AI, grafik dan jaringan saraf
| English | Bahasa Indonesia |
|---|---|
| machine learning/məˈʃiːn ˈlɜːnɪŋ/ | pembelajaran mesin |
| deep learning/diːp ˈlɜːnɪŋ/ | pembelajaran mendalam |
| graph/ɡræf/ | grafik |
| neural networks/ˈnjuːrəl ˈnetwɜːks/ | jaringan saraf tiruan |
| nodes/nəʊdz/ | nod |
| edges/ˈedʒɪz/ | tepian |
| minimax/ˈmɪnɪmæks/ | minimax |
| weight/weɪt/ | berat |
| activation function/ˌæktɪˈveɪʃn ˈfʌŋkʃn/ | fungsi aktivasi |
| hidden layers/ˈhɪdn ˈleɪəz/ | lapisan tersembunyi |
Program yang belajar melihat tanpa diberi tahu apa yang harus dicari
- Pada tahun 2012, sebuah tim mengikuti kompetisi pengenalan gambar dengan program yang belum pernah diberikan aturan sama sekali tentang bagaimana bentuk kucing. Program tersebut telah dipamerkan satu juta foto berlabel, dan ia menemukan aturannya sendiri.
- Program itu mengurangi tingkat kesalahan setiap entri yang diprogram manual. Dalam tiga tahun, seluruh bidang telah meninggalkan penulisan aturan.
- Kebalikan inilah yang menjadi subjek topik ini: bukan "bagaimana kita memberi tahu komputer apa itu kucing", tetapi "bagaimana komputer menemukannya dari contoh-contoh".
- Pelajaran inilah yang dimaksud dengan pembelajaran mesin dan pembelajaran mendalam, bagaimana sebuah graf mengubah masalah AI menjadi pencarian, dan apa sebenarnya yang dihitung oleh jaringan saraf tiruan.
AI, pembelajaran mesin, dan pembelajaran mendalam
- Kecerdasan buatan adalah tujuan luas: sistem yang melakukan tugas yang biasanya membutuhkan kecerdasan manusia, seperti penglihatan, pidato, terjemahan, dan berkendara.
- Pembelajaran mesin adalah pendekatan yang mendominasi: algoritma yang belajar pola dari data alih-alih diprogram langkah demi langkah.
- Pembelajaran mendalam adalah pembelajaran mesin menggunakan jaringan saraf dengan banyak lapisan. Hal ini memimpin bidang sejak dekade 2010 karena ia belajar langsung dari data mentah, piksel, atau audio atau teks, tanpa fitur yang dirancang manual.
- Mereka bersarang: pembelajaran mendalam adalah bagian dari pembelajaran mesin, yang merupakan bagian dari AI.
Tiga lingkaran, bukan tiga saingan
Pembelajaran mesin berarti algoritma yang:
ML belajar dari data; pembelajaran dalam adalah ML menggunakan jaringan saraf bertingkat-tingkat.
Bagaimana AI, pembelajaran mesin, dan pembelajaran dalam saling berkaitan?
AI adalah tujuan, pembelajaran mesin adalah pendekatan dominan untuk mencapainya, dan pembelajaran dalam adalah pembelajaran mesin dengan jaringan bertingkat banyak.
Graf, dan mengapa begitu banyak AI adalah pencarian
- Sebuah graf adalah kumpulan simpul yang terhubung oleh sisi. Simpul adalah keadaan, tempat, atau konsep; sisi adalah gerakan, jalan, atau hubungan.
- Penemuan jalur: jaringan jalan adalah sebuah graf, dan menemukan rute adalah pencarian graf, menggunakan algoritma Dijkstra atau A*.
- Permainan: setiap posisi papan adalah simpul dan setiap langkah sah adalah sisi, sehingga permainan adalah pohon yang minimax-nya mencari, dengan asumsi setiap pemain mengambil pilihan terbaik mereka.
- Representasi pengetahuan: jejaring semantik menyimpan konsep sebagai simpul dan hubungan sebagai sisi. Pencarian lebar-dulu dan dalam-dulu adalah alat standar untuk menjelajahi salah satunya.
Dalam AI, sebuah grafik terdiri dari:
Grafik memodelkan keadaan/tempat sebagai node dan gerakan/hubungan sebagai edge — digunakan untuk pencarian jalur, pohon permainan, dan pengetahuan.
Contoh terpecahkan: modelkan masalah sebagai graf
- Sebuah perusahaan pengiriman menginginkan rute terpendek antara dua kota. Jelaskan bagaimana hal ini direpresentasikan sebagai graf.
- Setiap kota adalah simpul; setiap jalan adalah sisi yang menghubungkan dua simpul; sisi membawa bobot, jarak atau waktu tempuh.
- Masalahnya kemudian menjadi "temukan jalur antara dua simpul dengan total bobot terkecil", yang diselesaikan oleh algoritma Dijkstra.
- Sebutkan apa saja simpulnya, apa saja sisinya, dan apa arti bobotnya. Jawaban yang hanya mengatakan "itu adalah graf" tidak mendapat nilai.
