Jaringan saraf tiruan: Perbedaan antara revisi
Konten dihapus Konten ditambahkan
Wiramaswara (bicara | kontrib) |
Wiramaswara (bicara | kontrib) k universal approximator |
||
Baris 2:
'''Jaringan saraf tiruan (JST)''' ([[Bahasa Inggris]]: ''artificial neural network (ANN)'', atau juga disebut ''simulated neural network (SNN)'', atau umumnya hanya disebut ''neural network (NN)''), adalah [[jaringan]] dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan [[jaringan saraf manusia]]. JST merupakan sistem adaptif yang dapat mengubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut. Oleh karena sifatnya yang adaptif, JST juga sering disebut dengan jaringan adaptif.
Secara sederhana, JST adalah sebuah alat pemodelan [[data]] [[statistik]] non-linier. JST dapat digunakan untuk memodelkan hubungan yang kompleks antara input dan output untuk menemukan pola-pola pada data. Menurut suatu teorema yang disebut "teorema penaksiran universal", JST dengan minimal sebuah lapis tersembunyi dengan fungsi aktivasi non-linear dapat memodelkan seluruh fungsi terukur Boreal apapun dari suatu dimensi ke dimensi lainnya.<ref> Kurt Hornik, Maxwell Stinchcombe, Halbert White, Multilayer feedforward networks are universal approximators, Neural Networks, Volume 2, Issue 5, 1989, Pages 359-366, ISSN 0893-6080, <nowiki>http://dx.doi.org/10.1016/0893-6080(89)90020-8</nowiki>. (<nowiki>http://www.sciencedirect.com/science/article/pii/0893608089900208</nowiki>) Keywords: Feedforward networks; Universal approximation; Mapping networks; Network representation capability; Stone-Weierstrass Theorem; Squashing functions; Sigma-Pi networks; Back-propagation networks
</ref>
== Sejarah ==
Baris 14 ⟶ 15:
Secara matematis, ''neuron'' merupakan sebuah fungsi yang menerima masukan dari lapisan sebelumnya <math>g_i(x)</math> (lapisan ke-i). Fungsi ini pada umumnya mengolah sebuah vektor untuk kemudian ditransformasi ke nilai skalar melalui komposisi ''nonlinear weighted sum,'' dimana <math>f(x) = K(\sum_i w_i g_i(x))</math> , K merupakan fungsi khusus yang sering disebut dengan fungsi aktivasi dan w merupakan beban atau ''weight''.
== Lihat pula ==
| |||