Daftar Isi[Bersembunyi][Menunjukkan]
Kecerdasan Buatan (AI) pada awalnya dianggap sebagai mimpi yang jauh, sebuah teknologi untuk masa depan, tetapi sekarang tidak lagi.
Apa yang dulunya menjadi topik penelitian kini meledak di dunia nyata. AI sekarang ditemukan di berbagai tempat, termasuk tempat kerja, sekolah, perbankan, rumah sakit, dan bahkan ponsel Anda.
Mereka adalah mata kendaraan self-driving, suara Siri dan Alexa, pikiran di balik prakiraan cuaca, tangan di balik operasi yang dibantu robot, dan banyak lagi.
kecerdasan buatan (AI) menjadi fitur yang lumrah dalam kehidupan modern. Dalam beberapa tahun terakhir, AI telah muncul sebagai pemain utama dalam berbagai teknologi TI.
Akhirnya, jaringan saraf digunakan oleh AI untuk mempelajari hal-hal baru.
Jadi hari ini kita akan belajar tentang Neural Network, cara kerjanya, jenisnya, aplikasinya, dan banyak lagi.
Apa itu Neural Network?
In Mesin belajar, jaringan saraf adalah jaringan yang diprogram perangkat lunak dari neuron buatan. Ia mencoba meniru otak manusia dengan memiliki banyak lapisan "neuron", yang mirip dengan neuron di otak kita.
Lapisan pertama neuron akan menerima foto, video, suara, teks, dan input lainnya. Data ini mengalir melalui semua level, dengan keluaran satu lapisan mengalir ke lapisan berikutnya. Ini sangat penting untuk tugas yang paling sulit, seperti pemrosesan bahasa alami untuk pembelajaran mesin.
Namun, dalam kasus lain, bertujuan untuk kompresi sistem untuk mengurangi ukuran model sambil mempertahankan akurasi dan efisiensi lebih baik. Pemangkasan jaringan saraf adalah metode kompresi yang mencakup penghapusan bobot dari model yang dipelajari. Pertimbangkan jaringan saraf kecerdasan buatan yang telah dilatih untuk membedakan orang dari hewan.
Gambar akan dibagi menjadi bagian terang dan gelap oleh lapisan pertama neuron. Data ini akan diteruskan ke lapisan berikut, yang akan menentukan di mana tepinya.
Lapisan berikutnya akan mencoba mengenali bentuk yang dihasilkan oleh kombinasi tepi. Menurut data yang dilatihnya, data akan melewati banyak lapisan dengan cara yang sama untuk menentukan apakah gambar yang Anda tampilkan adalah gambar manusia atau hewan.
Ketika data diberikan ke dalam jaringan saraf, ia mulai memprosesnya. Setelah itu, data diproses melalui tingkatannya untuk mendapatkan hasil yang diinginkan. Jaringan saraf adalah mesin yang belajar dari input terstruktur dan menampilkan hasilnya. Ada tiga jenis pembelajaran yang dapat terjadi di jaringan saraf:
- Pembelajaran Terawasi – Input dan output diberikan ke algoritme menggunakan data berlabel. Setelah diajari cara menganalisis data, mereka memperkirakan hasil yang diinginkan.
- Pembelajaran Tanpa Pengawasan – JST belajar tanpa bantuan manusia. Tidak ada data berlabel, dan output ditentukan oleh pola yang ditemukan dalam data output.
- Pembelajaran Penguatan adalah ketika jaringan belajar dari umpan balik yang diterimanya.
Bagaimana cara kerja jaringan saraf?
Neuron buatan digunakan dalam jaringan saraf, yang merupakan sistem canggih. Neuron buatan, juga dikenal sebagai perceptron, terdiri dari komponen-komponen berikut:
- Memasukkan
- Berat
- Prasangka
- Fungsi Aktivasi
- Keluaran
Lapisan neuron yang membentuk jaringan saraf. Jaringan saraf terdiri dari tiga lapisan:
- Lapisan masukan
- Lapisan tersembunyi
- Lapisan keluaran
Data berupa nilai numerik dikirim ke lapisan input. Lapisan tersembunyi jaringan adalah yang paling banyak melakukan perhitungan. Lapisan keluaran, yang terakhir tetapi tidak kalah pentingnya, meramalkan hasilnya. Neuron mendominasi satu sama lain dalam jaringan saraf. Neuron digunakan untuk membangun setiap lapisan. Data dirutekan ke lapisan tersembunyi setelah lapisan input mendapatkannya.
