Carakubisa: Deep Learning

Keras dan TensorFlow


Mengingat bahwa proyek TensorFlow telah mengadopsi Keras sebagai API tingkat tinggi untuk rilis TensorFlow 2.0 yang akan datang, Keras terlihat menjadi pemenang, jika tidak harus menjadi pemenang. Dalam artikel ini, kita akan mengeksplorasi prinsip-prinsip dan implementasi Keras, dengan tujuan memahami mengapa ini merupakan peningkatan dari API pembelajaran tingkat rendah yang dalam.

Bahkan di TensorFlow 1.12, tutorial resmi Memulai dengan TensorFlow menggunakan Keras API tingkat tinggi yang tertanam di TensorFlow, tf.keras. Sebaliknya, TensorFlow Core API membutuhkan kerja dengan grafik, tensor, operasi, dan sesi komputasi TensorFlow, beberapa di antaranya mungkin sulit dipahami ketika Anda baru mulai bekerja dengan TensorFlow. Ada beberapa keuntungan menggunakan TensorFlow Core API tingkat rendah, sebagian besar saat melakukan debugging, tetapi untungnya Anda dapat mencampur TensorFlow API tingkat tinggi dan tingkat rendah sesuai kebutuhan.

Prinsip keras

Keras dibuat agar mudah digunakan, modular, mudah diperluas, dan bekerja dengan Python. API "dirancang untuk manusia, bukan mesin," dan "mengikuti praktik terbaik untuk mengurangi beban kognitif."

Lapisan neural, fungsi biaya, pengoptimalisasi, skema inisialisasi, fungsi aktivasi, dan skema regularisasi adalah semua modul mandiri yang dapat Anda gabungkan untuk membuat model baru. Modul baru mudah ditambahkan, karena kelas dan fungsi baru. Model didefinisikan dalam kode Python, bukan file konfigurasi model yang terpisah.

Kenapa Keras?

Alasan terbesar untuk menggunakan batang Keras dari prinsip-prinsip panduannya, terutama tentang menjadi ramah pengguna. Di luar kemudahan belajar dan kemudahan membangun model, Keras menawarkan keuntungan adopsi luas, dukungan untuk berbagai pilihan penyebaran produksi, integrasi dengan setidaknya lima mesin back-end (TensorFlow, CNTK, Theano, MXNet, dan PlaidML), dan dukungan kuat untuk beberapa GPU dan pelatihan terdistribusi. Plus, Keras didukung oleh Google, Microsoft, Amazon, Apple, Nvidia, Uber, dan lainnya.
Keras kembali berakhir

Keras proper tidak melakukan operasi tingkat rendahnya sendiri, seperti produk tensor dan konvolusi; itu bergantung pada mesin back-end untuk itu. Meskipun Keras mendukung beberapa mesin back-end, ujung belakang utamanya (dan default) adalah TensorFlow, dan pendukung utamanya adalah Google. Keras API dikemas dalam TensorFlow sebagai tf.keras, yang seperti yang disebutkan sebelumnya akan menjadi TensorFlow API utama pada TensorFlow 2.0.


Jadi masing-masing env pada Deep Learning memiliki fungsi yang berbeda-beda,tetapi ada juga yang mengkombinasi env tersebut supaya sistem yang dibuat dapat lebih ceras.

Sekian,semoga bermanfaat.

Referensi :
https://keras.io/models/about-keras-models/

Penjelasan Lengkap Tentang Keras Deep Learning


Memahami kemajuan terbaru dalam kecerdasan buatan bisa tampak luar biasa, tetapi itu benar-benar bermuara pada dua konsep yang sangat populer Machine Learning dan Deep Learning. Namun akhir-akhir ini, Deep Learning mendapatkan banyak popularitas karena keunggulan dalam hal akurasi ketika dilatih dengan sejumlah besar data.

