Single-layer perceptrons hanya dapat mewakili keputusan linier. Perceptron hanya dapat mewakili fungsi yang dapat dipisahkan secara linier. Multi-layer perceptrons (MLP) dapat mewakili keputusan non-linier. MLP menambahkan hidden layer antara input dan output. Menambahkan lapisan tersembunyi memungkinkan lebih banyak fungsi target diwakili.
Hidden Units
adalah node yang terletak di antara node input dan node output, memungkinkan jaringan untuk mempelajari fungsi non- linier, memungkinkan jaringan untuk merepresentasikan kombinasi fitur masukan.
Multi Layer Feed Forward Network (MLP)
Multilayer neural network dengan satu lapisan tersembunyi dan 10 masukan, cocok untuk masalah restoran.
Layer sering kali terhubung sepenuhnya (tetapi tidak selalu).
Jumlah unit tersembunyi yang biasanya dipilih acak
Saya lanjutkan share materi Prof Wisnu tentang Neural network, kali ini tentang LVQ (Learning Vector Quantization). LVQ beliau artikan sebagai pembelajaran berbasis kompetensi.
Struktur jaringan sederhana, lapis tunggal tanpa hidden layers,
Vektor Pewakil (reference, prototype) –> representasi kategori kelas
Winner Takes all
Metode Pembelajaran LVQ
Contoh LVQ
Backpropagation
Back-propagation diperkenalkan oleh Rumelhart, Hinton dan Williams dan dipopulerkan pada buku Parallel Distributed Processing (Rumelhart and McLelland, 1986)
Prinsip dasar algoritma propagasi-balik memiliki tiga fase:
Fase feed forward pola input pembelajaran
Fase kalkulasi dan back-propagation error yang didapat.
Fase penyesuaian bobot.
Jaringan lapis banyak
Terdiri dari satu lapisan unit-unit masukan, satu atau lebih lapisan tersembunyi dan satu
Jaringan lapisan unit keluaran; Struktur dasar sama sepeti perceptron, sehingga disebut multilayer perceptron. Setiap neuron pada suatu lapisan dalam jaringan Propagasi-Balik mendapat sinyal. Masukan dari semua neuron pada lapisan sebelumnya beserta satu sinyal bias.
Karakteristik fungsi aktivasi: kontinyu, dapat didiferensiasikan, monoton tidak turun, dan turunan fungi mudah dihitung.
a. fungsi sigmoid biner (range : [0,1])
b. fungsi sigmoid bipolar (range : [-1,1])
Back-propagation (Arsitektur) :
input layer ditunjukkan oleh unit-unit Xi output layer ditunjukkan oleh unit-unit Yk
hidden layer ditunjukkan oleh unit-unit Zj
Pembelajaran back-propagation
1. Inisialisasi bobot wi =0 atau angka acak untuk i=b,1,2,3,…..,n Set laju pembelajaran α (0,1 ≤ nα ≤ 1)
Selama syarat henti belum tercapai:
a. Feedforward:
2. Setiap unit masukan (X , i = 1, …, n) menerima sinyal masukan x dan meneruskannya ke seluruh unit pada lapisan di atasnya (hidden units) 3. Setiap unit tersembunyi (Zj, j = 1, …, p) menghitung total sinyal masukan terbobot dan fungsi aktivasinya.
Setiap unit output (Yk, k = 1, …, m) menghitung total sinyal masukan terbobot dan fungsi aktivasinya
b. Backpropagation of error:
5. Setiap unit output (Yk, k = 1, …, m) menerima sebuah pola target yang sesuai dengan pola masukan pelatihannya. Unit tersebut menghitung informasi kesalahan dan mengoreksi bobot.
6. Setiap unit tersembunyi (Z , j = 1, …, p) menghitung selisih input (dari unit-unit pada layer di atasnya),
Setiap unit output (Yk, k = 1, …, m) dan unit tersembunyi (Zj, j = 1, …, p)
mengubah bias dan bobot-bobotnya (j = 0, …, p) dan (i = 1, …, n):
8. Uji syarat henti
Pemilihan bobot awal dan bias pada back-propagation
Pemilihan bobot awal mempengaruhi apakah jaringan akan mencapai error
minimum global (atau lokal), dan jika tercapai, seberapa cepat konvergensinya.
