Artificial Neural Network (Part 1)

Neuron biologis memiliki input bercabang (dendrit), output bercabang (akson), dan informasi mengalir dari dendrit ke akson melalui badan sel. Akson terhubung ke dendrit melalui sinapsis yang kekuatannya bervariasi.

Hubungan antara akson satu neuron dan dendrit neuron lainnya. Kekuatan sinapsis bervariasi.

Bagian dari neuron yang menerima sinyal dari neuron lain.

Bagian dari neuron yang mengirimkan sinyal ke neuron lain.

Bagian utama neuron yang menghubungkan dendrit dan akson.

Waktu yang dibutuhkan untuk sinyal saraf melewati satu neuron ke neuron lainnya.

Jumlah koneksi yang dimiliki sebuah neuron dengan neuron lainnya. Semakin banyak koneksi, semakin kompleks informasi yang dapat diolah oleh neuron tersebut.

Model yang menggambarkan bagaimana neuron terhubung dan berkomunikasi satu sama lain. Model ini membantu memahami bagaimana informasi diproses dalam sistem saraf.

Neuron yang menerima informasi dari luar jaringan saraf.

Neuron yang mengirimkan informasi keluar dari jaringan saraf.

Neuron yang tidak langsung berinteraksi dengan dunia luar. Mereka memproses informasi dari neuron input dan mengirimkannya ke neuron output.

Struktur atau arsitektur dari jaringan saraf buatan (ANN). Ini meliputi jumlah lapisan neuron, jumlah neuron per lapisan, dan cara mereka terhubung.

Fungsi yang menentukan output dari sebuah neuron berdasarkan input dan bobotnya.

Cara neuron disusun dalam jaringan saraf, seperti lapisan input, hidden layer, dan output layer.

Representasi data masukan ke jaringan saraf dalam bentuk angka (real-valued vector).

Nilai yang menentukan kekuatan koneksi antara neuron. Memperkuat atau melemahkan pengaruh input.

Fungsi yang menentukan output dari neuron berdasarkan total input. Tentukan apakah neuron aktif atau tidak.

Jaringan saraf sederhana yang hanya terdiri dari satu neuron. Digunakan untuk klasifikasi linier.

Fungsi yang menguji apakah minimal 'm' dari 'n' input boolean bernilai benar.

Batasan dalam ruang yang memisahkan data menjadi kelas yang berbeda.

Data yang dapat dipisahkan menjadi kelas yang berbeda dengan garis lurus atau bidang.

Fungsi yang menghasilkan output +1 jika masukannya lebih besar dari ambang batas, dan -1 jika tidak.

Nilai batas yang membagi antara output +1 dan -1.

Sebuah algoritma yang digunakan untuk menemukan bobot yang sesuai untuk mengklasifikasikan data dengan benar.

Nilai yang mengontrol seberapa besar bobot diubah setiap kali terjadi kesalahan.

Ukuran total kesalahan yang dihasilkan oleh perceptron.

Menemukan bobot dan nilai ambang yang menghasilkan keluaran jaringan yang benar untuk setiap data input.

Fungsi yang digunakan untuk menentukan output dari neuron. Fungsi ini menghasilkan +1 jika nilai input total lebih besar dari ambang batas, dan -1 jika nilai input total kurang dari ambang batas.

Nilai yang dikalikan dengan masing-masing input untuk menentukan nilai total input bagi neuron.

Nilai yang dibandingkan dengan nilai total input untuk menentukan output neuron.

Jumlah dari hasil perkalian setiap input (x1, x2) dengan bobot (w1, w2) yang terkait.

Output dari neuron. Menunjukkan apakah neuron 'menyala' (+1) atau 'mati' (-1) berdasarkan nilai total input.

Menemukan bobot (w1, w2) dan ambang batas (w0) yang tepat sehingga keluaran yang dihitung oleh perceptron sesuai dengan keluaran yang diinginkan untuk semua contoh data.

Seperangkat input (x1, x2) dan output yang diinginkan (o(x1,x2)) yang digunakan untuk melatih perceptron.

Perceptron 'belajar' dengan memodifikasi bobot dan ambang batas berdasarkan kesalahan dalam prediksi output. Tujuannya adalah untuk mencapai keluaran yang benar untuk semua contoh data.

Nilai yang menentukan seberapa besar perubahan bobot pada setiap langkah Gradient Descent. Nilai yang lebih kecil menyebabkan perubahan yang lebih kecil, tetapi mungkin membutuhkan lebih banyak langkah untuk mencapai konvergensi.

Algoritma pembelajaran yang digunakan untuk menemukan bobot optimal dalam jaringan saraf dengan meminimalkan kesalahan antara output yang diprediksi dan output aktual.

Variasi Gradient Descent yang menghitung perubahan bobot dengan mempertimbangkan seluruh dataset sekaligus.

Variasi Gradient Descent yang menghitung perubahan bobot berdasarkan setiap data pelatihan secara terpisah.

Data pelatihan dapat dipisahkan menjadi dua kelas berbeda oleh sebuah garis lurus.

Proses Gradient Descent menuju titik optimal, di mana kesalahan prediksi minimal.

Ukuran seberapa jauh prediksi jaringan saraf menyimpang dari output aktual, dihitung dengan menghitung kuadrat selisih antara prediksi dan output.

Data pelatihan yang mengandung kesalahan atau ketidakakuratan.