Industri perangkat lunak sekarang-a-hari bergerak menuju kecerdasan mesin. Pembelajaran Mesin telah menjadi penting di setiap sektor sebagai cara untuk membuat mesin cerdas. Dengan cara yang lebih sederhana, Machine Learning adalah kumpulan algoritma yang mem-parsing data, belajar darinya, dan kemudian menerapkan apa yang telah mereka pelajari untuk membuat keputusan yang cerdas.

Contoh Machine Learning ada di mana-mana. Begitulah Netflix tahu acara mana yang ingin Anda tonton selanjutnya atau bagaimana Facebook mengenali wajah teman Anda dalam foto digital. Atau bagaimana perwakilan layanan pelanggan akan tahu jika Anda akan puas dengan dukungan mereka bahkan sebelum Anda mengambil survei CSAT.

Hal tentang algoritme Pembelajaran Mesin tradisional adalah bahwa sekompleks kelihatannya, mereka masih seperti mesin. Mereka membutuhkan banyak keahlian domain, intervensi manusia hanya mampu untuk apa mereka dirancang; tidak lebih, tidak kurang. Untuk desainer AI dan seluruh dunia, di situlah pembelajaran yang dalam memegang sedikit janji.

Apa itu Deep Learning?


Praktis, Deep Learning adalah bagian dari Machine Learning yang mencapai kekuatan besar dan fleksibilitas dengan belajar untuk mewakili dunia sebagai hierarki konsep bersarang, dengan setiap konsep didefinisikan dalam kaitannya dengan konsep yang lebih sederhana, dan representasi yang lebih abstrak dihitung dalam hal yang kurang abstrak.

Secara rumit, teknik pembelajaran yang mendalam mempelajari kategori secara bertahap melalui arsitektur lapisan tersembunyinya, mendefinisikan kategori tingkat rendah seperti huruf terlebih dahulu kemudian kategori tingkat kecil seperti kata-kata dan kemudian kategori tingkat tinggi seperti kalimat. Dalam contoh pengenalan gambar itu berarti mengidentifikasi area terang / gelap sebelum mengkategorikan garis dan kemudian bentuk untuk memungkinkan pengenalan wajah. Setiap neuron atau simpul dalam jaringan mewakili satu aspek dari keseluruhan dan bersama-sama mereka menyediakan representasi penuh gambar. Setiap node atau lapisan tersembunyi diberi bobot yang mewakili kekuatan hubungannya dengan output dan seiring dengan perkembangan model, bobot disesuaikan.

Selengkapnya : Apa itu Deep Learning

Kenapa Deep Learning ?

Lihat grafik diatas ,penggunaan deep learning sangat signifikan kenaikannya.

Deep Learning membutuhkan mesin-mesin canggih yang bertentangan dengan algoritma Machine Learning tradisional. GPU telah menjadi bagian yang tidak terpisahkan sekarang untuk menjalankan setiap algoritma Deep Learning.

Dalam teknik pembelajaran Mesin tradisional, sebagian besar fitur yang diterapkan perlu diidentifikasi oleh pakar domain untuk mengurangi kompleksitas data dan membuat pola lebih terlihat agar algoritma pembelajaran berfungsi. Keuntungan terbesar dari algoritma Deep Learning seperti yang dibahas sebelumnya adalah bahwa mereka mencoba mempelajari fitur tingkat tinggi dari data secara bertahap. Ini menghilangkan kebutuhan keahlian domain dan ekstraksi fitur inti.

Perbedaan utama lainnya antara Deep Learning dan teknik Machine Learning adalah pendekatan pemecahan masalah. Teknik Deep Learning cenderung menyelesaikan masalah ujung ke ujung, sedangkan teknik pembelajaran mesin membutuhkan pernyataan masalah untuk dipecah menjadi bagian yang berbeda untuk dipecahkan pertama dan kemudian hasilnya akan digabungkan pada tahap akhir. Misalnya untuk masalah deteksi beberapa objek, teknik Deep Learning seperti Yolo net mengambil gambar sebagai input dan memberikan lokasi dan nama objek pada output. Tetapi dalam algoritma Machine Learning seperti SVM, algoritma pendeteksian objek kotak pembatas diperlukan terlebih dahulu untuk mengidentifikasi semua objek yang mungkin untuk memiliki HOG sebagai input ke algoritma pembelajaran untuk mengenali objek yang relevan.

