Carlos Gershenson
1. Pengenalan
Ruang lingkup paket ini adalah untuk mengajarkan membuat induksi singkat untuk Jaringan Syaraf Tiruan (ANNs) bagi orang yang tidak memiliki pengetahuan sebelumnya. Kami pertama-tama membuat dengan singkat tentang pengenalan model jaringan, kemudian menjelaskan Jaringan Syaraf Tiruan secara umum. Sebagai sebuah aplikasi, kita menjelaskan algoritma backpropagation, karena digunakan secara luas dan banyak algoritma lainnya yang berasal dari algoritma backpropagation itu.
Pengguna harus tahu aljabar dan penanganan fungsi dan vektor. Kalkulus diferensial dianjurkan, tetapi tidak begitu di perlukan. Isi paket ini harus dipahami oleh orang-orang dengan pendidikan sekolah tinggi. Ini akan bermanfaat bagi orang yang ingin tahu tentang apa itu Jaringan Syaraf Tiruan dan untuk orang yang ingin mengenal apa itu Jaringan Syaraf Tiruan, jadi ketika mereka mempelajari nya secara lengkap, mereka akan memiliki pengertian yang jelas tentang Jaringan Syaraf Tiruan. Bahan ini juga berguna orang-orang yang hanya ingin menerapkan algoritma backpropagation tanpa penjelasan rinci dan formal. Pekerjaan ini tidak harus dilihat sebagai "Nets untuk dummies", tapi juga bukan sebuah istilah. Sebagian besar formalitas yang dilewati demi kesederhanaan. Penjelasan dan demonstrasi lebih rinci dapat ditemukan dalam pembacaan ini. Termasuk latihan untuk melengkapi pemahaman teori. Sumber daya on-line sangat dianjurkan untuk memperluas induksi singkat.
2. Jaringan
Salah satu cara yang efisien untuk memecahkan masalah kompleks adalah mengikuti metode "divide dan conquer ". Sebuah sistem yang kompleks dapat dipecah menjadi unsur-unsur sederhana, agar mudah untuk memahaminya. Juga unsur-unsur sederhana dapat dikumpulkan untuk menghasilkan suatu sistem yang kompleks (Bar Yam, 1997). Jaringan adalah salah satu pendekatan untuk mencapai hal ini. Ada sejumlah besar berbagai jenis jaringan, dan dicirikan oleh komponen-komponen berikut: menetapkan node, dan koneksi antara node.
Node dapat dilihat sebagai unit komputasi. Mereka menerima masukan, dan proses untuk memperoleh output. Pengolahan ini mungkin sangat sederhana (seperti menjumlahkan input) dan cukup kompleks (mungkin berisi node jaringan lain ...).
Koneksi menentukan arus informasi antara node.Mereka bisa searah, ketika informasi mengalir hanya dalam satu sisi, dan dua arah, ketikaarus informasi dalam arti baik.
Meskipun koneksi Interaksi node mengakibatkan perilaku global dari jaringan yang tidak dapat diamati dalam elemen-elemen jaringan. Perilaku global dikatakan muncul. Ini berarti bahwa kemampuan jaringan supercede yang dari elemen tersebut, membuat jaringan alat yang sangat kuat.
Jaringan digunakan untuk model berbagai fenomena dalam fisika, ilmu komputer,
biokimia, etologi, matematika, sosiologi, ekonomi, telekomunikasi, dan banyak lainnya. Hal ini karena banyak sistem dapat dilihat sebagai sebuah jaringan: protein, komputer, masyarakat, dll . Adakah sistem lain yang bisa Anda lihat sebagai suatu jaringan? Mengapa?
3. Jaringan Syaraf Tiruan
Salah satu jenis jaringan melihat node sebagai 'neuron buatan'. Ini disebut jaringan saraf buatan (Anns). Sebuah neuron buatan adalah model komputasi yang terinspirasi dalam alam neuron. Alam neuron menerima sinyal melalui sinapsis yang terletak di dendrite atau membran neuron. Ketika sinyal yang diterima cukup kuat (melampaui ambang batas tertentu), neuron diaktifkan dan memancarkan sinyal akson. Sinyal ini mungkin dikirim ke sinaps yang lain, dan mungkin mengaktifkan neuron lainnya.
Kompleksitas neuron yang sebenarnya sangat abstrak ketika pemodelan neuron buatan. Ini pada dasarnya terdiri dari input (seperti sinapsis), yang dikalikan dengan bobot (Kekuatan sinyal masing-masing), dan kemudian dihitung dengan fungsi matematika yang menentukan aktivasi neuron. Fungsi lain (identitas yang mungkin)
menghitung output dari neuron buatan (kadang-kadang dalam ketergantungan suatu ambang batas tertentu). Anns menggabungkan neuron buatan untuk memproses informasi.
Semakin tinggi berat suatu neuron buatan, semakin kuat input yang dikalikan dengan nya. Berat juga bisa negatif, sehingga kita dapat mengatakan bahwa sinyal terhambat oleh berat negatif. Tergantung pada berat, perhitungan neuron akan berbeda. Dengan menyesuaikan bobot dari neuron buatan kita dapat memperoleh output yang kita inginkan untuk input tertentu. Tetapi ketika kita memiliki ANN dengan ratusan atau ribuan neuron, akan cukup rumit untuk menemukan dengan tangan semua bobot yang diperlukan. Tapi kita bisa menemukan dengan menggunakan algoritma yang dapat menyesuaikan bobot dalam rangka untuk mendapatkan hasil yang diinginkan dari jaringan. Proses penyesuaian bobot disebut pembelajaran atau pelatihan.
Disini kami menggunakan algoritma backpropagation (Rumelhart dan McClelland, 1986) untuk pembelajaran bobot yang tepat, karena merupakan salah satu model yang paling umum digunakan di Anns.
Karena fungsi Anns adalah untuk memproses informasi, mereka digunakan terutama di bidang yang terkait dengan itu. Ada berbagai Anns yang digunakan untuk model saraf nyata jaringan, dan perilaku studi dan kontrol pada hewan dan mesin, tetapi juga ada
Anns yang digunakan untuk tujuan rekayasa, seperti pengenalan pola, peramalan,
dan data kompresi.
(Sumber arxiv.org/pdf/cs/0308031)
Tidak ada komentar:
Posting Komentar