3: Deep Learning for Computer Vision – Building Convolutional Neural Networks from Scratch

IntermediateEvergreen

Istilah sulit di video ini dan artinya
Istilah	Arti
Keras	Pustaka Python yang berjalan di atas TensorFlow dan menyediakan lapisan, fungsi aktivasi, serta perintah pelatihan siap pakai, dipakai di video ini untuk membangun model penyakit jantung dan fashion-mnist.
TensorFlow	Pustaka deep learning buatan Google yang otomatis menghitung gradien, menyediakan optimizer, dan membagi komputasi ke banyak server atau GPU, menjadi fondasi tempat Keras berjalan di kuliah ini.
Colab	Layanan notebook Python berbasis peramban dari Google yang bisa memakai GPU, dipakai dosen untuk menjalankan dan menjelaskan kode model baris demi baris.
training set	Bagian data yang dipakai model untuk belajar dan memperbarui bobotnya, dalam video ini berisi 242 pasien sebelum sebagian disisihkan lagi untuk validasi.
validation set	Sebagian data latih yang disisihkan dan tidak dipakai menghitung gradien, hanya untuk menilai loss dan akurasi tiap epoch agar overfitting bisa terlihat.
test set	Data yang dikunci sejak awal dan dipakai sekali saja pada model akhir untuk memperkirakan kinerjanya di dunia nyata, berisi 61 pasien di contoh penyakit jantung.
overfitting	Keadaan ketika model terlalu menghafal keanehan data latih sehingga kesalahannya pada data baru justru naik, risiko yang makin besar saat jaringan punya banyak lapisan.
batch size	Jumlah data yang diproses sekaligus sebelum bobot diperbarui, dan video ini memakai 32 sehingga 193 data latih terbagi menjadi 7 batch.
epochs	Jumlah putaran penuh model melewati seluruh data latih, dan dosen sengaja menjalankan 300 epoch agar tanda overfitting terlihat jelas.
cross entropy	Jenis loss function untuk tugas klasifikasi yang mengukur selisih antara probabilitas tebakan model dan label benar, dipakai dalam versi binary, categorical, dan sparse categorical.
gradient descent	Metode optimasi yang menggeser bobot sedikit demi sedikit ke arah yang menurunkan loss berdasarkan gradien, dengan varian stochastic yang memperbarui bobot per batch.
accuracy	Persentase tebakan model yang benar, dilaporkan Keras hanya sebagai ukuran pemantauan dan menurut dosen lebih dekat ke kebutuhan dunia nyata daripada nilai loss.

Kuliah ketiga MIT OpenCourseWare ini dibawakan oleh Rama Ramakrishnan dan dibagi menjadi dua bagian. Separuh pertama membangun model Keras di Colab untuk memprediksi penyakit jantung, sedangkan separuh kedua mulai membahas klasifikasi gambar. Sebelum masuk ke kode, ia mengulang alur pelatihan jaringan saraf: prediksi dibandingkan dengan jawaban benar lewat loss function, lalu optimizer menghitung gradien dan memperbarui bobot. Ia menjelaskan beda gradient descent dengan stochastic gradient descent, arti epoch dan batch, serta risiko overfitting yang makin besar ketika jaringan punya banyak lapisan dan parameter. Untuk mengatasinya, ia memperkenalkan early stopping dengan validation set, sementara dropout ditunda ke kuliah berikutnya. Ia juga menerangkan konsep tensor beserta rank-nya, serta alasan memakai TensorFlow dan Keras dibanding PyTorch bagi mahasiswa yang latar pemrogramannya terbatas. Materi ini penting karena memberi pemahaman rinci tentang apa yang sebenarnya terjadi saat model dilatih, yang menurut sang dosen menjadi syarat untuk bisa berpikir kreatif saat menghadapi masalah baru.

Di Colab, data 303 pasien dengan 14 kolom diolah lebih dulu: variabel kategori diubah dengan one-hot encoding memakai get_dummies, data dibagi 80 persen latih dan 20 persen uji (242 dan 61 baris), lalu variabel numerik distandarkan setelah pembagian agar test set tidak bocor. Model berisi 29 input, satu lapisan 16 neuron ReLU, dan output sigmoid, dengan total 497 parameter. Model dilatih memakai binary cross-entropy, Adam, batch size 32, 300 epoch, dan 20 persen data sebagai validasi sehingga setiap epoch berisi 7 batch. Loss validasi mulai naik sekitar epoch 50, tetapi akurasinya tetap membaik, dan hasil akhir di test set mencapai 83,6 persen, mengalahkan baseline 72,6 persen. Bagian visi komputer menjelaskan piksel bernilai 0 sampai 255, tiga channel warna, serta tugas klasifikasi, lokalisasi, deteksi objek, dan segmentasi. Untuk fashion-mnist dengan 70.000 gambar dalam 10 kategori, gambar 28 kali 28 diratakan menjadi 784 angka, diproses 256 neuron ReLU, lalu masuk ke softmax dengan sparse categorical cross-entropy. Kuliah berhenti setelah data dimuat dan divisualisasikan, dan pelatihannya dilanjutkan pada pertemuan berikutnya.

Kata kunci

Keras
TensorFlow
overfitting
validation set

Istilah

Arti

Keras

Pustaka Python yang berjalan di atas TensorFlow dan menyediakan lapisan, fungsi aktivasi, serta perintah pelatihan siap pakai, dipakai di video ini untuk membangun model penyakit jantung dan fashion-mnist.

TensorFlow

Pustaka deep learning buatan Google yang otomatis menghitung gradien, menyediakan optimizer, dan membagi komputasi ke banyak server atau GPU, menjadi fondasi tempat Keras berjalan di kuliah ini.

Colab

Layanan notebook Python berbasis peramban dari Google yang bisa memakai GPU, dipakai dosen untuk menjalankan dan menjelaskan kode model baris demi baris.

training set

Bagian data yang dipakai model untuk belajar dan memperbarui bobotnya, dalam video ini berisi 242 pasien sebelum sebagian disisihkan lagi untuk validasi.

validation set

Sebagian data latih yang disisihkan dan tidak dipakai menghitung gradien, hanya untuk menilai loss dan akurasi tiap epoch agar overfitting bisa terlihat.

test set

Data yang dikunci sejak awal dan dipakai sekali saja pada model akhir untuk memperkirakan kinerjanya di dunia nyata, berisi 61 pasien di contoh penyakit jantung.

overfitting

Keadaan ketika model terlalu menghafal keanehan data latih sehingga kesalahannya pada data baru justru naik, risiko yang makin besar saat jaringan punya banyak lapisan.

batch size

Jumlah data yang diproses sekaligus sebelum bobot diperbarui, dan video ini memakai 32 sehingga 193 data latih terbagi menjadi 7 batch.

epochs

Jumlah putaran penuh model melewati seluruh data latih, dan dosen sengaja menjalankan 300 epoch agar tanda overfitting terlihat jelas.

cross entropy

Jenis loss function untuk tugas klasifikasi yang mengukur selisih antara probabilitas tebakan model dan label benar, dipakai dalam versi binary, categorical, dan sparse categorical.

gradient descent

Metode optimasi yang menggeser bobot sedikit demi sedikit ke arah yang menurunkan loss berdasarkan gradien, dengan varian stochastic yang memperbarui bobot per batch.

accuracy

Persentase tebakan model yang benar, dilaporkan Keras hanya sebagai ukuran pemantauan dan menurut dosen lebih dekat ke kebutuhan dunia nyata daripada nilai loss.