Kapan menggunakan Deep Learning?


  • Deep Learning out melakukan teknik lain jika ukuran datanya besar. Tetapi dengan ukuran data yang kecil, algoritma Machine Learning tradisional lebih disukai.
  • Teknik Pembelajaran yang mendalam perlu memiliki infrastruktur canggih untuk dilatih dalam waktu yang wajar.
  • Ketika ada kurangnya pemahaman domain untuk introspeksi fitur, teknik Deep Learning mengalahkan orang lain karena Anda tidak perlu terlalu khawatir tentang rekayasa fitur.
  • Deep Learning benar-benar bersinar ketika datang ke masalah kompleks seperti klasifikasi gambar, pemrosesan bahasa alami, dan pengenalan suara.
Jadi tidak semua suatu kontrol penggunakan deep learning ,kalau sederhana kemungkinan besar hanya menggunakan algoritma biasa.




Sekian ,semoga bermanfaat.

Kenapa Deep Learning Sangat dibutuhkan?

YOLO (You Only Look Once) menggunakan pembelajaran yang mendalam dan jaringan saraf convolutional (CNN) untuk deteksi objek, itu menonjol dari "pesaing" karena, seperti namanya menunjukkan itu hanya perlu "melihat" setiap gambar sekali. Ini memungkinkan YOLO menjadi salah satu algoritma deteksi tercepat (secara alami mengorbankan keakuratan). Berkat kecepatan ini, YOLO dapat mendeteksi objek dalam waktu nyata (hingga 30 FPS).





Untuk melakukan deteksi, gambar dibagi dalam kisi SxS (gambar kiri). Masing-masing sel akan memprediksi N kemungkinan "kotak pembatas" dan tingkat kepastian (atau probabilitas) masing-masing dari mereka (gambar di tengah), ini berarti kotak SxSxN dihitung. Sebagian besar dari kotak-kotak ini akan memiliki probabilitas yang sangat rendah, itulah sebabnya algoritma melanjutkan untuk menghapus kotak-kotak yang berada di bawah ambang batas probabilitas minimum tertentu. Kotak yang tersisa dilewatkan melalui "penindasan non-max" yang akan menghilangkan kemungkinan objek duplikat dan dengan demikian hanya meninggalkan yang paling tepat dari mereka (gambar di sebelah kanan).
Proses Iterasi Object Detection
Proese diatas merupakan proses komputasi rumit yang dilakukan oleh mesin atau komputer,proses ini sangat memakan kinerja GPU/CPU pengguna pada saat proses learning.

Algoritma YOLO

Ada beberapa algoritma berbeda untuk deteksi objek dan mereka dapat dibagi menjadi dua kelompok:

  1. Algoritma berdasarkan klasifikasi - mereka bekerja dalam dua tahap. Pada langkah pertama, kami memilih dari wilayah gambar yang menarik. Kemudian kami mengklasifikasikan wilayah tersebut menggunakan jaringan saraf convolutional. Solusi ini bisa sangat lambat karena kami harus menjalankan prediksi untuk setiap wilayah yang dipilih. Contoh paling dikenal dari jenis algoritma ini adalah jaringan saraf convolutional berbasis Wilayah (RCNN) dan sepupunya Fast-RCNN dan Faster-RCNN.
  2. Algoritma yang didasarkan pada regresi - alih-alih memilih bagian yang menarik dari suatu gambar, kami memprediksi kelas dan kotak pembatas untuk keseluruhan gambar dalam satu menjalankan algoritma. Contoh algoritma yang paling dikenal adalah YOLO (Anda hanya terlihat sekali) yang biasa digunakan untuk deteksi objek waktu-nyata (Real Time).
Sebelum kita masuk ke detail YOLO, kita harus tahu apa yang akan kita prediksi. Tugas kita adalah memprediksi kelas suatu objek dan kotak pembatas yang menentukan lokasi objek. Setiap kotak pembatas dapat dideskripsikan menggunakan empat deskriptor:
  •     center of a bounding box (bx by)
  •     width (bw)
  •     height (bh)
  •     value c is corresponding to a class of an object (f.e. car, traffic lights,…).

