AI: Perbedaan AI, ML (Machine Learning), dan DL (Deep Learning)

00:15:09
https://www.youtube.com/watch?v=rQRikWceaB8

Resumo

TLDRVideo ini menjelaskan tentang kecerdasan buatan (AI), machine learning, dan deep learning. AI adalah kecerdasan yang diwujudkan dalam mesin, sedangkan machine learning adalah bagian dari AI yang memungkinkan sistem belajar sendiri. Deep learning adalah pendekatan yang lebih kompleks yang meniru cara kerja otak manusia dan digunakan untuk memproses data besar. Contoh aplikasi termasuk sistem rekomendasi Amazon dan pengenalan suara.

Conclusões

  • 🤖 AI adalah kecerdasan dalam mesin.
  • 📊 Machine learning memungkinkan sistem belajar sendiri.
  • 🧠 Deep learning meniru cara kerja otak manusia.
  • 📈 Sistem rekomendasi Amazon adalah contoh aplikasi AI.
  • 🔍 Fitur ekstraksi penting dalam machine learning.

Linha do tempo

  • 00:00:00 - 00:05:00

    Video ini membahas tentang kecerdasan buatan (AI) dan hubungannya dengan machine learning dan deep learning. AI didefinisikan sebagai kecerdasan yang dapat diwujudkan dalam mesin, berbeda dengan kecerdasan alami. Machine learning adalah bagian dari AI yang memungkinkan sistem belajar sendiri melalui algoritma, dan dapat meningkatkan kecerdasannya seiring waktu. Contoh penerapan machine learning termasuk sistem penerjemahan bahasa yang terus belajar dari umpan balik pengguna.

  • 00:05:00 - 00:15:09

    Selanjutnya, video menjelaskan tentang algoritma dalam machine learning yang tidak hanya menjalankan proses tetapi juga menciptakan kecerdasan. Terdapat tiga kategori algoritma machine learning: supervised, unsupervised, dan reinforcement learning. Deep learning, yang merupakan bagian dari machine learning, menggunakan jaringan saraf tiruan untuk meniru cara kerja otak manusia dan dapat memproses data dalam volume besar tanpa perlu fitur ekstraksi manual. Pendekatan ini lebih kompleks dan memerlukan komputasi yang lebih besar, tetapi lebih efisien dalam belajar dari data.

Mapa mental

Vídeo de perguntas e respostas

  • Apa itu AI?

    AI atau kecerdasan buatan adalah kecerdasan yang diwujudkan dalam mesin, berbeda dengan kecerdasan alami.

  • Apa itu machine learning?

    Machine learning adalah bagian dari AI yang memungkinkan sistem belajar sendiri berdasarkan algoritma.

  • Apa perbedaan antara machine learning dan deep learning?

    Machine learning memerlukan ekstraksi fitur manual, sedangkan deep learning dapat belajar dari data mentah tanpa perlu ekstraksi fitur.

  • Apa contoh aplikasi AI?

    Contoh aplikasi AI termasuk sistem rekomendasi Amazon dan pengenalan suara.

  • Apa itu artificial neural network?

    Artificial neural network adalah algoritma yang meniru cara kerja otak manusia untuk membangun kecerdasan.

