Neural Networks - Seperti Apa Masa Depan Kecerdasan Buatan?

Apa itu Neural Network?

Terinspirasi oleh jaringan saraf biologis, sistem komputasi ini "belajar" untuk melakukan berbagai tugas dengan mempertimbangkan contoh-contoh tertentu, biasanya tanpa diprogram dengan aturan yang spesifik untuk tugas.
Jaringan saraf adalah unit fungsional pembelajaran mendalam dan terinspirasi oleh struktur otak manusia. Namun, jaringan saraf tiruan yang lebih baru adalah unit fungsional pembelajaran mendalam.

Misalnya dalam pengenalan citra, seperti identifikasi citra kucing.
Sistem komputasi mungkin belajar mengidentifikasi gambar yang berisi kucing dengan menganalisis contoh gambar yang telah diberi label secara manual sebagai "kucing" atau "tidak ada kucing". Dengan menggunakan hasil untuk mengidentifikasi kucing di gambar lain, mereka dapat belajar mengidentifikasi gambar yang sebenarnya. Mereka melakukan ini tanpa pengetahuan sebelumnya tentang kucing atau ciri-ciri mereka, misalnya, bahwa mereka memiliki bulu, ekor, kumis, dan wajah seperti kucing.

Pembelajaran mendalam menggunakan jaringan saraf tiruan yang meniru perilaku otak manusia untuk memecahkan masalah kompleks yang didorong oleh data. Pembelajaran mendalam itu sendiri merupakan bagian dari pembelajaran mesin yang berada di bawah payung besar kecerdasan buatan (AI).
Pembelajaran mesin - Aplikasi kecerdasan buatan (AI), Pembelajaran Mesin memberikan kemampuan sistem untuk belajar dan meningkatkan secara otomatis dari pengalaman tanpa diprogram secara eksplisit. Pembelajaran mesin berfokus pada pengembangan program komputer yang dapat mengakses data dan menggunakannya untuk belajar sendiri.
Proses belajar dimulai ketika mereka mulai mengamati data, seperti contoh, pengalaman langsung, atau instruksi, untuk mencari pola yang membantu mereka membuat keputusan yang lebih baik di masa depan. Tujuan utamanya adalah untuk memungkinkan komputer belajar secara otomatis tanpa campur tangan atau bantuan manusia dan menyesuaikan tindakan mereka.
Pembelajaran mendalam – Pembelajaran mendalam (juga dikenal sebagai pembelajaran terstruktur dalam atau pembelajaran hierarkis) adalah bagian dari keluarga metode pembelajaran mesin yang lebih luas berdasarkan jaringan saraf tiruan. Di bawah Deep Learning, proses pembelajaran dapat diawasi, semi-diawasi atau tidak diawasi. Pembelajaran mendalam adalah kelas algoritme pembelajaran mesin yang menggunakan banyak lapisan untuk secara progresif mengekstrak fitur tingkat yang lebih tinggi dari input mentah.
Misalnya, dalam pemrosesan gambar, lapisan bawah dapat mengidentifikasi tepi, sedangkan lapisan yang lebih tinggi dapat mengidentifikasi konsep yang relevan dengan manusia seperti angka atau huruf atau wajah.

Struktur jaringan saraf

Jaringan saraf terbuat dari neuron, yang merupakan unit pemrosesan inti jaringan. Jaringan syaraf tiruan pada dasarnya terbuat dari 3 lapisan yang berbeda yaitu lapisan input, lapisan tersembunyi dan lapisan output.
Lapisan input adalah lapisan tempat input diumpankan ke jaringan. Lapisan keluaran menggunakan keluaran dari lapisan Tersembunyi tertentu, di mana sebagian besar perhitungan berlangsung. Ini terkait dengan beberapa nilai numerik yang disebut bias, yang kemudian ditambahkan ke jumlah input yang diteruskan ke fungsi ambang yang disebut fungsi aktivasi.
Fungsi aktivasi menentukan apakah neuron tertentu harus diaktifkan atau tidak. Neuron yang diaktifkan mengirimkan data ke lapisan berikutnya.
Saluran menghubungkan antara neuron-neuron ini.

