Long Short-Term Memory Networks (LSTMs)
LSTM adalah jenis khusus dari RNN dan sangat mampu mempelajari dependensi jangka panjang. Mari kita coba memahami ketergantungan jangka panjang dengan sebuah contoh.
Misalkan Sahabat DQ telah membangun model untuk memprediksi kata berikutnya berdasarkan yang sebelumnya. Asumsikan Sahabat DQ mencoba memprediksi kata terakhir dalam kalimat, "matahari terbit di timur," kita tidak memerlukan konteks lebih lanjut, dan jelas istilah berikutnya adalah timur.
Dalam kasus seperti ini, di mana tidak ada banyak kesenjangan antara informasi yang relevan dan tempat yang membutuhkannya, RNN dapat mempelajari dan memprediksi output dengan mudah. Tetapi jika kita memiliki kalimat seperti, “Saya lahir di India. Saya berbicara bahasa Hindi dengan lancar”.
Prediksi semacam ini membutuhkan beberapa konteks dari kalimat sebelumnya tentang di mana seseorang dilahirkan, dan RNN mungkin tidak dapat mempelajari dan menghubungkan informasi dalam kasus seperti itu.
Deteksi anomali dalam data lalu lintas jaringan atau IDS (sistem deteksi intrusi), Peramalan deret waktu, Penyelesaian otomatis, analisis teks dan video, dan Pembuatan teks.
Baca juga : Kenali Algoritma Klasifikasi Machine Learning Terpopuler di Tahun 2021
Belajar memulai karir sebagai praktisi data science dengan menggunakan Python, R dan SQL sederhana dengan sign up dan login melalui DQLab Academy! Yuk nikmati kemudahan belajar tanpa ribet melalui live code editor DQLab. Belajar sambil buat portfolio dengan modul DQLab!
Signup sekarang atau isi form dibawah ini ya Sahabat DQ!
Jaringan Fungsi Radial (RBFNs)
Seperti namanya, ini didasarkan pada fungsi aktivasi Radial basis function (RBF). Proses pelatihan model membutuhkan waktu yang sedikit lebih sedikit menggunakan RBFN daripada MLP. Jenis RBFN langsung adalah jaringan saraf umpan maju tiga lapis dengan lapisan input, lapisan tersembunyi yang terdiri dari beberapa unit aktivasi nonlinier RBF, dan lapisan keluaran linier yang bertindak sebagai unit penjumlahan untuk memberikan keluaran akhir.
RBFN digunakan untuk menganalisis harga pasar saham dan juga memperkirakan harga jual di industri Ritel karena kemampuannya untuk bekerja pada data berbasis deret waktu. Aplikasi lain termasuk pengenalan ucapan, analisis deret waktu, pengenalan gambar, pemerataan adaptif, diagnosis medis, dll.
Offenbar hast du diese Funktion zu schnell genutzt. Du wurdest vorübergehend von der Nutzung dieser Funktion blockiert.
The Koyna Dam located in Maharashtra, western India is the most outstanding example of Reservoir Triggered Seismicity (RTS), where triggered earthquakes have been occurring in a restricted area of 20x30 sq km since the impoundment of Shivajisagar Lake in 1962. These include the largest triggered earthquake of M~6.3 on Dec 10 1967, 22 earthquakes of M>5, about 200 earthquakes of M~4, and several thousand smaller earthquakes since 1962. The RTS was further enhanced by impoundment of the nearby located Warna reservoir in 1993. The seismicity is restricted in depth generally in the top ~10 km, but more commonly in the top 7 km of the Earth’s crust. The site is active. The latest M5.1 earthquake occurred on 12 December 2009. There is no other source of seismic activity within 50 km of the Koyna Dam. This makes it an ideal and natural observatory for earthquake studies. The frequent occurrence of earthquakes including a few with M~5 in a region hosting two important dams, underlines the importance of monitoring and studying this region in detail.
The role of pore fluid pressure changes for RTS has been underlined through several studies and experiments however due to limited direct observations in the near-field of triggered earthquakes; our understanding of these issues is mainly dependent on theoretical computations and modeling. Also, limited data is available to examine the fluid pressure regime, its variations and its correspondence with the occurrence of earthquakes. There is also uncertainty about the relative importance of fluid-driven (hydraulic) fracturing compared to shear failure in different geologic environments, and the interplay of temperature and pore-fluid pressure in reducing the frictional stability.
Super-deep borehole investigations at KTB, Kola, SAFOD and several other locations worldwide have significantly increased our understanding of the processes of the deep continental crust and physics of the Earth’s interior. Useful information has been obtained about fault characterization and fault behavior at depth, transition from brittle to ductile behavior in the crust, fluids in the deep crust, lithospheric dynamics and deformation, impact structures and mass extinctions, volcanism, and nature of thermal transport processes in the continental crust.