Ver mais resumos de vídeos

Obtenha acesso instantâneo a resumos gratuitos de vídeos do YouTube com tecnologia de IA!
Legendas
id
Rolagem automática:
  • 00:00:00
    Hai di planning itulah yang lebih mirip
  • 00:00:03
    cara kerja manusia tadinya
  • 00:00:06
    [Musik]
  • 00:00:09
    Hai cara tentang Ai biasanya tidak lepas
  • 00:00:13
    dari pembicaraan tentang
  • 00:00:15
    machine-learning dan depleting mengapa
  • 00:00:19
    karena teknik air yang digunakan saat
  • 00:00:22
    ini hari ini pada umumnya menggunakan
  • 00:00:25
    pendekatan machine learning atau di
  • 00:00:29
    planning baik kita mulai dengan memahami
  • 00:00:33
    apa itu ai ya Secara definisi Ai atau
  • 00:00:38
    artificial intelligence adalah
  • 00:00:40
    kecerdasan yang dapat diwujudkan dalam
  • 00:00:44
    suatu mesin
  • 00:00:46
    Hai biasanya berbentuk komputer dan
  • 00:00:48
    algoritma didalamnya berbeda dengan
  • 00:00:51
    natural intelligence atau kecerdasan
  • 00:00:53
    alami yang melekat pada manusia atau
  • 00:00:57
    makhluk hidup lainnya lebih formal
  • 00:01:01
    artifisial intelijen adalah cabang ilmu
  • 00:01:04
    komputer atau cabang dari computer
  • 00:01:07
    science yang berusaha mereplikasi atau
  • 00:01:10
    mensimulasikan kecerdasan manusia dalam
  • 00:01:14
    sebuah mesin sehingga mesin tersebut
  • 00:01:17
    dapat melakukan tugas-tugas yang
  • 00:01:20
    biasanya membutuhkan kecerdasan manusia
  • 00:01:24
    ya itulah pemahaman tentang artifisial
  • 00:01:28
    intelijen tidak rumit Saya kira ya Nah
  • 00:01:31
    baik berikutnya adalah kita coba kaitkan
  • 00:01:35
    dengan machine learning dan di planning
  • 00:01:39
    yah machine learning merupakan bagian
  • 00:01:42
    dari artificial intelegence ke bidang
  • 00:01:46
    Hai yang kedua machine-learning mengacu
  • 00:01:50
    pada sistem Ai yang dapat belajar
  • 00:01:52
    sendiri berdasarkan algoritma
  • 00:01:57
    Hai jadi pemahamannya sistem Ai ada yang
  • 00:02:01
    dapat menciptakan kecerdasan tidak
  • 00:02:05
    melalui proses belajar sendiri dan ada
  • 00:02:10
    satu lagi yang dapat menciptakan
  • 00:02:12
    kecerdasan dengan melalui proses
  • 00:02:15
    learning atau belajar Nah inilah yang
  • 00:02:19
    disebut mesin learning system
  • 00:02:23
    machine-learning menjadi lebih pintar
  • 00:02:25
    dan pintar terus makin pintar dari waktu
  • 00:02:28
    ke waktu jika melakukan proses belajar
  • 00:02:32
    terus-menerus sebagai contoh kalau kita
  • 00:02:36
    lihat translator bahasa yang disediakan
  • 00:02:40
    oleh Google memungkinkan kalau kita
  • 00:02:44
    melihat terjemahan yang tidak tepat
  • 00:02:48
    Hai user diperbolehkan mengusulkan
  • 00:02:52
    update ya terhadap sistem dengan
  • 00:02:56
    demikian sistem akan belajar lagi ya
  • 00:03:00
    Sehingga kualitasnya dengan berjalannya
  • 00:03:03
    waktu akan menjadi lebih baik di perning
  • 00:03:07
    sebetulnya adalah sebuah mesin learning
  • 00:03:10
    tapi machine-learning yang lebih
  • 00:03:13
    spesifik apa spesifiknya yaitu
  • 00:03:18
    diterapkan pada Kumpulan data yang
  • 00:03:21
    sangat besar tidak hanya besar tapi
  • 00:03:25
    sangat besar tentunya harus memiliki
  • 00:03:29
    algoritma yang lebih baik lebih efektif
  • 00:03:33
    dan didukung dengan mesin dengan
  • 00:03:36
    kekuatan komputasi yang lebih powerfull
  • 00:03:40
    atau lebih baik yah itulah
