Jaringan Syaraf Tiruan [2]: Model McCulloh-Pitts dan Hebb
Summary
TLDRThe video introduces neural networks, starting with the McCulloch-Pitts model, developed in 1943, highlighting its activation functions and limitations. It explains how the model works for simple logic functions like AND and OR but struggles with complex inputs. The Hebbian learning model is introduced as an enhancement, adding a bias term and enabling supervised learning through weight adjustments. The video also demonstrates how these models can recognize patterns, such as letters, using bipolar data and supervised learning. It concludes by encouraging further exploration of neural networks through training and testing methods.
Takeaways
- 🧠 The video begins by discussing basic neural networks and the progression to different models used in AI.
- 👨🔬 The first model introduced is the McCulloch-Pitts model, proposed in 1943 by Warren McCulloch and Walter Pitts, often referred to as Threshold Logic Neurons (TLN).
- ⚙️ One of the key limitations of the McCulloch-Pitts model is that it requires manual adjustment of weights and thresholds, which limits its application in complex problems.
- 🔢 The McCulloch-Pitts model uses binary inputs and can handle simple logic gates like AND and OR functions, but fails with non-binary or multi-input problems.
- 🔄 To improve the McCulloch-Pitts model, the Hebbian learning model was introduced, which automates weight and bias adjustments during training.
- 💡 Hebbian learning is a supervised learning model proposed by Donald Hebb in 1949, and it enhances the neural network by adjusting weights and biases based on inputs and outputs.
- ⚖️ The Hebbian model introduces bias values in addition to weights, and these are adjusted continuously until the desired output matches the target.
- 🔍 A sample application of the Hebbian model involves binary inputs with values such as +1 and -1, allowing the network to learn patterns like logic gates and classify complex data.
- ✍️ The video explains how to train and test the Hebbian model for pattern recognition, including training the network to recognize shapes like 'T' and 'O' using matrix representation.
- 📊 The script emphasizes the importance of initializing weights and biases in the Hebbian model before training and continuously adjusting them to improve accuracy in pattern recognition.
Q & A
What is the main characteristic of the McCulloch-Pitts model?
-The main characteristic of the McCulloch-Pitts model is its use of a threshold activation function. The weights and threshold values are always constant, and it is primarily used for simple logical functions.
What is a key limitation of the McCulloch-Pitts model?
-A key limitation of the McCulloch-Pitts model is that it requires manual adjustment of weights through trial and error, making it inefficient for complex problems with more than two inputs or non-binary data.
For what type of logic functions can the McCulloch-Pitts model be used?
-The McCulloch-Pitts model can be used for simple logic functions such as AND and OR, as demonstrated through truth tables in the script.
How does the Hebb model differ from the McCulloch-Pitts model?
-The Hebb model differs from the McCulloch-Pitts model by introducing a bias and utilizing supervised learning. It updates the weights and biases automatically based on learning, which improves its ability to handle more complex tasks.
What is the primary purpose of the bias in the Hebb model?
-The primary purpose of the bias in the Hebb model is to adjust the neuron's output by adding a constant value to the weighted sum of inputs, ensuring the output aligns with the target values.
How are weights updated in the Hebb model?
-In the Hebb model, weights are updated continuously by adding the product of the input value and the target output to the current weight. This process continues until the desired output is achieved.
What kind of data representation is used in the Hebb model?
-The Hebb model uses bipolar data representation, where input and output values can be either +1 or -1, rather than binary (0 or 1).
What example is given to demonstrate the Hebb model's learning process?
-An example provided is the learning of the AND logic function using bipolar input representation. The weights and biases are adjusted for four different data points to achieve the correct output.
What is the significance of the pattern recognition task in the Hebb model?
-The pattern recognition task illustrates how the Hebb model can be used to identify specific shapes or patterns (e.g., 'T' and 'P' shapes) by training the model to recognize patterns using bipolar representation.
What is the final result of testing the Hebb model on new input patterns?
-The final result of testing the Hebb model is that it successfully recognizes the third pattern as being more similar to the 'T' shape from the training set, demonstrating the model's ability to generalize from learned patterns.