Update bobot tergantung pada fungsi aktivasi unit yang lebih dalam (pemberi sinyal input) dan turunan fungsi aktivasi unit yang lebih luar (penerima sinyal input), sehingga perlu dihindari pemilihan bobot awal yang menyebabkan keduanya bernilai 0
Jika menggunakan fungsi sigmoid, nilai bobot awal tidak boleh terlalu besar karena dapat menyebabkan nilai turunannya menjadi sangat kecil (jatuh di daerah saturasi). Sebaliknya juga tidak boleh terlalu kecil, karena dapat menyebabkan net input ke unit tersembunyi atau unit output menjadi terlalu dekat dengan nol, yang membuat pembelajaran terlalu lambat
Pemilihan bobot awal dan bias pada back-propagation
Dua contoh model inisialisasi bobot dan bias.
• Inisialisasi Acak.
Bobot dan bias diinisialisasi nilai acak antara -0.5 dan 0.5 (atau antara -1 dan 1, atau pada interval lain yang sesuai).
• Inisialisasi Nguyen-Widrow.
Cara ini memberikan laju pembelajaran yang lebih cepat. Berikut contohnya untuk arsitektur dengan satu lapis tersembunyi.
• Bobot dari unit/neuron tersembunyi ke unit/neuron output diinisialisasi dengan nilai acak antara -0.5 dan 0,5
Sampai disini dulu, besok insyaallah saya lanjutkan share bagian terakhir dari presentasi Prof Wisnu tentang multi layer perceptron. Semoga bermanfaat!
Untuk menentukan struktur JST sebelum proses pengklasifikasian pola
Algoritma pembelajaran untuk menentukan struktur JST sebelum proses pengklasifikasian pola. Contoh: Hebb, Perceptron, Adelaine, Madelaine, Backpropagation, SOM, LVQ
Beberapa Fungsi Aktivasi:
Fungsi Identitas
Fungsi tangga biner (heaviside/threshold)
fungsi tangga bipolar
fungsi sigmoid biner
fungsi sigmoid bipolar
Perceptron
Algoritma pembelajaran perceptron
Ditemukan oleh Rosenbalt (1962) dan Minsky – Papert (1969)
Jaringan terdiri dari satu atau lebih unit masukan dan satu unit keluaran
Mempunyai sebuah bias yang bernilai +1 dan mempunyai bobot b
Fungsi aktivasi = fungsi tangga bipolar dengan nilai tetap
n input 1 output 1 nilai bias
Pembelajaran Perceptron
Inisialisasi bobot wi = 0 untuk i = 1, 2, 3, ….., n Set aktivasi untuk unit masukan xi =si i=1,2,…,n
Hitung total masukan ke unit keluaran
Masukkan ke fungsi aktivasi 4.
Jika y ≠ t update bobot wi(new)=wi (old)+Δwi ; i=b,1,2,…,n
Pengujian Perceptron
Sampai disini dulu, besok insyaallah akan saya lanjutkan dengan materi LVQ. Semoga bermanfaat!
Materi berikutnya dari Workshop AI Fasilkom UI adalah pengantar neural network yang disampaikan Prof Wisnu. Neural Network telah memiliki sejarah perkembangan cukup panjang, dimulai dari:
Single Layer Perceptron
Multi Layer Perceptron
Learning Vector Quantization (LVQ)
Deep Learning
CNN (Convolutional Neural Network)
Recurrent Neural Network (RNN)
Sejarah
Kemajuan 1943-1960:
Model matematika pertama neuron Pitts & McCulloch (1943)
Awal jaringan saraf tiruan
Perceptron – Rosenblatt (1958); satu neuron untuk klasifikasi; aturan pembelajaran perceptron; teorema konvergensi perceptron
Kemunduran 1960-1980:
Perceptron tidak bisa mempelajari fungsi XOR
tidak tahu cara melatih MLP
1963Backpropagation(Brysonetal.); tapi tidak banyak dikenal
Aplikasi yang berhasil di Pengenalan karakter, mobil otonom, …, dll. •
Tapi masih ada beberapa Open Problem di Overfitting? Struktur jaringan? Nomor neuron? Nomor lapisan? Poin minimum lokal yang buruk? Kapan berhenti berlatih?
