Neural Networks for Dummies: Panduan Komprehensif

Otak kita adalah mesin pengenal pola yang luar biasa. Ini memproses 'input' dari dunia luar, mengkategorikannya (itu anjing; itu sepotong pizza; ooh, itu bus yang datang ke arahku!), Dan kemudian menghasilkan 'output' (belai anjing; rasa enak dari pizza itu; menyingkir dari bus!).
Semua ini dengan sedikit usaha sadar, hampir secara impulsif. Ini adalah sistem yang sama yang merasakan jika seseorang marah pada kita, atau tanpa sadar memperhatikan sinyal berhenti saat kita melaju melewatinya. Psikolog menyebut cara berpikir ini 'Sistem 1', dan ini mencakup keterampilan bawaan — seperti persepsi dan ketakutan — yang kita bagikan dengan hewan lain. (Ada juga 'Sistem 2', untuk mengetahui lebih banyak tentangnya, lihat Thinking, Fast and Slow yang sangat informatif oleh Daniel Kahneman ).
Bagaimana semua ini terkait dengan Neural Networks , Anda bertanya? Tunggu, kita akan sampai di sana sebentar lagi.

Lihat gambar di atas, hanya angka biasa Anda, terdistorsi untuk membantu Anda menjelaskan pembelajaran Neural Networks dengan lebih baik. Bahkan melihat sepintas, pikiran Anda akan meminta Anda dengan kata-kata "192".
Anda pasti tidak mengatakan "Ah, itu sepertinya garis lurus, saya pikir itu 1". Anda tidak menghitungnya – itu terjadi secara instan.
Menarik, bukan?
Ada alasan yang sangat sederhana untuk ini – Anda telah menemukan angka berkali-kali dalam hidup Anda, sehingga dengan coba-coba, otak Anda secara otomatis mengenali angka tersebut jika Anda menyajikannya dengan sesuatu yang bahkan sangat dekat dengannya.
Apa Perbedaan antara Ilmu Data, Pembelajaran Mesin, dan Data Besar?

Mari kita potong untuk mengejar.

Apa sebenarnya Neural Network itu ? Bagaimana cara kerjanya?

Menurut definisi, jaringan saraf adalah sistem perangkat keras atau perangkat lunak, terpola setelah kerja neuron di otak manusia. Pada dasarnya, ini membantu komputer berpikir dan belajar seperti manusia. Sebuah contoh akan membuat ini lebih jelas:
Sebagai seorang anak, jika kami pernah menyentuh cangkir kopi panas dan itu membakar kami, kami memastikan untuk tidak menyentuh cangkir panas lagi. Tetapi apakah kita memiliki konsep sakit hati seperti itu dalam hati nurani kita SEBELUM kita menyentuhnya? Tidak juga.
Penyesuaian pengetahuan dan pemahaman kita tentang dunia di sekitar kita didasarkan pada pola pengenalan. Dan, seperti kita, komputer juga belajar melalui jenis pengenalan pola yang sama. Pembelajaran ini membentuk seluruh dasar kerja jaringan saraf .
Program komputer tradisional bekerja pada pohon logika – Jika A terjadi, maka B terjadi. Semua hasil potensial untuk masing-masing sistem dapat diprogram sebelumnya. Namun, ini menghilangkan ruang lingkup fleksibilitas. Tidak ada pembelajaran di sana.
Dan di situlah Neural Networks muncul! Jaringan saraf dibangun tanpa logika tertentu. Pada dasarnya, ini adalah sistem yang dilatih untuk mencari dan beradaptasi dengan pola dalam data. Ini dimodelkan persis setelah bagaimana otak kita bekerja. Setiap neuron (ide) terhubung melalui sinapsis. Setiap sinaps memiliki nilai yang merepresentasikan probabilitas atau kemungkinan terjadinya hubungan antara dua neuron. Lihatlah gambar di bawah ini:

Apa sebenarnya neuron itu, Anda bertanya?
Sederhananya, neuron hanyalah konsep tunggal. Mug, warna putih, teh -, sensasi terbakar saat menyentuh mug panas, pada dasarnya apa saja. Semua ini adalah kemungkinan neuron. Semuanya dapat dihubungkan, dan kekuatan koneksi mereka ditentukan oleh nilai sinapsis mereka. Semakin tinggi nilainya, semakin baik koneksinya. Mari kita lihat satu koneksi jaringan saraf dasar untuk membuat Anda lebih memahami:

Setiap neuron adalah simpul dan garis yang menghubungkannya adalah sinapsis. Nilai sinapsis mewakili kemungkinan bahwa satu neuron akan ditemukan di samping yang lain. Jadi, cukup jelas diagram yang ditunjukkan pada gambar di atas menggambarkan cangkir berisi kopi, yang berwarna putih dan sangat panas.
Generasi Bahasa Alami: Hal Teratas yang Perlu Anda Ketahui

Semua mug tidak memiliki sifat seperti yang dimaksud. Kita dapat menghubungkan banyak neuron lain ke cangkir. Teh, misalnya, mungkin lebih umum daripada kopi. Kemungkinan dua neuron yang terhubung ditentukan oleh kekuatan sinapsis yang menghubungkan mereka. Semakin banyak jumlah mug panas, semakin kuat sinapsnya.
Namun, di dunia di mana mug tidak digunakan untuk menampung minuman panas, jumlah mug panas akan berkurang drastis. Kebetulan, penurunan ini juga akan menurunkan kekuatan sinapsis yang menghubungkan mug ke panas.
Jadi,

Menjadi

Deskripsi mug yang kecil dan tampaknya tidak penting ini mewakili konstruksi inti jaringan saraf .
Kami menyentuh cangkir yang disimpan di atas meja — kami merasa itu panas. Itu membuat kita berpikir semua mug itu panas. Kemudian, kami menyentuh mug lain – kali ini, yang disimpan di rak – tidak panas sama sekali. Kami menyimpulkan bahwa mug di rak tidak panas. Saat kita tumbuh, kita berkembang.
Otak kita telah mengambil data selama ini. Data ini membuatnya menentukan probabilitas akurat apakah mug yang akan kita sentuh akan panas atau tidak. Neural Networks belajar dengan cara yang sama persis.
Sekarang, mari kita bicara sedikit tentang model pertama dan paling dasar dari jaringan saraf : The Perceptron!

Apa itu Perceptron?

Perceptron adalah model paling dasar dari jaringan saraf. Dibutuhkan beberapa input biner: x1, x2, …, dan menghasilkan output biner tunggal.

Mari kita memahami jaringan saraf di atas lebih baik dengan bantuan analogi.
Katakanlah Anda berjalan kaki ke tempat kerja. Keputusan Anda untuk pergi bekerja didasarkan pada dua faktor utama: cuaca, dan apakah itu hari kerja atau tidak. Faktor cuaca masih bisa dikendalikan, tetapi bekerja di akhir pekan sangat dilarang! Karena kita harus bekerja dengan input biner, mari ajukan kondisinya sebagai pertanyaan ya atau tidak. Apakah cuaca baik-baik saja? 1 untuk ya, 0 untuk tidak. Apakah ini hari kerja? 1 ya, 0 tidak.
Panduan Pemula Untuk Pemahaman Bahasa Alami

Ingat, kami tidak dapat secara eksplisit memberi tahu jaringan saraf kondisi ini; itu harus mempelajarinya sendiri. Bagaimana itu akan memutuskan prioritas faktor-faktor ini saat membuat keputusan? Dengan menggunakan sesuatu yang dikenal sebagai "bobot". Bobot hanyalah representasi numerik dari preferensi. Bobot yang lebih tinggi akan membuat jaringan saraf mempertimbangkan input tersebut pada prioritas yang lebih tinggi daripada yang lain. Ini diwakili oleh w1, w2…dalam diagram alur di atas.
"Oke, ini semua sangat menarik, tetapi di mana Neural Networks menemukan pekerjaan dalam skenario praktis?"

Aplikasi nyata Neural Networks

Jika Anda belum mengetahuinya, maka ini dia, jaringan saraf dapat melakukan hampir semua hal selama Anda bisa mendapatkan data yang cukup dan mesin yang efisien untuk mendapatkan parameter yang tepat. Apa pun yang bahkan membutuhkan pembelajaran mesin dari jarak jauh beralih ke jaringan saraf untuk mendapatkan bantuan. Pembelajaran mendalam adalah domain lain yang memanfaatkan jaringan saraf secara ekstensif. Ini adalah salah satu dari banyak algoritma pembelajaran mesin yang memungkinkan komputer melakukan banyak tugas seperti klasifikasi, pengelompokan, atau prediksi.

• Dengan bantuan jaringan saraf , kita dapat menemukan solusi dari masalah seperti itu yang metode algoritmik tradisionalnya mahal atau tidak ada.
• Jaringan saraf dapat belajar dengan contoh, oleh karena itu, kita tidak perlu memprogramnya secara luas.
• Jaringan saraf akurat dan secara signifikan lebih cepat daripada kecepatan konvensional.

Karena alasan yang disebutkan di atas dan banyak lagi, Deep Learning, dengan memanfaatkan Neural Networks , menemukan penggunaan yang luas di bidang-bidang berikut:

• Pengenalan ucapan: Ambil contoh Amazon Echo Dot – speaker ajaib yang memungkinkan Anda memesan makanan, mendapatkan berita dan pembaruan cuaca, atau sekadar membeli sesuatu secara online hanya dengan membicarakannya.
• Pengenalan tulisan tangan: Jaringan saraf dapat dilatih untuk memahami pola tulisan tangan seseorang. Lihat aplikasi Masukan Tulisan Tangan Google – yang memanfaatkan pengenalan tulisan tangan untuk mengubah coretan Anda menjadi teks yang bermakna dengan mulus.
• Pengenalan wajah: Dari meningkatkan keamanan di ponsel Anda (ID Wajah) hingga filter Snapchat yang sangat keren – pengenalan wajah ada di mana-mana. Jika Anda pernah mengunggah foto di Facebook dan diminta untuk menandai orang-orang di foto Anda, Anda pasti tahu apa itu pengenalan wajah!
• Memberikan kecerdasan buatan dalam permainan: Jika Anda pernah bermain catur melawan komputer, Anda sudah tahu bagaimana kecerdasan buatan memperkuat permainan dan pengembangan permainan. Sejauh pemain menggunakan AI untuk meningkatkan taktik mereka dan mencoba strategi mereka secara langsung .

Kesimpulannya…
Jaringan saraf membentuk tulang punggung hampir setiap teknologi atau penemuan besar yang Anda lihat hari ini. Cukup adil untuk mengatakan bahwa membayangkan pembelajaran mendalam/mesin tanpa jaringan saraf hampir tidak mungkin. Bergantung pada cara Anda menerapkan jaringan dan jenis pembelajaran yang Anda gunakan, Anda dapat mencapai banyak hal dari jaringan saraf , dibandingkan dengan sistem komputer tradisional.

Pelajari kursus ML dari Universitas top dunia. Dapatkan Master, PGP Eksekutif, atau Program Sertifikat Tingkat Lanjut untuk mempercepat karier Anda.