Bab lan Paragraf[Singidaken][Tampilake]
Artificial Intelligence (AI) wiwitane dianggep minangka impen sing adoh, teknologi kanggo masa depan, nanging ora kaya ngono.
Sing biyen dadi topik riset saiki njeblug ing jagad nyata. AI saiki ditemokake ing macem-macem papan, kalebu papan kerja, sekolah, perbankan, rumah sakit, lan malah telpon sampeyan.
Iki minangka mripate kendaraan sing nyopir dhewe, swara Siri lan Alexa, pikirane prakiraan cuaca, tangan ing mburi operasi sing dibantu robot, lan liya-liyane.
Kacerdhasan gawéyan (AI) dadi fitur umum ing urip modern. Ing sawetara taun kepungkur, AI wis muncul minangka pemain utama ing macem-macem teknologi IT.
Pungkasan, jaringan saraf digunakake dening AI kanggo sinau babagan anyar.
Dadi dina iki kita bakal sinau babagan Jaringan Syaraf, cara kerjane, jinis, aplikasi, lan liya-liyane.
Apa iku Neural Network?
In learning machine, jaringan syaraf minangka jaringan neuron buatan sing diprogram piranti lunak. Iki nyoba niru otak manungsa kanthi nduwe pirang-pirang lapisan "neuron", sing padha karo neuron ing otak kita.
Lapisan pertama neuron bakal nampa foto, video, swara, teks, lan input liyane. Data iki mili liwat kabeh tingkat, karo siji lapisan kang output mili menyang sabanjuré. Iki penting kanggo tugas sing paling angel, kayata pangolahan basa alami kanggo pembelajaran mesin.
Nanging, ing kasus liyane, ngarahake kompresi sistem kanggo nyuda ukuran model nalika njaga akurasi lan efisiensi luwih disenengi. Pruning jaringan saraf minangka cara kompresi sing kalebu ngilangi bobot saka model sing wis dipelajari. Coba jaringan saraf intelijen buatan sing wis dilatih kanggo mbedakake wong saka kewan.
Gambar bakal dipérang dadi bagéan padhang lan peteng dening lapisan pisanan saka neuron. Data iki bakal diterusake menyang lapisan ing ngisor iki, sing bakal nemtokake endi pinggiran.
Lapisan sabanjure bakal nyoba ngenali formulir sing wis digawe kombinasi pinggiran. Miturut data sing dilatih, data kasebut bakal ngliwati pirang-pirang lapisan kanthi cara sing padha kanggo nemtokake manawa gambar sing sampeyan tampilake yaiku manungsa utawa kewan.
Nalika data diwenehake menyang jaringan saraf, mula diproses. Sawise iku, data diproses liwat level kanggo entuk asil sing dikarepake. Jaringan saraf minangka mesin sing sinau saka input terstruktur lan nampilake asil. Ana telung jinis sinau sing bisa ditindakake ing jaringan saraf:
- Pembelajaran sing Diawasi - Input lan output diwenehake menyang algoritma nggunakake data sing dilabeli. Sawise diwulang cara nganalisis data, dheweke ngramal asil sing dikarepake.
- Unsupervised Learning - ANN sinau tanpa bantuan manungsa. Ora ana data sing diwenehi label, lan output ditemtokake dening pola sing ditemokake ing data output.
- Sinau Penguatan yaiku nalika jaringan sinau saka umpan balik sing ditampa.
Kepiye cara kerja jaringan saraf?
Neuron buatan digunakake ing jaringan saraf, yaiku sistem sing canggih. Neuron buatan, uga dikenal minangka perceptron, dumadi saka komponen ing ngisor iki:
- input
- bobot
- bias
- Fungsi Aktivasi
- output
Lapisan neuron sing mbentuk jaringan saraf. Jaringan saraf kasusun saka telung lapisan:
- Lapisan input
- Lapisan sing didhelikake
- Lapisan output
Data ing wangun nilai numerik dikirim menyang lapisan input. Lapisan sing didhelikake jaringan yaiku sing paling akeh ngitung. Lapisan output, pungkasan nanging paling ora, ramalan asil. Neuron ndominasi siji liyane ing jaringan saraf. Neuron digunakake kanggo mbangun saben lapisan. Data dialihake menyang lapisan sing didhelikake sawise lapisan input entuk.
