DEEP LEARNINGTeknologi AI saat ini

JURUSAN TEKNIK INFORMATIKAFAKULTAS ILMU KOMPUTERUNIVERSITAS DIAN NUSWANTORO

PENGENALAN DEEP LEARNING

GOOGLE TRENDS

PROYEK GOOGLE

VIDEO ON YOUTUBE

NVIDIA SURVEY

COLDFUSION TV - Google's Deep Mind Explained! - Self Learning A.I.

PERUSAHAAN BESAR

STARTUP(HTTPS://VENTURESCANNERINSIGHTS.FILES.WORDPRESS.COM/2015/01/ARTIFICIAL-INTELLIGENCE-MAP.JPG)

INVESTASI MULTI-BILLION DOLLARLINK DEEPMIND DAN WAVENET

2013 Facebook –AI Lab, Deep Face

2013 Yahoo – LookFlowe

2013 Ebay - AI lab

2013 Allen Institute for AI

2013 Google – DNNresearch

2014 IBM - $1 billion in Watson

2014 Google – DeepMind $500 million https://deepmind.com/

https://deepmind.com/blog/wavenet-generative-model-raw-audio/

http://icml.cc/2016/?page_id=2009

2014 Vicarios - $70 million

2014 Microsoft – Project Adam, Cortana

2015 Fanuc – Machine Learning for Robotics

2015 Toyota - $1 billion AI and Robotics Lab, Silicon Valley

ORANG – ORANG DIBALIK LAYAR

DEFINISI DEEP LEARNING

Sejak tahun 2006, Deep Structured Learning atau yang lebih dikenal dengan Deep learning atau Hierarchical Learning telah muncul sebagai area baru dalam penelitian Machine Learning yang berdasarkan pada suatu set algoritma yang mencoba untuk memodelkan abstraksi tingkat tinggi pada data denganmenggunakan graf yang mendalam dengan beberapa lapisan pengolahan, yang terdiri dari beberapa transformasi linier dan non-linier. (Bengio, 2009).

Referensi lengkap tentang definisi : https://en.wikipedia.org/wiki/Deep_learning

Deep Learning pada dasarnya merupakan istilah baru untuk ANN yang memilikilapisan tersembunyi yang banyak (lebih dari 1).

Deep Learning mengacu pada Deep Architechture.

DEEP ARCHITECHTURE (BENGIO, 2009)

Kemampuan untuk mempelajari sesuatu yang kompleks dan fungsi yang sangatbervariasi dari sampel data pelatihan.

Untuk dapat belajar dengan sedikit masukan dari manusia pada level abstraksi rendah, sedang, dan tinggi pada data.

Waktu komputasi seharusnya memakan waktu yang terskala dengan baik padasampel data dan mendekati linier.

Untuk dapat belajar dari sampel data tanpa label dan bekerja dengan pengaturansemi-supervised, dimana sampel mungkin memiliki label yang salah.

Mempunyai pembelajaran tak terawasi (unsupervised learning) yang kuat yangdapat menangkap sebagian besar struktur statistik pada data yang diobservasi.

TERINSPIRASI DARI OTAKHTTP://WWW.AGING-VISION-ACTION.FR/AVA_TEACHING/UE_5BN04/SLIDES/THORPE.PDF

Terbukti Otak manusia melakukan sesuatu halyang sama persis seperti, hirarki pertamapada neuron menerima informasi pada visual cortex yang sensitif terhadap gambaran tepidan gumpalan khusus, sedangkan daerahotak bagian bawah merupakan elemenpemrosesan (pipeline) visual yang sensitifterhadap struktur yang lebih kompleks sepertiwajah.

Otak kita memiliki banyak sekali neuron yang saling terhubung dan memiliki kekuatankoneksi (bobot sinaptik) antar neuron tersebut.

GAMBARAN UMUM DEEP LEARNING

SEJARAH SINGKAT (1)HTTP://WWW.SLIDESHARE.NET/DEVIEW/251-IMPLEMENTING-DEEP-LEARNING-USING-CU-DNN

SEJARAH SINGKAT (2)HTTP://WWW.SLIDESHARE.NET/LUMA921/DEEP-LEARNING-A-VISUAL-INTRODUCTION

PARADIGMA/STRUKTUR/ARSITEKTUR/TOPOLOGI JST

Paradigma Arsitektur/Topologi Algoritma Training

Supervised/Diskriminatif PerceptronMLPReccurent NNLSTMConvolution NN

BackpropagationBolztmannLearning Vector Quantization

Unsupervised/Generatif RBMBMRNNLSTMKohonen SOM

BackpropagationContrastive DivergenceKohonen

Hybrid RBFDBN

RBFPretraining+Training

ALGORITMA DEEP LEARNING

DEEP LEARNING PADA SPEECH RECOGNITION DAN IMAGE CLASSIFICATION(HINTON 2012) HTTP://STATIC.GOOGLEUSERCONTENT.COM/MEDIA/RESEARCH.GOOGLE.COM/EN//PUBS/ARCHIVE/38131.PDF(CIRESAN 2012) HTTP://PEOPLE.IDSIA.CH/~JUERGEN/CVPR2012.PDF

ANN BIASA VS ANN DEEP LEARNING(BENGIO, 2009) HTTPS://WWW.IRO.UMONTREAL.CA/~LISA/POINTEURS/TR1312.PDF

Banyak peneliti berhasil melakukan training pada jaringan syaraf tiruan dengan 1 atau 2 lapisan tersembunyi, tetapi melakukan training pada lebih dari 1 lapisanselalu memberikan hasil yang semakin memburuk.

