Beberapa arsitektur jaringan pembelajaran mendalam yang umum mencakup jaringan yang terhubung penuh , jaringan keyakinan mendalam , jaringan saraf berulang , jaringan saraf konvolusional , jaringan adversarial generatif , transformer , dan medan radian saraf . Arsitektur ini telah diterapkan pada bidang-bidang termasuk visi komputer , pengenalan suara , pemrosesan bahasa alami , penerjemahan mesin , bioinformatika , desain obat , analisis citra medis , ilmu iklim , inspeksi material, dan program permainan papan , yang telah menghasilkan hasil yang sebanding dengan dan dalam beberapa kasus melampaui kinerja ahli manusia.
Bentuk awal jaringan saraf terinspirasi oleh pemrosesan informasi dan simpul komunikasi terdistribusi dalam sistem biologis , khususnya otak manusia . Namun, jaringan saraf saat ini tidak dimaksudkan untuk memodelkan fungsi otak organisme, dan umumnya dianggap sebagai model berkualitas rendah untuk tujuan tersebut.
Sebagian besar model pembelajaran mendalam modern didasarkan pada jaringan saraf berlapis-lapis seperti jaringan saraf konvolusional dan transformator , meskipun mereka juga dapat menyertakan rumus proposisional atau variabel laten yang disusun berlapis-lapis dalam model generatif yang dalam seperti node dalam jaringan kepercayaan yang dalam dan mesin Boltzmann yang dalam.
Secara fundamental, pembelajaran mendalam mengacu pada kelas algoritma pembelajaran mesin yang menggunakan hierarki lapisan untuk mengubah data masukan menjadi representasi yang sedikit lebih abstrak dan komposit. Misalnya, dalam model pengenalan gambar , masukan mentah dapat berupa gambar (diwakili sebagai tensor piksel ). Lapisan representasional pertama dapat mencoba mengidentifikasi bentuk dasar seperti garis dan lingkaran, lapisan kedua dapat menyusun dan mengodekan susunan tepi, lapisan ketiga dapat mengodekan hidung dan mata, dan lapisan keempat dapat mengenali bahwa gambar tersebut berisi wajah.
Yang penting, proses pembelajaran mendalam dapat mempelajari fitur mana yang harus ditempatkan secara optimal pada level mana dengan sendirinya . Sebelum pembelajaran mendalam, teknik pembelajaran mesin sering kali melibatkan rekayasa fitur yang dibuat dengan tangan untuk mengubah data menjadi representasi yang lebih sesuai untuk dioperasikan oleh algoritma klasifikasi. Dalam pendekatan pembelajaran mendalam, fitur tidak dibuat dengan tangan dan model menemukan representasi fitur yang berguna dari data secara otomatis. Ini tidak menghilangkan kebutuhan untuk penyetelan manual; misalnya, berbagai jumlah lapisan dan ukuran lapisan dapat memberikan tingkat abstraksi yang berbeda.
Kata "deep" dalam "deep learning" merujuk pada jumlah lapisan yang dilalui data untuk ditransformasikan. Lebih tepatnya, sistem deep learning memiliki kedalaman jalur penugasan kredit (CAP) yang substansial. CAP adalah rantai transformasi dari input ke output. CAP menggambarkan hubungan kausal yang potensial antara input dan output. Untuk jaringan neural feedforward , kedalaman CAP adalah kedalaman jaringan dan merupakan jumlah lapisan tersembunyi ditambah satu (karena lapisan output juga diparameterisasi). Untuk jaringan neural berulang , di mana sinyal dapat menyebar melalui lapisan lebih dari satu kali, kedalaman CAP berpotensi tidak terbatas. Tidak ada ambang batas kedalaman yang disepakati secara universal yang memisahkan shallow learning dari deep learning, tetapi sebagian besar peneliti setuju bahwa deep learning melibatkan kedalaman CAP yang lebih tinggi dari dua. CAP dengan kedalaman dua telah terbukti menjadi aproksimator universal dalam artian bahwa CAP dapat meniru fungsi apa pun. Di luar itu, lebih banyak lapisan tidak menambah kemampuan aproksimator fungsi jaringan. Model dalam (CAP > dua) mampu mengekstrak fitur yang lebih baik daripada model dangkal dan karenanya, lapisan tambahan membantu dalam mempelajari fitur secara efektif.
Berpikir mendalam (deep thinking) dan pembelajaran mendalam (deep learning) adalah konsep yang saling melengkapi dan dapat diterapkan secara sinergis dalam pembelajaran untuk menciptakan pengalaman belajar yang lebih bermakna dan efektif. Deep thinking berakar pada cara kerja alami pikiran yang dinamis, kreatif, dan aktif, seperti yang terlihat pada proses pembelajaran konseptual pada bayi. Hal ini menunjukkan bahwa berpikir mendalam adalah elemen fundamental yang mendorong individu untuk memahami dunia secara lebih konseptual dan mendalam.
Di sisi lain, deep learning menggunakan teknologi jaringan saraf berlapis untuk memproses data secara hierarkis, memungkinkan transformasi data menjadi representasi yang lebih abstrak dan terstruktur. Dalam konteks pendidikan, pembelajaran mendalam dapat dimanfaatkan untuk mengidentifikasi pola belajar siswa, mempersonalisasi pembelajaran, serta memecahkan tantangan pembelajaran yang kompleks dengan pendekatan berbasis data.
Implementasi keduanya dalam pembelajaran membuka peluang besar untuk menciptakan lingkungan belajar yang lebih inovatif. Guru dapat mendorong siswa untuk terlibat dalam proses berpikir mendalam melalui diskusi konseptual, pemecahan masalah, dan eksplorasi kreatif. Pada saat yang sama, pemanfaatan teknologi pembelajaran mendalam dapat membantu memperkaya pengalaman belajar melalui analisis data, otomatisasi tugas pembelajaran, dan pengembangan metode evaluasi berbasis capaian konseptual. Kombinasi ini memungkinkan pembelajaran menjadi lebih adaptif, relevan, dan bermakna.
Mengenal "IB Learner Profile" Mengajak Deep Thinker
Profil Pembelajar International Baccalaureate (IB) terdiri dari sepuluh atribut yang dirancang untuk membentuk siswa menjadi individu yang holistik dan siap menghadapi tantangan global. Berikut adalah penjelasan mengenai masing-masing atribut tersebut:
