7 Jenis Jaringan Syaraf Dalam Kecerdasan Buatan Dijelaskan

Neural Networks adalah bagian dari teknik Machine Learning yang mempelajari data dan pola dengan cara yang berbeda menggunakan Neuron dan lapisan Tersembunyi. Neural Networks jauh lebih kuat karena strukturnya yang kompleks dan dapat digunakan dalam aplikasi di mana algoritma Pembelajaran Mesin tradisional tidak cukup.

Pada akhir tutorial ini, Anda akan memiliki pengetahuan tentang:

• Sejarah singkat Neural Networks
• Apa itu Neural Network?
• Jenis Jaringan Syaraf

1. Perceptron
2. Jaringan Umpan Maju
3. Perceptron Multi-Lapisan
4. Jaringan Berbasis Radial
5. Jaringan Saraf Konvolusional
6. Jaringan Saraf Berulang
7. Jaringan Memori Jangka Pendek Panjang

Sejarah Singkat Neural Network

Para peneliti dari tahun 60-an telah meneliti dan merumuskan cara untuk meniru fungsi neuron manusia dan cara kerja otak. Meskipun sangat kompleks untuk didekode, struktur serupa diusulkan yang bisa sangat efisien dalam mempelajari pola tersembunyi di Data.

Untuk sebagian besar abad ke-20, Neural Networks dianggap tidak kompeten. Mereka kompleks dan kinerja mereka buruk. Juga, mereka membutuhkan banyak daya komputasi yang tidak tersedia pada waktu itu. Namun, ketika tim Sir Geoffrey Hinton, juga dijuluki sebagai "Bapak Pembelajaran Mendalam", menerbitkan makalah penelitian tentang Backpropagation, tabel berbalik sepenuhnya. Neural Networks sekarang dapat mencapai yang tidak terpikirkan.

Apa itu Neural Network?

Neural Network menggunakan arsitektur neuron manusia yang memiliki banyak input, satu unit pemrosesan, dan satu/beberapa output. Ada bobot yang terkait dengan setiap koneksi neuron. Dengan menyesuaikan bobot ini, jaringan saraf sampai pada persamaan yang digunakan untuk memprediksi keluaran pada data baru yang tidak terlihat. Proses ini dilakukan dengan propagasi balik dan pemutakhiran bobot.

Jenis Jaringan Syaraf

Berbagai jenis jaringan saraf digunakan untuk data dan aplikasi yang berbeda. Arsitektur yang berbeda dari jaringan saraf secara khusus dirancang untuk bekerja pada jenis data atau domain tertentu. Mari kita mulai dari yang paling dasar dan menuju yang lebih kompleks.

Perceptron

Perceptron adalah bentuk paling dasar dan tertua dari jaringan saraf. Ini terdiri dari hanya 1 neuron yang mengambil input dan menerapkan fungsi aktivasi di atasnya untuk menghasilkan output biner. Itu tidak mengandung lapisan tersembunyi dan hanya dapat digunakan untuk tugas klasifikasi biner.

Neuron melakukan pemrosesan penambahan nilai input dengan bobotnya. Jumlah yang dihasilkan kemudian diteruskan ke fungsi aktivasi untuk menghasilkan keluaran biner.

Sumber Gambar

Pelajari tentang: Deep Learning vs Neural Networks

Jaringan Umpan Maju

Jaringan Feed Forward (FF) terdiri dari beberapa neuron dan lapisan tersembunyi yang terhubung satu sama lain. Ini disebut “feed-forward” karena aliran data hanya dalam arah maju, dan tidak ada propagasi mundur. Lapisan tersembunyi mungkin tidak selalu ada di jaringan tergantung pada aplikasinya.

Lebih banyak jumlah lapisan lebih banyak bisa menjadi kustomisasi bobot. Dan karenanya, akan lebih banyak lagi kemampuan jaringan untuk belajar. Bobot tidak diperbarui karena tidak ada backpropagation. Output dari perkalian bobot dengan input diumpankan ke fungsi aktivasi yang bertindak sebagai nilai ambang batas.

Jaringan FF digunakan di:

• Klasifikasi
• Pengenalan suara
• Pengenalan wajah
• Pengenalan pola

Sumber Gambar

Perceptron Multi-Lapisan

Kelemahan utama dari jaringan Feed Forward adalah ketidakmampuannya untuk belajar dengan backpropagation. Multi-layer Perceptrons adalah jaringan saraf yang menggabungkan beberapa lapisan tersembunyi dan fungsi aktivasi. Pembelajaran berlangsung dengan cara Terawasi di mana bobot diperbarui dengan cara Gradient Descent.

Multi-layer Perceptron adalah dua arah, yaitu, propagasi maju dari input, dan propagasi mundur dari pembaruan bobot. Fungsi aktivasi dapat berubah sehubungan dengan jenis target. Softmax biasanya digunakan untuk klasifikasi multi-kelas, Sigmoid untuk klasifikasi biner dan sebagainya. Ini juga disebut jaringan padat karena semua neuron di lapisan terhubung ke semua neuron di lapisan berikutnya.

