Simple Bootcamp Artificial Intelligence

  

ARTIFICIAL INTELLIGENCE

1. Apa itu Artificial Intelligence

Artificial Intelligence (AI) merujuk pada kemampuan mesin untuk meniru kecerdasan manusia. Ini mencakup berbagai teknik dan metode yang memungkinkan komputer untuk memahami, belajar, dan mengambil keputusan berdasarkan data yang diberikan.

2. Komponen pada AI

• Machine learning : mempelajari bagian AI dengan memproses mengotomatiskan dan meningkatkan cara nya belajar dari pengalaman mereka tanpa bantuan manusia. Digunakan dalam deteksi spam email, diagnosis medis
• Deep learning: DL adalah bagian dari ML yang mempelajari dan memperbaiki bagian dengan memeriksa algoritma komputer . Digunakan dalam sitem pengenalan wajah dan suara
• Natural language preprocessing: kemampuan mesin dalam mempelajari bahasa manusia dan menerjemahkannya. Digunakan pada sistem chatbot.

3. Pembelajaran Mesin (Machine Learning)

Machine learning adalah cabang dari kecerdasan buatan yang berfokus pada pengembangan algoritma dan model yang memungkinkan komputer untuk belajar dari data dan membuat prediksi atau keputusan tanpa diprogram secara eksplisit. Dalam proses ini, mesin dilatih menggunakan sejumlah besar data untuk mengenali pola dan membuat generalisasi dari pengalaman yang ada. 

Ada beberapa jenis pembelajaran mesin, termasuk pembelajaran terawasi (supervised learning), pembelajaran tidak terawasi (unsupervised learning), dan pembelajaran penguatan (reinforcement learning). Pembelajaran terawasi melibatkan pelatihan model dengan data berlabel, di mana hasil yang benar sudah diketahui, sedangkan pembelajaran tidak terawasi menggunakan data tanpa label untuk menemukan struktur atau pola yang mendasari. Pembelajaran penguatan melibatkan agen yang belajar melalui trial and error untuk mencapai tujuan tertentu. Penerapan machine learning meliputi berbagai bidang, seperti pengenalan gambar, pemrosesan bahasa alami, rekomendasi produk, diagnosis medis, dan banyak lagi.

Dalam pembuatan AI, terdapat berbagai jenis model yang digunakan, masing-masing dengan pendekatan dan aplikasi spesifik. Berikut adalah beberapa jenis model yang umum digunakan dalam machine learning dan kecerdasan buatan:

1. Regresi Linear dan Logistik:

   - Regresi Linear: Digunakan untuk memprediksi nilai kontinu berdasarkan hubungan linear antara variabel input dan output.

   - Regresi Logistik: Digunakan untuk masalah klasifikasi biner, memprediksi probabilitas dari dua kemungkinan hasil.

2. Decision Trees dan Random Forests:

   - Decision Trees: Model berbasis pohon yang membuat keputusan berdasarkan serangkaian aturan if-then-else yang diekstraksi dari fitur data.

   - Random Forests: Kombinasi dari beberapa pohon keputusan untuk meningkatkan akurasi dan mengurangi overfitting.

3. Support Vector Machines (SVM):

   - SVM digunakan untuk klasifikasi dan regresi, dengan mencari hyperplane optimal yang memisahkan data ke dalam kelas yang berbeda.

4. K-Nearest Neighbors (KNN):

   - KNN adalah algoritma non-parametrik yang mengklasifikasikan titik data berdasarkan kelas mayoritas dari k tetangga terdekatnya.

5. Neural Networks dan Deep Learning:

   - Neural Networks: Model yang terdiri dari neuron buatan yang terorganisir dalam lapisan. Digunakan untuk menangani berbagai tugas seperti klasifikasi, regresi, dan pengenalan pola.

   - Deep Learning: Subset dari neural networks dengan banyak lapisan (deep neural networks) yang sangat efektif dalam pengolahan data seperti gambar, suara, dan teks.

6. Clustering Algorithms:

   - K-Means: Algoritma yang membagi data ke dalam k kelompok berdasarkan jarak terdekat ke centroid dari kelompok.

   - Hierarchical Clustering: Algoritma yang membuat dendrogram untuk menunjukkan hubungan hierarkis antara data.

