Deep Learning
Mata kuliah Deep Learning membahas konsep, arsitektur, dan penerapan jaringan saraf dalam pemodelan kecerdasan buatan tingkat lanjut. Mahasiswa diperkenalkan pada […]
About Course
Mata kuliah Deep Learning membahas konsep, arsitektur, dan penerapan jaringan saraf dalam pemodelan kecerdasan buatan tingkat lanjut. Mahasiswa diperkenalkan pada dasar-dasar jaringan saraf tiruan, fungsi aktivasi, serta struktur feedforward neural network dan fungsi kehilangan (loss function). Proses pelatihan jaringan melalui algoritma backpropagation dan teknik optimasi seperti SGD dan Adam juga dibahas, disertai strategi regularisasi untuk mengurangi overfitting. Perkuliahan dilanjutkan dengan pengenalan Convolutional Neural Networks (CNN) dan penerapan arsitektur lanjutan beserta transfer learning. Mahasiswa juga mempelajari Recurrent Neural Networks (RNN) dan variannya seperti Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU) yang dirancang untuk data berurutan. Komponen penting seperti attention mechanism dan arsitektur Transformer diperkenalkan sebagai fondasi model modern. Selain itu, mahasiswa mendalami prinsip kerja Generative Adversarial Networks (GAN) untuk generasi data, Deep Q-Networks (DQN) dalam konteks pembelajaran penguatan, serta penggunaan autoencoder untuk rekonstruksi data dan reduksi dimensi.
Course Content
Dasar-Dasar Deep Learning
-
Pengantar Deep Learning, Konsep Dasar Jaringan Saraf Tiruan, dan Fungsi Aktivasi
-
Arsitektur Feedforward Neural Network dan Fungsi Kehilangan (Loss Function)
-
Proses Backpropagation dalam Pelatihan Jaringan Saraf
-
Teknik Optimasi: Stochastic Gradient Descent (SGD), Adam Optimizer, dan Pengaturan Parameter
-
Strategi Regularisasi untuk Mengurangi Overfitting dalam Deep Learning
Convolutional Neural Networks (CNN)
Recurrent Neural Networks (RNN) dan Variannya
Attention dan Transformer
Generative Models (GAN)
Deep Reinforcement Learning
Autoencoder dan Aplikasinya
