Kecerdasan buatan memainkan fungsi yang semakin meningkat dalam kehidupan negara-negara beradab, meskipun sebagian besar warga negara kemungkinan tidak mengenalinya. Sekarang biasa berbicara dengan komputer saat menelepon bisnis. Facebook berakhir dengan menakutkan tepat pada pengakuan wajah di foto yang diunggah. Interaksi fisik dengan ponsel bijak berakhir menjadi sesuatu dari masa lalu … dengan Siri Apple serta Google Speech, perlahan-lahan namun pasti akhirnya menjadi lebih mudah untuk hanya berbicara dengan telepon Anda serta menceritakan apa yang harus dilakukan atau menyentuh Sebuah ikon. Coba ini jika Anda belum pernah – jika Anda memiliki ponsel Android, nyatakan “OK google”, dipenuhi oleh “Lumos”. Ini sihir!
Iklan untuk produk yang kami pikirkan muncul di akun jejaring sosial kami seolah-olah ada sesuatu yang membaca pikiran kami. Realitas adalah, ada sesuatu yang membaca pikiran kita … meskipun sulit untuk menjabarkan dengan tepat apa itu. Iklan dapat muncul untuk sesuatu yang kita inginkan, meskipun kita tidak pernah menyadari bahwa kita menginginkannya sampai kita melihatnya. Ini bukan kebetulan, namun berasal dari algoritma AI.
Di jantung banyak dari aplikasi AI ini terletak pada proses yang dipahami sebagai pembelajaran yang mendalam. Ada banyak bicara tentang menemukan yang mendalam belakangan ini, tidak hanya di sini di Hackaday, namun di sekitar jalinan. Serta seperti kebanyakan hal yang terkait dengan AI, itu bisa sedikit menantang serta sulit untuk dipahami tanpa latar belakang yang kuat dalam ilmu komputer.
Jika Anda terbiasa dengan artikel teori kuantum saya, Anda akan mengerti bahwa saya suka mengambil mata pelajaran yang menantang, melepas komplikasi yang terbaik yang saya bisa serta menjelaskannya dalam metode yang dapat dipahami siapa pun. Ini adalah tujuan dari artikel ini untuk menerapkan pendekatan serupa dengan konsep pembelajaran mendalam ini. Jika jaringan saraf membuat Anda bermata silang serta penemuan mesin memberi Anda mimpi buruk, check out. Anda akan melihat bahwa “pembelajaran mendalam” tampak seperti subjek yang menakutkan, namun benar-benar hanya $ 20 istilah yang digunakan untuk menjelaskan sesuatu yang underpiningnya cukup sederhana.
Pembelajaran mesin
Ketika kami memprogram mesin untuk melakukan tugas, kami menyusun arahan serta mesin yang melakukannya. Misalnya, memimpin … dipimpin … tidak ada persyaratan untuk mesin untuk memahami hasil yang diharapkan setelah menyelesaikan instruksi. Tidak ada alasan bagi mesin untuk memahami apakah LED aktif atau mati. Itu hanya apa yang Anda katakan untuk dilakukan. Dengan pembelajaran mesin, proses ini terbalik. Kami memberi tahu mesin hasil yang kami inginkan, serta mesin ‘mempelajari’ petunjuk untuk sampai ke sana. Ada sejumlah metode untuk melakukan ini, namun mari kita fokus pada contoh sederhana:
Jaringan Saraf Awal dari MIT
Jika saya meminta Anda untuk membuat robot bit yang dapat memandu dirinya pada target, metode sederhana untuk melakukan ini adalah dengan menempatkan robot serta target pada pesawat XY Cartesian, serta kemudian memprogram robot untuk pergi Begitu banyak unit pada sumbu X, serta begitu banyak unit pada sumbu Y. Teknik sederhana ini memiliki robot hanya membawa instruksi, tanpa benar-benar memahami di mana targetnya. Ini hanya berfungsi ketika Anda memahami koordinat untuk titik awal serta target. Jika ada perubahan, pendekatan ini tidak akan berfungsi.
Penemuan mesin memungkinkan kami untuk menawarkan dengan mengubah koordinat. Kami memberi tahu robot kami untuk menemukan target, serta membiarkannya mencari tahu, atau belajar, petunjuk sendiri untuk sampai ke sana. Salah satu metode untuk melakukan ini adalah memiliki robot menemukan jarak ke target, serta kemudian bergerak secara acak. Hitung ulang jarak, pindah kembali ke tempat yang dimulai serta mencatat pengukuran jarak. Mengulangi proses ini akan memberikan kami sejumlah pengukuran jarak setelah pindah dari koordinat tetap. Setelah x jumlah pengukuran diambil, robot akan bergerak ke arah di mana jarak ke target terpendek, serta mengulangi urutannya. Ini pada akhirnya akan memungkinkannya untuk mencapai target. Singkatnya, robot hanya memanfaatkan uji coba-dan-error untuk ‘belajar’ persis bagaimana menuju ke target. Lihat, hal-hal ini tidak terlalu sulit!
Konsep “pembelajaran dengan trial-and-error” ini dapat diwakili secara abstrak dalam sesuatu yang kita semua dengar – jaringan saraf.
