Module Question 7
- What distinguishes “deep learning” from traditional machine learning?
- What are convolutional layers and pooling layers in a CNN, and what is their primary function?
- Why are CNNs particularly well-suited for image processing tasks compared to standard neural networks?
- Name two major applications of CNNs in the real world.
Jawaban dibuat sesuai dengan 4 Standarisasi iDu yang terdiri dari Pertanyaan, Status, Keterangan, Bukti (berupa link iMe BisDi).
My answer
- ML tradisional manusialah yang menentukan fitur, sedangkan pada deep learning model menemukan fiturnya sendiri lewat banyak layer. Harganya adalah kebutuhan data dan komputasi yang jauh lebih besar, serta hasil yang lebih sulit dijelaskan.
Bayangkan mengajari seseorang mengenali buah.
ML tradisional: kamu memberi daftar ciri: “warna, bentuk, ukuran, tekstur kulit”. Orang itu hanya belajar menggabungkan ciri-ciri yang sudah kamu tentukan.Deep learning: kamu menunjukkan ribuan foto buah beserta namanya, lalu orang itu menemukan sendiri ciri mana yang penting.
Deep learning tidak selalu lebih baik. Untuk data tabel kecil atau sedang, ML tradisional sering menang karena lebih cepat, lebih murah, dan lebih mudah dijelaskan. Pilihan yang tepat bergantung pada jenis data, jumlah data, dan kebutuhan penjelasan.
- Convolutional layer menggeser filter untuk mendeteksi pola, dengan filter yang dipelajari otomatis, hemat parameter, dan bisa mengenali pola di posisi mana pun.
Pooling layer meringkas dan memperkecil hasil deteksi, sehingga model lebih cepat, lebih tahan pergeseran, dan lebih kecil kemungkinan overfitting.
- CNN ( Convolutional Neural Network ) adalah jaringan saraf yang dirancang khusus untuk data berbentuk grid, terutama gambar. Dua bahan utamanya;
Convolution layer : mendeteksi pola ( fitur ) didalam gambar
Pooling layer : memperkecil ukuran hasil deteksi, sambil menjaga informasi pentingnya
Urutan umumnya; Gambar → Konvolusi → Pooling → Konvolusi → Pooling → … → Layer akhir ( klasifikasi ) - Dua aplikasi utama CNN adalah pengenalan gambar dan wajah (termasuk deteksi objek pada mobil otonom) dan analisis citra medis. Keduanya memanfaatkan kekuatan CNN dalam menemukan pola visual secara otomatis dari data gambar.