Seperti yang saya katakan sebelumnya dengan algoritma YOLO, kami tidak mencari daerah yang tertarik pada gambar kami yang dapat berisi beberapa objek. Alih-alih itu kita membagi gambar kita menjadi sel, biasanya grid 19x19. Setiap sel akan bertanggung jawab untuk memprediksi 5 kotak pembatas (kalau-kalau ada lebih dari satu objek di sel ini). Ini akan memberi kita 1805 kotak pembatas untuk gambar dan itu adalah jumlah yang sangat besar!

Sebagian besar sel dan kotak itu tidak akan memiliki objek di dalam dan ini adalah alasan mengapa kita perlu memprediksi pc. Pada langkah berikutnya, kami menghapus kotak dengan probabilitas objek rendah dan mengikat kotak dengan area bersama tertinggi dalam proses yang disebut penindasan non-maks.


Setelah itu ,barulah object terdeteksi sempurna,tapi ingat gunakanlah produk camera terbaik supaya hasil berjalan dengan lancar.

Sekian penjelasan tentang YOLO ,semoga bermanfaat.




Referensi :
1. https://github.com/pjreddie/darknet/wiki/YOLO:-Real-Time-Object-Detection
2. https://pjreddie.com/darknet/yolo/
3. https://appsilon.com/object-detection-yolo-algorithm/

Pengertian YOLO (You only look once) Dan Contohnya, Lengkap!

Machine Learning adalah pembelajaran yang kompleks. Tetapi menerapkan model pembelajaran mesin jauh lebih menakutkan dan sulit daripada sebelumnya, berkat kerangka pembelajaran mesin — seperti Google TensorFlow — yang memudahkan proses memperoleh data, model pelatihan, prediksi penyajian, dan penyempurnaan hasil di masa mendatang.

Dibuat oleh tim Google Brain, TensorFlow adalah pustaka sumber terbuka untuk komputasi numerik dan pembelajaran mesin skala besar. TensorFlow menggabungkan satu set model dan algoritma pembelajaran mesin dan pembelajaran dalam (alias jaringan saraf) dan membuatnya berguna melalui metafora umum. Ini menggunakan Python untuk menyediakan API front-end yang nyaman untuk membangun aplikasi dengan kerangka kerja, sambil mengeksekusi aplikasi tersebut dalam C ++/python kinerja tinggi.

TensorFlow dapat melatih dan menjalankan jaringan saraf yang dalam untuk klasifikasi angka tulisan tangan, pengenalan gambar, embedding kata, jaringan saraf berulang, model urutan-ke-urutan untuk terjemahan mesin, pemrosesan bahasa alami, dan simulasi berbasis PDE (partial differential equation) berdasarkan simulasi. Yang terbaik dari semuanya, TensorFlow mendukung prediksi produksi dalam skala besar, dengan model yang sama digunakan untuk pelatihan.

Bagaimana Cara Kerja Tensorflow?

TensorFlow sendiri dapat melatih dan menjalankan jaringan saraf yang dalam untuk klasifikasi angka tulisan tangan, memperkenalkan gambar, menanamkan kata, jaringan saraf berulang, model urutan-ke-urutan untuk terjemahan mesin, membuat bahasa alami, dan menggunakan PDE (persamaan diferensial parsial) menggunakan simulasi . Yang terbaik dari semuanya, TensorFlow mendukung prediksi produksi dalam skala besar, dengan model yang sama digunakan untuk pelatihan.