Bobot diterapkan untuk setiap input. Di dalam lapisan tersembunyi jaringan saraf, bobot adalah nilai yang menerjemahkan data yang masuk. Bobot berfungsi dengan mengalikan data masukan dengan nilai bobot pada lapisan masukan.
Ini kemudian memulai nilai lapisan tersembunyi pertama. Data input diubah dan diteruskan ke lapisan lain melalui lapisan tersembunyi. Lapisan keluaran bertanggung jawab untuk menghasilkan hasil akhir. Input dan bobot dikalikan, dan hasilnya dikirimkan ke neuron lapisan tersembunyi sebagai jumlah. Setiap neuron diberikan bias. Untuk menghitung total, setiap neuron menambahkan input yang diterimanya.
Setelah itu, nilai melewati fungsi aktivasi. Hasil dari fungsi aktivasi menentukan aktif atau tidaknya suatu neuron. Ketika neuron aktif, ia mengirimkan informasi ke lapisan lain. Data dibuat dalam jaringan sampai neuron mencapai lapisan output menggunakan metode ini. Perambatan maju adalah istilah lain untuk ini.
Teknik memasukkan data ke dalam node input dan memperoleh output melalui node output dikenal sebagai propagasi feed-forward. Ketika data input diterima oleh lapisan tersembunyi, propagasi feed-forward terjadi. Ini diproses sesuai dengan fungsi aktivasi dan kemudian diteruskan ke output.
Hasil tersebut diproyeksikan oleh neuron pada lapisan keluaran dengan probabilitas tertinggi. Backpropagation terjadi ketika output salah. Bobot diinisialisasi ke setiap input saat membuat jaringan saraf. Backpropagation adalah proses menyesuaikan kembali bobot setiap input untuk mengurangi kesalahan dan memberikan output yang lebih akurat.
Jenis Jaringan Saraf
1. Perseptron
Model perceptron Minsky-Papert adalah salah satu model neuron yang paling sederhana dan tertua. Ini adalah unit terkecil dari jaringan saraf yang melakukan perhitungan tertentu untuk menemukan karakteristik atau kecerdasan bisnis dalam data yang masuk. Dibutuhkan input berbobot dan menerapkan fungsi aktivasi untuk mendapatkan hasil akhir. TLU (threshold logic unit) adalah nama lain dari perceptron.
Perceptron adalah pengklasifikasi biner yang merupakan sistem pembelajaran terawasi yang membagi data menjadi dua kelompok. Gerbang Logika seperti AND, OR, dan NAND dapat diimplementasikan dengan perceptron.
2. Jaringan Neural Feed-Forward
Versi paling dasar dari jaringan saraf, di mana data masukan mengalir secara eksklusif dalam satu arah, melewati simpul saraf tiruan dan keluar melalui simpul keluaran. Lapisan input dan output hadir di tempat-tempat di mana lapisan tersembunyi mungkin atau mungkin tidak ada. Mereka dapat dicirikan sebagai jaringan saraf maju-maju berlapis tunggal atau multi-lapis berdasarkan ini.
Jumlah lapisan yang digunakan ditentukan oleh kompleksitas fungsi. Ini hanya merambat ke depan dalam satu arah dan tidak merambat mundur. Di sini, bobotnya tetap konstan. Input dikalikan dengan bobot untuk memberi makan fungsi aktivasi. Fungsi aktivasi klasifikasi atau fungsi aktivasi langkah digunakan untuk melakukan ini.
3. Perceptron multi-lapisan
Pengantar canggih jaring saraf, di mana data input dirutekan melalui banyak lapisan neuron buatan. Ini adalah jaringan saraf yang sepenuhnya terhubung, karena setiap node terhubung ke semua neuron di lapisan berikutnya. Beberapa lapisan tersembunyi, yaitu, setidaknya tiga atau lebih lapisan, ada di lapisan input dan output.
Ini memiliki propagasi dua arah, yang berarti dapat merambat maju dan mundur. Input dikalikan dengan bobot dan dikirim ke fungsi aktivasi, di mana mereka diubah melalui backpropagation untuk meminimalkan kerugian.
