Register Now

Login

Lost Password

Lost your password? Please enter your email address. You will receive a link and will create a new password via email.

Add post

Add question

Sekilas Tentang Algoritma Neural Networks

Anjing dan kucing sama-sama binatang berbulu dengan empat kaki. Kedua binatang tersebut juga mempunyai banyak karakteristik yang sama. So, bagaimana kamu bisa membedakan keduanya? Dapatkah kamu menuliskan algoritma sehingga algoritma tersebut dapat membedakan kucing dan anjing? Berikut adalah gambar anjing dan kucing :

Terlihat mirip, kan?

Ketika kita kecil, kita diberi tahu hewan yang mana yang anjing dan yang mana yang kucing. Kita cepat belajar, dan hanya butuh satu contoh dan kita berhenti membutuhkan contoh baru. Karenanya, proses pembelajaran kita sebagai manusia sangat bagus untuk mengklasifikasikan hewan baru.  Bahkan kita bisa membedakan keduanya meskipun anjing dan kucingnya tidak terlihat sangat mirip dengan apa yang kita pernah lihat sebelumnya.

Ternyata komputer dapat belajar dengan cara yang sama.

Algoritma supervised learning (pembelajaran yang diawasi) mencoba untuk memodelkan suatu fungsi untuk menghubungkan input ke output. Algoritma ini menggunakan contoh-contoh yang diketahui untuk mempelajari hubungan ini.

Ketika membangun model supervised learning  untuk membedakan apakah gambar itu dari anjing atau kucing,

Apa yang seharusnya menjadi input untuk contoh?

Misalkan Anda memiliki akses ke 100.000 gambar anjing dan kucing yang dapat Anda gunakan untuk membangun model supervised learning yang membedakan antara anjing dan kucing.

Setelah menggunakan gambar sebagai contoh untuk melatih model (atau mengajarkan atau memasukan data ke dalam memori otak komputer), Anda ingin menggunakan gambar untuk menguji model; yaitu, untuk menentukan apakah model tersebut benar-benar berhasil mengidentifikasi apakah gambarnya seekor anjing atau kucing.

Apa cara yang masuk akal untuk memilih gambar Anda untuk pelatihan dan pengujian?

Model supervised learning yang baik, memprediksi output dari input yang tidak teramati (tidak ada dalam memori otak komputer atau data training) menggunakan pengetahuan tentang output dari input yang diamati.

Kemampuan untuk membuat prediksi yang berhasil pada input yang tidak teramati dari data yang diamati disebut generalisasi.

Untuk setiap data yang diamati, ada sejumlah fungsi yang tak terbatas yang melewati semua pasangan input-output. Fungsi “terbaik” tidak harus yang cocok untuk semua data yang diamati, tetapi sebaliknya adalah yang menggeneralisasi dengan baik.

Anda sedang melakukan training pada model prediksi ketinggian. Anda menggunakan data input yang diamati berupa data usia. Anda ingin ketika menginputkan usia outputnya adalah ketinggian anak-anak.

Diperolehlah grafik di bawah ini.

Manakah dari tiga fungsi yang digambar yang kemungkinan menjadi model terbaik?

Membedakan antara anjing dan kucing, kami ingin mengklasifikasikan gambar ke dalam kategori diskrit tanpa hubungan numerik; yaitu, kami tidak dapat mengatakan

\ text {dog} dog adalah 2 kali \ text {cat} .cat.

Jenis masalah ini disebut masalah klasifikasi.

Di sisi lain, dalam pertanyaan sebelumnya, kami menemukan fungsi untuk menghubungkan input ke output numerik (tinggi).

Output ini memiliki hubungan numerik yang jelas; mis., output 6 kaki adalah dua kali lipat output 3 kaki.

Jenis masalah ini dikenal sebagai masalah regresi.

Jaringan saraf tiruan (JST) atau ANN (Artificial Neural Network) cukup fleksibel untuk digunakan dalam masalah klasifikasi dan regresi.

Beberapa dari tiga masalah pembelajaran berikut adalah masalah regresi:

1.Mengidentifikasi digit kode pos mana yang telah ditulis pada amplop
2.Memprediksi jumlah total poin yang dicetak oleh dua tim dalam permainan bola basket mengingat usia rata-rata para pemain
3.Menentukan tinggi badan anak dewasa mengingat usia dan tinggi badannya saat ini

Berapa tepatnya dihitung sebagai masalah regresi?

 

Kuis ini berfokus pada masalah pembelajaran yang diawasi, karena banyak aplikasi dasar ANN melibatkan pembelajaran yang diawasi. Namun, ada jenis pembelajaran lain: nonsupervised learning (pembelajaran tanpa pengawasan).

Seperti namanya, pembelajaran tanpa pengawasan mencoba untuk menentukan hubungan antara input tanpa menggunakan contoh output  apa pun (seperti “anjing” atau “kucing” dalam contoh kami sebelumnya).

Begitulah gambaran besar tentang masalah learning. Ada dua jenis utama pembelajaran: tidak diawasi dan diawasi, dan masalah dalam pembelajaran yang diawasi dapat dikategorikan sebagai masalah klasifikasi atau regresi. Kursus ini menggambarkan bagaimana membangun ANN, model komputasi yang berkinerja baik dalam berbagai masalah pembelajaran seperti yang dibahas dalam kuis ini.

Dalam kuis berikutnya, kita akan mengeksplorasi dasar-dasar cara kerja otak manusia dan bagaimana ide-ide ini menginspirasi mekanisme dalam ANN.


Artikel ini diterjemahkan dan diadaptasi ulang dari brilliant.org

Artikel ini mudah difahami ?

Baca Lagi Biar Pinter

About Riad Taufik LazwardiSweet

Lecturer of Mathematics at 1. Fitrah Islamic World Academic School (now) 2. Kalbis Institute | Managed by Binus (2018-2019) 3. Telkom University (2017-2018) 4. UIN Bandung (2015-2018)

Follow Me

Leave a reply