, membutuhkan jutaan gambar dan jam video agar berfungsi dengan baik.

Kedua, Deep Learning membutuhkan daya komputasi yang sangat besar. Namun, dengan munculnya infrastruktur cloud computing dan GPU (Graphic Processing Unit) yang berperforma tinggi, waktu untuk melatih algoritma Deep Learning dapat dikurangi dari hitungan minggu menjadi jam.

Namun, salah satu kemajuan terpenting di bidang Deep Learning adalah munculnya metode transfer learning, yaitu penggunaan model/algoritma yang telah dilatih sebelumnya.

Alasannya: Transfer learning dapat dianggap sebagai solusi untuk kebutuhan kumpulan data pelatihan besar yang diperlukan ANN untuk menghasilkan hasil yang akurat.

Kebutuhan data yang sangat besar ini menjadi alasan mengapa algoritma ANN tidak dianggap sebagai solusi optimal untuk semua masalah di masa lalu. Namun, untuk banyak aplikasi, kebutuhan data ini sekarang dapat dipenuhi dengan menggunakan model yang telah dilatih sebelumnya.

Untuk meringkas :

  • Deep Learning adalah bagian khusus dari Machine Learning.
  • Deep Learning bergantung pada struktur algoritma berlapis yang disebut jaringan saraf tiruan.
  • Deep Learning memiliki kebutuhan data yang sangat besar tetapi membutuhkan sedikit campur tangan manusia untuk berfungsi dengan baik.
  • Transfer learning adalah solusi untuk kebutuhan kumpulan data pelatihan yang besar.

Tinggalkan Komentar

Alamat email Anda tidak akan dipublikasikan. Ruas yang wajib ditandai *