Kecerdasan Buatan - Jaringan Saraf
Namun area penelitian lain dalam AI, jaringan saraf, terinspirasi dari jaringan saraf alami sistem saraf manusia.
Apa itu Jaringan Syaraf Tiruan (JST)?
Penemu komputer saraf pertama, Dr.Robert Hecht-Nielsen, mendefinisikan jaringan saraf sebagai -
"... sistem komputasi yang terdiri dari sejumlah elemen pemrosesan sederhana dan sangat saling berhubungan, yang memproses informasi dengan respons status dinamisnya ke input eksternal.”
Struktur Dasar JST
Ide tentang JST didasarkan pada keyakinan bahwa kerja otak manusia dengan membuat sambungan yang tepat, dapat ditiru menggunakan silikon dan kabel sebagai makhluk hidup. neurons dan dendrites.
Otak manusia terdiri dari 86 miliar sel saraf yang disebut neurons. Mereka terhubung ke ribuan sel lainnya oleh Axons.Rangsangan dari lingkungan luar atau masukan dari organ sensorik diterima oleh dendrit. Input ini menciptakan impuls listrik, yang dengan cepat berjalan melalui jaringan saraf. Neuron kemudian dapat mengirim pesan ke neuron lain untuk menangani masalah atau tidak mengirimkannya ke depan.
ANN terdiri dari beberapa nodes, yang meniru biologis neuronsotak manusia. Neuron-neuron tersebut dihubungkan oleh tautan dan mereka berinteraksi satu sama lain. Node dapat mengambil data masukan dan melakukan operasi sederhana pada data. Hasil dari operasi ini diteruskan ke neuron lain. Output pada setiap node disebut itsactivation atau node value.
Setiap tautan dikaitkan dengan weight.JST mampu belajar, yang berlangsung dengan mengubah nilai bobot. Ilustrasi berikut memperlihatkan JST sederhana -
Jenis Jaringan Syaraf Tiruan
Ada dua topologi Jaringan Saraf Tiruan - FeedForward dan Feedback.
FeedForward ANN
Dalam JST ini, arus informasi bersifat searah. Sebuah unit mengirimkan informasi ke unit lain yang tidak menerima informasi apapun. Tidak ada putaran umpan balik. Mereka digunakan dalam pembuatan pola / pengenalan / klasifikasi. Mereka memiliki input dan output tetap.
FeedBack ANN
Di sini, putaran umpan balik diperbolehkan. Mereka digunakan dalam memori yang dapat dialamatkan konten.
Bekerja dari ANN
Dalam diagram topologi yang ditunjukkan, setiap panah mewakili hubungan antara dua neuron dan menunjukkan jalur aliran informasi. Setiap koneksi memiliki bobot, bilangan bulat yang mengontrol sinyal antara dua neuron.
Jika jaringan menghasilkan keluaran "baik atau diinginkan", tidak perlu menyesuaikan bobot. Namun, jika jaringan menghasilkan keluaran "buruk atau tidak diinginkan" atau kesalahan, maka sistem mengubah bobot untuk meningkatkan hasil selanjutnya.
Machine Learning di ANN
JST mampu belajar dan perlu dilatih. Ada beberapa strategi pembelajaran -
Supervised Learning- Ini melibatkan seorang guru yang lebih terpelajar daripada JST itu sendiri. Misalnya, guru memberikan beberapa contoh data yang jawabannya sudah diketahui oleh guru.
Misalnya, pengenalan pola. ANN muncul dengan tebakan saat mengenali. Kemudian guru memberikan JST dengan jawabannya. Jaringan kemudian membandingkan tebakannya dengan jawaban “benar” guru dan membuat penyesuaian berdasarkan kesalahan.
Unsupervised Learning- Diperlukan jika tidak ada kumpulan data contoh dengan jawaban yang diketahui. Misalnya, mencari pola tersembunyi. Dalam hal ini, clustering yaitu membagi satu set elemen menjadi beberapa kelompok menurut pola yang tidak diketahui dilakukan berdasarkan set data yang ada.
Reinforcement Learning- Strategi ini dibangun di atas observasi. JST membuat keputusan dengan mengamati lingkungannya. Jika observasi negatif, jaringan menyesuaikan bobotnya untuk dapat membuat keputusan lain yang diperlukan di lain waktu.
