1 / 14

Strategi pembelajaran dasar

Strategi pembelajaran dasar. Strategi Pembelajaran. Supervised Delta rule Backpropagation Hebbian Stochastic. Reinforcement Learning Automata. Unsupervised Competitive Hebbian. Pengelompokan type network berdasar Metode pebelajaran. Strategi Pembelajaran. Supervised ADALINE

peri
Télécharger la présentation

Strategi pembelajaran dasar

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. Strategi pembelajaran dasar Strategi Pembelajaran • Supervised • Delta rule • Backpropagation • Hebbian • Stochastic • Reinforcement • Learning • Automata • Unsupervised • Competitive • Hebbian

  2. Pengelompokan type network berdasar Metode pebelajaran Strategi Pembelajaran • Supervised • ADALINE • Cascade Corellation • Hopfield • MLFF with BP • RBF • RCN • Bolzmant • GRNN • LVQ • PNN • RNN • Reinforcenent • UnSupervised • ART • Hopfield • LVQ • Neocognitron • SOFM

  3. Pengelompokan type network berdasar Type pebelajaran Type Pembelajaran • Error Corection • ADALINE • CCN • Hopfield • MLFF with BP • RBF • Perceptron • GRNN • RNN • Hebbian • AN • BSB • BAM • Hopfield • Necognitron • Competitive • ART • LVQ • SOFM • Stocashtic • Boltzman Machine • Cauchy Machine

  4. Pengelompokan type network berdasar Type Arsitektur Type Arsitektur • Singgle Layer feedforwad • ADALINE • Hopfield • LVQ • AN • Perceptron • SOFM • Multi Layer feedforward • CNN • GRNN • MADALINE • MLFF with BP • Necognitron • RCE • RBF • Recurrent • ART • BAM • Bpltzman Machine • Cauchy Machine • Hopfield • RNN

  5. Pengelompokan type network berdasar Type Aplikasi Type Aplikasi • Associative Memori • ART • AN • BAM • Hopfield • MLFF with BP • Optimasi • ADALINE • Boltzman • Hopfield • RNN • OFN • MLFF with BP • Clasification • ADALINE • ART • CCN • CPN • GRNN • LVQ • MLFF with BP • RBF • RCE • ZOFN • Pattern Recognition • ART • CPN • LVQ • RBF • RCE • CCN • GRNN • MLFF with BP • Neocognitron • ZOFN • General Napping • CCN • GRNN • Prediction • ADALINE • CCN • GRNN • MADALINE • MLFF with BP • RBF • RNN • SOFM

  6. Taxononie Neural Network • ADALINE (Adaptive Linier Neural Element) • ART (Adaptive Resonant Theory) • AM (Associative Memori) • BAM (Bidirectional Associative Memori) • Boltzmant Machine • BSB (Brain State in a Box) • CCN (Cascade Corellation) • Cauchy Machine • CPN (Counter Propagation) • GRNN (Generalized Regression Neural Network) • Hamming • Hopfield

  7. Taxononie Neural Network • LVQ (Learning Vector Quantization) • Madaline • MLFF with BP (Multi Layer FeedForward Backpropagation) • Neocognitron • NLN (Neurologic Network) • Perceptron • PNN (Probabilitic Neural Network) • RBF (Radial Basis Function) • RNN (Recurrent Neural Network) • RCE (Reduced Coulonb Energy) • SOFM (Self Organizing Feature Map)

  8. Problem Solving Area • Classification • Clustering • Prediction • Memorizing • Learning • Optimation • Control • Recognition • Decision Making

  9. Karakteristik Jaringan Syaraf Tiruan • Input: training sets ( or training pattern, [X1, X2, X3,…,Xn] • Output: computed output, [Y1, Y2, …, Yj], testing sets [T1, T2,… Tj] • Connections: weights, wij • Processing Element (PE): summation function, activity function, transfer function

  10. X1 Output Yj X2 Transfer fc F(netj) Activity fc netj Summation fc Ij Xn

  11. Beberapa Topologi Jaringan (Struktur Jaringan) Pada gambar melukiskan sebuah single layer yang terhubung penuh ke model network, dimana masing-masing neuron secara lateral terhubung ke semua neuron tetangga dalam layer. Pada model ini semua neuron berfungsi sekaligus sebagai input dan output . Neural Network terbaik untuk nodel ini adalah HOPFIELD NETWORK Single Layer Hopfield Network

  12. Topologi Jaringan Gambar berikut merepresantasikan struktur multi layer feedforward. Neuron-neuron dalam model ini dikelompokkan dalam layer-layer yang terhubung kearah jalan sinyal. Tidak ada hubungan lateral dalam masing-masing layer dan juga tidak ada hubungan feedbackward dalam network. Neural network terbaik untuk model ini adalah PERCEPTRON NETWORK Multi Layer FeedForward

  13. Topologi Jaringan Gambar berikut nengilustrasikan ide dari sebuah topologi organised feature map. Pada model ini masing-masing neuron dalan network berisi sebuah socalled feature vector. Ketika sebuah pola dari data training diberikan ke network, neuron yang corak vektornya terdekat dengan input vektor diaktifkan (activated). Hal ini akan mengupdate ke input vektor yang menyebabkan pengaktifan. selanjutnya juga diupdate kearah input vektor atau dibuat menjauh dari input vektor (tergantung algoritma learning yang digunakan). Model yang yang termasuk memiliki tingkah laku spt ini adalah SOFM dari kohonen. Organized Feature Nap

  14. Topologi Jaringan Gambar berikut menunjukan hubungan dalam 2 layer feedforward/backward network. Layer- layer Pada Neural Network Model Ini Terhubung ke dua arah. Model ini akan beresonansi beberapa kali sebelum respon diterima oleh output layer. Model terbaik dari NN ini adalah ART network FeedForward/backward

More Related