AI, ML, DL!!!!!!!! Apa kata kunci ini? Mengapa pembicaraan kota tentang singkatan ini? Seringkali orang menggunakan Artificial Intelligence (AI), Machine Learning (ML), dan Deep Learning (DL) secara bergantian. Apakah mereka sama atau sangat berbeda, atau apakah ada hubungan di antara mereka? Kami akan menjawab semua pertanyaan Anda di sini dan mencoba memahami setiap istilah satu per satu dengan cara sesederhana mungkin.

Seperti yang ditunjukkan pada Diagram Venn di atas, AI adalah istilah payung. Ini adalah superset yang terdiri dari ML dan DL sebagai himpunan bagian. AI memiliki banyak cabang, ditunjukkan pada gambar berikut (Gbr.2.).

Tapi apa sebenarnya AI itu?

Jika kami mencoba menjelaskannya kepada orang awam, "Kecerdasan Buatan" terdiri dari dua istilah berbeda: buatan dan kecerdasan, yang mencerminkan konsepnya dengan sangat baik. Melalui AI, kami mencoba meniru kecerdasan otak manusia. Untuk mengotomatiskan tugas sehari-hari dan pekerjaan yang sangat membosankan (baik itu prediksi sel yang jinak atau ganas atau menggunakan chatbot untuk melakukan pemesanan online atau sensor aktivitas), para peneliti datang dengan ide AI.

Untuk saat ini, kami akan berkonsentrasi pada cabang “ML” AI.

Pembelajaran Mesin (ML)

ML adalah cabang AI yang memprediksi hasil tanpa diprogram secara eksplisit. Itu belajar dari data dan kemudian memprediksi output dari data yang tidak terlihat.

Terutama ada tiga jenis pembelajaran mesin:

1. Pembelajaran Terawasi: Dalam pembelajaran terawasi, kami menyediakan kumpulan data berlabel untuk melatih algoritme. Kami membagi dataset menjadi set pelatihan dan set pengujian. Umumnya, dataset dibagi menjadi 80% dan 20%, yaitu 80 persen data digunakan untuk melatih, dan sisanya 20 persen digunakan untuk menguji. Bisa juga ada percabangan data lainnya, seperti 75% dan 25%, dan seterusnya. Kami selalu mencoba melatih algoritme pada fraksi data yang lebih besar. Mari kita coba untuk lebih memahami melalui sebuah contoh: Katakanlah kita memiliki dataset seperti di bawah ini:

2. Pembelajaran Tanpa Pengawasan: Dalam jenis ML ini, data tanpa label digunakan. Algoritme menganalisis dan kemudian mengelompokkan kumpulan data yang tidak berlabel. Algoritme mengidentifikasi pola tersembunyi dalam data. Dapat kita lihat pada Gambar.4. bahwa titik data dibedakan menjadi tiga cluster yang ditunjukkan oleh titik biru, oranye, dan hijau. Ada berbagai algoritma pengelompokan. Salah satu yang populer adalah algoritma pengelompokan K-means. Prediksi dalam jenis ML ini didasarkan pada klaster tempat titik data berada. Ada pendekatan lain untuk pembelajaran tanpa pengawasan, yaitu Aturan Asosiasi dan Pengurangan Dimensi.

3. Pembelajaran Penguatan: Dalam jenis pembelajaran ini, agen penguatan belajar dari pengalaman. Itu melakukan suatu tindakan, dan melihat hasil dari tindakan tersebut. Jika hasilnya bagus, umpan balik positif diberikan, dan umpan balik negatif atau penalti diberikan untuk setiap hasil buruk. Jadi, agen belajar dari umpan balik ini. Jenis pembelajaran ini digunakan dalam pengambilan keputusan berurutan, seperti bermain game seperti Catur. Misalnya, AlphaGo didasarkan pada Pembelajaran Penguatan. Dengan bantuan RL, itu menjadi program komputer pertama yang mengalahkan pemain manusia profesional dan karenanya menjadi pemain Go terkuat dalam sejarah.

Pembelajaran Mendalam (DL)

Deep Learning adalah bagian dari ML yang terinspirasi oleh neuron di otak manusia. Ini bekerja pada jaringan saraf. DL menggunakan struktur berlapis dari node yang saling berhubungan (neuron di otak manusia). Jumlah lapisan node yang saling berhubungan juga disebut kedalaman. Harus ada lebih dari tiga lapisan untuk algoritma pembelajaran yang mendalam. Berikut ini adalah diagram yang menunjukkan jaringan saraf yang dalam.

Deep Learning banyak digunakan dalam pengenalan gambar, terjemahan ucapan ke teks, dll.

Saya harap artikel ini dapat membantu Anda dengan gambaran yang lebih jelas tentang AI, ML, dan DL.

Terus belajar! Terus mencoba! Terus tumbuh! :)