Algoritma Propagasi Balik
Ini adalah algoritma pelatihan atau pembelajaran. Ia belajar dengan memberi contoh. Jika Anda mengirimkan ke algoritme contoh tentang apa yang Anda ingin jaringan lakukan, bobot jaringan akan berubah sehingga dapat menghasilkan keluaran yang diinginkan untuk masukan tertentu saat menyelesaikan pelatihan.
Jaringan Propagasi Balik ideal untuk Pengenalan Pola dan Tugas Pemetaan sederhana.
Bayesian Networks (BN)
Ini adalah struktur grafis yang digunakan untuk merepresentasikan hubungan probabilistik di antara sekumpulan variabel acak. Jaringan Bayesian juga disebutBelief Networks atau Bayes Nets. Alasan BN tentang domain yang tidak pasti.
Dalam jaringan ini, setiap node mewakili variabel acak dengan proposisi tertentu. Misalnya, dalam domain diagnosis medis, kanker simpul mewakili proposisi bahwa pasien menderita kanker.
Tepi yang menghubungkan node mewakili ketergantungan probabilistik di antara variabel acak tersebut. Jika dari dua node, satu mempengaruhi yang lain maka mereka harus langsung terhubung ke arah efeknya. Kekuatan hubungan antar variabel diukur dengan probabilitas yang terkait dengan setiap node.
Hanya ada satu kendala pada busur di BN yang tidak dapat Anda kembalikan ke simpul hanya dengan mengikuti busur terarah. Karenanya BN disebut Graf Asiklik Terarah (DAGs).
BN mampu menangani variabel multinilai secara bersamaan. Variabel BN terdiri dari dua dimensi -
- Rentang preposisi
- Probabilitas diberikan ke masing-masing preposisi.
Pertimbangkan himpunan hingga X = {X 1 , X 2 ,…, X n } variabel acak diskrit, di mana setiap variabel X i dapat mengambil nilai dari himpunan hingga, dilambangkan dengan Val (X i ). Jika terdapat keterkaitan langsung dari variabel X i ke variabel X j , maka variabel X i akan menjadi induk dari variabel X j yang menunjukkan ketergantungan langsung antar variabel.
Struktur BN ideal untuk menggabungkan pengetahuan sebelumnya dan data yang diamati. BN dapat digunakan untuk mempelajari hubungan sebab akibat dan memahami berbagai domain masalah dan untuk memprediksi kejadian di masa depan, bahkan jika ada data yang hilang.
Membangun Jaringan Bayesian
Seorang insinyur pengetahuan dapat membangun jaringan Bayesian. Ada sejumlah langkah yang perlu diambil insinyur pengetahuan saat membangunnya.
Example problem- Kanker paru-paru. Seorang pasien menderita sesak napas. Dia mengunjungi dokter, mencurigai dia menderita kanker paru-paru. Dokter tahu bahwa selain kanker paru-paru, ada berbagai kemungkinan penyakit lain yang mungkin diderita pasien seperti tuberkulosis dan bronkitis.
Gather Relevant Information of Problem
- Apakah pasien perokok? Jika ya, maka kemungkinan besar terkena kanker dan bronkitis.
- Apakah pasien terpapar polusi udara? Jika ya, polusi udara seperti apa?
- Mengambil X-ray positif X-ray akan mengindikasikan TB atau kanker paru-paru.
Identify Interesting Variables
Insinyur pengetahuan mencoba menjawab pertanyaan -
- Node mana yang akan diwakili?
- Nilai apa yang bisa mereka ambil? Di negara bagian mana mereka bisa?
Untuk saat ini mari kita pertimbangkan node, dengan hanya nilai diskrit. Variabel harus mengambil salah satu dari nilai-nilai ini dalam satu waktu.
Common types of discrete nodes are -
Boolean nodes - Mereka mewakili proposisi, mengambil nilai biner TRUE (T) dan FALSE (F).
Ordered values- Node Polusi mungkin mewakili dan mengambil nilai dari {rendah, sedang, tinggi} yang menggambarkan derajat keterpaparan pasien terhadap polusi.
Integral values- Sebuah node bernama Age mungkin merepresentasikan usia pasien dengan kemungkinan nilai dari 1 hingga 120. Bahkan pada tahap awal ini, pilihan modeling sedang dibuat.
Node dan nilai yang mungkin untuk contoh kanker paru -
| Nama Node | Tipe | Nilai | Pembuatan Node |
|---|---|---|---|
| Polusi | Biner | {RENDAH, TINGGI, SEDANG} |
|
| Perokok | Boolean | {BENAR, CEPAT} | |
| Kanker paru-paru | Boolean | {BENAR, CEPAT} | |
| Sinar-X | Biner | {Positif negatif} |
Create Arcs between Nodes
Topologi jaringan harus menangkap hubungan kualitatif antar variabel.