Hopfield nets (1982), mesin Boltzmann, .. dll
Kemunduran 1993-
SVM:Support Vector Machine dikembangkan oleh Vapnik et al.. (arsitektur yang
Model grafis menjadi popular
Keberhasilan besar SVM dan model grafis hampir membunuh penelitian ANN (Artificial Neural Network).
Melatih jaringan yang lebih dalam secara konsisten menghasilkan hasil yang buruk.
Namun,Yann LeCun(1998) mengembangkan deep convolutional network (model diskriminatif).
Kemajuan 2006-
Deep learning merupakan branding baru penelitian ANN.
Deep Belief Networks (DBN) ∗ Algoritma pembelajaran cepat untuk jaring keyakinan yang dalam. Hinton et al. Komputasi Neural. ∗ Model grafis generatif ∗ Berdasarkan mesin Boltzmann terbatas ∗ Dapat dilatih secara efisien
Deep Autoencoder based networks ∗ Greedy Layer-Wise Training of Deep Networks. Bengio et al. NIPS Convolutional neural networks running on GPUs ∗ Kesuksesan NN karena penggunaan GPU yang masif. ∗ AlexNet (2012). Krizhevsky et al. NIPS
Neural network adalah prosesor yang secara masif terdistribusi secara paralel yang terdiri dari unit pemrosesan sederhana, yang memiliki kecenderungan alami untuk menyimpan pengetahuan pengalaman dan membuatnya tersedia untuk digunakan.
Neural Network mengadopsi otak manusia untuk memproses tugas.
Untuk melakukan tugas, Neural Network menggunakan interkoneksi yang kuat dari sel komputasi yang dikenal sebagai “neuron“
Pengetahuan diperoleh jaringan saraf dari lingkungannya melalui proses pembelajaran
Kekuatan koneksi interneuron, yang dikenal sebagai bobot sinaptik, digunakan untuk menyimpan pengetahuan yang diperoleh
Properti dan kapabilitas Neural Network
Nonlinier: Nonlinier adalah properti yang sangat penting. terutama jika mekanisme fisik yang mendasari bertanggung jawab untuk menghasilkan sinyal input (mis. • Speech signal)
Pemetaan Input-Output; Neural network belajar dari contoh-contoh dengan membuat pemetaan input-output untuk masalah yang dihadapi
Adaptivitas: Neural network memiliki kemampuan bawaan untuk menyesuaikan bobot sinaptiknya dengan perubahan di lingkungan sekitarnya
Respon Bukti; Dalam konteks klasifikasi pola, jaringan saraf dapat dirancang untuk memberikan informasi tidak hanya tentang pola tertentu yang akan dipilih, tetapi juga tentang kepercayaan dalam keputusan yang dibuat.
Informasi Kontekstual: Pengetahuan diwakili oleh struktur dan status aktivasi jaringan syaraf.
Toleransi Kesalahan; Mampu melakukan komputasi yang robust, dalam arti kinerjanya menurun dengan baik dalam kondisi pengoperasian yang buruk
Penerapan VLSI; VLSI menyediakan sarana untuk menangkap perilaku yang benar-benar kompleks dengan cara yang sangat hierarkis
Keseragaman Analisis dan Desain; notasi yang sama digunakan disemua domain yang melibatkan penerapan neural network
Analogi Neurobiologis; Rancangan neural network dimotivasi oleh analogi dengan otak, yang merupakan bukti nyata bahwa pemrosesan paralel yang toleran terhadap kesalahan tidak hanya mungkin secara fisik tetapi juga cepat dan kuat
Sampai disini dulu, insyaallah besok saya lanjutkan sharing materi prof Wisnu ini. Semoga Bermanfaat!
Saya lanjutkan sharing materi workshop AI fasilkom UI. Sekarang materi terakhir dari Fariz Darari, tentang machine learning.
