Konsep Neural Network dalam Deep Learning
Istilah "Jaringan saraf" dalam algoritma deep learning adalah istilah yang sangat menarik perhatian banyak orang. Ini menunjukkan bahwa machine learning merupakan sesuatu yang bekerja seperti seperti otak dan berpotensi sarat dengan konotasi fiksi ilmiah dari mitos Frankenstein. Pada artikel kali ini akan diungkap bagaimana konsep saraf jaringan dan keterkaitannya dengan otak, Sebenarnya studi lain juga sudah mendalami melalui implementasi dengan cabang lain dari ilmu pengetahuan, teknik dan engineering matematika.
Jaringan saraf adalah perakitan yang saling berhubungan dari elemen pemrosesan sederhana, unit atau node, yang fungsionalitas secara longgar didasarkan pada neuron hewan. Kemampuan pemrosesan jaringan disimpan dalam interunit kekuatan koneksi, atau bobot, diperoleh dengan proses adaptasi, atau belajar dari, satu set pelatihan pola.
Yuki simak konsepnya bersama DQLab!
1. Apa Sih jaringan syaraf tiruan ?
Jaringan saraf adalah perakitan yang saling berhubungan dari elemen pemrosesan sederhana, unit atau node, yang fungsionalitas secara longgar didasarkan pada neuron hewan. Kemampuan pemrosesan jaringan disimpan dalam interunit kekuatan koneksi, atau bobot, diperoleh dengan proses adaptasi, atau belajar dari, satu set pelatihan pola. Untuk menyempurnakan ini sedikit, pertama-tama kita melihat sekilas beberapa neurobiologi dasar. Itu otak manusia terdiri dari sekitar 10 11 (100 miliar) sel saraf atau neuron, Perhatikan gambar saraf berikut ini.
Neuron berkomunikasi melalui sinyal listrik yang merupakan impuls berumur pendek atau "lonjakan" dalam tegangan sel dinding atau membran. Koneksi interneuron dimediasi oleh elektrokimia persimpangan yang disebut sinapsis, yang terletak di cabang-cabang sel disebut sebagai dendrit. Setiap neuron biasanya menerima ribuan koneksi dari neuron lain dan karena itu terus-menerus menerima banyak sinyal yang masuk, yang akhirnya mencapai badan sel. Di sini, mereka terintegrasi atau dijumlahkan
dalam beberapa cara dan, secara kasar, jika sinyal yang dihasilkan melebihi ambang batas tertentu maka neuron akan "menyala" atau menghasilkan impuls tegangan sebagai respons. Ini kemudian ditransmisikan ke neuron lain melalui serat bercabang yang dikenal sebagai akson.
Baca juga : 3 Jenis Algoritma Machine Learning yang Dapat Digunakan di Dunia Perbankan
2. Mengapa belajar Neural Networks ?
Jaringan saraf sering digunakan untuk analisis statistik dan pemodelan data, di mana: peran mereka dianggap sebagai alternatif untuk regresi atau klaster nonlinier standar teknik analisis. Dengan demikian, mereka biasanya digunakan dalam masalah yang mungkin ditulis dalam hal klasifikasi, atau peramalan. Beberapa contohnya termasuk pengenalan gambar dan ucapan, pengenalan karakter tekstual, dan domain keahlian manusia seperti diagnosis medis, survei geologi untuk minyak, dan prediksi indikator pasar keuangan. Jenis masalah ini juga termasuk dalam domain kecerdasan buatan klasik (AI) sehingga insinyur dan ahl.io komputer melihat jaringan saraf menawarkan gaya komputasi terdistribusi paralel, sehingga memberikan alternatif untuk teknik algoritmik konvensional yang mendominasi kecerdasan mesin. Paralelisme mengacu pada fakta bahwa setiap node dianggap beroperasi secara independen dan bersamaan (secara paralel dengan) yang lain, dan "pengetahuan" dalam jaringan didistribusikan melalui seluruh rangkaian bobot, daripada fokus di beberapa lokasi memori seperti pada a komputer konvensional.
3. Apa yang akan terjadi ?
Jaringan saraf tiruan dapat dianggap sebagai model jaringan yang disederhanakan neuron yang terjadi secara alami di otak hewan. Dari sudut pandang biologis persyaratan penting untuk jaringan saraf adalah bahwa ia harus berusaha menangkap apa yang diyakini sebagai fitur pemrosesan informasi penting dari jaringan "nyata" yang sesuai. Untuk seorang insinyur, korespondensi ini tidak begitu penting dan jaringan menawarkan bentuk alternatif komputasi paralel yang mungkin lebih tepat untuk menyelesaikan tugas yang ada. Neuron buatan yang paling sederhana adalah unit logika ambang atau TLU. Operasi dasarnya adalah melakukan jumlah tertimbang dari inputnya dan kemudian mengeluarkan "1" jika jumlah ini melebihi ambang batas, dan "0" sebaliknya. TLU seharusnya memodelkan dasarnya mekanisme "integrasi-dan-api" neuron nyata.
4. Real Neurons
Neuron tidak hanya sangat kompleks tetapi juga sangat bervariasi dalam detailnya dari struktur dan fungsinya. Oleh karena itu kami akan menjelaskan sifat-sifat khas dinikmati oleh sebagian besar neuron.
Baca juga : Belajar Data Science: Pahami Penggunaan Machine Learning pada Python
5. Mau Tahu Kelanjutannya ?
Sign up dan lakukan pembelajaran anti ribet dengan live code editor. Nikmati belajar mandiri setiap hari tanpa harus install aplikasi sana sini. Dimana lagi kalau bukan di DQLab. Yuk mulai akses free modulnya Introduction to Data Science. Gratis !!!