Daptar eusi[Sumputkeun][Témbongkeun]
Artificial Intelligence (AI) mimitina dianggap impian anu jauh, téknologi pikeun masa depan, tapi éta henteu deui.
Anu pernah janten topik panalungtikan ayeuna ngabeledug di dunya nyata. AI ayeuna dipendakan di sababaraha tempat, kalebet tempat kerja, sakola, perbankan, rumah sakit, bahkan telepon anjeun.
Éta mangrupikeun panon kendaraan anu nyetir nyalira, sora Siri sareng Alexa, pikiran anu aya di tukangeun ramalan cuaca, panangan tukang bedah dibantuan robot, sareng seueur deui.
Kacerdasan buatan (AI) janten ciri umum tina kahirupan modern. Dina sababaraha taun ka pengker, AI parantos muncul salaku pamaén utama dina rupa-rupa téknologi IT.
Tungtungna, jaringan saraf dianggo ku AI pikeun diajar hal-hal anyar.
Janten ayeuna urang bakal diajar ngeunaan Jaringan Neural, kumaha éta jalanna, jinisna, aplikasina, sareng seueur deui.
Naon ari Neural Network?
In learning mesin, jaringan saraf nyaéta jaringan neuron jieunan anu diprogram ku software. Ieu nyoba niru otak manusa ku ngabogaan loba lapisan "neuron," nu sarupa jeung neuron dina uteuk urang.
Lapisan munggaran neuron bakal nampa poto, video, sora, téks, jeung inputs séjén. Data ieu ngalir ngaliwatan sakabéh tingkat, kalawan kaluaran hiji lapisan urang ngalir ka salajengna. Ieu penting pikeun tugas anu paling hese, sapertos ngolah basa alami pikeun diajar mesin.
Nanging, dina kasus sanés, tujuan pikeun komprési sistem ngirangan ukuran modél bari ngajaga akurasi sareng efisiensi langkung saé. Pruning jaringan saraf mangrupikeun metode komprési anu kalebet ngaleungitkeun beurat tina modél anu diajar. Pertimbangkeun jaringan saraf intelijen buatan anu parantos dilatih pikeun ngabédakeun jalma tina sato.
Gambar bakal dibagi kana bagian caang jeung poék ku lapisan mimiti neuron. data ieu bakal diliwatan kana lapisan handap, nu bakal nangtukeun mana edges.
Lapisan salajengna bakal nyobian ngakuan bentuk yén kombinasi edges 'geus dihasilkeun. Numutkeun data anu dilatih, data bakal ngalangkungan sababaraha lapisan dina cara anu sami pikeun nangtukeun naha gambar anu anjeun pidangkeun nyaéta manusa atanapi sato.
Nalika data dipasihkeun kana jaringan saraf, éta mimiti ngolahna. Sanggeus éta, data diolah ngaliwatan tingkat na pikeun meunangkeun hasil nu dipikahoyong. Jaringan saraf mangrupikeun mesin anu diajar tina input terstruktur sareng ningalikeun hasilna. Aya tilu jinis pangajaran anu tiasa lumangsung dina jaringan saraf:
- Diajar Diawasan - Input sareng kaluaran dipasihkeun kana algoritma nganggo data anu dilabélan. Sanggeus diajar nganalisis data, maranéhna ngaramalkeun hasil nu dimaksud.
- Unsupervised Learning - Hiji ANN diajar tanpa bantuan manusa. Henteu aya data anu dilabélan, sareng kaluaran diputuskeun ku pola anu aya dina data kaluaran.
- Pembuatan Penguatan nyaéta nalika jaringan diajar tina eupan balik anu ditampi.
Kumaha jaringan neural dianggo?
Neuron jieunan dipaké dina jaringan saraf, nu mangrupakeun sistem canggih. Neuron jieunan, ogé katelah perceptrons, diwangun ku komponén ieu:
- ngasupkeun
- beurat
- bias
- Fungsi Aktipkeun
- hasil
Lapisan neuron anu ngawangun jaringan saraf. Jaringan saraf diwangun ku tilu lapisan:
- Lapisan input
- Lapisan disumputkeun
- Lapisan kaluaran
Data dina bentuk nilai numerik dikirim ka lapisan input. Lapisan disumputkeun jaringan nyaéta anu paling seueur itungan. Lapisan kaluaran, anu terakhir tapi teu saeutik, ngaramalkeun hasilna. Neuron ngadominasi hiji-hiji dina jaringan saraf. Neuron dipaké pikeun ngawangun unggal lapisan. Data dialihkeun ka lapisan disumputkeun saatos lapisan input nampi.
