Pengantar Deep Learning
Deep learning adalah bidang bawah dari machine learning yang berfokus pada pembelajaran representasi fitur kompleks dan hierarkis dari data mentah menggunakan jaringan saraf tiruan. Mata kuliah ini mencakup prinsip dasar, matematika di baliknya, konsep optimasi (gradient descent, backpropagation), modul jaringan (layer linear, konvolusi, pooling), serta arsitektur umum (CNNs, RNNs). Aplikasi yang ditunjukkan meliputi visi komputer, pemrosesan bahasa alami, dan pembelajaran penguatan. Mahasiswa akan menggunakan perpustakaan deep learning PyTorch untuk implementasi dan menyelesaikan proyek akhir pada skenario dunia nyata.
Gambaran Umum Kursus
Ringkasan Konten
Deep learning adalah bidang bawah dari machine learning yang berfokus pada pembelajaran representasi fitur hierarkis yang kompleks dari data mentah menggunakan jaringan saraf tiruan. Mata kuliah ini membahas prinsip dasar, matematika di baliknya, konsep optimasi (gradient descent, backpropagation), modul jaringan (layer linear, konvolusi, pooling), serta arsitektur umum (CNNs, RNNs). Aplikasi yang ditampilkan mencakup visi komputer, pemrosesan bahasa alami, dan pembelajaran penguatan. Mahasiswa akan menggunakan perpustakaan deep learning PyTorch untuk implementasi dan menyelesaikan proyek akhir pada skenario dunia nyata.
Ringkasan singkat tujuan utama: Kuasai teori deep learning, implementasikan model menggunakan PyTorch, pahami arsitektur khusus (CNNs, RNNs, Transformers), dan terapkan konsep-konsep ini dalam visi komputer, NLP, dan pengambilan keputusan berurutan.
Tujuan Pembelajaran
- Jelaskan dasar matematika dan teknik optimasi inti (Gradient Descent, Backpropagation) yang diperlukan untuk melatih jaringan saraf dalam.
- Gunakan kerangka kerja deep learning PyTorch untuk mengimplementasikan, melatih, dan mendiagnosis arsitektur jaringan modern secara efisien dengan akselerasi CUDA dan teknik penanganan data yang efisien.
- Rancang dan analisis arsitektur khusus, termasuk Convolutional Neural Networks (CNNs) untuk data gambar dan model Transformer untuk ketergantungan urutan.
- Terapkan teknik deep learning untuk memecahkan masalah praktis di domain aplikasi utama: Visi Komputer, Pemrosesan Bahasa Alami, dan Pembelajaran Penguatan.
- Evaluasi model berdasarkan ketahanan, interpretabilitas, dan keadilan etis, membandingkan keunggulan berbagai paradigma maju (misalnya Model Generatif, Pembelajaran Semi-Supervised).