Namun, operasi matematika yang sebenarnya tidak dilakukan dengan Python. Perpustakaan transformasi yang tersedia melalui TensorFlow ditulis sebagai binari C ++ berkinerja tinggi. Python hanya mengarahkan lalu lintas di antara potongan-potongan, dan menyediakan abstraksi pemrograman tingkat tinggi untuk menyatukan mereka.

Aplikasi TensorFlow dapat dijalankan pada sebagian besar target yang nyaman: mesin lokal, cluster di cloud, perangkat iOS dan Android, CPU atau GPU. Jika Anda menggunakan cloud Google sendiri, Anda dapat menjalankan TensorFlow pada silikon TensorFlow Processing Unit (TPU) kustom Google untuk akselerasi lebih lanjut. Model yang dihasilkan yang dibuat oleh TensorFlow, dapat digunakan pada hampir semua perangkat di mana mereka akan digunakan untuk melayani prediksi.

TensorFlow 2.0, dirilis pada Oktober 2019, mengubah kerangka kerja dalam banyak cara berdasarkan umpan balik pengguna, untuk membuatnya lebih mudah untuk bekerja dengannya (mis., Dengan menggunakan API Keras yang relatif sederhana untuk pelatihan model) dan lebih banyak pemain. Pelatihan yang didistribusikan lebih mudah dijalankan berkat API baru, dan dukungan untuk TensorFlow Lite memungkinkan untuk menyebarkan model pada beragam platform yang lebih besar. Namun, kode yang ditulis untuk versi TensorFlow sebelumnya harus ditulis ulang — terkadang hanya sedikit, kadang-kadang secara signifikan — untuk memanfaatkan fitur TensorFlow 2.0 baru secara maksimal.

Sampai Sini paham? ,sekarang kita masuk keuntungan menggunakan tensorflow.

Keuntungan Menggunakan Tensorflow

Manfaat tunggal terbesar yang disediakan TensorFlow untuk pengembangan pembelajaran mesin adalah abstraksi. Alih-alih berurusan dengan rincian rumit dari penerapan algoritma, atau mencari tahu cara yang tepat untuk menghalangi output dari satu fungsi ke input yang lain, pengembang dapat fokus pada logika keseluruhan aplikasi. TensorFlow menangani detail di balik layar.

TensorFlow menawarkan kemudahan tambahan bagi pengembang yang perlu melakukan debug dan mendapatkan introspeksi ke dalam aplikasi TensorFlow. Mode eksekusi yang bersemangat memungkinkan Anda mengevaluasi dan memodifikasi setiap operasi grafik secara terpisah dan transparan, alih-alih membangun keseluruhan grafik sebagai objek buram tunggal dan mengevaluasi semuanya sekaligus. Suite visualisasi TensorBoard memungkinkan Anda memeriksa dan membuat profil cara grafik dijalankan dengan dashboard interaktif berbasis web.

TensorFlow juga mendapatkan banyak keuntungan dari dukungan pakaian komersial A-list di Google. Google tidak hanya mendorong laju pengembangan yang cepat di belakang proyek, tetapi menciptakan banyak penawaran signifikan di sekitar TensorFlow yang membuatnya lebih mudah untuk digunakan dan lebih mudah digunakan: silikon TPU yang disebutkan di atas untuk kinerja yang dipercepat di cloud Google; hub online untuk berbagi model yang dibuat dengan kerangka kerja; inkarnasi kerangka kerja yang sesuai dengan browser dan mobile; dan banyak lagi.

Kesimpulan

Machine learning dan Deep Learning sangat dibutuhkan untuk membuat suatu alat yang dapat memiliki kecerdasan pada vision,contohnya pada robot,robot jaman sekarang menggunakan camera sebagai mata seperti halnya manusia.