Bobot adalah nilai yang dipelajari mesin dari Neural Networks, sederhananya. Tergantung pada perbedaan antara output yang diharapkan dan input pelatihan, mereka menyesuaikan diri. Softmax digunakan sebagai fungsi aktivasi lapisan keluaran setelah fungsi aktivasi nonlinier.
4. Jaringan Saraf Konvolusional
Berbeda dengan array dua dimensi tradisional, jaringan saraf konvolusi memiliki konfigurasi neuron tiga dimensi. Lapisan pertama dikenal sebagai lapisan konvolusi. Setiap neuron di lapisan convolutional hanya memproses informasi dari bagian terbatas dari bidang visual. Seperti filter, fitur input diambil dalam mode batch.
Jaringan memahami gambar dalam beberapa bagian dan dapat melakukan tindakan ini berkali-kali untuk menyelesaikan seluruh pemrosesan gambar.
Gambar dikonversi dari RGB atau HSI ke skala abu-abu selama pemrosesan. Variasi lebih lanjut dalam nilai piksel akan membantu dalam mendeteksi tepi, dan gambar dapat diurutkan ke dalam beberapa kelompok. Propagasi searah terjadi ketika CNN berisi satu atau lebih convolutional layer diikuti dengan pooling, dan bidirectional propagation terjadi ketika output dari convolution layer dikirim ke jaringan saraf yang terhubung penuh untuk klasifikasi gambar.
Untuk mengekstrak elemen tertentu dari suatu gambar, filter digunakan. Dalam MLP, input dibobot dan dipasok ke fungsi aktivasi. RELU digunakan dalam konvolusi, sedangkan MLP menggunakan fungsi aktivasi nonlinier diikuti oleh softmax. Dalam pengenalan gambar dan video, penguraian semantik, dan deteksi parafrase, jaringan saraf convolutional menghasilkan hasil yang sangat baik.
5. Jaringan Bias Radial
Vektor input diikuti oleh lapisan neuron RBF dan lapisan output dengan satu node untuk setiap kategori dalam Jaringan Fungsi Radial Basis. Input diklasifikasikan dengan membandingkannya dengan titik data dari set pelatihan, di mana setiap neuron memelihara prototipe. Ini adalah salah satu contoh set pelatihan.
Setiap neuron menghitung jarak Euclidean antara input dan prototipenya ketika vektor input baru [vektor n-dimensi yang Anda coba kategorikan] harus diklasifikasi. Jika kita memiliki dua kelas, Kelas A dan Kelas B, input baru untuk dikategorikan lebih mirip dengan prototipe kelas A daripada prototipe kelas B.
Akibatnya, mungkin diberi label atau dikategorikan sebagai kelas A.
6. Jaringan Saraf Berulang
Jaringan Neural Berulang dirancang untuk menyimpan output layer dan kemudian memasukkannya kembali ke input untuk membantu memperkirakan hasil layer. Sebuah umpan-maju saraf jaringan biasanya lapisan awal, diikuti oleh lapisan jaringan saraf berulang, di mana fungsi memori mengingat bagian dari informasi yang dimilikinya pada langkah waktu sebelumnya.
Skenario ini menggunakan propagasi maju. Ini menyimpan data yang akan dibutuhkan di masa depan. Jika prediksi salah, kecepatan pembelajaran digunakan untuk membuat penyesuaian kecil. Akibatnya, sebagai backpropagation berlangsung, itu akan menjadi semakin akurat.
Aplikasi
Jaringan saraf digunakan untuk menangani masalah data dalam berbagai disiplin ilmu; beberapa contoh ditunjukkan di bawah ini.
- Pengenalan Wajah – Solusi Pengenalan Wajah berfungsi sebagai sistem pengawasan yang efektif. Sistem pengenalan menghubungkan foto digital dengan wajah manusia. Mereka digunakan di kantor untuk entri selektif. Dengan demikian, sistem memverifikasi wajah manusia dan membandingkannya dengan daftar ID yang disimpan dalam databasenya.