Jadi pada Deep Learning terdapat algoritma baru untuk training (dengan carayang berbeda) pada banyak lapisan jaringan.

ALGORITMA-ALGORITMA DEEP LEARNING (TOPOLOGI)HTTPS://WHATSTHEBIGDATA.COM/2016/10/10/NEURAL-NETWORKS-TYPOLOGY/

Link here

SEBELUM KE SALAH SATU ALGORITMA MARI MELIHAT CARA KERJA UNIT/NEURON TERSEMBUNYIMEMPELAJARI FITUR TINGKATYANG LEBIH TINGGI (HIGHER-LEVEL FEATURES)

dll …Mendeteksi garis2

posisi yang spesifik

v

Higher level detetors

( garis horisontal,

“vertika”

“melingkar”, etc…

dll …

What does this unit detect?

BANYAK HIDDEN LAYER AKAN BERGUNA

Tetapi hasilnya seperti ini (buruknya)

TRAINING DENGAN CARA BARU

Latih 1 lapisan pada suatu waktu

DEEP BELIEF NETWORK

Setiap lapisan non output dianggap sebagai RBM dan dilatih dengan algoritmaContrastive Divergence/CD-1/PCD

Setelah setiap lapisan non-output dilatih pada setiap waktu, lakukan fine-tuning pada keseluruhan jaringan dengan menambahkan lapisan output denganBackpropagation atau Rprop*

AUTOENCODER / DEEP AUTOENCODER

Setiap lapisan non output dianggap sebagai Auto Encoder

Setelah setiap lapisan non-output dilatih pada setiap waktu, lakukan fine-tuning pada keseluruhan jaringan dengan menambahkan lapisan output denganBackpropagation

CONVOLUTION NN (CNN)

Konsep sejak 1969 oleh Hubel (Neocognitron), Dilanjutkan oleh Yann LeCun.

Terdapat layer convolution sebagai detector fitur yang secara automagically mempelajarinya untukmenyaring informasi yang tidak diperlukan dari input dengan menggunakan kernel konvolusi.

Layer Pooling menghitung nilai maksimal atau rata2 dari fitur atas daerah tertentu dari input. Yang juga dapat membantu mendeteksi objek pada beberapa tempat yang tidak biasa dan mengurangiukuran memori

LONG SHORT-TERM MEMORY RNN (LSTM)

LSTM merupakan jenis tertentu dari RNN yang bekerja sedikit

lebih baik dalam prakteknya, karena memiliki persamaan

pembaharuan bobot yang lebih kuat dan beberapa diterapkan

juga backpropagation yang dinamis

Unit-unit LSTM memberikan sel-sel memory pada jaringan

dengan operasi membaca, menulis, dan me-reset. Selama

pelatihan, jaringan dapat belajar saat jaringan seharusnya

mengingat data dan ketika sedang melupakan data.

FUNGSI AKTIVASI DALAM DEEP LEARNING

Banyak Deep Networks menggunakan RELU

RELU = max(0,x)

Biasanya pada lapisan tersembunyi

Dapat belajar lebih cepat lebih ekspresif daripada

sigmoid

Dapat mencegah permasalahan kelenyapan

Gradien (gradient vanishing problem)

GPU PROGRAMMING

Banyaknya layer pada arsitektur jaringan syaraf mendalam akan membuat jumlah bobot yang terbentuk pada jaringan juga menjadi banyak.

Hal tersebut akan mengakibatkan waktu training yang menjadi lama.

Dengan parallel GPU setiap pemrosesan untuk beberapa data training dapat dibagi kedalam core-core pada GPU, sehingga dengan komputasi parallel tersebut dapat mempersingkat waktu training.

Parallel CPU juga dapat dilakukan namun lebih sangat cepat jika menggunakan GPU.

Lalu GPU seperti apa? Silahkan liat Nvidia Deep Learning Library atau CuDNN atau CUDA.

NVIDIA PASCAL

Dapat mempercepat sampai 10x dibandingkan dengan Maxwell processor

OVERFITTING DAN REGULARISASI

Overfitting is a big problem!

Overfitting adalah jika kita mempunyai banyak fitur dan dilakukan training dan pada data training memiliki performa yang bagus, tetapi gagal untuk mengeneralisir data baru (atau pada data testing).

Kurangi jumlah fitur Secara maual pilih fitur yang diinginkan

Algoritma seleksi model.

Regularisasi (tambahkan weight decay atau dropout atau dropconnect)

CROSS VALIDATION

SEKIAN