  • 00:03:44
    Hai Ai machine-learning dan di planning
  • 00:03:47
    lebih mudah barangkali kalau kita pahami
  • 00:03:50
    melalui gambar yang terpampang ya
  • 00:03:54
    lingkaran biru adalah artificial
  • 00:03:57
    intelegence mencakup seluruh hal yang
  • 00:04:01
    berkaitan dengan penciptaan kecerdasan
  • 00:04:04
    diatas sebuah mesin sebagian dari
  • 00:04:08
    artifisial intelijen adalah sistem yang
  • 00:04:13
    menggunakan pendekatan penciptaan
  • 00:04:16
    kecerdasan melalui proses belajar itulah
  • 00:04:19
    yang disebut machine-learning yang
  • 00:04:21
    berwarna hijau ya sebagian dari mesin
  • 00:04:25
    learning ada yang lebih khusus yaitu
  • 00:04:30
    diimplementasikan dengan Kumpulan data
  • 00:04:32
    yang sangat besar Inilah yang disebut di
  • 00:04:36
    perning Ya baik kita lanjut ya lebih
  • 00:04:41
    spesifik machine-learning mesin
  • 00:04:44
    enggak adalah bagian dari air yang sudah
  • 00:04:46
    ada sejak lama bukan baru setahun dua
  • 00:04:50
    tahun yang lalu sistem machine-learning
  • 00:04:53
    dapat belajar dan meningkatkan
  • 00:04:56
    kecerdasan secara otomatis dengan cara
  • 00:04:59
    belajar terus-menerus itu kira-kira
  • 00:05:04
    pemahamannya seperti itu ya sistem ini
  • 00:05:08
    bekerja berdasarkan algoritma
  • 00:05:11
    Hai tapi bukan algoritma yang dibuat
  • 00:05:16
    spesifik berdasarkan permasalahannya
  • 00:05:20
    Hai kalau kita memprogram
  • 00:05:23
    di dalam lingkungan bukan artificial
  • 00:05:26
    intelegence maka kita memahami
  • 00:05:29
    perjalanan data masuk Mengalami berbagai
  • 00:05:33
    proses di dalam sampai keluar menjadi
  • 00:05:36
    informasi di akhir ya itu kita harus
  • 00:05:42
    representasikan seluruh proses itu dalam
  • 00:05:46
    bentuk algoritma yang sangat rinci jadi
  • 00:05:51
    sistem tidak merepresentasikan
  • 00:05:55
    kecerdasan sistem hanya mengotomasi
  • 00:06:00
    proses yang dipikirkan oleh perancang
  • 00:06:05
    sistem Dalam hal ini dituliskan berupa
  • 00:06:08
    program oleh programmer nya pada sistem
  • 00:06:11
    Ai algoritma yang dimaksud adalah
  • 00:06:14
    algoritma menjalankan mekanisme
  • 00:06:18
    kecerdasan itu
  • 00:06:20
    Oh ya algoritma yang sama dapat
  • 00:06:24
    digunakan untuk persoalan yang
  • 00:06:26
    berbeda-beda jadi algoritma yang
  • 00:06:30
    dicalonkan itu menciptakan fungsi
  • 00:06:35
    kecerdasan yah dalam algoritma non Ai
  • 00:06:40
    algoritma tidak menciptakan kecerdasan
  • 00:06:43
    disana tapi hanya menjalankan urutan
  • 00:06:47
    proses machine-learning banyak
  • 00:06:51
    menggunakan pendekatan statistik
  • 00:06:53
    e-learning algorithm untuk membangun
  • 00:06:57
    kecerdasan
  • 00:06:58
    Hai algoritma mesin learning
  • 00:07:01
    diklasifikasikan ke dalam tiga kategori
  • 00:07:03
    ada yang supervise and supervise serta
  • 00:07:08
    reinforcement learning Ya baik kita
  • 00:07:12
    lihat berikutnya di perning di perning
  • 00:07:16
    berkembang lama setelah mesin learning
  • 00:07:18
    digunakan dalam berbagai aplikasi
  • 00:07:22
    artificial intelegent artinya
  • 00:07:25
    Hai jadi baru belakangan menyusul
  • 00:07:27
    Setelah lama machine-learning digunakan
  • 00:07:30
    di perning biasanya menggunakan
  • 00:07:33
    artificial neural Network yang meniru
  • 00:07:37
    cara kerja otak manusia Walaupun ada
