Apa itu Jaringan Neural Bayesian? Latar Belakang, Ide Dasar & Fungsi

pengantar

Artikel ini membahas konsep dasar Bayesian Neural Networks. Konsep khusus dari Bayesian Neural Networks ini muncul ketika data yang tidak terlihat dimasukkan ke dalam jaringan saraf, menciptakan ketidakpastian.

Ukuran ketidakpastian dalam prediksi ini, yang hilang dari Arsitektur Jaringan Neural, adalah yang dijelaskan oleh Bayesian Neural Nets. Ini menangani overfitting tetapi juga membantu dalam fitur tambahan seperti memperkirakan ketidakpastian dan distribusi probabilitas. Konsep Neural Networks telah dijelaskan juga.

Baca: Jenis-Jenis Pembelajaran Terawasi

Latar Belakang Jaringan Neural Bayesian

Membandingkan salah satu sistem kecerdasan buatan berkinerja terbaik dalam sepuluh tahun terakhir, semua mesin ini memiliki satu kesamaan- mereka menggabungkan teknik canggih yang disebut Deep Learning.

Memotong konsep Deep Learning, dapat diamati bahwa itu adalah nama yang memungkinkan pendekatan yang relatif baru untuk Kecerdasan Buatan, yang disebut Neural Networks, yang telah menjadi tren secara tidak konsisten selama lebih dari 70 tahun. Sebagai contoh, diamati bahwa konsep Neural Nets secara samar didasarkan pada otak manusia, yang terdiri dari jutaan node pemrosesan yang terhubung sebagai jaring padat seperti kabel yang saling terkait.

Oleh karena itu, Bayesian Neural Networks dengan mudah menangani masalah ketidakpastian dalam data pelatihan yang diumpankan.

Ide Dasar Jaringan Neural Bayesian

Neural Networks, lebih dikenal sebagai Neural Nets, adalah cara yang efektif untuk Pembelajaran Mesin, di mana komputer belajar, menganalisis, dan melakukan tugas dengan menganalisis contoh pelatihan. Contoh yang digunakan kebanyakan diberi label dengan tangan terlebih dahulu. Misalnya, ambil sistem pengenalan objek.

Informasi mengenai gambar berlabel mobil, mobil, rumah, atau objek apa pun diberikan atau diberi makan. Kemudian merumuskan inferensi logis dalam pola visual yang disisipkan sebagai data yang harus secara konsisten berkorelasi dengan label spesifik lainnya.

Arsitek yang bekerja dengan Neural Nets telah berhasil memecahkan dan mempelajari pemetaan input dan output yang sangat rumit dari data. Namun demikian, pengetahuan dasar tentang input yang sama dan sistem pemetaan output biasanya berakhir tidak memuaskan sebagian besar situasi, terutama ketika ada kebutuhan untuk integrasi keyakinan model tertentu atau dalam keadaan di mana data terbatas.

Neural Networks Bayesian adalah kriteria atau parameter yang dalam sebagian besar keadaan dinyatakan sebagai distribusi dan biasanya dipelajari melalui konsep Inferensi Bayesian, dibandingkan dengan nilai deterministik. Mereka memiliki kemampuan batin untuk mencerna fungsi non-linier yang kompleks dari data dan kemudian mengekspresikan ketidakpastian-keduanya pada waktu yang sama. Oleh karena itu, ini juga membawa mereka ke peran yang lebih tinggi dalam upaya mengumpulkan dan membangun AI yang lebih andal dan kompeten.

Wajib Dibaca: Jenis-Jenis Model Regresi dalam Machine Learning

Apa itu Jaringan Neural Bayesian?

Oleh karena itu, Bayesian Neural Network mengacu pada perluasan jaringan standar mengenai inferensi sebelumnya. Bayesian Neural Networks terbukti sangat efektif dalam pengaturan tertentu ketika ketidakpastian tinggi dan mutlak. Keadaan tersebut adalah sistem pengambilan keputusan, atau dengan pengaturan data yang relatif lebih rendah, atau jenis pembelajaran berbasis model apa pun.