Outlines
🤖 Introduction to Micro and Fit Models in Neural Networks
The paragraph begins with an introduction to neural networks, focusing on two models: the micro and fit models. The discussion covers the foundational model proposed by Warren McCulloch and Walter Pitts in 1943, known as the McCulloch-Pitts model, or 'threshold logic neuron.' This model uses fixed weights and thresholds, leading to limitations, especially with complex problems involving more than two non-binary inputs. A key example provided is the logical AND function, with a table outlining the truth values. Adjustments to threshold values are discussed to match expected output, highlighting the trial-and-error nature of the model.
🧠 The Hebb Model and Supervised Learning
This paragraph introduces the Hebb model, another foundational neural network model, which employs supervised learning. Unlike the McCulloch-Pitts model, it incorporates bias in addition to weights. The paragraph explains the continuous adjustment of weights and biases to better align outputs with expected values. The Hebb model operates under the premise of supervised learning, where outputs are adjusted to match known targets. The example provided shows how the Hebb model refines its weights and biases through iterations, demonstrating the learning process with inputs and logical functions.
🔄 Weight and Bias Adjustments in Hebb Model
The focus of this paragraph is on the iterative process of updating weights and biases in the Hebb model. It walks through how data from previous iterations are used to calculate new weights and biases. The calculation examples use logical functions, starting with initialization (setting weights and biases to zero) and then progressively updating them. The paragraph provides a detailed breakdown of how each input affects weight adjustments, showcasing the step-by-step process to fine-tune the model for accuracy.
🔍 Detailed Example of Training with Hebb Model
This paragraph presents an extended example of training the Hebb model using specific input patterns, such as logical AND and OR functions. It explains how each input pair, along with their associated weights and biases, leads to progressively refined calculations. The process of matching the calculated output to the expected output is emphasized, demonstrating how continuous learning occurs. The paragraph also highlights that the model’s learning is gradual and relies on repeated adjustments of the parameters.
🖼️ Recognizing Patterns with Hebb Model
The final paragraph shifts focus to pattern recognition using the Hebb model. The example provided shows how the model can be trained to recognize simple visual patterns, such as letters 'T' and 'O,' using a 3x3 grid. Each element of the grid is assigned a bipolar value (1 or -1) to represent the pattern, and the model adjusts its weights and biases based on these inputs. The paragraph concludes by explaining how the model can be used for more complex pattern recognition tasks and provides a closing remark about its effectiveness in supervised learning tasks.
Mindmap
Keywords
💡Neural Network
💡Micro-David Model
💡Hebbian Learning
💡Activation Function
💡Weights
💡Bias
💡Logical Gates (AND, OR)
💡Supervised Learning
💡Bipolar Input
💡Pattern Recognition
Highlights
Introduction to the concept of artificial neural networks and a discussion on common models like micro and Hebbian networks.
The McCulloch-Pitts model, introduced in 1943, is one of the earliest artificial neuron models.
The McCulloch-Pitts neuron uses a fixed activation function and weights that require manual adjustment.
The McCulloch-Pitts model works for simple logical functions like AND, but it struggles with more complex problems or non-binary inputs.
The model uses binary inputs and outputs, often relying on trial and error to set weights.
Activation functions like the threshold function are commonly used in simple McCulloch-Pitts neurons.
The Hebbian model, introduced later, improves upon the McCulloch-Pitts by incorporating a bias term and learning over time.
Unlike McCulloch-Pitts, Hebbian learning updates weights automatically instead of manually.
Hebbian learning uses supervised training, continually adjusting weights and bias based on errors.
An example of the Hebbian model demonstrates its use with bipolar data and logic functions like AND.
The Hebbian learning rule updates both weights and bias after each input based on the target.
In the Hebbian model, weight and bias updates continue until the output matches the desired target.
Further refinement in the Hebbian model involves more complex architectures for larger problems and patterns.
The Hebbian model can be applied for pattern recognition, exemplified by recognizing two distinct patterns.
