Pemelajaran dalam

Pemelajaran dalam (bahasa Inggris: deep learning) atau sering dikenal dengan istilah pemelajaran struktural mendalam (bahasa Inggris: deep structured learning) atau pemelajaran hierarki (bahasa Inggris: hierarchical learning) adalah salah satu cabang dari ilmu pemelajaran mesin (bahasa Inggris: machine learning) yang terdiri algoritma pemodelan abstraksi tingkat tinggi pada data menggunakan sekumpulan fungsi transformasi non-linear yang ditata berlapis-lapis dan mendalam.^[1] Teknik dan algoritma dalam pemelajaran dalam dapat digunakan baik untuk kebutuhan pemelajaran terarah (supervised learning), pemelajaran tak terarah (unsupervised learning) dan semi-terarah (semi-supervised learning) dalam berbagai aplikasi seperti pengenalan citra, pengenalan suara, klasifikasi teks, dan sebagainya. Model pada pembelajaran dalam pada dasarnya dibangun berdasarkan jaringan saraf tiruan, yang risetnya sudah berlangsung sejak era 80-an tetapi baru-baru ini kembali bangkit dengan adanya komputer yang semakin cepat apalagi ditambah dengan kemampuan kartu grafis modern yang mampu melakukan kalkulasi berbasis matriks secara simultan.

Bagian dari seri
Pemelajaran mesin dan Penggalian Data
Paradigma Pemelajaran terbimbing Pemelajaran tak terbimbing Pemelajaran mesin daring Pemelajaran mesin luring Meta-learning Pemelajaran semi terawasi Pemelajaran terawasi mandiri Pemelajaran pengukuhan Pemelajaran berbasis aturan Pemelajaran mesin kuantum
Masalah Klasifikasi Model generatif Regresi Kluster Reduksi dimensi Estimasi densitas Deteksi anomali Pembersihan data AutoML Aturan asosiasi Analisis semantik Rekayasa fitur Pemelajaran fitur
Pemelajaran diawasi (Klasifikasi • Regresi) Pohon keputusan Pemelajaran ensambel Bagging boosting Random forest k-NN Regresi linear Naive Bayes Jaringan saraf tiruan Regresi logistik Perseptron Support vector machine (SVM)
Kekelompokkan BIRCH CURE Hierarki k-means Fuzi
Reduksi dimensionalitas AKU
Jaringan saraf tiruan Pemelajaran dalam Jaringan saraf konvolusional
Diagnostik model Kurva belajar
l b s

Berdasarkan riset yang baru-baru ini dilakukan, pemelajaran dalam mampu melakukan pengenalan grafis, pola tulis tangan dan beberapa pola lainnya lebih akurat dibandingkan dengan algoritma pemelajaran mesin lainnya.^[2]

Arsitektur

Ilustrasi pemelajaran dalam, Jaringan saraf buatan menganali bentuk dari masukan(Input).

Deep Feedforward Network

Deep Feedforward Network atau dikenal dengan Multilayer Perceptron (MLP) merupakan pengembangan dari jaringan saraf tiruan yang menekankan pada penggunakan satu atau lebih lapis tersembunyi (hidden layer) pada jaringannya dan penggunaan fungsi transformasi non-linear sebagai fungsi transformasi. Jaringan ini disebut Feedforward oleh karena sifatnya yang membawa informasi dari lapis masukan (input layer) untuk dibawa dan ditransformasi ke depan hingga lapis luaran (output layer).

Recurrent Neural Network

Recurrent Neural Network (RNN) merupakan pengembangan dari Deep Feedforward Network yang mana informasi dari suatu neuron dapat berputar kembali ke neuron yang sama (Deep Feddforward Network hanya membawa informasi ke lapis A ke lapis B secara progresif tanpa kembali ke lapis sebelumnya).

Convolutional Neural Network

Convolutional Neural Network (CNN) merupakan modifikasi dari Deep Feedforward Network yang mana setiap lapisnya dibuat dalam bentuk topologi grid mendalam.

Hubungan dengan perkembangan kognitif dan otak manusia

Pemelajaran dalam memiliki keterkaitan dengan teori perkembangan neokorteks yang dikembangkan oleh ahli saraf pada awal 1990-an.^[3][4][5][6] Teori tersebut kemudian menjadi pendahulu sistem pemelajaran dalam model komputasional. Model perkembangan ini menunjukkan bahwa dinamika belajar dalam otak, seperti gelombang faktor pertumbuhan saraf dapat membantu terbentuknya pengorganisasian diri.^[7]

Jaringan saraf tiruan memproses informasi melalui lapisan yang tersusun secara hierarkis. Setiap lapisan memanfaatkan keluaran lapisan sebelumnya untuk menghasilkan struktur pemrosesan yang terorganisasi dengan sendirinya. Proses serupa pernah digambarkan dalam perkembangan otak bayi yang matang secara bertahap dari satu lapisan jaringan ke lapisan berikutnya.^[8]

Upaya untuk memahami kesesuaian deep learning dengan proses biologis telah dilakukan melalui berbagai pendekatan. Beberapa penelitian mencoba membuat propagasi balik lebih realistis.^[9][10] Penelitian lain menilai bahwa bentuk pembelajaran mendalam tanpa pengawasan lebih dekat dengan mekanisme yang ditemukan di otak. Model generatif ini juga dikaitkan dengan bukti pemrosesan berbasis sampling di korteks.^[11]

Meskipun belum ada pemetaan langsung antara cara otak bekerja dan cara jaringan pemelajaran. Informasi akan dikode dengan sejumlah kemiripan yangn telah ditemukan. Perhitungan dalam unit pemelajaran dalam menunjukkan pola yang menyerupai neuron dan kelompok neuron biologis.^[12][13] Representasinya mirip dengan pola yang tercatat pada sistem visual primata, baik pada tingkat neuron tunggal maupun populasi neuron.^[14]