Tutorial Jaringan Neural: Panduan Langkah-demi-Langkah untuk Pemula

Di bidang pembelajaran mesin, ada banyak konsep menarik. Di sini, dalam tutorial jaringan saraf ini, kita akan membahas salah satu konsep dasar jaringan saraf. Artikel ini akan membantu Anda memahami cara kerja jaringan ini dengan menjelaskan teori di baliknya.

Setelah menyelesaikan tutorial jaringan saraf tiruan ini, Anda akan mengetahui:

• Apa itu jaringan saraf?
• Bagaimana cara kerja jaringan saraf?
• Apa saja jenis-jenis jaringan saraf?

Apa itu Neural Network?

Jaringan saraf adalah sistem yang dirancang untuk bertindak seperti otak manusia. Ini cukup sederhana tetapi lazim dalam kehidupan kita sehari-hari.

Definisi yang kompleks adalah bahwa jaringan saraf adalah model komputasi yang memiliki arsitektur jaringan. Arsitektur ini terdiri dari neuron buatan. Struktur ini memiliki parameter khusus di mana seseorang dapat memodifikasinya untuk melakukan tugas-tugas tertentu.

Mereka memiliki sifat aproksimasi yang luas. Ini berarti mereka dapat memperkirakan fungsi ke tingkat akurasi apa pun terlepas dari dimensinya. Neural Networks menemukan aplikasi ekstensif di area di mana komputer tradisional tidak berjalan dengan baik. Dari Siri hingga Google Maps, jaringan saraf hadir di setiap tempat di mana Kecerdasan Buatan digunakan.

Mereka adalah bagian penting dari operasi kecerdasan buatan. Jaringan saraf mengambil inspirasi dari otak manusia sehingga strukturnya juga mirip.

Bagaimana Neural Network Bekerja?

Jaringan saraf memiliki banyak lapisan. Setiap lapisan melakukan fungsi tertentu, dan semakin kompleks jaringan, semakin banyak lapisannya. Itu sebabnya jaringan saraf juga disebut multi-layer perceptron.

Bentuk paling murni dari jaringan saraf memiliki tiga lapisan:

1. Lapisan masukan
2. Lapisan tersembunyi
3. lapisan keluaran

Seperti namanya, masing-masing lapisan ini memiliki tujuan tertentu. Lapisan ini terdiri dari node. Mungkin ada beberapa lapisan tersembunyi dalam jaringan saraf sesuai dengan persyaratan. Lapisan input mengambil sinyal input dan mentransfernya ke lapisan berikutnya. Ini mengumpulkan data dari dunia luar.

Lapisan tersembunyi melakukan semua tugas perhitungan back-end. Sebuah jaringan bahkan dapat memiliki nol lapisan tersembunyi. Namun, jaringan saraf memiliki setidaknya satu lapisan tersembunyi. Lapisan keluaran mengirimkan hasil akhir dari perhitungan lapisan tersembunyi.

Seperti aplikasi pembelajaran mesin lainnya, Anda juga harus melatih jaringan saraf dengan beberapa data pelatihan, sebelum memberikannya masalah tertentu. Tetapi sebelum kita membahas lebih dalam tentang bagaimana jaringan saraf menyelesaikan suatu masalah, Anda harus tahu tentang cara kerja lapisan perceptron terlebih dahulu:

Bagaimana Lapisan Perceptron Bekerja?

Jaringan saraf terdiri dari banyak lapisan perceptron; itulah mengapa ia memiliki nama 'multi-layer perceptron.' Lapisan ini juga disebut lapisan tersembunyi lapisan padat. Mereka terdiri dari banyak neutron perceptron. Mereka adalah unit utama yang bekerja sama untuk membentuk lapisan perceptron. Neuron ini menerima informasi dalam set input. Anda menggabungkan input numerik ini dengan bias dan sekelompok bobot, yang kemudian menghasilkan satu output.

Untuk perhitungan, setiap neuron mempertimbangkan bobot dan bias. Kemudian, fungsi kombinasi menggunakan bobot dan bias untuk menghasilkan keluaran (masukan yang dimodifikasi). Ia bekerja melalui persamaan berikut:

kombinasi = bias + bobot * input

Setelah ini, fungsi aktivasi menghasilkan output dengan persamaan berikut:

keluaran = aktivasi (kombinasi)

Fungsi ini menentukan jenis peran apa yang dilakukan jaringan saraf. Mereka membentuk lapisan jaringan. Berikut ini adalah fungsi aktivasi yang umum:

Fungsi Linier

Dalam fungsi ini outputnya hanya kombinasi dari neuron:

aktivasi = kombinasi

Fungsi Tangen hiperbolik

Ini adalah fungsi aktivasi paling populer di antara jaringan saraf. Ini adalah fungsi sigmoid, dan terletak di antara -1 dan +1:

aktivasi = tanh(kombinasi)

Fungsi Logistik

Fungsi logistik sangat mirip dengan fungsi tangen hiperbolik karena merupakan jenis fungsi sigmoid juga. Namun berbeda karena terletak antara 0 dan 1:

aktivasi = 1 1 + e -kombinasi

Fungsi Unit Linier yang Diperbaiki

Sama seperti fungsi tangen hiperbolik, fungsi unit linier yang diperbaiki juga lazim. Nama lain untuk fungsi satuan linier yang diperbaiki adalah ReLU. ReLU sama dengan kombinasi jika sama dengan atau lebih besar dari nol, dan negatif jika kombinasi lebih kecil dari (negatif) nol.