Artificial Intelligence (AI) adalah semua teknik yang dapat membuat komputer mampu meniru kemampuan manusia.
Machine Learning (ML) adalah bagian dari AI yang menggunakan metoda statistik untuk membuat mesin belajar dari pengalaman (data yang ada)
Deep Learning (DL) adalah bagian dari ML yang menggunakan perhitungan komputasi dengan multi layer network
Machine Learning (ML) adalah studi algoritma untuk meningkatkan improve performance P, pada tugas T, dengan E. Contoh task ML : (P, T, E) diantaranya:
T mengenali tulisan tangan
P persentase kata dari tulisan tangan yang berhasil diklasifikasi dengan benar
E database gambar kata yang ditulis tangan dan diberi label
—
T kemudi otomatis di jalan tol dengan 4 lajur menggunakan sensor vision
P rata-rata jarak tempuh sebelum human-judged eror
E sequence gambar dan perintah mengemudi yang direkam ketika mengamati human driver
—
T kategorisasi email spam atau tidak
P persentase email yang diklasifikasikan benar
E database email yang diberi label
Kebutuhan ML:
Ada pola yang bisa dipelajari, performance bisa diukur
Tidak mudah diprogram, tidak perlu ML untuk menghitung 1+1
Ada data yang cukup tentang pola, sehingga ML bisa belajar
Beberapa tipe learning:
Supervised Learning: dari data yang sudah diberi label, mesin melakukan training, kemudian melakukan prediksi terhadap data baru
Unsupervised learning; dari data yang tidak diberi label, mesin diminta menemukan pola dari data
Supervised Learning
Regresi: mencari persamaan yang mendekati dari sebaran data; y=mx+b
Klasifikasi: melakukan klasifikasi data yang belum diketahui
Unsupervised
Clustering: Mengelompokan data ke dalam subset atau klaster. Coherent intra-cluster (= within the cluster) dan dissimilar inter-cluster (= among clusters)
Association rule mining: mencari keterhubungan data (asosiasi)
Sampai disini materi Fariz, besok insyaallah saya share materi Prof Wisnu sesi malam. Semoga Bermanfaat!!
Saya lanjutkan share materi workshop AI yg diadakan Fasilkom UI. Kali ini materi Probabilistic reasoning dari fariz darari. Probability agent, adalah agent yang dapat bekerja pada kondisi yang tidak pasti (uncertain). Contohnya diagnosis: batuk ⇒ covid-19 ; Ketika orang batuk, maka tidak dapat dipastikan dia covid-19, namun ada probability. Contoh pernyataan “The patient has COVID-19 with probability 0.00002”. Setiap sampel point ω memiliki nilai probabilitas P(ω) :
0 <= P(ω) <= 1
Jumlah P(ω) untuk semua sampe adalah 1
Prior probability adalah unconditional probability, contoh : P(cough), P(covid-19);
Posterior probability adalah conditional probability contoh: P(covid-19|cough); P(covid-19|cough, breathing difficulty); Conditional probability formula: P(a|b) = P(a ∧ b) / P(b). Contoh pada gambar diatas.
Bayes
Dari conditional probability : P(a|b) = P(a ∧ b) / P(b)
Saya coba lanjutkan lagi sharing materi workshop AI yang diadakan Fasilkom UI. Kali ini bagian ketiga dari presentasi Fariz dariri tentang sistem cerdas. Knowledge based agent adalah sebuah intelligent agent yang mengetahui benda dan dapat melakukan penalaran. Knowledge (pengetahuan) dan reasoning (penalaran) adalah bagian penting ketika berinteraksi dengan lingkungan yang partially observable. Dua tugas utama tell dan ask. Agent harus dapat mengambil kesimpulan yaitu pengetahuan baru diturunkan dari sesuatu yang sudah diketahui.
