Pert_10 , Neural Network

January 8, 2018 | Author: Anonymous | Category: Ilmu, Biologi, Ilmu saraf
Share Embed Donate


Short Description

Download Pert_10 , Neural Network...

Description

Mata Kuliah TahunAkademik

: CIA233 , Aplikasi Inteligensia Buatan : 2015/2016

DASAR – DASAR NEURAL COMPUTING Pertemuan_10

 NEURAL COMPUTING  MACHINE LEARNING  SHALLOW KNOWLEDGE atau KNOWLEDGE-POOR PROCEDURES  EXPERT SYSTEM 14-1

LEARNING  Defenisi  Contoh program MACHINE LEARNING  Cara – cara melakukan LEARNING  Hubungan LEARNING dengan AI

METODE – METODE LEARNING  NEURAL COMPUTING  INDUCTIVE LEARNING  CASE-BASED REASONING dan ANALOGICAL REASONING  GENETIC ALGORITHMS  STATISTICAL METHODS 14-2  EXPLANATION-BASED LEARNING

ARTIFICIAL NEURAL NETWORK ( ANN ) > Suatu pendekatan yang berbeda untuk Intelligent Systems adalah dengan membuat komputer dengan arcsitektur dan kemampuan pemrosesan yang menirukan kemampuan pemrosesan dari otak manusia. Hasilnya adalah : * Knowledge Representation berdasarkan massive * Parallel processing * Best retrieval of large amount of information * Ability to recognize patterns based on experience. > Teknologi ini disebut NEURAL COMPUTING atau ARTIFICIAL NEURAL NETWORK ( ANN )

14-3

BIOLOGICAL NEURAL NETWORK Sel Neuron Soma Synapse Nucleus Axon

Dendrites

Gambar : Bagian dari suatu jaringan : dua sel biologi yang saling berhubungan

Sel (neuron ) 2

14-3

Hubungan antara BILOGICAL dan ARTIFICIAL NEURAL NETWORK : BIOLOGICAL NN Soma Dendrites Axon Synapse Slow speed Many neurons ( 100)

ARTIFICIAL NN Node Input Output Weight Fast speed Few neurons ( hundreds ) 14-5

KOMPONEN DAN STRUKTUR NEURAL NETWORK  Suatu network terdiri dari processing elements , yang diatur dalam berbagai cara agar membentuk network’s structure.  Defenisi PROCESSING ELEMENTS  INPUT dapat berupa data mentah atau OUTPUT untuk processing element lainnya atau merupakan input untuk neuron lainnya.  NETWORK : Suatu typical structure dari network terdiri dari tiga layer , yaitu Input layer , Intermediate/hidden layer dan Output layer. 14-6

 STRUKTUR NETWORK : Suatu ANN dapat diatur dalam berbagai cara ( topologi ) , yaitu neuron-neuronnya dapat dihubungkan dalam berbagai cara. Dalam memproses informasi , banyak PE melakukan komputasi dalam saat yang bersamaan . Parallel Processing seperti ini menirukan cara kerja otak , yang berbeda dengan pemrosessan serial dalam komputasi konvensional

14-7

Input X1

Weight 1

W2 X2

W3

Penjumlahan Weighted Transfer

Output ( Y )

X3

X4 Weight 4

Gambar : Pemrosessan informasi di Artificial Neuron

14-8

Output Layer

PE

Hidden Layer

PE

PE

PE

PE

F (Yi )

Transfer Function

W14 X4

Weighted Sum

W11 X1

Input Layer

PE

PE

PE

PE

Gambar : Neural Network dengan satu hidden layer

W12 X2

W13 X3

14- 9

PEMROSESAN INFORMASI DALAM NETWORK Setelah struktur dari suatu network ditentukan , informasi dapat diproses . Beberapa konsep yang berhubungan dengan hal ini adalah :  INPUT NETWORK  OUTPUT NETWORK  WEIGHT  SUMMATION FUNCTION Summation function menemukan weighted SUM dari semua input element yang memasuki setiap PE . Suatu Summation function mengalikan setiap input value ( Xi ) dengan weight-nya ( Wi ) dan menjumlahkannya

14-10

Bersama - sama sebagai weighted Sum Yi . Sehingga :

Yi = Σ Xi Wi Untuk banyak processing neuron , j , rumusnya adalah :

Yj = Σ Xj Wji > Defenisi TRANSFORMASI ( TRANSFER ) FUNCTION : 1

YT = 1 + e -y

Di mana YT adalah transformed ( atau normalized ) value dari Y 14-11

a). Single Neuron

X1

b). Beberapa Neuron X1

PE

W1

PE X1

W11

Y1

W21

W2

Y2 X2

Y = X1 W1 + X2 W2

W12

PE

W22

Y1 = X1 W11 + X2 W21 PE Y2 = X1 W12 + X2 W22 W23 Y3 = X1 W23 Gambar : Summation Function untuk Single Neuron (a) dan beberapa Neuron ( b )

Y3

14-12

CONTOH DARI ANN FUNCTIONS X1 = 3 X2 = 1 X3 = 2

W1 = 0,2 W2 = 0,4

Processing element

Y = 1,2

W3 = 0,1

Summation Function :

Y = 3 ( 0,2 ) + 1 ( 0,4 ) + 2 ( 0,1 ) = 1,2

Transformation ( Transfer ) Function : 1

YT = ----------------- = 0,77 1 + e -1,2 ==========

thank for your attention ==========

14-13

View more...

Comments

Copyright � 2017 NANOPDF Inc.
SUPPORT NANOPDF