Pemahaman Pembelajaran Mendalam

Apa itu pembelajaran mendalam?

• Pembelajaran mendalam hanya digunakan untuk analisis statistik.

• Pembelajaran mendalam adalah teknik pengolahan data sederhana.

• Pembelajaran mendalam adalah metode pembelajaran tradisional.

• Pembelajaran mendalam adalah metode pembelajaran mesin yang menggunakan jaringan saraf tiruan.

Sebutkan dua jenis arsitektur jaringan saraf!

• Jaringan Saraf Tiruan Recurrent

• Jaringan Saraf Tiruan Feedforward, Jaringan Saraf Tiruan Konvolusional (CNN)

• Jaringan Saraf Tiruan Radial Basis

• Jaringan Saraf Tiruan Modular

Apa perbedaan antara pembelajaran terawasi dan tidak terawasi?

• Pembelajaran terawasi tidak memerlukan data berlabel.

• Pembelajaran tidak terawasi hanya menggunakan data berlabel.

• Keduanya menggunakan data yang sama tanpa perbedaan.

• Pembelajaran terawasi menggunakan data berlabel, sedangkan pembelajaran tidak terawasi menggunakan data tanpa label.

Jelaskan konsep overfitting dalam pembelajaran mendalam!

• Overfitting adalah kondisi di mana model belajar terlalu banyak dari data pelatihan, sehingga tidak dapat menggeneralisasi dengan baik pada data baru.

• Overfitting adalah proses di mana model hanya menggunakan data baru untuk belajar.

• Overfitting terjadi ketika model tidak belajar cukup dari data pelatihan.

• Overfitting meningkatkan akurasi model pada data pelatihan dan data baru.

Apa itu fungsi aktivasi dan sebutkan contohnya!

• Sigmoid (S-curve)

• Contoh fungsi aktivasi adalah ReLU (Rectified Linear Unit).

• Tanh (Hyperbolic Tangent)

• Softmax (Probability Distribution)

Bagaimana cara kerja algoritma backpropagation?

• Algoritma backpropagation hanya digunakan untuk klasifikasi gambar.

• Algoritma backpropagation menghitung rata-rata dari semua bobot jaringan.

• Algoritma backpropagation menghitung gradien dari fungsi loss untuk memperbarui bobot jaringan saraf.

• Algoritma backpropagation menghapus bobot jaringan saraf secara acak.

Apa peran data latih dalam pembelajaran mendalam?

• Data latih berfungsi sebagai data hasil akhir dari model.

• Data latih digunakan untuk menguji model yang sudah dilatih.

• Data latih tidak memiliki pengaruh terhadap akurasi model.

• Data latih berperan sebagai sumber informasi untuk melatih model dalam pembelajaran mendalam.

Sebutkan satu aplikasi nyata dari pembelajaran mendalam!

• Pengenalan suara

• Pengolahan citra

• Pengenalan wajah

• Penerjemahan bahasa

Apa itu regularisasi dan mengapa penting dalam pembelajaran mendalam?

• Regularisasi adalah metode untuk meningkatkan akurasi data latih.

• Regularisasi meningkatkan kecepatan pelatihan model.

• Regularisasi digunakan untuk memperbesar ukuran model.

• Regularisasi adalah teknik untuk mencegah overfitting dalam pembelajaran mendalam.

Jelaskan apa yang dimaksud dengan transfer learning!

• Transfer learning adalah proses memindahkan data dari satu sistem ke sistem lain.

• Transfer learning hanya digunakan dalam pengolahan citra.

• Transfer learning adalah teknik di mana model yang dilatih pada satu tugas digunakan untuk tugas lain yang berbeda namun terkait.

• Transfer learning adalah teknik di mana model dilatih dari awal untuk setiap tugas.