1 / 7

Konsep Neural Network Learning Pertemuan 3

Konsep Neural Network Learning Pertemuan 3. Matakuliah : T0293/Neuro Computing Tahun : 2005. Tujuan Learning / Training agar input dari network dapat menghasilkan output yang diinginkan ( akurat ) atau paling tidak menghasilkan output yang konsisten

jared
Télécharger la présentation

Konsep Neural Network Learning Pertemuan 3

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Konsep Neural Network Learning Pertemuan 3 Matakuliah : T0293/Neuro Computing Tahun : 2005

  2. Tujuan Learning / Training agar input dari network dapat menghasilkan output yang diinginkan ( akurat ) atau paling tidak menghasilkan output yang konsisten • Setiap input yang dimaksud disini adalah sebuah vektor. Training dilakukan dengan cara mengaplikasikan vektor-vektor input secara berurutan. Selama training, bobot network secara bertahap mencapai konvergen ke suatu nilai sedemikian rupa sehingga setiap input menghasilkan output yang diinginkan.

  3. Supervised Learning • Supervised Learning / Training memerlukan pasangan setiap input dengan outputnya ( output yang diinginkan ). Pasangan tersebut disebut ‘ training pair ‘. • Biasanya network di ‘ trained ‘ dengan sejumlah ‘ training pair ‘. Satu input vektor diaplikasikan, outputnya dihitung dan dibandingkan dengan target output. Selisihnya dikembalikan ke network dan sekaligus bobotnya disesuaikan berdasarkan suatu algoritma yangn cenderung meminimumkan error. • Vektor-vektor dari ‘ training set ‘ diaplikasikan seluruhnya secara berurutan, error dihitung, bobot disesuaikan sampai seluruh training set menghasilkan error sekecil-kecilnya.

  4. Unsupervised Learning • Supervised learning dalam konsep human-brain dianggap tidak tepat. Unsupervised learning sejauh ini dianggap sebagai model dalam konsep sistem biologis. • Unsupervised learning dikembangkan oleh Kohonen (1984) dan beberapa scientist lainnya. Dalam unsupervised learning, tidak diperlukan ‘ target output ‘. ‘ Training Set ‘ hanya terdiri dari vektor-vektor input, tanpa pasangan output.

  5. Algoritma training merubah bobot network untuk menghasilkan output yang konsisten. Aplikasi dari vektor-vektor yang cukup serupa akan menghasilkan pola output yang sama. Dengan demikian, proses training menghasilkan sifat-sifat statistik dalam bentuk pengelompokan vektor-vektor dalam beberapa kelas. • Dengan mengaplikasikan suatu vektor dari suatu kelas sebagai input, akan menghasilkan vektor output yang spesifik.

  6. Algoritma Learning / Training • Sebagian besar algoritma learning saat ini dikembangkan berdasarkan konsep dari Donald O. Hebb (1961). Neural Networks yang menggunakan Hebbian learning merubah bobot network berdasarkan perkalian dari ‘ excitation level ‘ input dan output. Wij (n+1) = Wij (n) +  OUTi OUTj dimana : Wij (n) = bobot dari neuron I ke j sebelum penyesuaian Wij (n+1) = bobot dari neuron I ke j setelah penyesuaian  = koefisien ‘ learning rate ‘ OUTi = output dari neuron i dan input dari neuron j OUTj = output dari neuron j

  7. Saat ini dapat dijumpai sejumlah besar algoritma training yang dikembangkan oleh para ilmuwan antara lain Rosenblatt (1962), Widrow (1959), Widrow dan Hoff (1960), dan lain lain.

More Related