Beurat diterapkeun ka unggal input. Dina lapisan disumputkeun tina jaringan saraf, beurat mangrupikeun nilai anu narjamahkeun data anu asup. Beurat fungsina ku cara ngalikeun data input ku nilai beurat dina lapisan input.
Ieu lajeng dimimitian nilai lapisan disumputkeun munggaran urang. Data input dirobih sareng diteruskeun ka lapisan anu sanés ngalangkungan lapisan anu disumputkeun. Lapisan kaluaran tanggung jawab pikeun ngahasilkeun hasil ahir. Input sareng beurat dikalikeun, sareng hasilna dikirimkeun kana neuron lapisan disumputkeun salaku jumlah. Unggal neuron dibéré bias. Pikeun ngitung total, unggal neuron nambihan input anu ditampi.
Sanggeus éta, nilai ngaliwatan fungsi aktivasina. Hasil tina fungsi aktivasina nangtukeun naha neuron diaktipkeun atanapi henteu. Nalika neuron aktip, éta ngirimkeun inpormasi ka lapisan anu sanés. Data didamel dina jaringan dugi ka neuron ngahontal lapisan kaluaran nganggo metode ieu. Rambatan maju mangrupikeun istilah sanés pikeun ieu.
Téhnik nyoco data kana hiji titik input sarta meunangkeun kaluaran ngaliwatan titik kaluaran katelah feed-maju rambatan. Nalika data input ditarima ku lapisan disumputkeun, rambatan feed-maju lumangsung. Ieu diolah nurutkeun fungsi aktivasina lajeng dibikeun ka kaluaran.
Hasilna diproyeksikan ku neuron dina lapisan kaluaran kalayan kamungkinan pangluhurna. Backpropagation lumangsung nalika kaluaran teu bener. Beurat dimimitian pikeun unggal input nalika nyiptakeun jaringan saraf. Backpropagation nyaéta prosés nyaluyukeun ulang beurat unggal input pikeun ngurangan kasalahan sarta nyadiakeun kaluaran leuwih akurat.
Jinis Jaringan Neural
1. Perceptron
Modél perceptron Minsky-Papert mangrupikeun salah sahiji modél neuron pangbasajanna sareng pangkolotna. Ieu mangrupikeun unit pangleutikna tina jaringan saraf anu ngalakukeun itungan anu tangtu pikeun mendakan ciri atanapi intelijen bisnis dina data anu asup. Butuh input anu ditimbang sareng nerapkeun fungsi aktivasina pikeun kéngingkeun hasil ahir. TLU (unit logika bangbarung) nyaéta ngaran séjén pikeun perceptron.
Perceptron mangrupa klasifikasi binér anu mangrupa sistem pangajaran diawasan anu ngabagi data jadi dua kelompok. Gerbang Logika kayaning AND, OR, jeung NAND bisa dilaksanakeun kalawan perceptrons.
2. Jaringan Neural Feed-Forward
Versi jaringan saraf anu paling dasar, dimana data input ngalir sacara éksklusif dina hiji arah, ngalangkungan titik saraf jieunan sareng kaluar tina titik kaluaran. Lapisan input sareng kaluaran aya di tempat dimana lapisan disumputkeun tiasa atanapi henteu aya. Éta tiasa dicirian salaku jaringan neural feed-forward single-layered atanapi multi-layered dumasar kana ieu.
Jumlah lapisan anu dianggo ditangtukeun ku pajeulitna fungsi. Ieu ngan propagates payun dina hiji arah jeung teu propagate mundur. Di dieu, beurat tetep konstan. Input dikali beurat pikeun feed hiji fungsi aktivasina. Fungsi aktivasina klasifikasi atanapi fungsi aktivasina léngkah dianggo pikeun ngalakukeun ieu.
3. Multi-lapisan perceptron
Hiji bubuka pikeun canggih jaring saraf, dimana data input dialihkeun ngaliwatan loba lapisan neuron jieunan. Ieu mangrupakeun jaringan saraf lengkep numbu, saprak unggal titik disambungkeun ka sadaya neuron dina lapisan handap. Sababaraha lapisan disumputkeun, nyaéta, sahenteuna tilu atawa leuwih lapisan, hadir dina lapisan input jeung kaluaran.
