Rangkaian neural buatan: Perbezaan antara semakan
Kandungan dihapus Kandungan ditambah
Pengembangan hasil pengembalian, penyejagatan dan penyusunan kandungan bahasa Melayu Indonesia |
|||
Baris 1:
'''Rangkaian neural buatan''' atau '''rangkaian neuronan'''
'Neuron-neuron' ini mempengaruhi yang lain menerusi rangkaian '[[sinaps]]' (atau 'sambungan' atau 'pemberat'). Sambungan ini boleh berbentuk dedua atau analog, [[kabur]], dan sebagainya, dan topologi rangkaian juga pelbagai - dari suap-ke-hadapan berlapisan sehingga dwiarah dan bersambung sepenuhnya. Jenis sambungan dan topologi rangkaian menentukan fungsi yang diwakilkan oleh sesuatu rangkaian neuronan itu. Model-model yang masyhur termasuklah model [[perseptron]], [[model Hopfield]] (sebenarnya model Little-Hopfield), [[rangkaian bertandingan]], dan [[ingatan bersekutu dwiarah]] (BAM).
Baris 8 ⟶ 6:
Model rangkaian neuronan menarik kepada ahli fizik kerana ia ada keserupaan dengan sistem-sistem [[fizik statistik]] seperti [[kaca spin]], dan oleh itu membenarkan penggunaan konsep, teknik dan kaedah dari fizik dalam penganalisisannya.
== Model ==
Model rangkaian-rangkaian sebegini pada dasarnya merupakan fungsi model matematik yang mendefinisikan fungsi <math>f: X \rightarrow Y</math>. Sifat kemampuan ia bersambung antara beberapa ''neuron'' yang diletakkan pada lapisan yang berbeda menjadikan ia menampak seakan rangkaian atau jaringan. Secara umumnya, lapisan rangkaian-rangkaian sebegini mempunyai tiga bahagian:
* '''Lapisan masukan (''input layer'')''' - terdiri dari ''neuron'' yang menerima [[data]] masukan dari pe,mbolehubah/variabel X. Semua ''neuron'' pada lapisan ini dapat dihubungkan ke ''neuron'' pada lapisan tersembunyi atau langsung ke lapisan luaran jika jaringan tidak menggunakan lapisan tersembunyi.
* '''Lapisan tersembunyi (''hidden layer'')''' - terdiri dari ''neuron'' yang menerima data dari lapisan masukan.
* '''Lapisan luaran (''output layer'')''' terdiri dari ''neuron'' yang menerima data dari lapisan tersembunyi atau langsung dari lapisan masukan yang nilai luarannya melambangkan hasil kalkulasi dari X menjadi nilai Y.
Secara matematiknya, ''neuron'' merupakan sebuah fungsi yang menerima masukan dari lapisan sebelumnya <math>g_i(x)</math> (lapisan ke-<math>i</math>). Fungsi ini pada umumnya mengolah sebuah [[vektor]] yang kemudiannya diubah kepada nilai [[Skalar (matematik)|skalar]] melalui komposisi ''nonlinear weighted sum,'' di mana:
<math>f(x) = K(\sum_i w_i g_i(x))</math>,
....di mana <math>K</math> merupakan fungsi khusus yang sering disebut dengan fungsi pengaktifan dan <math>w</math> merupakan beban atau ''weight''.
==Rujukan==
| |||