Considering the importance of deep borehole investigations, it is proposed to undertake a suite of observations in deep borehole(s) in the area of persistent and focused seismicity. The work will be carried out in collaboration with ICDP and the observations will include stress regime, pore fluid pressure and its variations, heat flow and its variation, orientation of faults, study of chemical properties of fluids, before, during and after earthquake. The proposed boreholes will also facilitate i) observation and analysis of data, generated through the operation of borehole for 4-5 year of time, when it is anticipated that a few earthquakes of magnitude ~3 would occur in the immediate vicinity of borehole, ii) continuous observation to study the data in the far and near field of the earthquake and temporal variation w.r.t. occurrence of earthquake and iii) development of a model of RTS mechanism.
Continuous observations directly within the fault zone at seismogenic depths will help in testing and extending current theories about phenomena that might precede an impending earthquake. Also, the roles of fluid pressure, intrinsic rock friction, chemical reactions and the physical state of active fault zones in controlling fault strength will be evaluated. These studies will also allow for improved models of static stress transfer and earthquake triggering at a regional scale and between specific faults, as needed for intermediate-term seismic hazard forecasting following large earthquakes.
Through long-term fault zone monitoring and in-situobservations of the earthquake source, models for earthquake rupture dynamics, including such effects as transient changes in fluid pressure, fault-normal opening modes and variations in slip pulse duration may be improved. These observations can be used directly in attempts to generate improved predictions of near-fieldstrong ground motion (amplitude, frequency content and temporal characteristics) and more reliable models for dynamic stress transfer and rupture propagation. Latter processes are believed to control earthquake size (i.e., whether or not a small earthquake will grow into a large one) and, hence, are crucial to long-term probabilistic assessments of earthquake hazard.
The deep borehole investigations, which are expected to continue for a period not less than 15-20 years, will also provide insight into Deccan volcanism and Mass Extinction; Thermal structure and state of stress in the lithosphere; Geothermal potential of the West Coast Belt as well as Geothermal Record of Climate Change in the region. The estimated cost for this proposed initiative would be around Rs.400 crores during the XII FYP.
Zat warna indigo carmine merupakan zat warna biru yang bersifat anionik, memiliki daya adsorpsi yang sangat kuat, serta banyak digunakan dalam industri tekstil jeans dan wool. Zat warna indigo carmine sangat larut dalam air sehingga penggunaan yang tidak tepat dapat mengakibatkan biota air menjadi terganggu. Salah satu cara yang dikembangkan untuk menurunkan kadar warna adalah metode adsorpsi. Adsorpsi merupakan metode yang tepat digunakan karena pengerjaannya sederhana, efisiensi tinggi, dan ramah lingkungan. Silika gel telah dikenal sebagai adsorben yang mempunyai gugus aktif Si-OH dan Si-O-Si sehingga dapat menyerap limbah zat warna. Upaya untuk mendapatkan adsorben yang relatif murah dapat dilakukan dengan cara pemanfaatan limbah abu terbang (fly ash) dari batubara, di mana silika (SiO2) yang terkandung dalam fly ash sebesar 30,25%-36,83%. Namun permasalahan yang terjadi adalah kemampuan adsorpsi silika gel terhadap zat warna anionik. Sehingga perlu memodifikasi muatan permukaan silika gel yang dilakukan dengan menempelkan logam aktif pada permukaan silika gel (impregnasi) agar bersifat lebih elektropositif dan dapat menyerap zat warna anionik. Sampel fly ash (abu terbang) batubara dari PLTU Paiton-Probolinggo dilakukan proses leaching menggunakan H2SO4. Tahap selanjutnya, dilakukan ekstraksi silika dari fly ash menggunakan NaOH dan HCl, kemudian diaging, disaring, dinetralkan, dioven, digerus, diayak dan dikalsinasi. Silika gel yang dihasilkan dimodifikasi muatan permukaannya yang dilakukan dengan cara diimpregnasi dengan aluminium 10% sehingga menghasilkan silika gel terimpregnasi aluminium (SG-Al). Langkah yang dilakukan adalah menambahkan larutan Al(NO3)3.9H2O ke dalam silika gel, kemudian diaduk, disaring, dioven, diayak dan dikalsinasi. Silika gel dan SG-Al yang diperoleh dikarakterisasi dengan FTIR menunjukkan adanya gugus silanol (Si-OH) dan siloksan (Si-O-Si) berturut-turut pada bilangan gelombang 3435,34 cm-1 dan 462,93 cm-1, serta tidak munculnya spektra FTIR pada bilangan gelombang 960 cm-1 karena adanya aluminium yang diimpregnasi. Karakterisasi dengan SEM-EDX menunjukkan morfologi silika gel dan SG-Al yang tidak seragam dengan ukuran 0,13- 0,15 μm serta unsur yang terkandung pada silika gel adalah Si, O, Al dan Na sedangkan pada SG-Al adalah Si, O dan Al. Produk silika gel dan SG-Al dilakukan uji adsorpsi terhadap indigo carmine dengan wariasi pH sistem (1, 2, 3, 5, 7, 9 dan 11) serta variasi konsentrasi (25 ppm, 50 ppm, 100 ppm, 150 ppm, 200 ppm, 250 ppm dan 500 ppm). Silika gel dan SG-Al yang dihasilkan memiliki kemampuan adsorpsi mengikuti model Langmuir dengan nilai kapasitas adsorpsi sebesar 25,907 mg/g dan 41,841 mg/g, kemampuan adsorpsi SG-Al 61,51% lebih baik dibandingkan silika gel tanpa modifikasi.