Deep Neural Networks (DNN) cenderung merumuskan inferensi logis dengan data yang diberikan tanpa memiliki pengalaman sebelumnya dengan kumpulan data. Akibatnya, mereka berkinerja sangat baik dengan data yang sifatnya non-linier dan oleh karena itu, memerlukan sejumlah besar data untuk tujuan pelatihan tunggal. Karena memuat lebih banyak informasi, masalah permukaan yang terlalu pas.

Kebingungan yang muncul dalam situasi sekarang adalah bahwa jaringan saraf, seperti yang diamati sebelumnya, bekerja sangat baik dengan data yang diumpankan hanya untuk tujuan pelatihan tetapi akan cenderung berkinerja buruk ketika data baru dan asing dimasukkan ke dalam sistem. Hal ini menyebabkan Nets menjadi buta terhadap ketidakpastian tertentu dalam data pelatihan itu sendiri, membuat mereka terlalu percaya diri dalam prediksi mereka, yang dapat menyesatkan. Untuk menghilangkan kesalahan seperti ini, maka digunakanlah Bayesian Neural Networks.

Bagaimana Bayesian Neural Nets (BNN) Bekerja?

Objek dan ide utama di balik Bayesian Neural Networks adalah bahwa setiap unit terkait dengan distribusi probabilitas, yang mencakup bobot dan bias.

Mereka dikenal sebagai variabel acak, yang akan memberikan nilai yang sama sekali berbeda setiap kali diakses.

Mengambil contoh, jika X adalah variabel dan merupakan variabel acak lengkap, mewakili distribusi normal. Setiap kali X diakses, nilai divergen dari X diberikan. Proses untuk mendapatkan nilai divergen setiap kali nilai X diambil, disebut Sampling. Nilai yang diturunkan dari setiap sampel bergantung pada distribusi probabilitas.

Saat lingkup distribusi probabilitas meningkat, ketidakpastian berbanding lurus; akibatnya, itu naik juga. Biasanya dalam jaringan saraf, setiap lapisan harus memiliki bobot yang tetap, dengan bias yang biasanya memberikan penjelasan tentang keluaran. Sebuah Jaringan Bayesian, di sisi lain, akan memiliki distribusi probabilitas yang akan melekat pada lapisan itu sendiri.

Sebuah umpan maju berganda setiap kali dilakukan, dengan serangkaian bobot baru serta bias. Oleh karena itu digunakan untuk menangani masalah klasifikasi. Output disediakan untuk setiap pass yang dilakukan secara forward. Data yang diunggah sebagai gambar input inilah yang menyebabkan meningkatnya ketidakpastian. Dalam kasus seperti itu, ini adalah gambar yang belum pernah ditemui net sebelumnya untuk kelas output.

Kesimpulan

Aman untuk menyimpulkan bahwa Bayesian Neural Networks adalah berkah dalam hal mengintegrasikan dan menangani ketidakpastian. Mereka juga telah bermanifestasi untuk meningkatkan kinerja prediksi.

Masalah mendasar utama yang terjadi dalam pengembangan Bayesian Neural Network atau model apa pun berdasarkan probabilitas adalah komputasi yang sulit dari distribusi sebelumnya dan ekspektasinya masing-masing. Selain itu, sangat jelas bahwa masalah overfitting sangat banyak ditangani oleh Bayesian Networks.

Jika Anda tertarik untuk mempelajari lebih lanjut tentang pembelajaran mesin, lihat PG Diploma IIIT-B & upGrad dalam Pembelajaran Mesin & AI yang dirancang untuk para profesional yang bekerja dan menawarkan 450+ jam pelatihan ketat, 30+ studi kasus & tugas, IIIT- B Status alumni, 5+ proyek batu penjuru praktis & bantuan pekerjaan dengan perusahaan-perusahaan top.