Cara Melakukan Klasifikasi Menggunakan Jaringan Syaraf Tiruan:Apa Itu Perceptron?
Artikel ini membahas teori dasar dan struktur topologi jaringan saraf yang terkenal.
Ini adalah yang pertama dari serangkaian artikel yang akan berfungsi sebagai pengantar panjang untuk desain, pelatihan, dan evaluasi jaringan saraf. Tujuannya adalah untuk melakukan klasifikasi kompleks menggunakan program komputer Python yang mengimplementasikan arsitektur jaringan saraf yang dikenal sebagai multilayer Perceptron.
Anda dapat menemukan sisa seri Perceptron di sini untuk kenyamanan Anda:
- Bagaimana Melakukan Klasifikasi Menggunakan Jaringan Syaraf Tiruan:Apa Itu Perceptron?
- Cara Menggunakan Contoh Jaringan Neural Perceptron Sederhana untuk Mengklasifikasikan Data
- Cara Melatih Jaringan Neural Perceptron Dasar
- Memahami Pelatihan Jaringan Syaraf Sederhana
- Pengantar Teori Pelatihan untuk Jaringan Neural
- Memahami Kecepatan Pembelajaran di Jaringan Neural
- Pembelajaran Mesin Tingkat Lanjut dengan Perceptron Multilayer
- Fungsi Aktivasi Sigmoid:Aktivasi di Jaringan Neural Perceptron Multilayer
- Cara Melatih Jaringan Neural Perceptron Multilayer
- Memahami Rumus Pelatihan dan Backpropagation untuk Perceptron Multilayer
- Arsitektur Jaringan Saraf untuk Implementasi Python
- Cara Membuat Jaringan Neural Perceptron Multilayer dengan Python
- Pemrosesan Sinyal Menggunakan Jaringan Saraf Tiruan:Validasi dalam Desain Jaringan Saraf Tiruan
- Pelatihan Kumpulan Data untuk Jaringan Neural:Cara Melatih dan Memvalidasi Jaringan Neural Python
Apa itu Jaringan Neural?
Jaringan saraf adalah alat pemrosesan sinyal yang secara longgar didasarkan pada struktur otak manusia. Mereka biasanya dikaitkan dengan kecerdasan buatan (AI). Saya tidak suka istilah "kecerdasan buatan" karena tidak tepat dan reduktif. Jika Anda mendefinisikan "kecerdasan" sebagai kemampuan untuk melakukan perhitungan numerik dengan cepat, maka jaringan netral jelas merupakan AI. Tapi kecerdasan, menurut saya, lebih dari itu—ini adalah hal yang desain sebuah sistem yang dengan cepat melakukan perhitungan numerik, dan kemudian menulis artikel tentangnya, dan kemudian merenungkan arti kata "kecerdasan", dan kemudian bertanya-tanya mengapa manusia membuat jaringan saraf dan menulis artikel tentangnya.
Selain itu, kecerdasan buatan bukanlah buatan. Ini sangat nyata kecerdasan, karena itu adalah sistem matematika yang beroperasi sesuai dengan kecerdasan manusia yang merancangnya.
Jaringan saraf adalah rutinitas perangkat lunak yang dapat "belajar" dari data yang ada dan secara efisien memecahkan masalah pemrosesan sinyal yang kompleks. Mereka menarik untuk dipelajari dan bereksperimen, dan dalam beberapa kasus mereka jauh melampaui kemampuan algoritma "normal". Namun, mereka tidak akan menghilangkan kelaparan dunia, mereka tidak bisa menulis puisi yang bagus, dan saya ragu mereka akan pernah mengendarai mobil seaman manusia yang sadar dan tidak menulis pesan teks.
Apa itu Perceptron?
