Deep learning merupakan bagian dari machine learning yang menggunakan jaringan neural buatan untuk memproses dan menganalisis informasi. Jaringan neural terdiri dari node komputasi yang berlapis dalam algoritma deep learning. Setiap lapisan berisi lapisan input, lapisan output, dan lapisan tersembunyi. Jaringan neural diberi data pelatihan yang membantu algoritma mempelajari dan meningkatkan akurasi. Ketika jaringan neural terdiri dari tiga atau lebih lapisan, disebut sebagai “deep”, maka deep learning.

Algoritma deep learning terinspirasi oleh cara kerja otak manusia dan digunakan untuk analisis data dengan struktur logis. Deep learning digunakan dalam banyak tugas yang kita anggap sebagai AI saat ini, termasuk pengenalan gambar dan ucapan, deteksi objek, dan natural language processing. Deep learning dapat membuat korelasi kompleks non-linear dalam set data, meskipun memerlukan lebih banyak data pelatihan dan resource komputasi daripada machine learning.

Beberapa jenis jaringan neural umum yang digunakan untuk deep learning meliputi:

Jaringan neural alur maju (FF) adalah salah satu bentuk jaringan neural tertua, dengan data mengalir satu arah melalui lapisan neuron buatan hingga mencapai output.

Jaringan neural berulang (RNN) berbeda dari jaringan neural alur maju karena jaringan ini biasanya menggunakan data deret waktu atau data yang melibatkan urutan. Jaringan neural berulang memiliki "memori" tentang hal yang terjadi di lapisan sebelumnya sebagai kesatuan pada output lapisan saat ini.

Long/short term memory (LSTM) adalah bentuk lanjutan dari RNN yang dapat menggunakan memori untuk "mengingat" hal yang terjadi di lapisan sebelumnya.

Jaringan neural konvolusional (CNN) mencakup beberapa jaringan neural yang paling umum dalam kecerdasan buatan modern dan menggunakan beberapa lapisan yang berbeda (lapisan konvolusional, lalu lapisan penggabungan) yang memfilter berbagai bagian gambar sebelum menempatkannya kembali bersama-sama (dalam lapisan yang terhubung sepenuhnya).

Jaringan neural generatif berlawanan (GAN) melibatkan dua jaringan neural ("generator" dan "diskriminator") yang saling bersaing dalam sebuah permainan yang pada akhirnya meningkatkan akurasi output.

Machine learning merupakan bagian dari kecerdasan buatan yang memungkinkan sistem untuk belajar dan berkembang secara mandiri tanpa diprogram secara eksplisit. Algoritma machine learning bekerja dengan mengenali pola dan data serta membuat prediksi saat data baru dimasukkan ke dalam sistem.

Secara garis besar, tiga jenis model sering digunakan dalam machine learning: supervised, unsupervised, dan reinforcement.

Supervised learning adalah model machine learning yang menggunakan data pelatihan berlabel (data terstruktur) untuk memetakan input tertentu ke output. Dalam supervised learning, output-nya diketahui (seperti mengenali gambar apel) dan model dilatih menggunakan data dari output yang diketahui. Secara sederhana, untuk melatih algoritma mengenali gambar apel, berilah gambar yang diberi label sebagai apel.

Algoritma supervised learning paling umum yang digunakan saat ini meliputi:

• Regresi linier
• Regresi polinomial
• K tetangga terdekat
• Naive Bayes
• Regresi polinomial
• Pohon keputusan

Unsupervised learning adalah model machine learning yang menggunakan data tidak berlabel (data tidak terstruktur) untuk mempelajari pola. Tidak seperti supervised learning, output-nya tidak diketahui sebelumnya. Sebaliknya, algoritma belajar dari data tanpa input manual (sehingga, tidak diawasi) dan mengategorikannya ke dalam grup berdasarkan atribut. Misalnya, jika algoritma diberi gambar apel dan pisang, algoritma tersebut akan bekerja dengan sendirinya untuk mengategorikan gambar mana yang merupakan apel dan pisang. Unsupervised learning dapat digunakan dalam pemodelan deskriptif dan pencocokan pola.