Komponen dari Knowledge based agent:
inference engine: domain independent algoritma
knowledge base: domain-specific content
Contoh klasik penalaran:
Tell:
Socrates adalah manusia
Semua manusia akan mati
Ask:
Apakah Socrates akan mati? Ya
Contoh lain:
Tell:
Kalau hujan, rumput akan basah
Hari ini hujan
Ask:
apakah rumput basah? ya
Domain-independent reasoining: Modus Ponens
Tell:
Jika A maka B
A
Ask:
B? ya
Tipe-tipe penalaran:
Deduktif: Aturan umum –> kesimpulan spesifik
Induktif: Observasi tertentu –> Kesimpulan umum
Abductif: Observasi yang tidak komplot –> Prediksi terbaik
Contoh penalaran pada kasus Angsa:
Deduktif:
Semua angsa berwarna putih
Daisy adalah sebuah angsa
maka Daisy berwarna putih
Induktif:
Daisy adalah angsa, dan daisy berwarna putih
Danny adalah angsa dan danny berwarna putih
Dante adalah angsa dan dante berwarna putih
Maka semua angsa berwrna putih
Abduction:
Semua angsa berwarna putih
Daisy berwarna putih
maka Daisy adalah seekor angsa
Kemudian diceritakan contoh kasus wumpus world. Wumpus world ini sebuah game sederhana yang sering dijadikan contoh dalam knowledge representation dan logical reasoning.
Logical Language
2 logical languge:
Propositional Logic (PL)
First Order Logic (FOL)
Bagian logical language
Syntax: menentukan statement (pernyataan) sesuai dengan format
Semantic: Makna dari statement
Proposional Logic (PL)
Statement di PL direpresentasikan dengan simbol seperti P,Q,R,ItRains dll
Pernyataan yang kompleks bisa menggunakan konektor logika seperti: not (¬), and (∧), or (∨), implies (⇒), if and only if (⇔)
Semantik bisa ditentukan dengan sebuah model. kemudian dilakukan pengujian nilai kebenarannya.
Contoh:
pernyataan P: Bob adalah seorang guru;
Pernyataan Q: Nina adalah seorang bos
¬P ∧ Q : Bob bukan guru dan Nina seorang bos
Bila ditanyakan apakah ¬P ∧ Q true (benar)?
Jawabannya tergantung apakah P benar, apakah Q benar
Dalam model dimana P adalah salah, dan Q adalah benar, pernyataan ¬P ∧ Q adalah benar
Namun pada model dimana P adalah benar dan Q adalah benar, maka pernyataan P ∧ Q adalah false
KB entailment:
Tujuan dari pernyataan logil adalah untuk mengambil kesimpulan, (making explicit from what is implicit)
entailment KB ⊨ α berarti pernyataan α secara logis mengikuti statements KB
Maksudnya pada model apapun yang menghasilkan KB true, maka model tersebut juga menghasilkan α true
Contoh:
A adalah pernyataan ” Socrates adalah manusia”, B adalah “Socrates pasti mati”
Bila pernyataan KB terdiri dari A ; A⇒B
Apakah KB ⊨ B? ya
First Order Logic (FOL)
Propositional Logic (PL) memiliki keterbatasan ekspresi
Contoh sebuah knowledge base (KB) terdiri dari: “Budi is a friend of Ani” dan “All friends of Budi are nice” dengan PL
FOL dapat merepresentasikan KB tersebut
FOL mendukung
Objects, relations, and functions
Universal and existential quantifiers
Equality
Contoh representasi FOL:
“Budi is a friend of Ani” • “All friends of Budi are nice”
Friend(Budi, Ani) ∀x Friend(Budi, x) ⇒ Nice(x)
FOL Reasoning:
Universal instantiation: A statement with universal quantifier entailing all its instantiations, so the following holds for any variable v and any object g:
Diketahui KB berikut:
• “Budi is a friend of Ani”: Friend(Budi, Ani) • “All friends of Budi are nice”: ∀x Friend(Budi, x) ⇒ Nice(x)
Dapatkah kita menyimpulkan bawha “Ani is nice”, Nice(Ani)?