Jaringan jalan dimodelkan sebagai grafik untuk menemukan rute terpendek. Pernyataan mana yang benar? Pilih semua yang berlaku.
Tempat adalah node dan koneksi adalah edge. Menjelaskan apa yang diwakili oleh bobot adalah poin ketiga.
Neuron buatan
- Sebuah neuron buatan menerima beberapa input. Ia mengalikan setiap input dengan bobot, menjumlahkannya dengan bias, lalu meneruskan totalnya melalui fungsi aktivasi non-linear untuk menghasilkan outputnya.
- Bobotlah yang dipelajari oleh jaringan. Fungsi aktivasi adalah yang membuat jaringan mampu merepresentasikan sesuatu selain garis lurus: tanpanya, berapa pun jumlah lapisannya akan runtuh menjadi satu rumus linear.
Kalikan, tambahkan, lalu tekuk
Susun langkah-langkah di dalam satu neuron buatan secara berurutan.
Kalikan, jumlahkan, aktifkan, lemparkan. Tanpa aktivasi non-linear, kedalaman jaringan apa pun akan runtuh menjadi satu rumus linear.
Lapisan, dan apa yang dimaksud "dalam"
- Neuron disusun dalam lapisan. Lapisan input menerima data. Satu atau lebih lapisan tersembunyi mempelajari pola internal. Lapisan output menghasilkan jawaban, kelas, atau angka.
- Jaringan disebut dalam ketika memiliki banyak lapisan tersembunyi, dan melatih jaringan seperti itu adalah pembelajaran mendalam.
- Mengapa lapisan tersembunyi penting: dalam jaringan gambar, lapisan awal mempelajari tepi, lapisan tengah mempelajari bentuk, lapisan akhir mempelajari objek. Tidak ada yang merancang hierarki itu; itulah hasil dari pelatihan.
Input, tersembunyi, output, dan pembelajaran ada pada bobot di antara mereka
Ketuk bagian-bagian dari jaringan saraf
Jelajahi lapisan-lapisannya. Data mengalir dari kiri ke kanan: lapisan input menerima fitur, lapisan tersembunyi mempelajari pola, dan lapisan output memberikan jawaban — dengan setiap koneksi membawa bobot yang disesuaikan oleh pelatihan.
Cocokkan setiap bagian jaringan saraf dengan perannya.
Fitur masuk ke lapisan input, lapisan tersembunyi mempelajari pola, lapisan output menjawab; pembelajaran = menyetel bobot.
Jaringan saraf disebut "dalam" ketika memiliki banyak lapisan tersembunyi, dan setiap neuron menerima jumlah tertimbang dari inputnya (ditambah bias) sebelum menerapkan fungsi aktivasi.
Menumpuk banyak lapisan tersembunyi memungkinkan jaringan mempelajari pola yang lebih kaya — melatih jaringan semacam itu adalah pembelajaran dalam.
Jaringan saraf disebut "dalam" ketika memiliki:
Banyak lapisan tersembunyi membuat jaringan saraf dalam; melatihnya adalah pembelajaran dalam.
Selama pelatihan, nilai yang disesuaikan di dalam jaringan saraf adalah ____-nya.
Arsitektur dan fungsi aktivasi dipilih oleh perancang; apa yang dipelajari jaringan disimpan dalam bobot.
Contoh terpecahkan: jelaskan bagaimana sebuah neuron menghitung
- Jelaskan apa yang terjadi di dalam satu neuron buatan. [3]
- Setiap input dikalikan dengan bobot-nya sendiri, dan hasil kalinya ditambahkan bersama bias.
- Jumlah hasilnya kemudian diproses melalui fungsi aktivasi, yang bersifat non-linear.
- Hasilnya adalah output neuron, yang menjadi input bagi neuron di lapisan berikutnya. Bobot dan bias adalah nilai yang disesuaikan selama pelatihan.
⟦⟧ Nilai yang sering terlewat
- Machine learning belajar pola dari data; ia tidak "diprogram langkah demi langkah" dan bukan sihir. Jelaskan apa yang dipelajari dari.
- "Deep" (Dalam) berarti banyak lapisan tersembunyi, bukan "sangat pintar" atau "sangat besar".
- Grafik adalah node dan sisi, dan jawaban grafik harus menjelaskan apa yang diwakili oleh masing-masing dalam masalah ini.
- Bobot adalah hal yang diubah selama pelatihan. Fungsi aktivasi dan arsitektur dipilih oleh perancang.
Anda telah memahaminya
- AI adalah tujuannya, machine learning mempelajari pola dari data alih-alih mengikuti aturan tertulis, dan deep learning adalah machine learning dengan jaringan saraf berlapis banyak
- sebuah grafik node dan sisi mengubah pencarian jalur, permainan, dan representasi pengetahuan menjadi pencarian, menggunakan Dijkstra, A*, minimax, breadth-first dan depth-first
- neuron buatan mengalikan input dengan bobot, menambahkan bias, dan menerapkan fungsi aktivasi non-linear
- lapisan berjalan input, tersembunyi, output; dalam berarti banyak lapisan tersembunyi, dan pembelajaran berada pada bobot