Bab 1 –
Pendalaman TensorFlow
Melanjutkan
pembahasan sebelumnya dengan memperkenalkan konsep dan fitur lanjutan dari
TensorFlow 2.0. TensorFlow merupakan library yang sangat luas dan kompleks, dan
dalam bab ini akan dibahas konsep seperti kompilasi kode menjadi static
graph untuk eksekusi yang lebih cepat serta definisi parameter model yang
dapat dilatih. Selain itu, bab ini juga memberikan pengalaman praktik tambahan
dalam melatih jaringan saraf dalam menggunakan Keras API maupun Estimator bawaan TensorFlow.
Bab 2 – CNN
untuk Klasifikasi Gambar
Memperkenalkan convolutional
neural networks (CNN). CNN merupakan jenis arsitektur jaringan saraf dalam
yang sangat cocok untuk dataset gambar. Berkat performanya yang unggul
dibandingkan pendekatan tradisional, CNN kini banyak digunakan dalam bidang computer
vision untuk mencapai hasil terbaik dalam berbagai tugas pengenalan gambar.
Dalam bab ini, Anda akan mempelajari bagaimana convolutional layers
dapat digunakan sebagai feature extractor yang kuat untuk klasifikasi
gambar.
Bab 3 – RNN untuk Data Sequential
Memperkenalkan
arsitektur jaringan saraf populer lainnya dalam deep learning yang
sangat cocok untuk menangani teks dan data sekuensial lainnya, termasuk data
deret waktu. Sebagai pemanasan, bab ini memperkenalkan penggunaan RNN untuk memprediksi sentimen
ulasan film. Selanjutnya, bab ini juga membahas bagaimana melatih jaringan
rekuren untuk “memahami” isi buku dan menghasilkan teks baru secara otomatis.
Bab 4 –
Generative Adversarial Networks (GAN)
Memperkenalkan
pendekatan pelatihan adversarial yang populer untuk jaringan saraf yang dapat
digunakan untuk menghasilkan data baru yang terlihat realistis. Bab ini dimulai
dengan pengenalan singkat tentang autoencoder, yaitu jenis arsitektur jaringan
saraf yang dapat digunakan untuk kompresi data. Kemudian, bab ini menunjukkan
bagaimana menggabungkan bagian decoder dari autoencoder dengan jaringan saraf
kedua yang mampu membedakan antara gambar asli dan gambar hasil sintesis.
Dengan membiarkan dua jaringan saraf “bersaing” dalam pendekatan pelatihan
adversarial, Anda akan mengimplementasikan generative adversarial network
yang mampu menghasilkan digit tulisan tangan baru. Terakhir, setelah
memperkenalkan konsep dasar GAN, bab ini juga membahas berbagai peningkatan untuk menstabilkan
proses pelatihan adversarial, seperti penggunaan metrik jarak Wasserstein.
Bab 5 –
Reinforcement Learning
Membahas
subkategori machine learning yang umum digunakan untuk melatih robot dan
sistem otonom lainnya. Bab ini dimulai dengan pengenalan dasar reinforcement
learning untuk membantu Anda memahami
interaksi antara agen dan lingkungan, proses pemberian reward, serta konsep
belajar dari pengalaman. Bab ini mencakup dua kategori utama RL, yaitu model-based
dan model-free. Setelah mempelajari pendekatan algoritmik dasar seperti
metode Monte Carlo dan temporal difference learning, Anda akan
mengimplementasikan dan melatih agen yang dapat menavigasi lingkungan grid
menggunakan algoritma Q-learning.
Penulis:
Dr. Phil. Dony Novaliendry, S. Kom., M. Kom
Tebal Halaman: 353