Éta gaduh rambatan dua arah, anu hartosna tiasa nyebarkeun maju sareng mundur. Inputs dikali beurat tur dikirim ka fungsi aktivasina, dimana maranéhna dirobah via backpropagation pikeun ngaleutikan leungitna.
Beurat mangrupikeun nilai anu diajarkeun ku mesin ti Neural Networks, saderhana. Gumantung kana disparity antara outputs ekspektasi sarta inputs latihan, aranjeunna timer nyaluyukeun. Softmax dipaké salaku fungsi aktivasina lapisan kaluaran sanggeus fungsi aktivasina nonlinier.
4. Jaringan Neural Convolutional
Kontras jeung susunan dua diménsi tradisional, jaringan saraf konvolusi boga konfigurasi tilu diménsi neuron. Lapisan kahiji katelah lapisan convolutional. Unggal neuron dina lapisan convolutional ngan ngolah informasi tina bagian kawates widang visual. Sapertos saringan, fitur input dicandak dina modeu angkatan.
Jaringan ngartos gambar dina bagian-bagian sareng tiasa ngalakukeun tindakan ieu sababaraha kali pikeun ngabéréskeun sadaya pamrosésan gambar.
Gambar dirobih tina RGB atanapi HSI kana skala abu nalika ngolah. Variasi salajengna dina nilai piksel bakal ngabantu dina ngadeteksi edges, sarta gambar bisa diurutkeun kana sababaraha grup. Rambatan unidirectional lumangsung nalika CNN ngandung hiji atawa leuwih lapisan convolutional dituturkeun ku pooling, sarta rambatan dua arah lumangsung nalika kaluaran lapisan konvolusi dikirim ka jaringan neural disambungkeun pinuh pikeun klasifikasi gambar.
Pikeun nimba elemen tangtu hiji gambar, saringan anu garapan. Dina MLP, input ditimbang sareng disayogikeun kana fungsi aktivasina. RELU dipaké dina konvolusi, sedengkeun MLP ngagunakeun fungsi aktivasina nonlinier dituturkeun ku softmax. Dina pangakuan gambar sareng pidéo, parsing semantik, sareng deteksi parafrase, jaringan saraf convolutional ngahasilkeun hasil anu saé.
5. Jaringan Bias Radial
Vektor input dituturkeun ku lapisan neuron RBF sareng lapisan kaluaran sareng hiji titik pikeun tiap kategori dina Jaringan Fungsi Dasar Radial. Input digolongkeun ku ngabandingkeun kana titik data tina set latihan, dimana unggal neuron ngajaga prototipe. Ieu salah sahiji conto set latihan.
Unggal neuron ngitung jarak Euclidean antara input sareng prototipe nalika vektor input seger [vektor n-dimensi anu anjeun badé ngagolongkeun] kedah digolongkeun. Upami urang gaduh dua kelas, Kelas A sareng Kelas B, input énggal anu bakal digolongkeun langkung mirip sareng prototipe kelas A tibatan prototipe kelas B.
Hasilna, éta tiasa dilabélan atanapi digolongkeun kana kelas A.
6. Jaringan Neural Recurrent
Jaringan Neural Recurrent dirancang pikeun ngahemat kaluaran lapisan teras eupan deui kana input pikeun ngabantosan ramalan hasil lapisan. A feed-hareup jaringan neural biasana lapisan awal, dituturkeun ku lapisan jaringan neural kumat, dimana fungsi memori nginget bagian tina informasi eta tadi dina hambalan waktos saméméhna.
Skenario ieu ngagunakeun rambatan maju. Ieu ngaheéat data nu bakal diperlukeun dina mangsa nu bakal datang. Upami prediksi henteu leres, laju diajar dianggo pikeun ngalakukeun panyesuaian minor. Hasilna, salaku backpropagation progresses, éta bakal jadi beuki akurat.
aplikasi
Jaringan saraf dipaké pikeun nanganan masalah data dina rupa-rupa disiplin; sababaraha conto ditémbongkeun di handap.
- Pangenal raray - Solusi Pangenal Raray janten sistem panjagaan anu efektif. Sistem pangenalan ngahubungkeun poto digital sareng raray manusa. Éta dipaké di kantor pikeun éntri selektif. Ku kituna, sistem pariksa beungeut manusa sarta ngabandingkeun kana daptar ID disimpen dina database na.
