FUNDAMENTAL OF DEEP LEARNING

Model pembelajaran mendalam mewakili paradigma pembelajaran baru dalam kecerdasan buatan (AI) dan pembelajaran mesin. Hasil terobosan baru-baru ini dalam analisis gambar dan pengenalan ucapan telah menghasilkan minat yang sangat besar di bidang ini karena juga aplikasi di banyak domain lain yang menyediakan data besar tampaknya mungkin dilakukan. Sisi negatifnya, metodologi matematika dan komputasi yang mendasari model pembelajaran mendalam sangat menantang, terutama bagi ilmuwan interdisipliner. Untuk alasan ini, kami menyajikan dalam makalah ini tinjauan pendahuluan tentang pendekatan pembelajaran mendalam termasuk Deep Feedforward Neural Networks (D-FFNN), Convolutional Neural Networks (CNNs), Deep Belief Networks (DBNs), Autoencoder (AEs), dan Long Short- Jaringan Term Memory (LSTM). Model-model ini membentuk arsitektur inti utama dari model pembelajaran mendalam yang saat ini digunakan dan seharusnya termasuk dalam kotak alat ilmuwan data mana pun. Yang penting, blok bangunan arsitektur inti tersebut dapat disusun secara fleksibel—dengan cara yang hampir mirip Lego—untuk membangun arsitektur jaringan khusus aplikasi baru. Oleh karena itu, pemahaman dasar tentang arsitektur jaringan ini penting untuk dipersiapkan untuk perkembangan AI di masa mendatang.