Ulasan Sangat Ringkas Beberapa Buku Tentang Deep Learning

Dengan maksud untuk memahami dan mendalami Deep Learning (DL) yg merupakan salah satu topik terkini dlm AI, dalam 3-4 tahun terakhir ini saya membeli bbrp buku tentang topik Deep Learning di Amazon. Ulasan ringkas tentang 7 buku diantaranya saya share berikut ini, barangkali bermanfaat bagi Bpk/Ibu dan rekan-rekan. Kebetulan semester ini saya mengajar kuliah tentang Deep Learning. 

1. Deep Learning, Goodfellow dkk., MIT Press, 2016

Bahasan di buku ini tentang deep learning sangat fundamental dan mencakup konsep matematika yang mendasar untuk dapat memahami deep learning dengan baik. Buku teori deep learning yg sangat bagus dan menjadi rujukan bagi banyak karya ilmiah dlm deep learning. Bagi pembaca yg tidak memiliki pemahaman matematika yg memadai, membaca beberapa bagian dr buku ini dapat membuat kening berkerut. Topik DL yg dibahas antara lain Deep Neural Networks, teknik regularisasi, algoritma optimisasi, Convolutional Neural Networks, sequence modeling dll, dengan aplikasi pd computer vision, pengenalan ucapan, pengolahan bahasa alami, sistem perekomendasi dll. Sebagai buku yg memfokuskan pada konsep fundamental tidak ada contoh coding yg disertakan utk berbagai konsep dan algoritma deep learning. Oleh karena itu utk hands-on dg DL, pembaca perlu melengkapinya dg salah satu buku seperti No. 2, 3, 5 atau 6 berikut ini. Edisi barunya sangat ditunggu oleh banyak pembaca, termasuk saya tentu saja 😊. Direkomendasikan terutama utk akademisi dan praktisi yg ingin memahami fundamental deep learning, dilengkapi sejumlah slides. 

2. Hands-on Machine Learning with ScikitLearn and Tensorflow, Aurellien Gerron, O’Reilly, 2017(edisi pertama), 2019

Buku ini membahas machine learning & deep learning dengan pembahasan yg menyeimbangkan antara konsep matematika  dan contoh aplikasi serta coding. Coding diberikan dalam ScikitLearn yg mrpk library machine learning Python, dan Tensor Flow. Pengalaman hands-on sangat ditekankan dalam buku ini. Bahasan dr aspek matematikanya tidak seberat buku dari Goodfellow. Buku ini terbagi dalam dua bagian besar. Bagian pertama membahas fundamental machine learning. Bagian kedua membahas neural networks dan deep learning. Kualitas cetakan edisi pertama buku ini (Tahun 2017) kurang bagus, terutama formula matematikanya, tetapi sepertinya sudah diperbaiki di edisi 2019. Buku ini cukup tebal. Direkomendasikan baik utk para akademisi maupun praktisi. 

3. Deep Learning with Python, Francois Chollet, Manning, 2017

Buku yg dikarang oleh pencipta Keras. Buku ini sangat enak dibaca, memberikan perspektif yang cukup komprehensif tentang machine learning dan deep learning, banyak contoh coding dlm Python. Membahas ANN dan DL dlm level arsitektural, tidak mendalam sampai rincian algoritma pembelajarannya, namun cukup baik bagi pembaca utk memahami konsep dasar DL dan memanfaatkannya utk berbagai aplikasi. Buku ini membahas mahine learning, neural networks, deep learning, dan aplikasinya pada computer vision, text processing, time series. Ada bab khusus tentang model generatif, dengan topik auto-encoder dan pengantar generative adversarial networks (GAN). Contoh coding diberikan dengan Python, dan front-end-nya menggunakan Keras. Direkomendasikan untuk para praktisi, maupun akdemisi. 

4. Neural Networks and Deep Learning, Charu Aggarwal, Springer, 2018

Buku tentang ANN dan DL dengan konsep fundamental & matematis serta algoritma yg dibahas mendalam seperti buku Deeplearning-nya Goodfellow. Pembahasan buku ini terbagi kedalam tiga bagian besar : 1. Basics of Neural Networks, 2. Fundamentals of Neural Networks, 3. Advanced Topics in Neural Networks (Deep Learning). Beberapa topik lanjut seperti Deep Reinforcement Learning dan GAN dibahas di bagian akhir dari Bagian 3. Tidak ada contoh coding di buku ini. Oleh karena itu untuk pengalaman hands-on, pembaca perlu melengkapi dg salah satu buku seperti No. 2,3,5 atau 6. Direkomendasikan utk para akademisi, dan cukup bagus digunakan sbg textbook utk matakuliah DL di tingkat pascasarjana, dilengkapi slides. 

5. Introduction to Deep Learning, E. Charniack, MIT Press, 2019

Buku yg memperkenalkan Deep Learning dg membawa pembaca untuk memahami Deep Learning mulai dari dasar dan secara bertahap menuju topik yg lebih lanjut dengan menggunakan Python dan Tensor Flow. Setiap Bab dilengkapi dengan contoh pemrograman. Buku ini membahas ANN, Convolutional NN, Recurrent NN, Deep Reinforcement Learning, Unsupervised Model dll. Setiap bab dari buku ini dilengkapi dengan projek pemrograman, latihan dan daftar pustaka. Pembaca diharapkan telah memahami aljabar linier, kalkulus, probabilitas dan statistik. Buku yg menurut saya bagus untuk pemula, akademisi dan praktisi, enak dibaca. 

6. TensorFlow for Deep Learning : From Linear Regression to Reinforcement Learning, Ramsundar & Zadeh, O’Reilly, 2018

Buku ini membahas Deep Learning dengan menggunakan TensorFlow. Arsitektur dan algoritma yg disajikan mencakup regresi linier&logistik, deep neural networks, hyperparameter optimization, convolutional neural networks, recurrent neural networks, reinforcement learning, large deep network. Jumlah halaman tidak tebal, hanya 240 halaman, enak dibaca seperti bukunya Charniack. Meskipun tidak tebal, buku ini menyajikan arsitektur dan algoritma DL yang esensial untuk dapat memahami DL. Direkomendasikan utk akademisi dan praktisi.

7. Deep Reinforcement Learning Hands-on, Maxim Lapan, Pakt, 2018 (edisi terbaru 2020)

Untuk memecahkan masalah yg melibatkan pengambilan keputusan seperti pd games dan robotik, algoritma reinforcement learning (RL) dapat digunakan dg cara yg efektif. Buku membahas metoda berbasis RL dengan penekanan pada topik lanjut RL yang mengintegrasikan RL dengan deep networks. Dilengkapi dengan contoh coding dan penerapannya terutama pada games. Pengetahuan pembaca tentang dasar DL dan Python (dan Pytorch) diharapkan utk dapat memahami Deep RL dengan baik. Buku ini dapat dipandang sebagai pelengkap dari buku klasik RL oleh Sutton dan Barto yang lebih membahas teori RL, sementar buku ini lebih berfokus pada implementasi. Sy hanya memiliki edisi pertama(2018). Edisi terbaru tampaknya menambahkan beberapa topik lanjut seperti multi-agent system & RL dlm robotik. 

Pengulas : Bambang Riyanto, STEI-ITB, Center for AI-ITB, www.riset.ai