The Hebbian model’s ability to recognize patterns is demonstrated through comparison with neural inputs and learning outputs.
Transcripts
Halo assalamualaikum warahmatullahi
wabarakatuh dari konsep dasar jaringan
syaraf tiruan kita akan melanjutkan
materi kali ini dengan membahas contoh
model yang banyak digunakan adalah model
mikro dan Fit serta model Happy yang
akan kita jadikan contoh pembahasannya
ya kita mulai dari model mikropis
terlebih dahulu ya Model neuron pertama
ini diperkenalkan pada tahun 1943 oleh
ahli syaraf wormate.lo serta hidrologika
Walter pitts sering disebut juga dengan
chest Hut logic neuron atau tln karena
salah satu karakteristiknya adalah
menggunakan fungsi aktivasi stressful
bobot dan ambang batasnya selalu sama
pada model neuron ini
b****
Hai kelemahan yang ada pada microwave
ini adalah dia harus menentukan bobot
secara analitik atau cairan er secara
manual jadi harus coba-coba tidak bisa
langsung ketemu sekali coba ya Nah pada
fungsi-fungsi yang sederhana model ini
diterapkan tapi untuk masalah yang lebih
kompleks misalkan ada input yang lebih
dari dua atau inputnya tidak biner maka
cara ini tidak bisa digunakan memerlukan
peningkatan yang lainnya secara
terstruktur arsitektur ini digambarkan
sebagai berikut ada dua buah input untuk
contoh ini di sebelah kiri Ini ada x1
dan x2 yang masing-masing punya bobotnya
mudah Datsun mesin panggilan yaitu
merupakan penjumlahan hasil dari
Perkalian antara input dengan bobotnya
kemudian dihitung menggunakan sebuah
fungsi aktivasi tertentu ya maka
ketahuan outputnya ada berapa Oke contoh
dari penerapan mikro dan b ini adalah
untuk mengenali fungsi logika n dan
kalau teman-teman sudah sangat familiar
ini adalah tabel kebenaran untuk jika
n-nya jadi 003 01 n1700 dan satu ya Nah
kita menggunakan tabel ini sebagai
perhitungan selanjutnya yang pertama
adalah ini 006 tadi outputnya itu adalah
001 adalah 010 adalah 0 dan 1 M1 adalah
satu nah dalam hal ini kita harus
melakukan penyesuaian agar nilai ini
bisa kita peroleh sehingga kita harus
memastikan bahwa nilai perhitungan ini
nanti sesuai dengan target yang
diharapkan pada tabel kebenaran
sebelumnya nah kah kita belum menerapkan
sebuah ambang batas di dalamnya ya
sehingga kita akan melakukan perhitungan
bahwa outputnya ini harus sesuai dengan
target
awal tadi ya pada tabel kebenaran fungsi
n sehingga kita akan menggunakan nilai
derajat ambang batasnya adalah dua di
sini ya teman-teman Bisa kok merubah
ambang batasnya dengan angka-angka yang
berlainan untuk mempermudah Bagaimana
pemahaman tentang model mikropis ini
ditekankan ya caranya Tebet meledak
Netter nah selain fungsi ligga-n kita
bisa menerapkan fungsi logika or untuk
model neuron mikro dan baiknya para itu
tabel gambar hanyalah sebagai berikut
yaitu outputnya adalah 011 dan satu
untuk masing-masing input x1 dan x2 yang
diberikan ya jadi agar hasil output
nanti untuk perhitungan antara nilai x
Oh ya dengan W1 ditambahkan dengan X2
dan G2 itu adalah sesuai dengan
targetnya tadi ada 011 dan satu maka
nilai ini harus kita atur terlebih
dahulu
yo yah jadi nggak kita akan menerapkan
sebuah fungsi aktivasi Trafford dengan
nilai ambang nya adalah satu jadi kalau
untuk Senin siang tadi adalah dua kalau
untuk muncul adalah satu nah untuk lebih
mudah dalam menentukan silahkan kalian
ganti dengan angka yang kalian kehendaki