7. Reinforcement Learning:

   - Model di mana agen belajar untuk membuat keputusan dengan berinteraksi dengan lingkungan untuk memaksimalkan reward kumulatif.

8. Gaussian Mixture Models (GMM):

   - Digunakan untuk modeling distribusi probabilitas dari data yang tidak berlabel dengan asumsi bahwa data berasal dari kombinasi dari beberapa distribusi Gaussian.

9. Bayesian Networks:

   - Model grafis probabilistik yang merepresentasikan serangkaian variabel dan ketergantungan kondisionalnya melalui struktur graf.

10. Gradient Boosting Machines (GBM) dan XGBoost:

    - Algoritma ensemble yang menggabungkan kekuatan beberapa model dasar (biasanya decision trees) untuk menghasilkan model yang kuat dengan akurasi tinggi.

Setiap model memiliki kelebihan dan kekurangan tergantung pada jenis data dan masalah yang ingin diselesaikan, sehingga pemilihan model yang tepat sangat penting untuk keberhasilan aplikasi kecerdasan buatan.

4. Pembelajaran Mendalam (Deep Learning)

Deep learning adalah salah satu cabang dari machine learning yang menggunakan jaringan saraf tiruan dengan banyak lapisan (deep neural networks) untuk memproses data dan membuat prediksi. Teknik ini terinspirasi oleh cara kerja otak manusia dalam memproses informasi dan belajar dari pengalaman. Deep learning telah merevolusi berbagai bidang seperti pengenalan gambar, pengenalan suara, pemrosesan bahasa alami, dan banyak lagi. Model deep learning dapat mengidentifikasi pola kompleks dalam data besar dengan cara yang tidak mungkin dilakukan oleh teknik machine learning tradisional. Keberhasilan deep learning didukung oleh peningkatan ketersediaan data, kemajuan dalam komputasi (terutama GPU), dan perkembangan algoritma jaringan saraf yang lebih canggih. Beberapa arsitektur terkenal dalam deep learning termasuk Convolutional Neural Networks (CNN) yang banyak digunakan dalam pengenalan gambar dan Recurrent Neural Networks (RNN) yang digunakan dalam pemrosesan bahasa alami dan analisis deret waktu. Deep learning terus berkembang dan membuka peluang baru dalam berbagai aplikasi teknologi.

Dalam pembuatan AI menggunakan deep learning, ada berbagai jenis model yang digunakan, masing-masing dengan keunggulan dan aplikasi khusus. Berikut adalah beberapa jenis model utama:

1. Convolutional Neural Networks (CNNs):

   - Digunakan terutama untuk pengenalan dan klasifikasi gambar.

   - Memanfaatkan lapisan konvolusi untuk menangkap fitur spasial dan pola dari data gambar.

2. Recurrent Neural Networks (RNNs):

   - Cocok untuk data yang berurutan, seperti teks dan sinyal waktu.

   - Memiliki kemampuan untuk "mengingat" informasi sebelumnya dalam urutan data melalui loop feedback.

3. Long Short-Term Memory (LSTM) Networks:

   - Variasi dari RNN yang mengatasi masalah vanishing gradient.

   - Efektif dalam menangani dependensi jangka panjang dalam data sekuensial.

4. Gated Recurrent Units (GRUs):

   - Mirip dengan LSTM tetapi dengan arsitektur yang lebih sederhana.

   - Menyediakan kinerja yang mirip dengan LSTM dengan lebih sedikit komputasi.

5. Generative Adversarial Networks (GANs):

   - Terdiri dari dua jaringan: generator dan discriminator yang bersaing satu sama lain.

   - Digunakan untuk menghasilkan data baru yang mirip dengan data pelatihan, seperti gambar, teks, dan musik.

6. Autoencoders:

   - Digunakan untuk pembelajaran tanpa pengawasan, mengompresi data ke representasi yang lebih rendah dan kemudian mendekompresinya.

   - Berguna dalam reduksi dimensi dan deteksi anomali.

7. Transformers:

   - Revolusioner dalam pemrosesan bahasa alami (NLP).

   - Menggunakan mekanisme perhatian untuk memproses seluruh urutan data secara bersamaan, memungkinkan model untuk menangkap dependensi jangka panjang dengan efisien.

8. Deep Belief Networks (DBNs):

   - Kombinasi dari Restricted Boltzmann Machines (RBMs) yang dilatih secara bertahap.

