Pembelajaran dalam

Pembelajaran dalam (bahasa Inggeris: Deep Learningcode: en is deprecated ) atau sering dikenal dengan istilah Pemelajaran Struktural Mendalam (bahasa Inggeris: Deep Structured Learningcode: en is deprecated ) atau Pemelajaran Hierarki (bahasa Inggeris: Hierarchical learningcode: en is deprecated ) adalah salah satu cabang dari ilmu pemelajaran mesin (bahasa Inggeris: Machine Learningcode: en is deprecated ) yang terdiri algoritme pemodelan abstraksi tingkat tinggi pada data menggunakan sekumpulan fungsi transformasi non-linear yang ditata berlapis-lapis dan mendalam.^[1] Teknik dan algoritme dalam pemelajaran dalam dapat digunakan baik untuk kebutuhan pemelajaran terarah (supervised learning), pembelajaran tidak diarah (unsupervised learning) dan semi-terarah (semi-supervised learning) dalam berbagai aplikasi seperti pengenalan citra, pengenalan suara, klasifikasi teks, dan sebagainya. Model pada pembelajaran dalam pada dasarnya dibangun berdasarkan Jaringan saraf tiruan, yang risetnya sudah berlangsung sejak era 80-an namun baru-baru ini kembali bangkit dengan adanya komputer yang semakin cepat apalagi ditambah dengan kemampuan KAD grafiK moden yang mampu melakukan perkiraan berasaskan matriks secara serentak.

Berdasarkan kajian yang telah dilakukan baru-baru ini, pemelajaran Dalam mampu melakukan pengenalan grafis, pola tulis tangan dan beberapa pola lainnya lebih akurat dibandingkan dengan algoritme pemelajaran mesin lainnya.^[2]

Pembelajaran sebegini dilaksanakan melalui beberapa pendekatan tertentu menggunaan binaan atau struktur penyaluran maklumat yang tersendiri

Deep Feedforward Network atau dikenal dengan Multilayer Perceptron (MLP) merupakan pengembangan dari Jaringan saraf tiruan yang menekankan pada penggunakan satu atau lebih lapis tersembunyi (hidden layer) pada jaringannya dan penggunaan fungsi transformasi non-linear sebagai fungsi transformasi. Jaringan ini disebut Feedforward oleh karena sifatnya yang membawa informasi dari lapis masukan (input layer) untuk dibawa dan ditransformasi ke depan hingga lapis luaran (output layer).

Recurrent Neural Network merupakan pengembangan dari Deep Feedforward Network yang mana informasi dari suatu neuron dapat berputar kembali ke neuron yang sama (Deep Feddforward Network hanya membawa informasi ke lapis A ke lapis B secara progresif tanpa kembali ke lapis sebelumnya).

Convolutional Neural Network merupakan modifikasi dari Deep Feedforward Network yang mana setiap lapisnya dibuat dalam bentuk topologi grid mendalam.