Penjelasan Deep Learning

Tagged: ,

Viewing 3 reply threads
  • Author
    Posts
    • #6440

      Izin bertanya, perkenalkan saya Zuki.

      Saat ini saya baru saja belajar tentang ilmu data dan masih mahasiswa.

      Apa yang dimaksud representation learning pada deep learning? Saya sudah melihat videonya tapi masih belum paham.

      Sekiranya teman maupun mentor di forum ini ada yg mengerti,saya minta bimbingannya.
      Terima kasih

    • #6446
      Taufik SutantoTaufik Sutanto
      Keymaster

      Ada penjelasannya di DSBD-03 dan DSBD-04 … intinya pada pengolahan data tidak terstruktur apapun (text, image, video, suara, dsb) maka prosesnya adalah merubah data tidak terstruktur tsb menjadi data terstruktur (array/matrix/tensor). Proses perubahannya di machine learning konvensional bersifat (semi) manual, misal TF-IDF di vector Space Model di data text. Tapi di Deep learning perhitungan representasi data terstruktur ini automatis di optimasi untuk performa prediksinya. Misal Word Embedding (fastText/Word2Vec) di data text.

      Sebelum belajar Deep Learning, sebaiknya perkuat konsep Machine Learning biasa. Walau sekarang banyak tools untuk melakukan deep learning dengan mudah, tapi pemahaman konsep yang baik akan sangat membantu ketika menghadapi berbagai kesulitan di kemudian hari.

    • #6544
      Anonymous
      Inactive

      Izin bertanya Pak, perkenalkan saya Jonathan

      Saya ingin bertanya mengenai penjelasan Deep Leraning yang Bapak jelaskan.
      Bapak mengatakan bahwa pada Deep Learning, Feature Extraction atau Feature Engineering dilakukan secara otomatis
      Apakah maksud dari otomotas tersebut pak?

      Apakah berart “penentuan variabel” dalam proses Feature Extraction atau Feature Engineering pada Deep Learning itu seperti sudah diprogramkan juga? Sehingga tugas kita hanya menginput sebuah data

      Jujur saya juga agak bingung membahasakannya pak, mohon maaf sebelumnya dan mohon bantuannya Pak
      Terima Kasih

    • #6554
      Taufik SutantoTaufik Sutanto
      Keymaster

      Mudahnya kaau kita bandingnkan dengan VSM (vector space model) seperti TFIDF di scikit learn vectorizer. Maka di tfidf tsb sebenarnya ada beberapa optimasi yang kita lakukan yang sebenarnya terkait model. Sebut saja MaxDf, mindf, smooth_IDF, dsb.

      Di Deep Learning, Feature yang terbentuk sudah di optimalkan thd model klasifikasinya. Bahkan lebih tepatnya “hanya” ke model klasifikasinya. COntohnya Word2Vec dan fastText di representasi feature Text di DL, sebenarnya bisa di “flatten” dengan merata-ratakan tensornya, sehingga membentuk “seperti” VSM. Tapi kalau kita lakukan ini dan masukkan “VSM” gadungan tadi ke model ML (misal Support Vector Machine) maka akurasinya akan sangat buruk.

      Hence, input data tidak terstruktur di DL kemudian dikatakan secara automatis dirubah ke dalam bentuk terstrukturnya (Tensor) untuk secara optimal digunakan model klasifikasinya (misal LSTM/CNN).

Viewing 3 reply threads
  • You must be logged in to reply to this topic.