ya ini salah satu hal yang menyebabkan
hidropik itu punya kelemahan karena dia
harus menggunakan Thailand er tidak bisa
salat tidak selalu bisa menghasilkan
hasil yang diinginkan dengan sekali coba
perlu proses yang belajar yang lebih
banyak lagi
yo yah nah selain model micro David kita
punya model help ya atau yang dikenal
dengan Febian Tool dan sejenisnya ya
model HP ini diusulkan oleh download
holding her pada 9496 tahun setelah
metode micrographic ini ditemukan dia
bisa disebut sebagai metode pengembangan
ya dan model ini merupakan jaringan
tertua yang menggunakan pembelajaran
terawasi ya atau supervisor
Hai nah pembelajaran ini dilakukan
dengan melakukan perbaikan bobok dan
pihak secara berkala atau kontinu nya
teman-teman kita pelajari bersama dengan
menentukan bobot dan bias lagi tidak
menggunakan Thailand er melainkan
menggunakan perhitungan secara otomatis
ya kita akan belajar ini sebagai contoh
dari model have nah tidak terlalu jauh
berbeda dari jaringan micro David model
head ini hanya menambahkan satu buah
nilai disebut dengan bias ya Sehingga
perhitungan untuk semakin function ini
tinggal ditambahkan dengan pria
Oh ya masih sama yaitu nya menggunakan
William tamat dan nilai fungsi akibatnya
nanti-nanti tidurkan dengan perhitungan
agar inputnya ini nanti bisa masukkan
output yang valid atau bersesuaian Nah
kita menggunakan contoh ya pada model
help untuk algoritmanya prosesnya adalah
seperti ini pertama melakukan
inisialisasi bobok dan hias biasanya
juga digunakan adalah nol ya bobot
berapa pun pada head ini biasanya
menggunakan bobot nol dan bias
menggunakan not ya Kalau tadi pada
microdash tidak memiliki bias pada model
head kita memiliki bias ya Nah kemudian
dilakukan perhitungan set aktivasi untuk
input dan output ya Ada nilai x di sini
biar kelihatan mengenal nilai-nilai yang
lainnya sebagai waktu di sini Kemudian
pada proses model head ini ada yang
namanya proses perbaikan bobot serta
proses perbaikan bias yang tadi
disebutkan diawal ya perbaikan Ubud
ini depan secara kontinu atau
terus-menerus sampai hasil akhirnya
adalah sesuai dengan target yang
diharapkan Oke kita punya contoh yang
ketiga Buatlah model head menggunakan
logika kepada logika n jika representasi
input dan outputnya adalah bipolar ya
Jadi pada jaringan head model head itu
data representasi data yang digunakan
adalah bipolar ya dia bisa menggunakan
kinerja dipenuhi pula terjadi kasus ini
kita menggunakan pola dan contoh
selanjutnya akan menggunakan digelar
juga ya Nah kalau ada dua buah input x1
dan y1 ya fungsinya adalah seperti ini
ya menggunakan fungsi logika n maka
outputnya adalah seperti ini dan 10 11
dan 16 kalau tidak sama dengan nilai ini
berarti kita harus menentukan fungsi
aktivasinya secara benar agar outputnya
adalah = G target sebelah sini ya
Hai maka kita akan melakukan proses
perhitungan untuk data yang pertama
karena ada empat input kita akan
menggunakan masing-masing input sebagai
data masing-masing ada data1 data2
gantikan dengan rata 4 kita mulai dari
data yang pertama Ya pertama yang
dilakukan adalah inisialisasi bobok dan
bias lebih dahulu sebagaimana disebutkan
bahwa biasanya di awal perhitungan itu
bobotnya agak nol termasuk dengan
biasanya data yang pertama adalah buat
pertama adalah min 1 buat kedua max1
adalah min 1 e261 serta target kita