Sekian,semoga bermanfaat.

Pengertian Tensorflow dan Cara Kerjanya, Lengkap!!


Deep Learning adalah salah satu mata pelajaran yang paling menarik untuk dipelajari dan diterapkan, karena manfaat yang bisa belajar seperti jaringan saraf otak manusia. Dalam pendidikan sistem kontrol cerdas atau umumnya dikenal sebagai kecerdasan buatan, ada banyak cabang bahwa kami dapat memenuhi adalah logika fuzzy, algoritma genetika dan jaringan saraf [1]. Kecerdasan buatan banyak digunakan untuk memecahkan berbagai masalah seperti robotika, bahasa alami, matematika, game, persepsi, diagnosa medis, teknik, analisis keuangan, analisis ilmiah, dan penalaran [2]. Berikut ini menjelaskan dua mata pelajaran yang paling menarik untuk mengetahui yang merupakan cabang dari jaringan saraf tiruan, logika fuzzy untuk diskusi dan algoritma genetika pada kesempatan lain.

Pembelajaran Dalam (Deep learning)


Apa yang dimaksud dengan pembelajaran yang mendalam? Ok kita tahu ya! Karena ada pepatah yang mengatakan seperti ini: "Saya tidak tahu cinta" Dalam belajar (kursus) atau yang biasa dikenal dengan nama belajar struktural kedalaman (depth terstruktur learning) atau pembelajaran hirarkis (hirarkis learning) merupakan cabang dari ilmu mesin belajar (pembelajaran mesin) termasuk pemodelan dari algoritma abstraksi tingkat tinggi pada data menggunakan satu set fungsi transformasi non-linear disusun berlapis dan kedalaman. Teknik dan algoritma Pembelaran di dapat digunakan baik untuk kebutuhan directional pembelajaran (learning diawasi), pembelajaran diarahkan (tanpa pengawasan) dan semi-directional (semi-diawasi belajar) dalam berbagai aplikasi seperti pengenalan gambar, pengenalan suara, klasifikasi teks, dll [4]. Belajar disebut deep deep (mendalam) karena struktur dan jumlah jaringan saraf yang sangat baik algoritma bisa sampai beberapa ratus lapisan.

Pembelajaran dalam adalah jenis algoritma jaringan saraf tiruan menggunakan metadata sebagai masukan dan proses yang menggunakan sejumlah lapisan tersembunyi (hidden layer) transformasi non-linear dari data input untuk perhitungan dari nilai output. Algoritma pembelajaran tentang Deep memiliki karakteristik unik yang merupakan fitur yang mampu mengekstrak secara otomatis. Ini berarti bahwa algoritma secara otomatis dapat menangkap elemen yang relevan yang diperlukan dalam memecahkan suatu masalah. algoritma ini sangat penting dalam kecerdasan buatan karena dapat mengurangi beban pemrograman untuk memilih karakteristik eksplisit. Dan algoritma ini dapat digunakan untuk memecahkan masalah yang memerlukan pemantauan (diawasi) tanpa pengawasan (tanpa pengawasan) dan semi-diawasi (semi-diawasi).

Dalam mendalam jenis pembelajaran jaringan syaraf masing-masing lapisan tersembunyi bertanggung jawab untuk pembentukan seperangkat karakteristik yang unik tergantung pada output dari jaringan sebelumnya. Algoritma ini akan menjadi lebih kompleks dan abstrak sebagai jumlah lapisan tersembunyi (hidden layer) tumbuh. Milik jaringan saraf dengan belajar secara mendalam terbentuk dari hirarki sederhana dengan beberapa lapisan untuk tingkat tinggi atau multi-lapis (multiple bantalan penyerap). Berdasarkan belajar yang mendalam dapat digunakan untuk memecahkan masalah yang kompleks yang lebih kompleks dan terdiri dari sejumlah besar lapisan transformasi non-linear.