Bekerja jaringan Neural dengan contoh

Langkah-langkah dasar:

1. Neuron input kami mewakili input, berdasarkan informasi yang kami coba klasifikasikan.
2. Setiap nomor pada neuron input diberi bobot pada setiap sinaps (saluran).
3. Pada setiap neuron di lapisan berikutnya, kami menambahkan output dari semua sinapsis yang datang ke neuron itu bersama dengan bias dan menerapkan fungsi aktivasi (biasanya fungsi sigmoid) ke jumlah tertimbang (ini membuat angka menjadi antara 0 dan 1).
   Jumlah input= (w1*x1) + (w1*x2) + (w1*x3) + b1 dihitung untuk setiap input neuron
4. Output dari fungsi itu akan diperlakukan sebagai input untuk lapisan sinapsis berikutnya
5. Lanjutkan sampai Anda mencapai output.

Perhatikan contoh pengklasifikasian daun seperti daun normal atau daun cacat.
Di sini kami menyediakan gambar daun ke sistem kami untuk mengklasifikasikan berdasarkan kondisinya.
Gambar dibagi menjadi beberapa bagian berdasarkan dimensinya seperti, jika tinggi dan beratnya 28 piksel, gambar tersebut dibagi menjadi 28X28 px dari 784px dan diumpankan ke lapisan input. Tapi dalam kasus ini lebarnya 30px dan tinggi 900px, yang diumpankan ke lapisan input.

Neuron dari satu lapisan terhubung ke lapisan lain dengan bobot acak yang digunakan untuk menghitung jumlah. Jumlah input dari satu lapisan dikirim ke lapisan berikutnya (lapisan tersembunyi) dan setiap lapisan tersembunyi dikaitkan dengan nilai numerik yang ditambahkan ke jumlah input.
Fungsi aktivasi memutuskan neuron mana yang akan diaktifkan dan neuron mana yang diaktifkan nilai neuron tersebut diteruskan ke lapisan berikutnya. Ini dikenal sebagai propagasi maju.

Pada lapisan keluaran neuron dengan nilai yang lebih tinggi menentukan keluaran. Nilai pada dasarnya adalah nilai probabilitas. Jika nilai probabilitas yang lebih tinggi memprediksi keluaran yang salah, jaringan belum dilatih. Dalam hal ini ditentukan sebagai daun yang cacat sehingga perlu dilakukan pelatihan, setelah itu dapat dilakukan deteksi/klasifikasi.

Propagasi balik dilakukan untuk memprediksi keluaran yang benar, yang didasarkan pada nilai prediksi. Ini dibandingkan dengan output yang sebenarnya. Bobot iteratif diberikan sampai mereka memprediksi daun dengan benar. Bobot kemudian diinisialisasi ulang untuk meminimalkan kesalahan.

Setelah menginisialisasi ulang bobot, berdasarkan perbedaan kesalahan nilai prediksi, kami mendapatkan hasil yang tepat sebagai daun normal.

Beberapa aplikasi jaringan saraf

1. terjemahan Google
2. Pengenalan wajah
3. Mobil mengemudi sendiri
4. Deteksi objek
5. Komposisi Musik
6. Pengenalan suara
7. Pengecekan ejaan
8. pengenalan karakter

Keuntungan

• Ketika elemen jaringan saraf gagal, itu dapat berlanjut tanpa masalah dengan bantuan sifat paralel.
• Jaringan saraf belajar dan tidak perlu diprogram ulang.
• Itu dapat diimplementasikan dalam aplikasi apa pun.
• Jaringan saraf melakukan tugas yang tidak dapat dilakukan oleh program linier.

Kekurangan

• Jaringan saraf membutuhkan pelatihan untuk beroperasi.
• Memerlukan waktu pemrosesan yang tinggi untuk jaringan saraf yang lebih besar.
• Jumlah data.