adalah min 1 ya disebutkan di sebelah
sini Kemudian untuk melakukan perubahan
kode kiat-kita melakukan secara kontinu
ya persamaannya adalah seperti ini untuk
mencari bobot yang baru yang digunakan
adalah pupuk yang lama ditambahkan
Perkalian antara nilai x data tersebut
dikalikan dengan nilai Y atau target
yang bersesuaian ya Jadi kalau
teman-teman lihat ya bobot yang lama itu
adalah bobot yang diawali Nikita
definisikan
dulu ya ini adalah untuk B1 kemudian
nilai X1 ini ya asalnya adalah dari sini
yang kita highlight dengan warna berbeda
disini muda nilainya hingga target
sebagaimana disebutkan diatas di sini ya
adalah Mini satu kalau dihitung bobot
yang satu ini hasil akhirnya adalah satu
Jono tempat yang dunia jelasnya adalah
satu berdasarkan perhitungan yang sudah
dilakukan dan selain bobot kita harus
memperbarui bias juga biasanya dihitung
dengan menjumlahkan bias yang lama di
awalnya adalah nol ditambahkan dengan
targetnya yaitu minyak satu untuk data
yang pertama sehingga diperoleh 11 dan
12 untuk B1 B2 serta untuk bias pada
data yang pertama nah angka ini ya wis
satu ini W2 ini dan pihak ini akan kita
gunakan untuk
Hai melakukan perhitungan data yang
kedua jadi data yang kedua ini tidak
lagi menggunakan bobok dan biasa awal
tapi bobok dalam hias Jati data yang
pertama begitu seterusnya ya angka
111611 dan satunya meminta gunakan untuk
data yang kedua sebagai berikut ya Ada
inputnya adalah mint 11 dan terkecil
adalah min 1 nantikan ini adalah bobot
yang lama ya yang kita peroleh dari data
pertama tadi ya serta ini adalah biak
yang sebelumnya sudah kita perhitungkan
maka diperoleh pada kedua bobot baru
untuk B1 B2 baru serta bias yang baru 20
dan mint dua yang kita gunakan untuk
melakukan perhitungan pada data yang
ketiga ya sebagai berikut ya makan kita
akan peroleh nilai inputnya adalah satu
min 1 dan targetnya adalah min 1
sehingga perhitungan dari berubah gudang
diyakini adalah 11 dan mint 311
menjaganya
gunakan untuk datang ke 4nya ditemenin
bisa cek ini adalah satu ini adalah satu
dan biasanya adalah minus 3 sehingga
diperoleh untuk dari akibat ini ya bobot
akhirnya adalah 22 serta biasa akhir
untuk data Three kita adalah minus
hai oke Nah dari sini kita peroleh
angkanya adalah sebagai berikut
Hai kau dimasukkan dalam perhitungan ini
ya Perkalian antara nilai x dengan
bobotnya ditambahkan dengan bias
masing-masing ya ini adalah berita yang
diperoleh sebelumnya adalah 22 serta
minggu aku ini adalah hasil akhir dari
data yang keempat tadi ya jadi Sudah
sudah ketemu dengan bobot 12 serta biar
Tahir makan itu digunakan untuk menguji
data masukkan hasilnya adalah seperti
ini ada min 6 min 2 min 2 dan 2 Nah agar
nilai ini sesuai dengan target atau
output yang diharapkan maka kita bisa
mengatur fungsinya itu dress code nya
adalah min 1 dan
Oh ya bagaimana caranya ya karena 66 ini
kalau efeknya adalah min 6 ya mee6 itu
tentu kurang dari nol ya hingga Nyonya
adalah min 1 kemudian kalau kalian
perhatikan ini adalah minus 2 juga Sama
ini juga kurang dari nol Sehingga ini
adalah min 1 Bagaimana dengan dua kalau
dunia dua itu Berarti kan nilainya lebih
besar sama dengan nol Ya enggak ya Jadi
untuk F2 kan Aduh ini lebih besar sama
dengan nol berarti nilainya adalah satu
gitu maksud cara menggunakan fungsi
aktivasi
Hai tidak ha oke kita pakai contoh yang
lebih bervariasi lagi kalau ini adalah