Macam Jenis Deep Learning :
  • Deep Learning untuk belajar yang panjang untuk belajar tanpa pengawasan (tanpa pengawasan pembelajaran): dalam belajar jenis ini digunakan ketika label variabel target tidak tersedia dan harus dihitung nilai korelasi dari unit yang diamati untuk menganalisis pola.
     
  • Hybrid dalam Networks (gabungan pembelajaran dalam): Pendekatan ini bertujuan untuk mencapai hasil yang baik menggunakan metode pembelajaran untuk menganalisis model atau Anda juga dapat menggunakan pembelajaran tanpa pengawasan.
Masing-masing memiliki fungsi yang berbeda ,tetapi kebanyakan teknologi robot jaman sekarang menggunakan keduanya.

Ada Berapa banyak (hidden layer) untuk menggunakan Jauh Belajar?


Belajar bekerja secara mendalam berdasarkan pada arsitektur jaringan dan digunakan dalam arsitektur prosedural optimal. Setiap output dari lapisan tersembunyi dengan lapisan dapat dikendalikan menggunakan grafis yang dirancang khusus untuk setiap output neuron. Kombinasi dan rekombinasi dari neuron individu saling berhubungan dalam semua unit lapisan tersembunyi ini dilakukan dengan menggunakan kombinasi fungsi aktivasi. Prosedur disebutkan dikenal Prosesdur transformasi nonlinear yang digunakan untuk prosedur yang optimal untuk menghasilkan bobot yang optimal pada setiap lapisan unit untuk mendapatkan nilai target yang diperlukan.

Ketika proses desain, jika jumlah saraf, sangat baik tertulis, tidak akan pernah cocok untuk memecahkan masalah. Isu yang paling penting dalam pembelajaran mendalam adalah jaringan saraf dilatih menggunakan pengurangan sederhana dari gradien. Pada saat kami menambahkan lebih dan lebih lapisan kain, kemudian membalikkan penurunan gradien penurunan yang dapat mempengaruhi nilai outpunya.

Perbedaan Kecerdasan Syaraf Tiruan dengan Deep Learning.

Neural Networks (NN) adalah jaringan saraf yang biasanya digunakan sebagai pasokan listrik sebelum (umpan maju) atau jaringan berulang yang hanya memiliki satu atau dua lapisan tersembunyi. Namun, jika lapisan jaringan saraf lebih atau bahkan mencapai 2 lapisan ratusan lapisan yang disebut Deep belajar. arsitektur jaringan saraf pada jaringan lebih kompleks dan memerlukan informasi lebih lanjut tentang input data untuk menentukan algoritma untuk digunakan. Dalam Artificial Neural Network terdiri dari beberapa algoritma Hebb Model Perceptron, Adaline sebelum propagasi, dll Sementara algoritma jaringan neuron pembelajaran mendalam tidak memerlukan informasi pada data untuk belajar, dan algoritma mungkin menderita tanpa kesepakatan (pengaturan) dan pemilihan model yang paling optimal.

Machine Learning (pembelajaran mesin)

Mesin, sebuah cabang dari kecerdasan buatan, belajar adalah disiplin yang melibatkan desain dan pengembangan algoritma yang memungkinkan komputer untuk mengembangkan perilaku yang didasarkan pada data empiris, seperti data Database sensor [5]. Ini adalah teknik yang digunakan untuk mengembangkan mesin otomatis berdasarkan kinerja algoritma dan satu set aturan yang ditetapkan.

Dalam data pelatihan masukan untuk program pembelajaran mesin dengan sejumlah aturan yang dikelola oleh algoritma. Oleh karena itu, dapat diklasifikasikan teknik pembelajaran seperti instruksi mesin dan belajar secara otomatis untuk menghasilkan hasil yang optimal output. Hal ini terjadi secara otomatis, tanpa campur tangan manusia sama sekali. Semuanya dilakukan secara otomatis mengubah data menjadi beberapa model dan masuk jauh ke dalam sistem untuk secara otomatis mendeteksi masalah produksi.