  • 00:07:40
    satu catatan artificial neural Network
  • 00:07:43
    juga sekarang digunakan dalam mesin
  • 00:07:46
    learning Ya tapi dalam cara penerapan
  • 00:07:50
    yang sedikit berbeda evolusioner Network
  • 00:07:53
    rekaren neuron netbook serta rekursif
  • 00:07:57
    neural Network baik tadi sudah disebut
  • 00:08:03
    artificial neural Network banyak pilihan
  • 00:08:07
    teknik yang dapat digunakan untuk
  • 00:08:09
    implementasi mesin learning atau di
  • 00:08:11
    perning salah satu pendekatan yang saat
  • 00:08:14
    ini banyak digunakan adalah artificial
  • 00:08:18
    neural Network atau jaringan syaraf
  • 00:08:21
    tiruan berupa sebuah algoritma yang
  • 00:08:25
    bukan proses yang terjadi dalam jaringan
  • 00:08:27
    saraf yang sesungguhnya dalam makhluk
  • 00:08:31
    hidup atau manusia jadi algoritmanya
  • 00:08:35
    bukan algoritma penyelesaian masalah
  • 00:08:38
    kali lagi ya tapi algoritma untuk
  • 00:08:41
    menjalankan atau menirukan fungsi
  • 00:08:44
    jaringan saraf it ya sebagai jaringan
  • 00:08:48
    syaraf tiruan salah satu contoh menarik
  • 00:08:52
    ya penggunaan artificial neural Network
  • 00:08:55
    itu adalah Amazon recommendation engine
  • 00:08:59
    kalau kita belanja ke Amazon sebetulnya
  • 00:09:02
    e-commerce manapun pada umumnya sekarang
  • 00:09:05
    melakukan proses yang sama customer
  • 00:09:08
    biasanya diberikan rekomendasi
  • 00:09:11
    kalau-kalau membeli ABC biasanya ini D
  • 00:09:15
    juga diperlukan nah ini biasanya makin
  • 00:09:19
    lama makin sering kita belanja makin
  • 00:09:22
    akurat Mengapa karena
  • 00:09:25
    Hai sistem belajar dari karakteristik
  • 00:09:28
    kita dikawinkan dengan karakteristik
  • 00:09:31
    customer Yang lain sehingga bisa menebak
  • 00:09:34
    kalau belanja ini biasanya ini juga
  • 00:09:37
    diperlukan ya kira-kira seperti itu baik
  • 00:09:42
    dari kacamata yang lain apa sebetulnya
  • 00:09:45
    machine-learning dan edit learning tadi
  • 00:09:48
    dikatakan bahwa bedanya di perning
  • 00:09:50
    berkaitan dengan volume data yang besar
  • 00:09:54
    ya mari kita mulai dengan mesin learning
  • 00:09:59
    Katakanlah kita punya data suara ucapan
  • 00:10:04
    yang ingin diproses
  • 00:10:06
    Hai Katakanlah untuk mengenali ini yang
  • 00:10:09
    diucapkan tuh apa meja atau kursi yes
  • 00:10:12
    atau no atau apapun ya pada pendekatan
  • 00:10:16
    machine-learning biasanya ada sebuah
  • 00:10:20
    proses di awal yang disebut fitur
  • 00:10:23
    extractions
  • 00:10:25
    Oh ya ini harus dipikirkan oleh manusia
  • 00:10:28
    jadi informasi yang masih abstrak besar
  • 00:10:33
    volumenya itu diekstrak fiturnya
  • 00:10:37
    sehingga menjadi informasi yang jauh
  • 00:10:41
    lebih ringkas tapi kayak dengan
  • 00:10:45
    fitur-fitur penting dari sumber data
  • 00:10:50
    atau informasi nya Nah fitur-fitur
  • 00:10:54
    inilah hasil ekstrasi ini yang
  • 00:10:57
    diumpankan sebagai input kedalam sistem
  • 00:11:01
    Dalam hal ini machine-learning sehingga
  • 00:11:04
    mesin learning dapat melakukan proses
  • 00:11:07
    lebih efektif karena sudah Dipilihkan
  • 00:11:11
    fitur-fitur yang penting sebagai contoh
  • 00:11:14
    kalau kita mau memproses sinyal ucapan
  • 00:11:17
    suara begitu ini seringkali digunakan
  • 00:11:20
    feature Extraction
  • 00:11:24
    Hai new frequency cepstrum ya ini berupa