untuk mencari logika and dan or ya tadi
di awal untuk selanjutnya model HP ini
kita gunakan untuk melakukan pengenalan
pola ya dasar dari pengelola kurang
lebih adalah seperti ini ya kita punya
contoh
Hai dua buah pola yang menyerupai huruf
t dan huruf ya kita misalkan pola yang
pertama ini adalah mirip dengan huruf t
pola yang kedua ini adalah kita buat
serupa dengan huruf poems akan begini ya
Nah kita diminta untuk menggunakan model
HP ini untuk melalui pola kedua buah
karakter tidak ini ya Nah yang pertama
dilakukan apabila ada soal seperti ini
adalah melakukan representasi data pada
model head menggunakan bipolar satu dan
min 1 ya kemudian masing-masing elemen
pada pola tadi kita coba reversal ikan
menggunakan nilai keluar tadi misalkan
kalau bagian yang dituliskan menggunakan
tanda seperti ini ya eh tanda pagar
seperti ini adalah Sabtu kalau tadi yang
bentuknya lingkaran atas seperti huruf o
itunya adalah minus 1 maka kita kemudian
akan mengubah
Hai pola tadi menjadi matriksnya
kuburannya adalah tiga kali tiga pola
yang pertama akan kita Ubah menjadi
matriks ukurannya tiga kali tiga segi
matematika lihat ya jadi akan ada 9x ada
X1 = x 9 masing-masingnya bersesuaian
dengan 111611 mint 1611 dan N1 karena
tadi cerita tetapkan di atas ya jika
bergambar seperti nilainya adalah 1
kalau berupa lingkaran tahun punya
dengan minum satu target untuk pola yang
pertama ini adalah satu ya jadi nanti
kita matikan bahwa outputnya adalah
sudah dengan target dan hal yang sama
kita lakukan untuk pola yang kedua ya
yang berbeda adalah pola keduanya
targetnya dalam 51 ya representasi
datanya masih menggunakan Polmed 1 dan
hai oke nah pada model have dan
model-model yang lebih lanjut setelah
Happy itu ada dua proses yang dilakukan
pertama adalah tahap training atau
pelatihan ya yang pertama dalam tahap
Teknik ini kita akan melakukan
inisialisasi bobot dan bias terlebih
dahulu ya maka dari tahap yang pertama
ini kita akan menentukan bobotnya untuk
9 input menjadi dengan 9 bobot yang
bersesuaian ini hasilnya adalah nol
tampias untuk nilai yang diketahui
adalah nol ya jadi bobot ideal sama
dengan input jumlahnya tapi kalau
biasanya satu ya pada model Happy Nah
kalau sudah kita lakukan perubahan UU
dan bias untuk pola yang pertama
persamaannya adalah sama ya Kita akan
menggunakan perubahan bobot itu adalah
bobot yang baru diperoleh dengan cara
menjumlahkan bobot yang lama dengan
Perkalian antara nilai x dengan
targetnya dia Misalkan X1 ini ya
grafiknya adalah X1 ini yaitu adalah
satu dan targetnya ini ya dianya ini
adalah Y yang ada di bawah alias satu ya
sehingga kalau temen-temen lihat ya
nilai bobot awal ini adalah dari
inisialisasi yang pertama Ya X1 adalah
satu karena dari matriksnya begitu dan
target kita adalah satu maka untuk buat
yang pertama hasilnya adalah satu begitu
seterusnya sampai dengan boot yang ke-9
ini adalah bobot ke-9 di inisial tadi
adalah nol ini disini kemudian ada nilai
x untuk x 9 itu adalah minus 1 dan
target kita Nyonya adalah satu maka
diterapkan di sini hingga akhirnya
adalah 111 dan seterusnya Sedangkan
untuk bias itu adalah penjumlahan dari
bias yang lama yaitu nol diawal tadi
ditambahkan dengan target kita yaitu = 1
hingga ketemunya adalah
Hai nah nilai ini kemudian akan kita
gunakan untuk melakukan proses perubahan
ruko dan bias pada pola yang kedua jadi