Mereka digunakan dalam aplikasi berbasis Deep Learning tetapi umumnya lambat karena strukturnya yang kompleks.

Sumber Gambar

Jaringan Basis Radial

Radial Basis Networks (RBN) menggunakan cara yang sama sekali berbeda untuk memprediksi target. Ini terdiri dari lapisan input, lapisan dengan neuron RBF dan output. Neuron RBF menyimpan kelas aktual untuk setiap instance data pelatihan. RBN berbeda dari perceptron Multilayer biasa karena Fungsi Radial digunakan sebagai fungsi aktivasi.

Ketika data baru dimasukkan ke dalam jaringan saraf, neuron RBF membandingkan jarak Euclidian dari nilai fitur dengan kelas aktual yang disimpan dalam neuron. Ini mirip dengan menemukan cluster mana yang menjadi milik instance tertentu. Kelas dengan jarak minimum ditetapkan sebagai kelas prediksi.

RBN sebagian besar digunakan dalam aplikasi perkiraan fungsi seperti sistem Pemulihan Daya.

Sumber Gambar

Baca juga : Aplikasi Neural Network di Dunia Nyata

Jaringan Saraf Konvolusional

Ketika datang ke klasifikasi gambar, jaringan saraf yang paling banyak digunakan adalah Convolution Neural Networks (CNN). CNN berisi beberapa lapisan konvolusi yang bertanggung jawab untuk ekstraksi fitur penting dari gambar. Lapisan sebelumnya bertanggung jawab untuk detail tingkat rendah dan lapisan selanjutnya bertanggung jawab atas fitur tingkat tinggi.

Operasi Konvolusi menggunakan matriks khusus, juga disebut sebagai filter, untuk berbelit-belit di atas gambar input dan menghasilkan peta. Filter ini diinisialisasi secara acak dan kemudian diperbarui melalui backpropagation. Salah satu contoh filter tersebut adalah Canny Edge Detector, yang digunakan untuk menemukan tepi pada gambar apa pun.

Setelah convolutional layer, ada pooling layer yang bertanggung jawab atas agregasi peta yang dihasilkan dari convolutional layer. Itu bisa Max Pooling, Min Pooling, dll. Untuk regularisasi, CNN juga menyertakan opsi untuk menambahkan lapisan dropout yang menjatuhkan atau membuat neuron tertentu tidak aktif untuk mengurangi overfitting dan konvergensi lebih cepat.

CNN menggunakan ReLU (Rectified Linear Unit) sebagai fungsi aktivasi di lapisan tersembunyi. Sebagai lapisan terakhir, CNN memiliki lapisan padat yang terhubung penuh dan fungsi aktivasi sebagian besar sebagai Softmax untuk klasifikasi, dan sebagian besar ReLU untuk regresi.

Sumber Gambar

Jaringan Saraf Berulang

Jaringan Neural Berulang muncul ketika ada kebutuhan untuk prediksi menggunakan data sekuensial. Data sekuensial dapat berupa urutan gambar, kata, dll. RNN memiliki struktur yang mirip dengan Jaringan Feed-Forward, kecuali bahwa lapisan juga menerima input waktu tunda dari prediksi instance sebelumnya. Prediksi instan ini disimpan di sel RNN yang merupakan input kedua untuk setiap prediksi.

Namun, kelemahan utama RNN adalah masalah Vanishing Gradient yang membuatnya sangat sulit untuk mengingat bobot lapisan sebelumnya.

Sumber Gambar

Jaringan Memori Jangka Pendek Panjang

Jaringan saraf LSTM mengatasi masalah Vanishing Gradient di RNN dengan menambahkan sel memori khusus yang dapat menyimpan informasi untuk jangka waktu yang lama. LSTM menggunakan gerbang untuk menentukan keluaran mana yang harus digunakan atau dilupakan. Ini menggunakan 3 gerbang: Gerbang input, Gerbang keluaran, dan gerbang Lupa. Gerbang input mengontrol semua data yang harus disimpan dalam memori. Gerbang Keluaran mengontrol data yang diberikan ke lapisan berikutnya dan gerbang pelupa mengontrol kapan harus membuang/melupakan data yang tidak diperlukan.

LSTM digunakan dalam berbagai aplikasi seperti:

• Pengenalan gerakan
• Pengenalan suara
• Prediksi teks

Sebelum kamu pergi

Neural Networks bisa menjadi sangat kompleks dalam waktu singkat jika Anda terus menambahkan lapisan dalam jaringan. Ada saat-saat di mana kita dapat memanfaatkan penelitian besar di bidang ini dengan menggunakan jaringan pra-terlatih untuk kita gunakan.

Ini disebut Pembelajaran Transfer. Dalam tutorial ini, kami membahas sebagian besar jaringan saraf dasar dan fungsinya. Pastikan untuk mencobanya menggunakan framework Deep Learning seperti Keras dan Tensorflow.

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