Bobot ditrapake kanggo saben input. Ing lapisan sing didhelikake saka jaringan saraf, bobot minangka nilai sing nerjemahake data sing mlebu. Bobot fungsi kanthi nggandake data input kanthi nilai bobot ing lapisan input.
Banjur miwiti nilai lapisan sing didhelikake pisanan. Data input diowahi lan diterusake menyang lapisan liyane liwat lapisan sing didhelikake. Lapisan output tanggung jawab kanggo ngasilake asil pungkasan. Input lan bobot dikalikan, lan asil dikirim menyang neuron lapisan sing didhelikake minangka jumlah. Saben neuron diwenehi bias. Kanggo ngetung total, saben neuron nambahake input sing ditampa.
Sawise iku, nilai kasebut liwat fungsi aktivasi. Asil saka fungsi aktivasi nemtokake apa neuron diaktifake utawa ora. Nalika neuron aktif, ngirim informasi menyang lapisan liyane. Data digawe ing jaringan nganti neuron tekan lapisan output nggunakake metode iki. Panyebaran maju minangka istilah liya kanggo iki.
Teknik feed data menyang simpul input lan entuk output liwat simpul output dikenal minangka feed-forward propagation. Nalika data input ditampa dening lapisan sing didhelikake, panyebaran feed-maju kedadeyan. Iki diproses miturut fungsi aktivasi banjur diterusake menyang output.
Asil digambarake dening neuron ing lapisan output kanthi kemungkinan paling dhuwur. Backpropagation occurs nalika output salah. Bobot diwiwiti kanggo saben input nalika nggawe jaringan saraf. Backpropagation yaiku proses nyetel maneh bobot saben input kanggo nyuda kesalahan lan menehi output sing luwih akurat.
Jinis-jinis Neural Network
1. Perceptron
Model perceptron Minsky-Papert minangka salah sawijining model neuron sing paling gampang lan paling tuwa. Iki minangka unit paling cilik saka jaringan saraf sing nindakake petungan tartamtu kanggo nemokake karakteristik utawa intelijen bisnis ing data sing mlebu. Butuh input bobot lan aplikasi fungsi aktivasi kanggo entuk asil pungkasan. TLU (unit logika ambang) iku jeneng liya kanggo perceptron.
Perceptron minangka klasifikasi biner yaiku sistem pembelajaran sing diawasi sing mbagi data dadi rong klompok. Gerbang Logika kayata AND, OR, lan NAND bisa diimplementasikake nganggo perceptron.
2. Feed-Forward Neural Network
Versi jaringan syaraf sing paling dhasar, ing ngendi data input mili sacara eksklusif ing siji arah, ngliwati kelenjar syaraf buatan lan metu saka kelenjar output. Lapisan input lan output ana ing panggonan ing ngendi lapisan sing didhelikake bisa uga ora ana. Padha bisa ditondoi minangka salah siji-lapisan utawa multi-lapisan feed-maju jaringan neural adhedhasar iki.
Jumlah lapisan sing digunakake ditemtokake dening kerumitan fungsi. Iku mung propagates ahead ing siji arah lan ora propagate mundur. Ing kene, bobot tetep tetep. Input dikalikan karo bobot kanggo feed fungsi aktivasi. Fungsi aktivasi klasifikasi utawa fungsi aktivasi langkah digunakake kanggo nindakake iki.
3. Multi-lapisan perceptron
Pambuka kanggo canggih jaring saraf, ing ngendi data input dialihake liwat pirang-pirang lapisan neuron buatan. Iki minangka jaringan saraf sing wis disambung kanthi lengkap, amarga saben simpul disambungake menyang kabeh neuron ing lapisan ngisor iki. Sawetara lapisan sing didhelikake, yaiku, paling ora telu utawa luwih lapisan, ana ing lapisan input lan output.
Nduwe panyebaran bidirectional, sing tegese bisa nyebar maju lan mundur. Input pingan dening bobot lan dikirim menyang fungsi aktifitas, ngendi padha diganti liwat backpropagation kanggo minimalake mundhut.