Jaringan saraf untuk boneka
Jaringan saraf mendapatkan nama mereka dari massa neuron di noggin Anda. Sementara jaringan umum sangat kompleks, pengoperasian satu neuron sederhana. Ini sel dengan sejumlah input serta output tunggal, dengan sinyal listrik-kimia yang menyediakan IO. Tentukan output ditentukan oleh jumlah input aktif serta stamina dari input tersebut. Jika ada input aktif yang cukup, ambang akan dilintasi serta output akan berakhir aktif. Setiap output neuron bertindak sebagai input ke satu lagi neuron, menghasilkan jaringan.
Diagram Perceptron melalui cara melatih Neuarl NeTworked di Python oleh Prateek Joshi
Menciptakan neuron (dan karena itu jaringan saraf) dalam silikon juga harus sederhana. Anda memiliki sejumlah masukan ke dalam penjumlahan. Tambahkan input ke atas, serta jika mereka melampaui ambang batas tertentu, keluarkan satu. Menghasilkan nol. Bingo! Meskipun ini memungkinkan kami meniru neuron, sayangnya tidak terlalu berguna. Untuk membuat Bit Silicon Neuron kami layak disimpan dalam memori flash, kami membutuhkan untuk membuat input serta menghasilkan lebih sedikit biner … Kami membutuhkan untuk memberikan mereka kekuatan, atau judul yang lebih umum dipahami: bobot.
Pada akhir 1940-an, seorang pria dengan nama Frank Rosenblatt menemukan hal ini disebut perceptron. Perceptron seperti bit Silicon Neuron kami yang kami jelaskan dalam paragraf sebelumnya, dengan beberapa pengecualian. Yang paling penting adalah bahwa input memiliki bobot. Dengan diperkenalkannya bobot serta umpan balik bit, kami mendapatkan kemampuan yang paling menarik … kemampuan untuk belajar.
Sumber melalui kdnuggets.
Putar balik kembali ke robot bit kami yang belajar persis bagaimana menuju ke target. Kami memberikan hasil robot, serta membuatnya membuat petunjuk sendiri untuk menemukan persis bagaimana mencapai hasil itu dengan proses percobaan dan kesalahan gerakan acak serta pengukuran jarak dalam sistem koordinat XY. Konsep perceptron adalah abstraksi dari proses ini. Output dari neuron buatan adalah hasil kami. Kami ingin neuron memberi kami hasil yang diharapkan untuk serangkaian input tertentu. Kami mencapai ini dengan meminta neuron mengubah bobot input hingga mencapai hasil yang kami inginkan.
Menyesuaikan bobot dilakukan dengan proses yang disebut kembali propagasi, yang merupakan jenis umpan balik. Jadi Anda memiliki satu set input, satu set bobot serta hasil. Kami menentukan persis seberapa jauh hasilnya dari tempat kami menginginkannya, serta kemudian memanfaatkan perbedaan (dikenal sebagai kesalahan) untuk mengubah bobot yang memanfaatkan ide matematika yang dipahami sebagai gradien yang layak. Proses ‘penyesuaian berat’ ini sering disebut pelatihan, namun tidak lebih dari proses coba-coba-coba, sama seperti dengan robot bit kami.
Belajar mendalam
Penemuan mendalam tampaknya memiliki lebih banyak definisi daripada IOT hari ini. Namun yang paling sederhana, paling langsung di depan yang dapat saya temukan adalah jaringan saraf dengan satu atau lebih lapisan antara input serta output serta digunakan untuk menyelesaikan masalah yang kompleks. Pada dasarnya, penemuan mendalam hanyalah jaringan saraf yang kompleks yang digunakan untuk melakukan hal-hal yang benar-benar sulit dilakukan komputer tradisional.
Diagram dalam menemukan melalui panduan dummy untuk mendalam yang ditemukan oleh Kun Chen
Lapisan di antara input serta output disebut lapisan tersembunyi serta secara signifikan meningkatkan kompleksitas jaring saraf. Setiap lapisan memiliki tujuan tertentu, serta diatur dalam hierarki. Misalnya, jika kami memiliki web neural yang mendalam terlatih untuk menentukan kucing dalam suatu gambar, lapisan pertama dapat mencari segmen garis tertentu serta busur. Lapisan lain lebih tinggi dalam hierarki akan melihat output dari lapisan pertama serta mencoba untuk menentukan bentuk yang lebih kompleks, seperti lingkaran atau segitiga. Lapisan yang lebih tinggi akan mencari benda, seperti mata atau kumis. Untuk penjelasan yang lebih rinci tentang teknik klasifikasi hierarkis, pastikan untuk memeriksa artikel saya tentang representasi invarian.
Output aktual dari lapisan tidak dipahami dengan tepat karena dilatih melalui proses coba-coba-coba. Dua jaringan saraf yang mendalam yang sama yang terlatih dengan gambar yang sama persis akan menciptakan output yang berbeda dari lapisan tersembunyinya. Ini memunculkan beberapa masalah yang tidak nyaman, karena MIT sedang menemukan.
Sekarang ketika Anda mendengar seseorang berbicara tentang pembelajaran mesin, jaringan saraf, serta pembelajaran mendalam, Anda harus memiliki setidaknya konsep yang tidak jelas tentang apa itu dan, yang lebih penting, persis cara kerjanya. Jaringan saraf tampaknya menjadi hal besar berikutnya, meskipun mereka sudah ada sejak lama sekarang. Periksa artikel [Steven Dufresne] tentang apa yang telah diubah selama bertahun-tahun, serta melompat ke tutorialnya tentang memanfaatkan TensorFlow untuk mencoba belajar mesin.