| Teknologi Deep Learning | |
| Model Deep Learning belajar mengenai fitur penting pada suatu obyek secara mandiri, bahkan hampir tanpa operator dalam pemilihan fitur yang utama. Pada perkuliahan ini teknologi Deep Learning dipelajari dengan melalui pendekatan pemodelan dan matematis dengan bantuan tools, seperti MathLab dan library dari NVIDIA dan Scikit-Learn. Analisis dengan pendekatan Supervised dan Unsupervised learning dipergunakan untuk melakukan klasifikasi, regresi dan klastering. Perkuliahan ini mencakup studi kasus pada penggunaan Deep Learning untuk melakukan klasifikasi, klastering dan regresi dengan memperhatikan komposisi dari model dan pendekatana matematis yang dibantu dengan teknologi GPU untuk memastikan proses training data akan dapat selesai dengan lebih cepat. Beberapa studi kasus berbasis teknologi Deep Learning yang menantang akan dihadirkan pada perkuliahan ini. 1. Obyek Pembelajaran: Memahami pendekatan Deep Learning berbasis pemodelan dan matematis.Mampu melakukan analisis langkah persiapan pelatihan pada Deep Learning.Memahami kemampuan dan batasan tools dalam membantu analisis dan proses menggunakan Deep Learning.Mampu melakukan observasi dan evaluasi terhadap kinerja model pada Deep Learning.Memahami metode optimisasi yang dapat dilakukan dengan fasilitas pendukung komputasi semacam GPU pada Deep Learning. 2. Sarana: Python, MathLab, NVIDIA, Scikit-Learn, Octave 3. Referensi/Journal: - Y. Lecun, Y. Bengio, and G. Hinton, “Review-Deep learning,” Nature, vol. 521, pp. 436–444, 2015I. - Goodfellow, Y. Bengio, and A. Courville, Deep Learning (Adaptive Computation and Machine Learning series). The MIT Press, 2016. - F. Chollet, Deep learning with Python, 1st ed. Manning Publications, 2017. - A. Zhang, Z. C. Lipton, M. Li, and A. J. Smola, Dive Into Deep Learning. Amazon Science, 2021. 4. Isi Perkuliahan: Pertemuan 1 Pengantar Deep Learning Pertemuan 2 Transfer Learning untuk Optimisasi jaringan pada data (Supervised dan Unsupervised Learning) Pertemuan 3 Klasifikasi citra dengan pretrained networks Pertemuan 4 Membuat deep neural network untuk klasifikasi dan regressi Pertemuan 5 Deteksi dan klasifikasi obyek, teks dan audio Pertemuan 6 Visualisasi fitur network Pertemuan 7 Penggunaan CPU, GPU dan multi-GPU untuk training data Pertemuan 8 Evaluasi Tengah Semester Pertemuan 9 Diskusi kasus berdasarkan pertemuan 2 Pertemuan 10 Diskusi kasus berdasarkan pertemuan 3 Pertemuan 11 Diskusi kasus berdasarkan pertemuan 4 Pertemuan 12 Diskusi kasus berdasarkan pertemuan 5 Pertemuan 13 Diskusi kasus berdasarkan pertemuan 6 Pertemuan 14 Presentasi dan Demo studi kasus menggunakan CPU dan GPU. Pertemuan 15 Evaluasi Penulisan Laporan Pertemuan 16 Evaluasi Akhir |
