Rangkaian neural buatan

Rangkaian neural buatan atau rangkaian neuronan merupakan suatu rangkaian dibentuk berasaskan model otak terdiri daripada sel-sel neuron berangkai yang boleh dimodelkan sebagai peranti dedua berambang (model McCulloch-Pitts) secara paling mudah, atau juga sebagai peranti analog taklinear, pengayun, petaan bercelaru, atau lain-lain.

'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).

Kekuatan sambungan juga boleh berubah dengan hukum dinamik tertentu, yang dikaitkan dengan proses pembelajaran. Model yang masyhur untuk pembelajaran ialah rambatan balik ralat. Ia selaras dengan pembelajaran Hebb, yang mengatakan bahawa sinaps atau sambungan yang selalu berfungsi, bertambah kuat dalam fungsi itu.

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 $f:X\to Y$. 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 $g_i(x)$ (lapisan ke-$i$). Fungsi ini pada umumnya mengolah sebuah vektor yang kemudiannya diubah kepada nilai skalar melalui komposisi nonlinear weighted sum, di mana:

$f(x)=K(\sum _i{w}_i{g}_i(x))$,

....di mana $K$ merupakan fungsi khusus yang sering disebut dengan fungsi pengaktifan dan $w$ merupakan beban atau weight.

Bibliografi

• Templat:Cite journal
• Templat:Cite book
• Templat:Cite book PDF Templat:Webarchive
• Templat:Cite book
• Templat:Cite book
• Templat:Cite journal
• Templat:Cite book
• Templat:Cite book
• Templat:Cite webcreated for National Science Foundation, Contract Number EET-8716324, and Defense Advanced Research Projects Agency (DOD), ARPA Order No. 4976 under Contract F33615-87-C-1499.
• Templat:Cite book
• Templat:Cite book
• Templat:Cite book
• Templat:Cite book
• Templat:Cite book
• Templat:Cite book
• Templat:Cite journal
• Templat:Cite book
• Templat:Cite book
• Templat:Cite book
• Templat:Cite book

Pautan luar

• A brief introduction to Neural Networks (PDF), illustrated 250p textbook covering the common kinds of neural networks (CC license).
• An Introduction to Deep Neural Networks Templat:Webarchive.
• A Tutorial of Neural Network in Excel.
• Templat:Youtube
• A Concise Introduction to Machine Learning with Artificial Neural Networks
• Neural Networks for Machine Learning – a course by Geoffrey Hinton
• Deep Learning