1. Skala data: Algoritma Pembelajaran Mendalam bekerja secara efisien pada data dalam jumlah besar (baik yang terstruktur maupun tidak terstruktur). Jika jumlah datanya lebih sedikit, algoritma pembelajaran mendalam mungkin tidak berkinerja baik dibandingkan dengan algoritma pembelajaran mesin. Algoritma pembelajaran mendalam paling cocok untuk data tidak terstruktur seperti gambar, video, suara, pemrosesan bahasa alami, dll. Algoritma Pembelajaran Mesin tidak mampu menangani data tidak terstruktur.
2. Skala komputasi: Algoritma Pembelajaran Mendalam memerlukan daya komputasi yang tinggi. Algoritma Pembelajaran Mendalam memerlukan mesin canggih seperti GPU karena mesin ini melakukan operasi kompleks seperti perkalian matriks.
3. Ekstraksi Fitur: Dalam pembelajaran mesin, kita perlu mengidentifikasi fitur-fitur dari kumpulan data secara manual berdasarkan pengetahuan dan keahlian domain. Hal ini membutuhkan banyak waktu dan upaya. Selain itu, ada banyak kemungkinan kita dapat melewatkan beberapa fitur penting yang krusial untuk prediksi.
Misalnya, saat memproses gambar dalam pembelajaran mesin, Anda perlu mengekstrak fitur secara manual dalam gambar seperti mata, hidung, bibir, nilai piksel, bentuk, tekstur, posisi, orientasi dan seterusnya. Fitur-fitur yang diekstraksi tersebut kemudian dimasukkan ke dalam model pembelajaran mesin. Kinerja sebagian besar algoritma pembelajaran mesin bergantung pada seberapa akurat fitur diidentifikasi dan diekstraksi.
Pembelajaran mendalam memecahkan masalah ini secara otomatis menggunakan lapisan berbelit-belit di CNN. Lapisan pertama jaringan saraf akan mempelajari detail kecil dari gambar seperti tepi, garis dll; lapisan berikutnya akan menggabungkan pengetahuan sebelumnya untuk membuat informasi yang lebih kompleks.
4. Data Pelatihan: DAlgoritma pembelajaran eep biasanya membutuhkan lebih banyak data pelatihan dibandingkan dengan algoritma pembelajaran mesin.
5. Augmentasi Data: Pembuatan data baru dengan melakukan modifikasi yang wajar pada data yang sudah ada disebut penambahan data. Mari kita ambil contoh kumpulan data MNIST (angka yang ditulis tangan). Kita dapat dengan mudah membuat ribuan gambar serupa baru dengan memutar, membalik, mengubah skala, menggeser, memperbesar dan memperkecil, memotong, mengubah atau memvariasikan warna gambar yang sudah ada.
Kita dapat menggunakan teknik augmentasi data ketika model kita mengalami overfitting akibat data yang lebih sedikit.
Dalam banyak kasus dalam pembelajaran mendalam, menambah jumlah data bukanlah tugas yang sulit seperti yang telah kita bahas di atas pada kasus kumpulan data MNIST. Dalam pembelajaran mesin, tugas ini tidak semudah itu karena kita memerlukan data berlabel yang tidak mudah didapatkan.
6. Waktu Pelatihan: DAlgoritma pembelajaran elektronik biasanya memerlukan waktu lebih lama untuk dilatih dibandingkan dengan algoritma pembelajaran mesin karena ada banyak perhitungan yang terlibat di dalam lapisan tersembunyi.
7. Waktu Pengujian: Algoritma Pembelajaran Mendalam membutuhkan waktu pengujian yang jauh lebih sedikit dibandingkan dengan algoritma pembelajaran mesin.
8. Interpretabilitas: Algoritma Pembelajaran Mesin lebih mudah ditafsirkan dibandingkan dengan algoritma pembelajaran mendalam. Model pembelajaran mendalam sebagian besar bertindak sebagai kotak hitam.
Misalnya, pohon keputusan dalam pembelajaran mesin dapat dengan mudah diinterpretasikan oleh manusia dan mereka dapat dengan mudah mengetahui bagaimana nilai akhir dihitung. Di sisi lain, sangat sulit untuk mengetahui perhitungan apa yang terjadi di dalam lapisan tersembunyi jaringan saraf, bagaimana lapisan berbelit-belit dalam CNN mengidentifikasi berbagai bagian gambar, dll.
Mari kita ambil contoh lain. Misalkan kita menggunakan pembelajaran mendalam untuk memberikan penilaian otomatis pada esai. Performa yang diberikannya dalam penilaian cukup baik dan mendekati performa manusia. Namun, ada masalah. Pembelajaran mendalam tidak mengungkapkan alasan pemberian skor tersebut. Memang secara matematis Anda dapat mengetahui simpul mana dari jaringan saraf dalam yang diaktifkan, tetapi kita tidak tahu apa yang seharusnya dimodelkan oleh neuron-neuron tersebut dan apa yang dilakukan lapisan-lapisan neuron ini secara kolektif. Jadi, kita gagal menafsirkan hasilnya.
9. Dimensi: Seiring dengan meningkatnya dimensi data, efisiensi algoritma pembelajaran mesin mulai menurun. Meskipun kita memiliki beberapa teknik pengurangan dimensionalitas dalam pembelajaran mesin seperti PCA, t-SNE, SVD, MDS, dll., pembelajaran mendalam menangani dimensionalitas dengan sangat baik.
10. Visi Komputer: Algoritma Pembelajaran Mendalam membantu dalam memecahkan banyak masalah visi komputer seperti:
A) Klasifikasi Gambar
B) Klasifikasi Gambar Dengan Lokalisasi
C) Deteksi Objek
D) Segmentasi Objek
E) Transfer Gaya Gambar
F) Pewarnaan Gambar
G) Rekonstruksi Gambar
H) Resolusi Super Gambar
I) Sintesis Gambar
Untuk detail lebih lanjut tentang visi komputer, silakan kunjungi artikel ini.
Algoritma Pembelajaran Mesin memiliki kapasitas dan efisiensi terbatas dalam menyelesaikan masalah visi komputer ini sementara jaringan saraf konvolusional sangat efisien dalam menangani tugas-tugas ini.