Bobot minangka nilai sing disinaoni mesin saka Neural Networks, kanthi gampang. Gumantung ing disparity antarane output samesthine lan input latihan, padha nyetel dhewe. Softmax digunakake minangka fungsi aktivasi lapisan output sawise fungsi aktivasi nonlinear.
4. Jaringan Syaraf Konvolusional
Beda karo susunan rong dimensi tradisional, jaringan saraf konvolusi nduweni konfigurasi neuron telung dimensi. Lapisan pisanan dikenal minangka lapisan convolutional. Saben neuron ing lapisan convolutional mung ngolah informasi saka bagean winates saka bidang visual. Kaya filter, fitur input dijupuk ing mode kumpulan.
Jaringan ngerti gambar ing bagean lan bisa nindakake tumindak kasebut kaping pirang-pirang kanggo ngrampungake kabeh pangolahan gambar.
Gambar kasebut diowahi saka RGB utawa HSI dadi skala abu-abu sajrone proses. Variasi luwih saka nilai piksel bakal mbantu ndeteksi pinggiran, lan gambar bisa diurut dadi sawetara klompok. Propagasi unidirectional occurs nalika CNN ngemot siji utawa luwih lapisan convolutional ngiring dening pooling, lan propagation bidirectional occurs nalika output saka lapisan convolution dikirim menyang jaringan syaraf disambungake kanthi lengkap kanggo klasifikasi gambar.
Kanggo ngekstrak unsur tartamtu saka gambar, saringan digunakake. Ing MLP, input ditimbang lan diwenehake menyang fungsi aktivasi. RELU digunakake ing convolution, nalika MLP nggunakake fungsi aktivasi nonlinear ngiring dening softmax. Ing pangenalan gambar lan video, parsing semantik, lan deteksi parafrase, jaringan saraf konvolusional ngasilake asil sing apik banget.
5. Jaringan Bias Radial
Vektor input diterusake karo lapisan neuron RBF lan lapisan output kanthi siji simpul kanggo saben kategori ing Jaringan Fungsi Radial Basis. Input kasebut diklasifikasikake kanthi mbandhingake karo titik data saka set latihan, ing ngendi saben neuron njaga prototipe. Iki minangka salah sawijining conto set latihan.
Saben neuron ngetung jarak Euclidean antarane input lan prototipe nalika vektor input seger [vektor n-dimensi sing sampeyan coba nggolongake] kudu digolongake. Yen kita duwe rong kelas, Kelas A lan Kelas B, input anyar sing bakal dikategorikake luwih mirip karo prototipe kelas A tinimbang prototipe kelas B.
Akibaté, bisa uga dilabeli utawa dikategorikaké minangka kelas A.
6. Jaringan Syaraf Ambalan
Jaringan Syaraf Ambalan dirancang kanggo ngirit output lapisan lan banjur bali menyang input kanggo mbantu ramalan asil lapisan kasebut. A feed-maju jaringan saraf biasane lapisan dhisikan, ngiring dening lapisan jaringan syaraf ambalan, ngendi fungsi memori ngelingi bagéan saka informasi wis ing langkah wektu sadurungé.
Skenario iki nggunakake propagasi maju. Ngirit data sing bakal dibutuhake ing mangsa ngarep. Yen prediksi ora bener, tingkat sinau digunakake kanggo nggawe pangaturan cilik. Akibaté, nalika backpropagation maju, bakal dadi luwih akurat.
aplikasi
Jaringan saraf digunakake kanggo nangani masalah data ing macem-macem disiplin; sawetara conto kapacak ing ngisor iki.
- Pangenalan Rai - Solusi Pangenalan Rai dadi sistem pengawasan sing efektif. Sistem pangenalan nggandhengake foto digital karo pasuryan manungsa. Padha digunakake ing kantor kanggo entri selektif. Mangkono, sistem verifikasi pasuryan manungsa lan mbandhingake karo dhaptar ID sing disimpen ing database.
