Apa itu Deep Learning?

Dikutip dari dqlab.id Deep Learning atau dikenal juga dengan Deep Structured Learning atau Hierarchical Learning merupakan bagian dari pembelajaran Machine Learning yang menggunakan artificial neural networks (ANN). Singkatnya, deep learning adalah metode pembelajaran oleh mesin dengan meniru cara kerja sistem saraf otak manusia.

Deep learning sangat berdampak pada kemajuan perkembangan yang telah dicapai AI secara bertahap. Tidak hanya untuk perangkat lunak, namun penggunanya juga telah merambah diberbagai bidang industri. Penerapan teknologi deep learning yang sering kita jumpai seperti Google Photos, face unlock di smartphone, sistem tilang otomatis, dan sebagainya.

Deep learning adalah sebuah teknologi yang mampu bekerja menggunakan beberapa algoritma tertentu, dikutip dari glints.com ada 4 jenis algoritma deep learning, yaitu :

Convolutional neural networks (CNN) CNN, yang juga dikenal sebagai ConvNets. CNN terdiri dari beberapa lapisan dan sering digunakan untuk pemrosesan gambar dan deteksi objek. CNN kini banyak digunakan untuk mengidentifikasi citra satelit, memroses citra medis, memperkirakan deret waktu, dan mendeteksi anomali. Long short term memory network (LSTM) LSTM adalah jenis reccurent neural network (RNN) yang dapat mempelajari dan menghafal ketergantungan pola jangka panjang. Teknologi ini mampu mengingat seluruh informasi masa lalu dari periode-periode tertentu. LSTM juga bisa menyimpan informasi dari waktu ke waktu. Reccurent neural network (RNN) RNN memiliki koneksi yang bisa membentuk siklus terarah. Siklus tersebutlah yang memungkinkan output dari LSTM untuk diumpankan sebagai input ke fase terbaru. Setelah output dari LSTM menjadi input terbaru, ia dapat mengingat input sebelumnya karena kinerja memori internal. RNN biasanya digunakan untuk teks gambar, analisis deret waktu, natural language processing, pengenalan tulisan tangan, dan mesin translasi. Self organizing maps (SOM) SOM atau self organizing maps merupakan algoritma yang mampu menginisiasikan data visualization secara mandiri. Kemampuan ini berfungsi untuk mengurangi dimensi data melalui jaringan saraf tiruan yang dapat bekerja secara otomatis.