Jaringan saraf dasar Perceptron secara konseptual sederhana. Itu dapat terdiri dari tidak lebih dari dua node input dan satu node output yang digabungkan dengan koneksi berbobot:
Dimensi data masukan harus sesuai dengan dimensi lapisan masukan. Istilah "dimensi" dapat sedikit membingungkan di sini karena kebanyakan orang tidak dapat memvisualisasikan sesuatu dengan lebih dari tiga dimensi. Semua ini benar-benar berarti bahwa data input Anda—misalnya, pola yang ingin Anda klasifikasikan—adalah vektor dengan panjang tertentu, dan lapisan input Anda harus memiliki simpul untuk setiap elemen dalam vektor. Jadi, jika Anda mencoba mengklasifikasikan pola yang diwakili oleh serangkaian 20 titik data, Anda memiliki vektor 20 elemen dan memerlukan 20 node input.
Sebuah simpul keluaran menghasilkan data yang menarik bagi perancang. Jumlah node keluaran tergantung pada aplikasi. Jika Anda ingin membuat keputusan klasifikasi ya/tidak, Anda hanya memerlukan satu simpul keluaran, meskipun ada ratusan simpul masukan. Di sisi lain, jika tujuannya adalah untuk menempatkan vektor input ke dalam salah satu dari beberapa kategori yang mungkin, Anda akan memiliki beberapa node output.
Data yang berpindah dari satu node ke node lainnya dikalikan dengan bobot. Nilai skalar biasa ini sebenarnya adalah kunci fungsionalitas Perceptron:bobot dimodifikasi selama proses pelatihan, dan dengan menyesuaikan bobotnya secara otomatis sesuai dengan pola yang terkandung dalam data pelatihan, jaringan memperoleh kemampuan untuk menghasilkan keluaran yang berguna.
Apa Yang Terjadi Di Dalam Sebuah Node? (AKA Bagaimana Neural Network Bekerja?)
Node di lapisan input hanyalah titik koneksi; mereka tidak mengubah data input. Lapisan keluaran, serta setiap lapisan tambahan antara masukan dan keluaran, berisi node komputasi jaringan. Ketika data numerik tiba di node komputasi, pertama mereka dijumlahkan, dan kemudian mereka dikenai fungsi "aktivasi":
Konsep aktivasi kembali ke perilaku neuron (biologis), yang berkomunikasi melalui potensial aksi yang aktif atau tidak aktif; ini lebih seperti sistem digital hidup/mati daripada sistem analog. Dalam konteks jaringan saraf (buatan), node—yang juga disebut neuron (buatan)—dapat meniru perilaku saraf dengan menerapkan fungsi ambang yang menghasilkan 1 ketika input lebih besar dari ambang dan 0 sebaliknya.
Plot berikut menyampaikan hubungan input-output dari fungsi aktivasi "langkah unit" dasar.
Dengan memasukkan transformasi ambang ini ke dalam propagasi data dari node ke node, kami memperkenalkan nonlinier ke dalam sistem, dan tanpa nonlinier ini fungsi jaringan saraf sangat terbatas. Teori di sini rumit, tetapi ide umumnya (saya pikir) adalah bahwa kombinasi transformasi linier, bahkan jika transformasi linier ini terjadi berkali-kali, tidak akan pernah dapat mendekati hubungan yang menjadi ciri fenomena alam yang kompleks dan tugas pemrosesan sinyal yang canggih.
Terlepas dari kenyataan bahwa neuron nyata beroperasi menurut semacam model on/off, pendekatan ambang batas untuk aktivasi jaringan saraf (buatan) tidak optimal. Kami akan meninjau kembali topik ini di artikel mendatang.
Kesimpulan
Kami telah membahas elemen paling dasar dari Perceptron, dan di artikel berikutnya kami akan menggabungkan bagian-bagian ini dan melihat cara kerja sistem yang belum sempurna.
Jaringan saraf adalah topik yang luas, dan saya memberi Anda peringatan yang adil bahwa ini bisa menjadi seri yang panjang. Tapi saya pikir itu akan bagus.