- Prediksi Saham - Investasi kena risiko pasar. Sacoro prakteke angel kanggo prédhiksi perkembangan ing mangsa ngarep ing pasar saham sing molah malih. Sadurunge jaringan saraf, fase bullish lan bearish sing terus-terusan owah-owahan ora bisa ditebak. Nanging, apa sing ngowahi kabeh? Mesthi wae, kita ngomong babagan jaringan saraf… Multilayer Perceptron MLP (jinis sistem intelijen buatan feedforward) digunakake kanggo nggawe ramalan saham sing sukses ing wektu nyata.
- Media sosial – Preduli saka carane corny bisa muni, media sosial wis ngganti path mundane orane. Prilaku pangguna media sosial disinaoni nggunakake Jaringan Syaraf Tiruan. Kanggo analisis kompetitif, data sing diwenehake saben dina liwat interaksi virtual ditumpuk lan ditliti. Tumindak pangguna media sosial ditiru dening jaringan saraf. Prilaku individu bisa disambungake karo pola belanja wong yen data dianalisis liwat jaringan media sosial. Data saka aplikasi media sosial ditambang nggunakake Multilayer Perceptron ANN.
- Kesehatan - Individu ing jagad saiki nggunakake keuntungan teknologi ing industri kesehatan. Ing bisnis kesehatan, Convolutional Neural Networks digunakake kanggo deteksi sinar-X, CT scan, lan ultrasonik. Data pencitraan medis sing ditampa saka tes kasebut dievaluasi lan dievaluasi nggunakake model jaringan saraf, amarga CNN digunakake ing pangolahan gambar. Ing pangembangan sistem pangenalan swara, recurrent neural network (RNN) uga digunakake.
- Laporan Cuaca - Sadurunge implementasine intelijen buatan, proyeksi departemen meteorologi ora tau akurat. Prakiraan cuaca ditindakake umume kanggo prédhiksi kahanan cuaca sing bakal kedadeyan ing mangsa ngarep. Prediksi cuaca digunakake kanggo ngantisipasi kemungkinan bencana alam ing jaman modern. Prakiraan cuaca ditindakake nggunakake multilayer perceptron (MLP), convolutional neural network (CNN), lan recurrent neural network (RNN).
- Pertahanan - Logistik, analisis serangan bersenjata, lan lokasi item kabeh nggunakake jaringan saraf. Dheweke uga kerja ing patroli udara lan segara, uga kanggo ngatur drone otonom. Intelijen buatan menehi industri pertahanan dorongan sing dibutuhake kanggo nambah teknologi. Kanggo ndeteksi anané tambang ing jero banyu, Convolutional Neural Networks (CNN) digunakake.
Kaluwihan
- Sanajan sawetara neuron ing jaringan saraf ora bisa digunakake kanthi bener, jaringan saraf kasebut isih bakal ngasilake output.
- Jaringan saraf duwe kemampuan kanggo sinau ing wektu nyata lan adaptasi karo setelan sing ganti.
- Jaringan saraf bisa sinau nindakake macem-macem tugas. Kanggo menehi asil sing bener adhedhasar data sing diwenehake.
- Jaringan saraf nduweni kekuatan lan kemampuan kanggo nangani sawetara tugas bebarengan.
cacat
- Jaringan syaraf digunakake kanggo ngatasi masalah. Ora mbukak panjelasan ing mburi "kenapa lan kepiye" nggawe keputusan kasebut amarga kerumitan jaringan kasebut. Akibaté, kapercayan jaringan bisa rusak.
- Komponen jaringan saraf saling gumantung siji lan sijine. Tegese, jaringan saraf nuntut (utawa gumantung banget) komputer kanthi daya komputasi sing cukup.
- Proses jaringan saraf ora duwe aturan tartamtu (utawa aturan jempol). Ing teknik trial-and-error, struktur jaringan sing bener ditetepake kanthi nyoba jaringan sing optimal. Iku prosedur sing mbutuhake akeh fine-tuning.
kesimpulan
Lapangan jaringan saraf berkembang kanthi cepet. Penting kanggo sinau lan ngerti konsep ing sektor iki supaya bisa ngatasi.
Akeh jinis jaringan saraf wis dibahas ing artikel iki. Sampeyan bisa nggunakake jaringan saraf kanggo ngatasi masalah data ing lapangan liyane yen sampeyan sinau luwih lengkap babagan disiplin iki.
Ninggalake a Reply