Model Jaringan Syaraf Tiruan: Pengantar Singkat, Glosarium & Backpropagation
Diterbitkan: 2020-05-22Jika Anda seorang penggemar rekayasa perangkat lunak yang mencoba memahami cara kerja jaringan saraf, Anda berada di tempat yang tepat.
Dalam panduan ini, kami akan membantu pemula mempelajari arti jaringan saraf, mendapatkan pengenalan tentang model jaringan saraf, dan memperluas pengetahuan mereka ke bidang baru di bidang ini.
Daftar isi
Apa itu Jaringan Saraf Tiruan?
Sebelum masuk ke terminologi komputasi, mari kita memahami keberadaan jaringan saraf dalam kehidupan kita sehari-hari.
Istilah "neural" berasal dari "neuron", yang merupakan istilah yang digunakan untuk sel saraf tunggal. Itu benar – jaringan saraf pada dasarnya berarti jaringan neuron yang melakukan tindakan dan tindakan sederhana dalam kehidupan kita sehari-hari.
Pengenalan pola, deteksi objek, dan kecerdasan adalah aspek utama dari masalah yang kita hadapi setiap hari. Meskipun mereka dilakukan dengan sangat mudah sehingga kita bahkan tidak menyadarinya, kenyataannya adalah bahwa reaksi ini sulit untuk diotomatisasi.
Contoh:

- Anak-anak menghafal seperti apa apel itu
- Seekor hewan mengenali ibu atau pemiliknya
- Memahami apakah ada sesuatu yang panas atau dingin
Jaringan saraf kami melakukan perhitungan rumit ini.
Manusia kini telah mampu membangun sistem komputasi yang dapat bekerja dengan cara yang mirip dengan sistem saraf kita. Ini disebut jaringan saraf tiruan (JST).
Sementara kami menggunakan ANN pada awalnya untuk melakukan fungsi sederhana, peningkatan daya komputasi sekarang memungkinkan kami untuk membangun arsitektur jaringan saraf yang cukup kuat untuk memecahkan masalah yang semakin rumit.
Mari kita pelajari tentang ANN secara mendalam di bagian selanjutnya.
Baca: Tutorial Deteksi Objek TensorFlow Untuk Pemula
Apa itu Model Jaringan Syaraf Tiruan?
Jaringan saraf multi-layer yang terhubung penuh yang berisi lapisan input, lapisan tersembunyi, dan lapisan output disebut jaringan saraf tiruan atau JST.
Gambar di bawah ini merupakan ANN.
Sumber
Jika Anda perhatikan dengan seksama, Anda akan melihat bahwa setiap node dalam satu lapisan terhubung ke setiap node di lapisan sebelahnya.
Saat Anda meningkatkan jumlah lapisan tersembunyi, jaringan menjadi lebih dalam.
Mari kita lihat seperti apa simpul individu di lapisan keluaran atau tersembunyi.
Sumber
Seperti yang Anda lihat, node mendapat banyak input. Ini meringkas semua bobot dan meneruskannya sebagai output, melalui fungsi aktivasi non-linear.
Output dari node ini menjadi input dari node di lapisan berikutnya.
Hal penting yang perlu diperhatikan disini adalah sinyal akan selalu bergerak dari kiri ke kanan. Setelah semua node mengikuti prosedur, output akhir akan diberikan.
Berikut adalah persamaan simpul.
Sumber
Dalam persamaan di atas, b adalah bias. Ini adalah input ke semua node dan selalu membawa nilai 1.
Bias membantu memindahkan hasil fungsi aktivasi ke kiri atau kanan.
Glosarium Model Jaringan Syaraf Tiruan
Mari kita lihat istilah dasar yang harus Anda ketahui ketika datang ke model jaringan saraf tiruan.
masukan
Data yang pertama kali dimasukkan ke dalam jaringan saraf dari sumbernya disebut input. Tujuannya adalah untuk memberikan data jaringan untuk membuat keputusan atau prediksi tentang informasi yang dimasukkan ke dalamnya. Model jaringan saraf biasanya menerima set input nilai nyata dan harus dimasukkan ke dalam neuron di lapisan input.
Perlengkapan latihan
Input yang sudah Anda ketahui outputnya dengan benar disebut set pelatihan. Ini digunakan untuk membantu jaringan saraf dilatih dan mengingat hasil untuk set input yang diberikan.