Jawaban:
Kita bisa melakukan universal instantiation. Substitusu x dengan Ani for ∀x Friend(Budi, x) ⇒ Nice(x) menghasilkan: Friend(Budi, Ani) ⇒ Nice(Ani)
Maka dengan Modus Ponens, dari Friend(Budi, Ani) dan Friend(Budi, Ani) ⇒ Nice(Ani), kita mendapatkan: Nice(ani)
Sampai disini dulu, besok insyaallah saya lanjutkan materi berikutnya tentang Probabilistic reasoning. Semoga Bermanfaat!
Saya coba lanjutkan beberapa catatan dari workshop AI yang diselenggarakan Fasilkom UI. Materi ini bagian kedua dari kuliah Intelligent System (sistem cerdas) pak Fariz, temanya tentang searching. Dalam sistem cerdas, bagian paling mendasar adalah tentang problem solving. Maksudnya bagaimana sistem cerdas dapat mencari solusi dari sebuah masalah. Langkah-langkah problem solving adalah:
Goal Formulation
Problem Formulation
Searching for a solution
Executing the solution
Contoh pertama yang diberikan adalah sbb: Vacation in Romania
Goal Formulation: mencari jalan ke Bucharest
Problem Formulation:
action: mengemudi dari satu kota ke kota lain;
State: Lokasi di sebuah kota
Initial state: Arad
Searching: Mencari jalur dari Arad ke bucharest
Executing: Mengemudi dengan mengikuti panduan dari hasil searching
Contoh Lainnya:
Vacuum Cleaner Bot
Eight Puzzle
N Queen
Chatbot
Searching: proses mencari solusi dari masalah yang diberikan
Search tree: beberapa urutan aksi yang memungkinkan dari initial state; menggunakan beberapa algoritma untuk pergi dari initial state ke goal state
Algoritma Tree-Search:
function: tree-search (problem, strategy) returns a solution, or failure intialize the search tree using the intial state of the problem
loop do
if there are no candidates for expansion then return failure
choose a leaf node for expansion according to strategy
if the node contains a goal state then return the corresponding solution
else expand the node and add the resulting nodes to the search tree
Search strategy:
Breadth First Search (BFS)
Depth First Search (DFS)
Uniform cost search (UCS)
Bread First Search
Expand shallowest unexpanded node
Queu data structure (FIFO)
contoh pada kasus Rumania
jika terdapat solusi, menggunakan BFS pasti solusi akan ditemukan
Hanya saja kompleksitas waktu dan space meningkat secara eksponensial
Depth First Search
expand deepest unexpanded node
Stack data structure (LIFO)
Contoh pada kasus rumania:
DFS:
Lower space complexity than BFS
However, can get stuck going down a very long (or even infinite) path!
Solution to avoid infinite path: Repeated state checking
Still, repeated state checking does not guarantee optimality
Uniform Cost Search
expand unexpanded node with lowest path cost
Priority queue data structure, ordered by path cost from lowest to highest
pada contoh kasus rumania
Heuristic
BFS, DFS dan UCS adalah uninformed search
Ketiganya tidak menggunakan heuristic (rule of thumb) untuk mempercepat pencarioan
Fungsi heuristik digunakan untuk menghitung cost terendah pada jalur dari node n ke goal node
pada contoh kasus rumania diberikan fungsi heuristik jarak garis lurus kota X dengan bucharest
Greedy Search
cari node yang sepertinya terdekat dengan tujuan
Solusi: Arad – Sibiu – Fagaras – Bucharest
Solusi ini tidak optimal!
A* Search
Greedy search itu greed (rakus) karena dia hanya menilihat nilai heuristik dari sebuah node
A* Search lebih berhati-hati, karena dia mengkombinasikan g(n): cost untuk mencapai current node n; h(n): nilai heuristic atau estimasi cost dari current node n ke goal node
f(n) = g(n) + h(n)
A* search lebih optimal ketika fungsi heuristik tidak overestimate cost untuk mencapai tujuan
Saya lanjutkan share materi workshop AI yang diadakan Fasilkom UI. Materi ke 3 adalah Intelligent Systems dari Fariz Darari. Awal kuliah pak fariz menjelaskan apa itu intelligent, dan menampilkan quote:
Intelligence is the computational part of the ability to achieve goals (John McCarthy – Father of AI)
Proses Computational thinking ada 3:
decomposition: memecahkan masalah dengan membaginya menjadi beberapa kelompok kecil
Pattern recognition: menganalisa data dan mengenali pola
Algoritmic design: merancang solusi menggunakan beberapa tahapan
Kemudian dia bercerita tentang Turing test, dimana seorang penanya (manusia) diminta melakukan survey dan menanyakan beberapa pertanyaan kepada dua orang responden: human responden (orang) dan computer responden. Kemudian sang penanya diminta untuk menentukan dari dua orang responden tadi, yang mana manusia dan yang mana komputer. Sistem komputer itu disebut inteligent ketika penanya tidak bisa membedakan mana responden yang orang dan mana yang komputer.