- Prediksi Saham - Investasi kakeunaan résiko pasar. Sacara praktis hésé pikeun ngaramalkeun kamajuan hareup dina pasar saham anu volatile pisan. Sateuacan jaringan saraf, fase bullish sareng bearish anu terus-terusan robih teu tiasa diprediksi. Tapi, naon anu ngarobih sadayana? Tangtosna, urang ngobrol ngeunaan jaringan saraf… Multilayer Perceptron MLP (tipe sistem intelijen jieunan feedforward) dianggo pikeun ngadamel ramalan saham anu suksés sacara real-time.
- Media Sosial - Paduli kumaha corny eta bisa disada, média sosial geus robah jalan mundane ayana. Paripolah pangguna média sosial diulik nganggo Jaringan Syaraf Tiruan. Pikeun analisa kompetitif, data anu disayogikeun unggal dinten ngalangkungan interaksi virtual ditumpuk sareng ditaliti. Aksi pangguna média sosial ditiru ku jaringan saraf. Paripolah individu tiasa dihubungkeun sareng pola belanja masarakat saatos data dianalisis liwat jaringan média sosial. Data tina aplikasi média sosial ditambang ngagunakeun Multilayer Perceptron ANN.
- Palayanan Kaséhatan - Individu di dunya ayeuna ngagunakeun mangpaat téknologi dina industri kasehatan. Dina bisnis kasehatan, Convolutional Neural Networks dianggo pikeun deteksi sinar-X, scan CT, sareng ultrasound. Data pencitraan médis anu ditampi tina tés anu disebatkeun dievaluasi sareng ditaksir nganggo modél jaringan saraf, sabab CNN dianggo dina ngolah gambar. Dina ngembangkeun sistem pangenalan sora, jaringan saraf recurrent (RNN) ogé dianggo.
- Laporan Cuaca - Sateuacan palaksanaan intelijen buatan, unjuran departemén météorologi henteu pernah tepat. Prakiraan cuaca dilakukeun sacara umum pikeun ngaramalkeun kaayaan cuaca anu bakal kajantenan. Prediksi cuaca dimangpaatkeun pikeun ngantisipasi kamungkinan bencana alam dina jaman modéren. Prakiraan cuaca dilakukeun ngagunakeun multilayer perceptron (MLP), convolutional neural network (CNN), sareng recurrent neural network (RNN).
- Pertahanan - Logistik, analisa serangan bersenjata, sareng lokasi barang sadayana nganggo jaringan saraf. Aranjeunna nuju ogé padamelan dina patroli hawa sareng laut, ogé pikeun ngatur drone otonom. Kecerdasan jieunan masihan industri pertahanan dorongan anu diperyogikeun pikeun ningkatkeun téknologina. Pikeun ngadeteksi ayana tambang jero cai, Convolutional Neural Networks (CNN) dianggo.
kaunggulan
- Sanaos sababaraha neuron dina jaringan saraf henteu jalanna leres, jaringan saraf tetep bakal ngahasilkeun kaluaran.
- Jaringan saraf ngagaduhan kamampuan pikeun diajar sacara real-time sareng adaptasi kana setélan anu robih.
- Jaringan saraf tiasa diajar ngalakukeun rupa-rupa pancén. Pikeun masihan hasil anu leres dumasar kana data anu disayogikeun.
- Jaringan saraf ngagaduhan kakuatan sareng kamampuan pikeun nanganan sababaraha pancén dina waktos anu sami.
kalemahan
- Jaringan saraf dipaké pikeun ngajawab masalah. Éta henteu ngungkabkeun katerangan di balik "kunaon sareng kumaha" éta ngadamel kaputusan anu dilakukeun kumargi kerumitan jaringan. Hasilna, kapercayaan jaringan tiasa dirobih.
- Komponén-komponén jaringan saraf téh silih gumantung hiji-hiji. Maksudna, jaringan saraf nungtut (atanapi ngandelkeun pisan) komputer anu gaduh kakuatan komputasi anu cekap.
- Prosés jaringan saraf teu boga aturan husus (atawa aturan jempol). Dina téknik trial-and-error, struktur jaringan anu bener ditetepkeun ku ngusahakeun jaringan anu optimal. Ieu prosedur anu merlukeun loba fine-tuning.
kacindekan
Widang jaringan neural ngembang pesat. Penting pikeun diajar sareng ngartos konsép dina séktor ieu supados tiasa nungkulanana.
Seueur jinis jaringan saraf parantos dibahas dina tulisan ieu. Anjeun tiasa nganggo jaringan saraf pikeun ngatasi masalah data dina widang anu sanés upami anjeun langkung jéntré ngeunaan disiplin ieu.
Leave a Reply