Jadi, Bagaimana Cara Kerja Neural Network yang Tepat?

Sekarang setelah Anda mengetahui apa yang ada di balik jaringan saraf dan cara kerjanya, kita dapat fokus pada cara kerja jaringan saraf.

Berikut cara kerjanya:

1. Informasi dimasukkan ke lapisan input yang mentransfernya ke lapisan tersembunyi
2. Interkoneksi antara dua lapisan memberikan bobot untuk setiap input secara acak
3. Bias ditambahkan ke setiap input setelah bobot dikalikan satu per satu
4. Jumlah tertimbang ditransfer ke fungsi aktivasi
5. Fungsi aktivasi menentukan node mana yang harus diaktifkan untuk ekstraksi fitur
6. Model menerapkan fungsi aplikasi ke lapisan output untuk mengirimkan output
7. Bobot disesuaikan, dan output dipropagasi kembali untuk meminimalkan kesalahan

Model menggunakan fungsi biaya untuk mengurangi tingkat kesalahan. Anda harus mengubah bobot dengan model latihan yang berbeda.

1. Model membandingkan output dengan hasil aslinya
2. Ini mengulangi proses untuk meningkatkan akurasi

Model menyesuaikan bobot di setiap iterasi untuk meningkatkan akurasi output.

Bergabunglah dengan Kursus Kecerdasan Buatan online dari Universitas top Dunia – Magister, Program Pascasarjana Eksekutif, dan Program Sertifikat Tingkat Lanjut di ML & AI untuk mempercepat karier Anda.

Jenis Jaringan Syaraf

1) Jaringan Saraf Berulang (RNN)

Dalam jaringan ini, output dari sebuah layer disimpan dan ditransfer kembali ke input. Dengan cara ini, simpul dari lapisan tertentu mengingat beberapa informasi tentang langkah-langkah sebelumnya. Kombinasi dari lapisan input adalah produk dari jumlah bobot dan fitur. Proses jaringan saraf berulang dimulai di lapisan tersembunyi.

Di sini, setiap node mengingat beberapa informasi dari langkah pendahulunya. Model menyimpan beberapa informasi dari setiap iterasi, yang dapat digunakan nanti. Sistem belajar sendiri ketika hasilnya salah. Kemudian menggunakan informasi itu untuk meningkatkan akurasi prediksinya dalam propagasi balik. Aplikasi RNN yang paling populer adalah dalam teknologi text-to-speech.

2) Jaringan Saraf Konvolusi (CNN)

Jaringan ini terdiri dari satu atau beberapa lapisan konvolusi. Lapisan konvolusi yang ada dalam jaringan ini menerapkan fungsi konvolusi pada input sebelum mentransfernya ke lapisan berikutnya. Karena ini, jaringan memiliki lebih sedikit parameter, tetapi menjadi lebih dalam. CNN banyak digunakan dalam pemrosesan bahasa alami dan pengenalan gambar.

3) Jaringan Syaraf Tiruan Fungsi Basis Radial (RBFNN)

Jaringan saraf ini menggunakan fungsi basis radial. Fungsi ini mempertimbangkan jarak suatu titik dari pusat. Jaringan ini terdiri dari dua lapisan. Lapisan tersembunyi menggabungkan fitur dengan fungsi basis radial dan mentransfer output ke lapisan berikutnya.

Lapisan berikutnya melakukan hal yang sama saat menggunakan output dari lapisan sebelumnya. Jaringan saraf fungsi radial basis digunakan dalam sistem tenaga.

4) Jaringan Neural Feedforward (FNN)

Ini adalah bentuk paling murni dari jaringan saraf tiruan. Dalam jaringan ini, data bergerak dalam satu arah, yaitu dari lapisan input ke lapisan output. Dalam jaringan ini, lapisan output menerima jumlah produk dari input dan bobotnya. Tidak ada propagasi balik di jaringan saraf ini. Jaringan ini dapat memiliki banyak atau nol lapisan tersembunyi. Ini lebih mudah dirawat dan ditemukan aplikasinya dalam pengenalan wajah.

5) Jaringan Saraf Modular

Jaringan ini memiliki beberapa jaringan yang berfungsi secara independen. Mereka semua melakukan tugas-tugas tertentu, tetapi mereka tidak berinteraksi satu sama lain selama proses komputasi.

Dengan cara ini, jaringan saraf modular dapat melakukan tugas yang sangat kompleks dengan efisiensi yang jauh lebih tinggi. Jaringan ini lebih menantang untuk dipelihara dibandingkan dengan jaringan yang lebih sederhana (seperti FNN), tetapi mereka juga memberikan hasil yang lebih cepat untuk tugas yang kompleks.

Pelajari Lebih Lanjut Tentang Jaringan Syaraf

Itu saja dalam tutorial jaringan saraf kami. Anda pasti pernah melihat berbagai macam tugas yang dapat dilakukan jaringan ini. Mereka digunakan di hampir semua teknologi yang kita gunakan sehari-hari. Jika Anda ingin mengetahui lebih lanjut tentang jaringan saraf, Anda dapat memeriksa katalog kursus kami tentang kecerdasan buatan dan pembelajaran mesin.

Anda dapat memeriksa Program PG Eksekutif kami di Machine Learning & AI , yang menyediakan lokakarya praktik langsung, mentor industri satu lawan satu, 12 studi kasus dan tugas, status Alumni IIIT-B, dan banyak lagi.