Tes ini berkebalikan dengan tes captcha, dimana kita diminta membuktikan bahwa kita bukan robot. Ada beberapa macam kemampuan intelligent:
Natural Language processing
Knowledge representation
Automated reasoning
machine learning
Computer vision
robotik
Kemudian dia menjelaskan interaksi intelligent agent (IA) dengan lingkungannya. IA membutuhkan sensor, aktuator, reasoning/information processing untuk melakukan pengambilan keputusan. Kemudian dalam interaksi ini ada yang dinamakan persepsi dan actions. Contoh sistem cerdas:Vaccum cleaner: https://www.youtube.com/watch?v=Yf8MuJUGLlI
Contoh robot pemilih komponen di industri. (PEAS)
Performance: Persentase sistem mengambil dan meletekan komponen dengan benar
Kemaren saya ikut workshop tentang AI (Artificial Intelligence) dr Fasilkom UI. Saya akan coba share beberapa catatan saya dr workshop ini dalam beberapa tulisan. Tulisan kali ini tentang materi pertama, overview AI dari Prof Wisnu Jatmiko. Beliau share beberapa ebook yang pernah dia tulis disini ,Selain itu dia share juga materi webinar beliau tentang penulisan artikel ilmiah disini .
Definisi AI:
making a machine behave in ways that would be called intelligent if a human were so behaving. McCarthy, Minsky, Rochester & Shannon, 1956.
Turing test (1951) , “imitation game”, tests if a computer can successfully pretend to be a human in a dialogue via screen & keyboard. A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence, August 31, 1955, AI Magazine, Vol. 27(4), 2006. Adapted from Slide “Pattern Recognition: Statistics to Deep Networks” Anil K. Jain, Michigan State University, ICACSIS-IWBIS 2020
Beberapa sejarah perkembangan teknologi yang mendukung AI:
ArchiGAN: generative stack untuk desain apartemen, GAN-enabled Space Layout under Morphing Footprint; https://developer.nvidia.com/blog/archigan-generative-stack-apartment-building-design/
Kemudian dia cerita tentang AI Winter dan timeline perkembangan AI, istilah winter disini maksudnya berhentinya perkembangan AI:
1950-1960: Munculnya AI boom pertama
1970 : AI Winter
1980-1990: AI boom kedua
1990 : AI Winter kedua
1997 : komputer Deep Blue bertanding catur dan mengalahkan gary kasparov
2006 Universitas toronto mengembangkan deep learning
2011 IBM Watson memenangkan jeopardy
2016 Go Software berbasis Deep Learning, mengalahkan juara dunia
Kemudian dia cerita berbagai riset yang dia lakukan, diantaranya tentang:
biomedis dan intelligence sistem.
sistem Long-term tracking, yang bisa mendeteksi ketika target yang ditracking hilang https://www.votchallenge.net/vot2018/results.html contohnya yang menggunakan sistem DFCnet dan CFLT.
Sistem AI di swarm robot dan unmaned Aerial Vehicle
Communication recovery
Pengembangan swarm mobile robot
sistem deteksi obyek pake yolo3
Telehealth
TeleUSG
teleECG
Big Data analisis
Kemudian dia cerita riset yang telah dilakukan selama pandemi:
Riset menggunakan open source data
Mengembangkan simulator
Intelligent trafik
rekaman Videonya bakal dishare di youtube Fasilkom UI katanya. Semoga bermanfaat!