Di dunia di mana hampir semua tugas manual diotomatisasi, definisi manual berubah. Algoritma machine learning dapat membantu komputer bermain catur, melakukan operasi, dan menjadi lebih pintar dan lebih pribadi. Kita hidup di era kemajuan teknologi yang konstan, dan melihat bagaimana komputasi telah berkembang selama bertahun-tahun, kita dapat memprediksi apa yang akan terjadi di hari-hari mendatang.
Salah satu fitur utama dari revolusi ini yang menonjol adalah bagaimana alat dan teknik komputasi telah di demokratisasi. Dalam lima tahun terakhir, para ilmuwan data telah membangun mesin pengolah data yang canggih dengan mengeksekusi teknik-teknik canggih dengan mulus. Hasilnya sangat mencengangkan.
Algoritma Reinforcement Learning menggunakan hasil atau hasil sebagai patokan untuk memutuskan langkah tindakan selanjutnya. Dengan kata lain, algoritme ini belajar dari hasil sebelumnya, menerima umpan balik setelah setiap langkah, dan kemudian memutuskan apakah akan melanjutkan langkah berikutnya atau tidak.
Sistem mempelajari apakah ia membuat pilihan yang benar, salah, atau netral dalam prosesnya. Sistem otomatis dapat menggunakan Reinforcement Learning karena dirancang untuk membuat keputusan dengan intervensi manusia yang minimal.
Misalnya, Sahabat DQ mendesain mobil self-driving dan bermaksud melacak apakah mobil tersebut mengikuti peraturan lalu lintas dan memastikan keselamatan di jalan. Dengan menerapkan Reinforcement Learning , kendaraan belajar melalui pengalaman dan taktik penguatan.
Algoritme memastikan bahwa mobil mematuhi undang-undang lalu lintas dengan tetap berada di satu jalur, mengikuti batas kecepatan, dan berhenti bertemu pejalan kaki atau hewan di jalan.
Lalu, apa saja algoritma dengan deep learning reinforcement learning ini? Yuk simak selengkapnya sekarang!
RNN atau Recurrent Neural Network
Pernahkah Sahabat DQ memperhatikan ketika Sahabat DQ mulai mengetik sesuatu, Google secara otomatis melengkapi kalimat untuk Sahabat DQ! Sekarang, jika Sahabat DQ memikirkan cara kerjanya, rahasianya adalah RNN.
Recurrent Neural Networks telah mengarahkan siklus di antara node yang saling berhubungan. Mereka menggunakan memori mereka untuk memproses urutan input berikutnya untuk mengimplementasikan jenis fungsi fitur pelengkapan otomatis. RNN dapat mengambil serangkaian input tanpa batasan ukurannya, menjadikannya unik.
Google, Mesin Pencari, dan Peramban Web secara ekstensif menggunakan RNN untuk melengkapi kata dan kalimat secara otomatis. Aplikasi lain adalah Deteksi dan Pengenalan Teks, Menganalisis bingkai video, dll.
Multilayer Perceptron (MLP)
MLP adalah algoritma deep learning paling dasar dan juga salah satu teknik deep learning tertua. Algoritma ini digunakan oleh situs media sosial (Instagram, Facebook) untuk mengkompres data gambar. Itu secara signifikan membantu memuat gambar bahkan jika kekuatan jaringan tidak terlalu kuat. Aplikasi lain termasuk Digunakan dalam pengenalan gambar dan ucapan, kompresi data, dan juga untuk masalah klasifikasi.
Jika Sahabat DQ seorang pemula dalam pembelajaran mendalam dan baru saja mulai menjelajahinya, kami sarankan Sahabat DQ memulai dengan MLP. MLP dapat disebut sebagai bentuk jaringan syaraf Feedforward. Cara kerja MLP sama dengan yang kita bahas di atas dalam contoh data MNIST kita. Lapisan pertama mengambil input, dan yang terakhir menghasilkan output berdasarkan lapisan tersembunyi.
Setiap node terhubung ke setiap node pada lapisan berikutnya, sehingga informasi terus-menerus diumpankan antara beberapa lapisan, itulah sebabnya disebut sebagai jaringan feed-forward. Setiap lapisan tersembunyi diberi makan dengan beberapa bobot (nilai yang ditetapkan secara acak). Kombinasi bobot dan input dipasok ke fungsi aktivasi yang diteruskan lebih jauh ke lapisan berikutnya untuk menentukan output.
Jika kami tidak mencapai output yang diharapkan, kami menghitung kerugian (kesalahan) dan kami melacak kembali untuk memperbarui bobot. Ini merupakan proses berulang sampai diperoleh keluaran yang diprediksi (trial and error). Sangat penting dalam melatih model pembelajaran mendalam, karena bobot yang benar akan menentukan hasil akhir Sahabat DQ.
Baca juga : Yuk Kenali Macam-Macam Algoritma Machine Learning!