Misalnya, apa yang menyebabkan seorang pasien menderita kanker paru-paru? - Polusi dan merokok. Kemudian tambahkan busur dari node Pollution dan node Smoker ke node Paru-Kanker.
Begitu pula jika pasien menderita kanker paru-paru, maka hasil rontgen akan positif. Kemudian tambahkan busur dari node Lung-Cancer ke node X-Ray.
Specify Topology
Secara konvensional, BN ditata sedemikian rupa sehingga busur mengarah dari atas ke bawah. Himpunan node induk dari node X diberikan oleh Parents (X).
The Lung-Kanker node memiliki dua orang tua (alasan atau sebab-sebab): Polusi dan Perokok , sementara simpul Perokok adalahancestordari node X-Ray . Demikian pula, X-Ray adalah anak (konsekuensi atau efek) dari Kanker Paru-paru node dansuccessornode Perokok dan Polusi.
Conditional Probabilities
Sekarang mengukur hubungan antara node yang terhubung: ini dilakukan dengan menentukan distribusi probabilitas bersyarat untuk setiap node. Karena hanya variabel diskrit yang dipertimbangkan di sini, ini mengambil bentuk aConditional Probability Table (CPT).
Pertama, untuk setiap node kita perlu melihat semua kemungkinan kombinasi nilai dari node induk tersebut. Setiap kombinasi tersebut disebutinstantiationdari set induk. Untuk setiap contoh yang berbeda dari nilai node induk, kita perlu menentukan probabilitas yang akan diambil oleh anak.
Misalnya, orang tua kanker paru-paru adalah Polusi dan Merokok. Mereka mengambil kemungkinan nilai = {(H, T), (H, F), (L, T), (L, F)}. CPT menentukan probabilitas kanker untuk masing-masing kasus ini sebagai <0,05, 0,02, 0,03, 0,001> masing-masing.
Setiap node akan memiliki probabilitas bersyarat yang terkait sebagai berikut -
Aplikasi Jaringan Neural
Mereka dapat melakukan tugas-tugas yang mudah bagi manusia tetapi sulit untuk mesin -
Aerospace - Autopilot pesawat, deteksi kesalahan pesawat.
Automotive - Sistem panduan mobil.
Military - Orientasi dan kemudi senjata, pelacakan target, diskriminasi objek, pengenalan wajah, identifikasi sinyal / gambar.
Electronics - Prediksi urutan kode, tata letak chip IC, analisis kegagalan chip, visi mesin, sintesis suara.
Financial - Penilaian real estat, penasihat pinjaman, pemeriksaan hipotek, peringkat obligasi perusahaan, program perdagangan portofolio, analisis keuangan perusahaan, prediksi nilai mata uang, pembaca dokumen, penilai aplikasi kredit.
Industrial - Kontrol proses manufaktur, desain dan analisis produk, sistem pemeriksaan kualitas, analisis kualitas pengelasan, prediksi kualitas kertas, analisis desain produk kimia, pemodelan dinamis sistem proses kimia, analisis perawatan mesin, penawaran proyek, perencanaan, dan manajemen.
Medical - Analisis sel kanker, analisis EEG dan EKG, desain prostetik, pengoptimal waktu transplantasi.
Speech - Pengenalan ucapan, klasifikasi ucapan, konversi teks ke ucapan.
Telecommunications - Kompresi gambar dan data, layanan informasi otomatis, terjemahan bahasa lisan waktu nyata.
Transportation - Diagnosis sistem Rem Truk, penjadwalan kendaraan, sistem perutean.
Software - Pengenalan Pola dalam pengenalan wajah, pengenalan karakter optik, dll.
Time Series Prediction - JST digunakan untuk membuat prediksi tentang saham dan bencana alam.
Signal Processing - Jaringan saraf dapat dilatih untuk memproses sinyal audio dan memfilternya dengan tepat di alat bantu dengar.
Control - JST sering digunakan untuk membuat keputusan kemudi kendaraan fisik.
Anomaly Detection - Karena ANN ahli dalam mengenali pola, mereka juga dapat dilatih untuk menghasilkan keluaran ketika terjadi sesuatu yang tidak biasa yang tidak sesuai dengan pola.