2555d81160
|
||
|---|---|---|
| .. | ||
| 03-Perceptron | ||
| 04-OwnFramework | ||
| 05-Frameworks | ||
| README.md | ||
README.md
Pengantar Jaringan Saraf
Seperti yang telah kita bahas dalam pengantar, salah satu cara untuk mencapai kecerdasan adalah dengan melatih model komputer atau otak buatan. Sejak pertengahan abad ke-20, para peneliti mencoba berbagai model matematika, hingga beberapa tahun terakhir pendekatan ini terbukti sangat berhasil. Model matematika otak seperti ini disebut jaringan saraf.
Kadang-kadang jaringan saraf disebut Artificial Neural Networks atau ANNs, untuk menunjukkan bahwa kita sedang membicarakan model, bukan jaringan neuron yang sebenarnya.
Pembelajaran Mesin
Jaringan Saraf adalah bagian dari disiplin yang lebih besar yang disebut Pembelajaran Mesin (Machine Learning), yang bertujuan menggunakan data untuk melatih model komputer agar dapat menyelesaikan masalah. Pembelajaran Mesin merupakan bagian besar dari Kecerdasan Buatan, namun, kita tidak akan membahas Pembelajaran Mesin klasik dalam kurikulum ini.
Kunjungi kurikulum terpisah kami Machine Learning for Beginners untuk mempelajari lebih lanjut tentang Pembelajaran Mesin klasik.
Dalam Pembelajaran Mesin, kita mengasumsikan bahwa kita memiliki beberapa dataset contoh X, dan nilai keluaran yang sesuai Y. Contoh-contoh ini sering kali berupa vektor N-dimensi yang terdiri dari fitur, dan keluaran disebut label.
Kita akan mempertimbangkan dua masalah pembelajaran mesin yang paling umum:
- Klasifikasi, di mana kita perlu mengklasifikasikan sebuah objek masukan ke dalam dua atau lebih kelas.
- Regresi, di mana kita perlu memprediksi sebuah angka numerik untuk setiap sampel masukan.
Ketika merepresentasikan masukan dan keluaran sebagai tensor, dataset masukan adalah matriks berukuran M×N, di mana M adalah jumlah sampel dan N adalah jumlah fitur. Label keluaran Y adalah vektor berukuran M.
Dalam kurikulum ini, kita hanya akan fokus pada model jaringan saraf.
Model Sebuah Neuron
Dari biologi, kita tahu bahwa otak kita terdiri dari sel-sel saraf, masing-masing memiliki beberapa "masukan" (akson), dan satu keluaran (dendrit). Akson dan dendrit dapat menghantarkan sinyal listrik, dan koneksi antara akson dan dendrit dapat menunjukkan tingkat konduktivitas yang berbeda (dikendalikan oleh neuromediator).
 |
 |
|---|---|
| Neuron Asli (Gambar dari Wikipedia) | Neuron Buatan (Gambar oleh Penulis) |
Dengan demikian, model matematika paling sederhana dari sebuah neuron memiliki beberapa masukan X1, ..., XN dan satu keluaran Y, serta serangkaian bobot W1, ..., WN. Keluaran dihitung sebagai:
di mana f adalah beberapa fungsi aktivasi non-linear.
Model awal neuron dijelaskan dalam makalah klasik A logical calculus of the ideas immanent in nervous activity oleh Warren McCullock dan Walter Pitts pada tahun 1943. Donald Hebb dalam bukunya "The Organization of Behavior: A Neuropsychological Theory" mengusulkan cara melatih jaringan tersebut.
Dalam Bagian Ini
Dalam bagian ini kita akan mempelajari tentang:
- Perceptron, salah satu model jaringan saraf paling awal untuk klasifikasi dua kelas
- Jaringan berlapis-lapis dengan notebook pendamping cara membangun kerangka kerja kita sendiri
- Kerangka Kerja Jaringan Saraf, dengan notebook berikut: PyTorch dan Keras/Tensorflow
- Overfitting
Penafian:
Dokumen ini telah diterjemahkan menggunakan layanan penerjemahan AI Co-op Translator. Meskipun kami berupaya untuk memberikan hasil yang akurat, harap diperhatikan bahwa terjemahan otomatis mungkin mengandung kesalahan atau ketidakakuratan. Dokumen asli dalam bahasa aslinya harus dianggap sebagai sumber yang berwenang. Untuk informasi yang bersifat kritis, disarankan menggunakan jasa penerjemahan manusia profesional. Kami tidak bertanggung jawab atas kesalahpahaman atau penafsiran yang keliru yang timbul dari penggunaan terjemahan ini.