  • 00:11:29
    deretan angka-angka yang
  • 00:11:31
    merepresentasikan fitur-fitur kunci yang
  • 00:11:35
    sudah diteliti oleh berbagai tak
  • 00:11:40
    peneliti dan digunakan secara lama
  • 00:11:43
    inilah fitur-fitur terpenting yang
  • 00:11:45
    merepresentasikan sinyal suara yang
  • 00:11:48
    volume datanya jauh lebih besar sehingga
  • 00:11:52
    machine-learning tugasnya menjadi lebih
  • 00:11:54
    ringan ya dan juga lebih akurat karena
  • 00:11:58
    sudah Dipilihkan fiturnya ya yang jadi
  • 00:12:02
    masalah adalah untuk setiap persoalan
  • 00:12:05
    yang berbeda maka feature Extraction nya
  • 00:12:08
    beda-beda kita harus reset lagi
  • 00:12:11
    memikirkan itu sampai akhirnya
  • 00:12:15
    Ayo kita tiba pada opsi Menggunakan
  • 00:12:18
    sesuatu yang disebut deeplearning4j
  • 00:12:22
    sejak awal ini menggunakan pendekatan
  • 00:12:24
    tadi artificial neural Network yang
  • 00:12:28
    datang dari otak manusia manusia ketika
  • 00:12:32
    mendengarkan tidak pernah memikirkan ni
  • 00:12:36
    fiturnya apa saja ya lalu fitur itu yang
  • 00:12:40
    kita tangkap kita pikirkan tidak kita
  • 00:12:43
    begitu saja mendengarkan kita begitu
  • 00:12:46
    saja melihat lalu menyimpulkan Oh itu
  • 00:12:50
    gajah po itu berkata meja Oh itu berkata
  • 00:12:53
    kursi ya Nah Oleh karena itu pendekatan
  • 00:12:56
    yang bawah dipeler ingin tulah yang
  • 00:12:59
    lebih mirip cara kerja manusia tadi ya
  • 00:13:03
    Ada input mentah yang penting adalah
  • 00:13:06
    dikonversi ke dalam bentuk digital atau
  • 00:13:09
    angka numerik yang memungkinkan diproses
  • 00:13:12
    lalu Algo
  • 00:13:15
    modif learning itu menyimpulkan sendiri
  • 00:13:19
    apa ini apa sosok apa nih ada-ada fitur
  • 00:13:25
    apa saja di dalamnya sudah disimpulkan
  • 00:13:28
    sendiri oleh sistem defleur Ning sini
  • 00:13:32
    menjadi lebih mudah tapi tentunya
  • 00:13:35
    konsekuensi sebagai sebuah sistem sistem
  • 00:13:39
    ini jauh lebih kompleks daripada
  • 00:13:41
    machine-learning dan memerlukan beban
  • 00:13:46
    komputasi yang jauh lebih besar daripada
  • 00:13:49
    machine-learning ya inilah sistem yang
  • 00:13:53
    sekarang paling banyak digunakan baik
  • 00:13:57
    ini hanya contoh lain saja ya ketika
  • 00:14:00
    kita punya gambar benda-benda ya Da
  • 00:14:06
    mobil gajah dan beberapa mobil yang lain
  • 00:14:09
    bentuknya berbeda-beda kalau pakai
  • 00:14:12
    pendekatan machine-learning Ma
  • 00:14:15
    kita harus memikirkan fiturnya apa yang
  • 00:14:19
    merepresentasikan gambar-gambar ini
  • 00:14:22
    sehingga machine learning dapat belajar
  • 00:14:25
    ya Dek learning tidak perlu konversi itu
  • 00:14:30
    semua ke dalam bentuk digital umpankan
  • 00:14:32
    ke dalam Deep learning biarkan deepening
  • 00:14:35
    yang belajar sendiri ya ya itu kira-kira
  • 00:14:40
    ya pemahaman machine-learning dan di
  • 00:14:43
    perning sedikit lebih mendalam terima
  • 00:14:46
    kasih atas perhatian anda mudah-mudahan
  • 00:14:49
    meningkatkan pemahaman dan wawasan anda
  • 00:14:52
    tentang Ai di planning machine-learning
  • 00:14:55
    juga artificial neural Network untuk
Etiquetas
  • AI
  • machine learning
  • deep learning
  • artificial neural network
  • algoritma
  • kecerdasan buatan
  • pengenalan suara
  • sistem rekomendasi
  • data besar
  • fitur ekstraksi