Keluaran
Setiap jaringan saraf menghasilkan output sebagai prediksi atau keputusan tentang data yang dimasukkan ke dalamnya. Keluaran ini berupa himpunan nilai riil atau keputusan Boolean. Hanya neuron di lapisan keluaran yang menghasilkan nilai keluaran.
neuron
Juga dikenal sebagai perceptron, neuron adalah unit dasar dari jaringan saraf. Ini menerima nilai input dan menghasilkan output berdasarkan itu.
Seperti yang telah dibahas sebelumnya, setiap neuron menerima bagian dari input dan meneruskannya melalui fungsi aktivasi non-linier ke node di lapisan berikutnya. Fungsi aktivasi ini dapat berupa TanH, sigmoid, atau ReLu. Fitur non-linear dari fungsi-fungsi ini membantu melatih jaringan.
Ruang berat
Setiap neuron memiliki bobot numerik. Ketika memberikan input ke catatan lain, bobotnya dijumlahkan dengan yang lain untuk menghasilkan output. Dengan membuat perubahan kecil pada bobot ini adalah bagaimana jaringan saraf dilatih. Penyesuaian bobot membantu menentukan rangkaian bobot dan bias yang benar yang akan menghasilkan hasil terbaik. Di sinilah backpropagation masuk.

Apa itu Backpropagation dalam Model Neural Network?
Salah satu cara untuk berhasil mengetahui perubahan kecil yang perlu dilakukan pada bobot untuk meminimalkan hilangnya seluruh jaringan adalah backpropagation.
- Pada awalnya, aktivasi harus disebarkan ke arah atas atau feedforward.
- Sekarang, turunan fungsi biaya harus disebarkan ke arah bawah atau sebaliknya.
Dengan cara ini, Anda akan dapat menentukan turunan biaya parsial terhadap setiap bobot. Anda kemudian dapat menghitung biaya yang akan dikurangi dengan melakukan penyesuaian.
Kesimpulan
Banyak insinyur perangkat lunak tidak merekomendasikan model jaringan saraf, karena mereka merasa bahwa itu agak tidak efisien, mengingat bahwa beberapa iterasi diperlukan untuk menghasilkan solusi yang paling hemat biaya.
Namun, banyak algoritma baru, seperti jaringan kapsul Hinton, jaringan saraf kapsul, memerlukan lebih sedikit contoh penyesuaian untuk mencapai model yang tepat. Jadi, tentunya jaringan saraf memiliki banyak ruang lingkup di masa depan.
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.
Mengapa Anda perlu belajar matematika untuk kecerdasan buatan?
Bertentangan dengan apa yang banyak dari kita pikirkan, kecerdasan buatan sangat bergantung pada matematika. Seluruh konsep mesin pengajaran untuk berpikir dan bertindak serupa dengan manusia didasarkan pada konsep-konsep yang termasuk dalam cabang matematika yang berbeda, seperti probabilitas dan statistik, untuk beberapa nama. Ilmu data juga dilengkapi dengan dasar-dasarnya yang terkait dengan berbagai konsep matematika, mulai dari kalkulus, aljabar linier, dan teori permainan hingga regresi lanjutan, klasifikasi, statistik, probabilitas, penurunan gradien, dan banyak lagi. Dasar-dasar yang kuat dalam matematika sangat penting untuk mengembangkan pemahaman konsep AI yang efektif, yang akan membantu Anda membangun karier yang sukses di bidang ini.
Apakah jaringan saraf merupakan algoritma dalam pembelajaran mesin?
Jaringan saraf tiruan atau sederhananya, jaringan saraf, dapat didefinisikan sebagai seperangkat algoritma pembelajaran mesin yang dirancang menyerupai otak manusia dan dibuat untuk pengenalan pola tingkat lanjut. Jaringan saraf dirancang untuk mengidentifikasi pola numerik dalam vektor di mana semua akumulasi data diterjemahkan. Dengan mendeteksi pola dalam data yang tidak terstruktur atau tidak tepat, jaringan saraf membantu mengklasifikasikan dan membentuk kluster untuk penyimpanan dan pengelolaan data yang lebih baik. Data sensorik yang diumpankan ke jaringan saraf diinterpretasikan melalui persepsi mesin yang memberi label atau mengelompokkan data input.
Mengapa backpropagation diperlukan dalam jaringan saraf?
Dalam ranah jaringan saraf tiruan, metode backpropagation sebenarnya mengacu pada kesalahan propagasi mundur. Ini adalah teknik standar yang digunakan untuk melatih jaringan saraf tiruan dan berjalan dengan iterasi. Backpropagation digunakan untuk menyempurnakan bobot jaringan saraf tiruan, membantu meminimalkan kesalahan dan membuat sistem lebih akurat dan andal. Metode ini bekerja dengan cepat dan juga dapat diprogram secara sederhana. Ini adalah teknik yang fleksibel; tidak perlu pengetahuan sebelumnya tentang jaringan saraf. Ini tidak melibatkan parameter tambahan tetapi hanya menyetel angka yang dimasukkan ke dalam sistem.