Deep Dive Into Neural Networks – Menuju AI – Teknologi, Sains, dan Teknik Terbaik

Penulis: Amit Griyaghey

Pembelajaran Mendalam

Foto oleh Drew Graham di Unsplash

Terlepas dari Aplikasi terkenal seperti pengenalan gambar dan suara, Jaringan Syaraf Tiruan digunakan dalam beberapa konteks untuk menemukan pola kompleks di antara kumpulan data yang sangat besar, contohnya adalah saat mesin email menyarankan penyelesaian kalimat atau saat mesin menerjemahkan satu bahasa ke lain. Untuk memecahkan masalah kompleks seperti itu kami menggunakan Jaringan Syaraf Tiruan.

Pada artikel ini, Topik yang akan dibahas: –

Pengenalan jaringan saraf Tujuan penggunaan jaringan saraf Arsitektur jaringan saraf Evaluasi fungsi neuron Aktivasi beberapa jenis dijelaskan Backpropagation untuk memperkirakan bobot dan bias

pengantar

Jaringan Syaraf Tiruan (JST) sering disebut teknik kotak hitam karena terkadang sulit untuk memahami apa yang mereka lakukan. Ini adalah urutan perhitungan matematis yang paling baik divisualisasikan melalui jaringan saraf.

Sumber: Wikimedia Commons, berlisensi di bawah lisensi Creative Commons Attribution-Share Alike 4.0 International.

JST secara samar-samar diilhami oleh Jaringan Syaraf Biologis yang menyusun otak manusia. Otak manusia menggunakan jaringan sel yang saling berhubungan yang disebut neuron untuk memberikan kemampuan belajar, demikian pula JST menggunakan jaringan neuron atau simpul buatan untuk memecahkan masalah pembelajaran yang menantang.

Sumber: Wikimedia Commons, berlisensi di bawah lisensi Creative Commons Attribution-Share Alike 4.0 International.
Sumber: Wikimedia Commons, berlisensi di bawah lisensi Creative Commons Attribution-Share Alike 4.0 International.

Jaringan saraf otak manusia menunjukkan informasi masuk dan keluar melalui neuron

Jaringan Syaraf Tiruan

Mengapa belajar Neural Network?

Kemampuan untuk belajar – Jaringan Neural dapat menjalankan fungsinya sendiri. Kemampuan untuk menggeneralisasi-Dapat dengan mudah menghasilkan output untuk input yang belum diajarkan bagaimana mengatasinya. Adaptivitas – Dapat dengan mudah dipertahankan untuk mengubah kondisi Lingkungan.

Arsitektur jaringan saraf

Jaringan Neural terdiri dari tiga lapisan yang ditunjukkan pada gambar di atas-

Lapisan masukan Lapisan tersembunyi Lapisan keluaran

Jaringan syaraf tiruan dalam prakteknya memiliki lebih dari satu mode masukan dan juga umumnya memiliki lebih dari satu simpul keluaran di antara dua simpul ini terdapat jaring laba-laba koneksi antar tiap lapisan simpul. Lapisan ini adalah lapisan tersembunyi. ketika kita membangun Jaringan Neural, hal pertama yang harus dilakukan adalah memutuskan berapa banyak lapisan tersembunyi yang kita inginkan.

Sumber: Gambar oleh Penulis

Neuron adalah unit pemrosesan informasi yang fundamental untuk pengoperasian jaringan saraf. Tiga elemen dasar model neuron:

• Bobot sinaptik

• Fungsi Kombinasi (Penambahan)

Bias masukan eksternal untuk menambah atau mengurangi masukan bersih ke fungsi Aktivasi

Evaluasi neuron

Sumber: Gambar oleh Penulis

• bobot-w

• n –jumlah input

• xi –input

• f (x) –fungsi aktivasi

Evaluasi ini dapat dipahami dengan contoh sederhana katakanlah di node input kita memiliki nilai x1 kita meneruskan nilai ini dari node input ke lapisan tersembunyi melalui sinapsis jaringan setiap sinaps atau koneksi memiliki beberapa bobot sinaptik yaitu, w . Nilai input x1 dikalikan dengan bobot sinaptik masing-masing dan dimasukkan ke node lapisan tersembunyi, dalam fungsi aktivasi node lapisan tersembunyi ini f (x) melakukan tugasnya. sekarang mari kita pahami apa itu fungsi aktivasi-

Fungsi Aktivasi-

Pada saat input berupa kombinasi Linear, kita perlu menerapkan beberapa fungsi untuk keperluan optimasi. Fungsi ini disebut fungsi Aktivasi untuk mencapai keluaran yang diinginkan. Saat kita membangun jaringan saraf, kita harus memutuskan fungsi Aktivasi mana yang ingin kita gunakan. Ada jenis fungsi Aktivasi yang dapat digunakan-

RELU (Rectified Linear Unit) – Ini Mengembalikan nol untuk input negatif dan tetap diam untuk semua nilai positif menggunakan fungsi- y = max (z, 0). z adalah input berbobot yang diterima di node lapisan tersembunyi.

Sumber: Gambar oleh Penulis

Fungsi sigmoid- Nilai output dapat berkisar antara nol dan satu. Dievaluasi dengan – f (x) = 1/1 + e ^ z.

Sumber: Gambar oleh Penulis Fungsi Tangen Hiperbolik – juga disebut fungsi tanh, ini adalah versi fungsi sigmoid bergeser yang memiliki berbagai macam output. yang dapat berkisar dari -1 hingga + 1

Sumber: Gambar oleh Penulis

Di antara semua fungsi aktivasi ini, RELU adalah fungsi aktivasi yang paling banyak digunakan dan motif utamanya adalah mengubah masukan menjadi unit keluaran yang berharga.

Propagasi Balik

Jaringan saraf dimulai dengan fungsi Aktivasi yang identik, tetapi menggunakan bobot dan bias yang berbeda pada sambungan, ia membalik dan meregangkan fungsi aktivasi menjadi bentuk baru yang digeser untuk memperkirakan bobot dan bias. Propagasi mundur menggunakan dua metode berbeda untuk memperkirakan parameter bobot dan bias di jaringan saraf-

gunakan aturan rantai untuk menghitung turunan atau memasukkan turunan ke dalam penurunan gradien untuk mengoptimalkan parameter.

Penggunaan jaringan Neural

Digunakan dalam pengenalan suara Pengenalan wajah Deteksi penipuan Analisis Sentimen Pencarian gambar di media sosial

Kesimpulan

Artikel ini telah membahas konsep jaringan saraf tiruan, jenis fungsinya, penggunaan, dan cara memperkirakan nilai parametriknya. juga, dijelaskan secara singkat bagaimana hal itu mirip dengan sistem saraf otak manusia.

Terima kasih sudah membaca!

Referensi

https://en.wikipedia.org/wiki/Artificial_neural_network https://en.wikipedia.org/wiki/Activation_function https://www.sas.com/en_in/insights/analytics/neural-networks.html

Deep Dive Into Neural Networks awalnya diterbitkan di Towards AI on Medium, tempat orang-orang melanjutkan percakapan dengan menyoroti dan menanggapi cerita ini.

Diterbitkan melalui Towards AI

Leave a Reply