WorksheetsPemahaman Deep Learning untuk Computer Vision
Total questions: 20
Worksheet time: 10mins
Apa itu Deep Learning?
Deep Learning adalah metode pembelajaran mesin yang menggunakan jaringan saraf tiruan dengan banyak lapisan untuk menganalisis data.
Deep Learning adalah metode pembelajaran yang tidak melibatkan jaringan saraf.
Deep Learning adalah teknik pengolahan data tanpa menggunakan algoritma.
Deep Learning hanya digunakan untuk pengenalan suara.
Apa perbedaan antara Machine Learning dan Deep Learning?
Machine Learning hanya digunakan untuk pengenalan suara.
Machine Learning dan Deep Learning adalah istilah yang sama.
Machine Learning menggunakan algoritma untuk analisis data, sedangkan Deep Learning menggunakan jaringan saraf tiruan dengan banyak lapisan.
Deep Learning tidak memerlukan data untuk pelatihan.
Jaringan saraf tiruan terinspirasi dari apa?
Jaringan otot
Otak manusia dan neuron.
Sistem pencernaan manusia
Sistem peredaran darah
Apa fungsi dari lapisan input dalam jaringan saraf?
Menerima data masukan untuk diproses.
Menyimpan data untuk analisis di masa depan.
Menghubungkan lapisan-lapisan dalam jaringan saraf.
Mengolah data masukan menjadi output.
Sebutkan salah satu arsitektur populer dalam Deep Learning!
Recurrent Neural Network (RNN)
Convolutional Neural Network (CNN)
Decision Tree
Support Vector Machine (SVM)
Apa itu CNN (Convolutional Neural Network)?
CNN adalah metode untuk analisis statistik.
CNN adalah jenis database untuk penyimpanan data.
CNN adalah jaringan saraf tiruan yang digunakan untuk pengolahan data berbentuk grid, seperti gambar.
CNN adalah algoritma untuk pengolahan teks.
Apa yang dimaksud dengan arsitektur jaringan saraf dalam konteks Deep Learning?
Arsitektur jaringan saraf tidak melibatkan neuron dalam proses pembelajaran.
Arsitektur jaringan saraf adalah struktur dan organisasi neuron dalam model Deep Learning.
Arsitektur jaringan saraf hanya digunakan untuk pengenalan gambar.
Arsitektur jaringan saraf adalah jenis perangkat keras untuk komputasi.
Sebutkan satu keuntungan menggunakan Transfer Learning!
Meningkatkan kompleksitas model yang digunakan.
Memperpanjang waktu pelatihan model.
Menghemat waktu dan sumber daya dalam pelatihan model.
Mengurangi akurasi model yang dihasilkan.
Apa yang dimaksud dengan fine-tuning dalam Transfer Learning?
Fine-tuning adalah proses pelatihan model dari awal tanpa menggunakan data sebelumnya.
Fine-tuning hanya dilakukan pada model yang tidak memiliki data latih.
Fine-tuning adalah penghapusan semua parameter model yang telah dilatih sebelumnya.
Fine-tuning adalah penyesuaian model yang telah dilatih sebelumnya dengan dataset baru untuk meningkatkan akurasi pada tugas spesifik.
Mengapa augmentasi data penting dalam pelatihan model?
Augmentasi data penting untuk meningkatkan variasi data pelatihan dan mengurangi overfitting.
Augmentasi data hanya diperlukan untuk data kecil.
Augmentasi data tidak berpengaruh pada model.
Augmentasi data mengurangi variasi data pelatihan.
Sebutkan salah satu teknik augmentasi data!
Normalisasi data
Rotasi gambar
Pengurangan noise
Kompresi gambar
Apa yang dimaksud dengan overfitting dalam konteks Deep Learning?
Overfitting adalah kondisi di mana model terlalu cocok dengan data pelatihan dan tidak dapat generalisasi dengan baik pada data baru.
Overfitting adalah saat model tidak belajar dari data pelatihan.
Overfitting terjadi ketika model terlalu sederhana untuk data yang diberikan.
Overfitting adalah kondisi di mana model dapat generalisasi dengan baik pada data baru.
Bagaimana cara mengatasi overfitting?
Gunakan regularisasi, kurangi kompleksitas model, tambah data, gunakan dropout, dan lakukan validasi silang.
Tingkatkan kompleksitas model
Kurangi jumlah data
Gunakan model yang lebih dalam
Apa itu dropout dalam jaringan saraf?
Dropout adalah metode untuk meningkatkan kecepatan pelatihan jaringan saraf.
Dropout digunakan untuk menambah jumlah neuron dalam jaringan saraf.
Dropout adalah teknik untuk mengurangi ukuran dataset yang digunakan dalam pelatihan.
Dropout adalah teknik regularisasi dalam jaringan saraf yang menonaktifkan neuron secara acak selama pelatihan.
Sebutkan salah satu aplikasi Deep Learning dalam Computer Vision!
Deteksi objek
Pengolahan bahasa alami
Analisis data
Sistem rekomendasi
Apa peran fungsi aktivasi dalam jaringan saraf?
Fungsi aktivasi hanya digunakan untuk mengurangi dimensi data.
Fungsi aktivasi tidak berpengaruh pada proses pembelajaran jaringan saraf.
Fungsi aktivasi hanya berfungsi untuk mempercepat komputasi.
Fungsi aktivasi menambahkan non-linearitas dan memungkinkan jaringan saraf belajar dari data kompleks.
Sebutkan contoh fungsi aktivasi yang umum digunakan!
step
linear
sigmoid, ReLU, tanh
softmax
Apa itu pooling dalam CNN?
Pooling dalam CNN adalah proses pengurangan dimensi data dengan mengambil nilai maksimum atau rata-rata dari sekumpulan neuron.
Pooling dalam CNN adalah teknik untuk meningkatkan akurasi model dengan menambah neuron.
Pooling dalam CNN adalah metode untuk menghapus data yang tidak relevan.
Pooling dalam CNN adalah proses penambahan dimensi data.
Sebutkan dua jenis pooling yang sering digunakan!
Sum Pooling
Min Pooling
Global Pooling
Max Pooling dan Average Pooling
Apa yang dimaksud dengan backpropagation dalam pelatihan jaringan saraf?
Backpropagation adalah metode untuk menghapus bobot dari jaringan saraf.
Backpropagation adalah metode untuk melatih jaringan saraf dengan menghitung dan mengupdate gradien bobot.
Backpropagation adalah teknik untuk mengurangi ukuran jaringan saraf.
Backpropagation digunakan untuk meningkatkan kecepatan komputasi jaringan saraf.