   - Digunakan untuk pre-training dalam inisialisasi model yang lebih dalam.

9. Capsule Networks (CapsNets):

   - Alternatif untuk CNNs yang menangani informasi hierarkis dengan lebih efektif.

   - Memperhatikan orientasi dan posisi objek dalam gambar untuk hasil yang lebih akurat dalam pengenalan objek.

Setiap model ini memiliki kekuatan dan kelemahannya sendiri, dan pemilihan model tergantung pada jenis data dan tugas spesifik yang ingin diselesaikan.

5. Pemrosesan Bahasa Alami (Natural Language Processing)

• Dasar-dasar NLP: Tokenisasi, stemming, lemmatization.
• Model Bahasa: Seperti Bag of Words, TF-IDF, Word2Vec, dan Transformer.
• Aplikasi: Chatbot, analisis sentimen, penerjemahan mesin.

6. Visi Komputer (Computer Vision)

• Pengolahan Citra: Teknik untuk memproses dan menganalisis gambar.
• Deteksi Objek dan Pengenalan Wajah: Algoritma untuk mengenali dan melacak objek dalam gambar atau video.
• Penerapan: Pengawasan keamanan, mobil otonom, analisis medis.

7. Robotika

• Dasar-dasar Robotika: Sensor, aktuator, dan kontrol.
• Navigasi dan Pemrograman Robot: Algoritma untuk navigasi, pemetaan, dan penghindaran rintangan.

8. Jenis-Jenis AI

Based on Capabilities:

1. Artificial Narrow Intelligence: jenis kecerdasan buatan spesifik di mana algoritma pembelajaran dirancang untuk melakukan tugas tunggal, dan pengetahuan apa pun yang diperoleh dari pelaksanaan tugas tersebut tidak akan secara otomatis diterapkan pada tugas lain.
2. Artificial Narrow Intelligence: kemampuan untuk memahami, belajar, dan bertindak dalam berbagai konteks seperti manusia. Tujuannya menciptakan entitas buatan yang mampu menyelesaikan berbagai tugas dengan tingkat kecerdasan yang setara dengan manusia. 
3. Artificial Narrow Intelligence: bentuk AI yang mampu melampaui kecerdasan manusia dengan mewujudkan keterampilan kognitif dan mengembangkan keterampilan berpikirnya sendiri. 

Based on Functionalities:

1. Reactive Machine: bentuk dasar dari AI yang tidak menyimpan kenangan atau penggunaan masa lalu untuk menentukan masa depan tindakan ini berfungsi dengan data yang ada
2. Limited Memory: memori terbatas mepelajari dari data masa lalu untuk memenuhi keputusan memori sistem tersebut. Memori berumur pendek sementara mereka dapat menggunakan data dalam jangka waktu tertentu
3. Theory of Mind: Teori pikiran mewakili teknologi kelas maju dan eksis sebagai sebuah konsep AI dengan pemahaman secara menyaluruh dan hal-hal dalam satu lingkungan bisa mengubah perasaan dan perilaku dapat memahami pendapat orang emosi sentimen dan pikiran
4. Self-Awareness: Kesadaran diri secara hipotesis sistem memahami bahwa internal ciri-ciri negara dan kondisi dan mamahami emosi manusia

9. Manfaat AI di berbagai bidang

• Kesehatan: Identifikasi diagnosis, Membantu penyedia layanan kesehatan, Membantu memberikan keputusan pengobatan
• Keuangan: Menyediakan analisis data tingkat lanjut dan mentransformasikan perbankan dengan mengurangi penipuan dan meningkatkan kepatuhan
• Robotic: Mendeteksi penghalang di jalur kemudian secara instan mendesain rute
• Pendidikan: Membantu dalam mengotomatiskan penilaian, Mengatur dan memfasilitasi orang tua percakapan wali

10. Top 10 perusahaan AI di 2023

1. MICROSOFT
2. ALPHABET
3. AMAZON
4. INVIDIA
5. IBM
6. INTUITIVE SURGICAL
7. WORKDAY
8. PALATIR TECHNOLOGIES
9. DYNATRACE
10. UIPATH

Untuk dapat melihat materi atau mengikuti bootcamp bisa anda tonton melalui Youtube berikut ini:

https://youtu.be/AmKvrBUV9ko