Jika kalian pernah ke sebuah perusahaan yang menggunakan mesin didalamnya,kalian bisa lihat seberapa pintar alat itu bekerja,nah dibalik semua itu ada sebuah machine learning yang sangat dalam sehingga bisa sepintar itu.

Kesimpulan


Sekarang jamannya teknologi, semua kecerdasan pada sebuah mesin tidak sepenuhnya manusia yang membat ,terkadang harus mesin itu sendiri yang mempelajarinnya.Semoga bermanfaat.

Penjelasan Lengkap Mengenai Deep Learning, Machine Learning

OpenCV (Open Source Computer Vision Library) adalah perpustakaan visi komputer open source dan memiliki binding untuk C ++, Python dan Java. Ini digunakan untuk berbagai aplikasi termasuk analisis gambar medis, menjahit gambar pemandangan jalan, video pengawasan, mendeteksi dan mengenali wajah, melacak objek bergerak, mengekstraksi model 3D dan banyak lagi.

OpenCV dapat memanfaatkan pemrosesan multi-core dan fitur akselerasi GPU untuk operasi waktu-nyata(Real Time).

Ada dua cara berbeda untuk menginstal OpenCV di Ubuntu :

Install OpenCV melalui Repository (Ubuntu,Recommended)

Pastikan laptop anda sudah terinstall python,baru kalian bisa mengikuti step dibawah.
  • Install OpenCV
sudo apt update
sudo apt install python2-opencv
sudo apt install python3-opencv 

  • Test import OpenCV
python3 -c "\
import cv2
print(cv2.__version__)"

  • Output
3.2.0 /Versi lainnya

Install OpenCV melalui sumber external

Cara ini tidak terlalu saya rekomendasikan karena proses installasinya cukup memakan waktu,tetapi cara ini saya rasa memiliki package yang sudah lengkap.

  • Install Package
sudo apt install build-essential cmake git pkg-config libgtk-3-dev
sudo apt install libavcodec-dev libavformat-dev libswscale-dev libv4l-dev libxvidcore-dev libx264-dev
sudo apt install libjpeg-dev libpng-dev libtiff-dev gfortran openexr libatlas-base-dev
sudo apt install python3-dev python3-numpy libtbb2 libtbb-dev libdc1394-22-dev 

  • Clone OpenCV file
mkdir ~/opencv_build && cd ~/opencv_build
git clone https://github.com/opencv/opencv.git
git clone https://github.com/opencv/opencv_contrib.git

  • Configurasi OpenCV dengan Cmake
nah inilah proses paling melelahkan bagi komputer anda,karena ngemake membuat beberapa core pada prosesor kita bekerja secara penuh,dan saya sarankan untuk menggunakan di ruangan sejuk supaya suhu laptop anda tetap terjaga.

cd ~/opencv_build/opencv
mkdir build && cd build

  • Setup Cmake

cmake -D CMAKE_BUILD_TYPE=RELEASE \
    -D CMAKE_INSTALL_PREFIX=/usr/local \
    -D INSTALL_C_EXAMPLES=ON \
    -D INSTALL_PYTHON_EXAMPLES=ON \
    -D OPENCV_GENERATE_PKGCONFIG=ON \
    -D OPENCV_EXTRA_MODULES_PATH=~/opencv_build/opencv_contrib/modules \
    -D BUILD_EXAMPLES=ON ..


Pastikan posisi directory installasi persis seperti diatas.
  • Compiling OpenCV
make -j4
Maksud dari angka 4 adalah jumlah core prosesor yang mau kita pakai.Proses inilah yang paling lama kurang lebih 1-2 jam tergantung berapa core yang kita pakai.

sudo make install

Sekian tutorial cara menginstall OpenCV di ubuntu semoga bermanfaat.

Cara Menginstall OpenCV di Ubuntu 18.04

Subscribe Our Newsletter