- Prediksi Saham – Investasi terkena risiko pasar. Praktis sulit untuk meramalkan perkembangan masa depan di pasar saham yang sangat fluktuatif. Sebelum jaringan saraf, fase bullish dan bearish yang terus berubah tidak dapat diprediksi. Tapi, apa yang mengubah segalanya? Tentu saja, kita berbicara tentang jaringan saraf… Multilayer Perceptron MLP (sejenis sistem kecerdasan buatan feedforward) digunakan untuk membuat perkiraan stok yang sukses secara real-time.
- Media sosial – Terlepas dari seberapa klise kedengarannya, media sosial telah mengubah jalur keberadaan duniawi. Perilaku pengguna media sosial dipelajari dengan menggunakan Jaringan Syaraf Tiruan. Untuk analisis kompetitif, data yang dipasok setiap hari melalui interaksi virtual ditumpuk dan diperiksa. Tindakan pengguna media sosial direplikasi oleh jaringan saraf. Perilaku individu dapat dihubungkan dengan pola pengeluaran orang setelah data dianalisis melalui jaringan media sosial. Data dari aplikasi media sosial ditambang menggunakan Multilayer Perceptron ANN.
- Perawatan Kesehatan – Individu di dunia saat ini memanfaatkan manfaat teknologi dalam industri perawatan kesehatan. Dalam bisnis perawatan kesehatan, Convolutional Neural Networks digunakan untuk deteksi sinar-X, CT scan, dan ultrasound. Data pencitraan medis yang diterima dari tes tersebut dievaluasi dan dinilai menggunakan model jaringan saraf, seperti CNN yang digunakan dalam pemrosesan gambar. Dalam pengembangan sistem pengenalan suara, jaringan saraf berulang (RNN) juga digunakan.
- Laporan Cuaca – Sebelum penerapan kecerdasan buatan, proyeksi departemen meteorologi tidak pernah tepat. Peramalan cuaca sebagian besar dilakukan untuk memprediksi kondisi cuaca yang akan terjadi di masa yang akan datang. Prediksi cuaca digunakan untuk mengantisipasi kemungkinan terjadinya bencana alam di zaman modern ini. Peramalan cuaca dilakukan dengan menggunakan multilayer perceptron (MLP), convolutional neural networks (CNN), dan recurent neural networks (RNN).
- Pertahanan – Logistik, analisis serangan bersenjata, dan lokasi item semuanya menggunakan jaringan saraf. Mereka juga dipekerjakan dalam patroli udara dan laut, serta untuk mengelola drone otonom. Kecerdasan buatan memberi industri pertahanan dorongan yang sangat dibutuhkan untuk meningkatkan teknologinya. Untuk mendeteksi keberadaan ranjau bawah laut, digunakan Convolutional Neural Networks (CNN).
Kelebihan
- Bahkan jika beberapa neuron dalam jaringan saraf tidak berfungsi dengan baik, jaringan saraf tetap akan menghasilkan output.
- Jaringan saraf memiliki kemampuan untuk belajar secara real-time dan beradaptasi dengan pengaturan yang berubah.
- Jaringan saraf dapat belajar untuk melakukan berbagai tugas. Untuk memberikan hasil yang benar berdasarkan data yang diberikan.
- Jaringan saraf memiliki kekuatan dan kemampuan untuk menangani beberapa tugas secara bersamaan.
Kekurangan
- Jaringan saraf digunakan untuk memecahkan masalah. Itu tidak mengungkapkan penjelasan di balik "mengapa dan bagaimana" itu membuat penilaian itu karena kerumitan jaringan. Akibatnya, kepercayaan jaringan dapat terkikis.
- Komponen jaringan saraf saling bergantung satu sama lain. Artinya, jaringan saraf menuntut (atau sangat bergantung pada) komputer dengan daya komputasi yang cukup.
- Proses jaringan saraf tidak memiliki aturan khusus (atau aturan praktis). Dalam teknik trial-and-error, struktur jaringan yang benar dibentuk dengan mencoba jaringan yang optimal. Ini adalah prosedur yang membutuhkan banyak penyesuaian.
Kesimpulan
Bidang dari jaringan saraf sedang berkembang pesat. Sangat penting untuk mempelajari dan memahami konsep-konsep di sektor ini untuk dapat menghadapinya.
Banyak jenis jaringan saraf telah dibahas dalam artikel ini. Anda dapat menggunakan jaringan saraf untuk mengatasi masalah data di bidang lain jika Anda mempelajari lebih lanjut tentang disiplin ini.
Tinggalkan Balasan