Algoritma unsupervised learning paling umum yang digunakan saat ini meliputi:

• Fuzzy means
• Pengelompokan k-means
• Pengelompokan hierarkis
• Analisis komponen utama
• Partial least squares

Machine learning pendekatan campuran yang disebut semi-supervised learning juga sering digunakan, di mana hanya sebagian data yang diberi label. Dalam semi-supervised learning, algoritma harus mencari tahu cara mengatur dan menyusun data untuk mencapai hasil yang diketahui. Misalnya, model machine learning diberi tahu bahwa hasil akhirnya adalah apel, tetapi hanya sebagian data pelatihan yang diberi label sebagai apel.

Reinforcement learning adalah model machine learning yang dapat digambarkan sebagai “belajar sambil praktik” melalui serangkaian eksperimen uji coba. Seorang “agen” belajar cara melakukan tugas yang ditentukan melalui feedback loop hingga performanya berada dalam rentang yang diinginkan. Agen menerima dukungan positif ketika melakukan tugas dengan baik dan penguatan negatif ketika berperforma buruk. Contoh reinforcement learning adalah saat peneliti Google mengajarkan algoritma reinforcement learning untuk memainkan game Go. Model ini tidak memiliki pengetahuan sebelumnya tentang aturan Go dan hanya memindahkan potongan secara acak dan "mempelajari" hasil terbaik saat algoritma dilatih, sampai model machine learning dapat mengalahkan pemain manusia di dalam game tersebut.

Kecerdasan buatan adalah bidang ilmu pengetahuan yang berkaitan dengan pembuatan komputer dan mesin yang dapat berpikir, belajar, dan bertindak sedemikian rupa yang biasanya membutuhkan kecerdasan manusia atau yang melibatkan data yang skalanya melebihi apa yang dapat dianalisis manusia. AI adalah bidang luas yang mencakup banyak disiplin ilmu termasuk ilmu komputer, data dan analisis, rekayasa perangkat lunak, dan bahkan filosofi. 

Di tingkat bisnis, AI adalah sekumpulan teknologi yang memiliki banyak kasus penggunaan, termasuk analisis data, prediksi dan perkiraan, natural language processing, rekomendasi, otomatisasi mesin, pengambilan data cerdas, dan banyak lagi.

Kecerdasan buatan, machine learning, dan deep learning sering kali digunakan secara bersamaan saat membahas semua hal tentang AI. Meskipun berkorelasi, istilah tersebut tidak dapat dipertukarkan. 

Meskipun AI adalah bidang yang luas, machine learning merupakan aplikasi AI yang memungkinkan mesin belajar tanpa diprogram secara khusus. Machine learning lebih eksplisit digunakan sebagai sarana untuk mengekstrak pengetahuan dari data melalui metode yang lebih sederhana seperti pohon keputusan atau regresi linear, sedangkan deep learning menggunakan metode yang lebih canggih yang ditemukan dalam jaringan neural buatan.

Deep learning memerlukan lebih sedikit intervensi manual, karena fitur set data diekstrak secara otomatis, dibandingkan teknik machine learning yang lebih sederhana yang sering kali mengharuskan engineer untuk mengidentifikasi fitur dan pengklasifikasi data secara manual serta menyesuaikan algoritma. Pada dasarnya, deep learning dapat belajar dari kesalahannya sendiri, sementara machine learning membutuhkan manusia untuk campur tangan.

Deep learning juga membutuhkan lebih banyak data daripada machine learning, yang pada akhirnya memerlukan daya komputasi yang jauh lebih besar. Machine learning biasanya dapat dilakukan dengan server yang menjalankan CPU, sedangkan deep learning sering kali membutuhkan chip yang lebih tangguh seperti GPU.