pola yang kedua nanti kita tidak
menggunakan ke ini lagi tapi sudah
menggunakan bobot dan kiat hasil
perhitungan dari perubahan logo dan bias
untuk pola yang pertama tanah ya Oke
jadi model yang kedua pola yang kedua
kita melakukan perubahan gorden kias
yang menggunakan rumus yang sama
diperoleh angka dua seperti ini agak 020
sampai dengan minus 2 serta bobot hasil
akhir untuk pola yang kedua ini adalah
Oh ya maka kita bisa ringkas bahwa hasil
akhir untuk W1 = we9 itu adalah seperti
ini jadi 0 sampai dengan berdua dia
syairnya adalah 0 nilai ini kita gunakan
untuk melakukan pengujian seluruh data
masukan yang prosesnya digunakan rumus
atau persamaan seperti ini ya tadi
fungsi semakin pensiun di awal ia untuk
arsitektur model Happy itu adalah
merupakan Perkalian antara nilai input
dengan gofoodnya kemudian dijumlahkan
kita mengabadikan biasnya Nah karena
biar kita sama dengan nol maka nilai ini
boleh kita buang sehingga kita hanya
akan melakukan perhitungan untuk
Perkalian antara nilai input X dengan W
yang bersesuaian dengan kita jumlahkan
total seluruhnya ya sehingga akan ketemu
X1 dikalikan W1 ditambahkan dengan itu
dan with 2 KG 2 dan seterusnya sampai
dengan X9 tinggalkan dengan
Oh ya maka diperoleh ini adalah 12 nah
fungsi aktivasi yang kita pakai
Facebooknya adalah 0 dan 0 untuk kurang
dikenal untuk minum satu dan lebih besar
sama dengan nol untuk satu ya kalau
diperhatikan net-nya inilah 12 eh12 ini
ya itu masuk nilainya adalah lebih besar
sama dengan nol sehingga kalau efeknya
12 maka nilai targetnya itu adalah satu
ya sehingga waktu yang diperoleh ini
adalah sama dengan target karena target
untuk pulau yang pertama tadi adalah
satu oke sekarang kalau sudah kita coba
kenali betul upgrade dengan untuk pola
yang kedua
akhir-akhir dari pertemuan tadi
menyatakan bahwa hasil total net-nya
adalah minus 12 dengan fungsi niatnya
dah seperti ini min 1 dan 1 dengan angka
yang sama yaitu 0 dan 0 maka fb12
tetapnya adalah min 1 ya karena 2012
telah kurang dari nol sehingga outputnya
adalah saat adalah minum satu dan Spike
matte mengetahui fungsi output dari
target atau aku dari pola kedua nih
adalah minus 1 sehingga targetnya sudah
diketahui dengan nilai yang sama dengan
output yang dihasilkan ya dengan kata
lain kita bisa mengambil kesimpulan
bahwa model HP ini mampu mengenali pola
dengan baik ya Jadi tetap training atau
pelatihan nya sudah selesai kita selesai
kita kerjakan karena kalau kita lewati
tahap testing proses yang kedua ya
bagaimana kalau kita diminta untuk
menguji pola yang ketiga ini apakah dia
mirip dengan huruf t atau huruf Ra
Nah ya tinggal direpresentasikan pada
matriks yang bersesuaian ya kalau satu
adalah bentuknya lingkaran kalau mencatu
dan Maaf min 1 adalah kalau saya
prestasinya adalah bentuknya lingkaran
kalau satu adalah bentuknya seperti
tanda pagar maka di 9 Nilai input ini
tidak perlu kita lakukan berbulan-bulan
lihat karenanya ada proses pengujian ya
ini tinggal kita masukan kedalam nett ya
maka diperoleh dari 9 input X1 = 9 dan
bobot tadi hasil perhitungan bobot
terakhir ya perubahan gudang bias yang
kedua Jaya kita gunakan di sini tidak
lagi dari awal ya maka hasil akhirnya
adalah 8 dan nilai delapan Ya tuh adalah
masuk pada output sama dengan satu nah
karena delapan itu adalah satu maka
diingat yang targetnya itu adalah satu
itu adalah huruf t sehingga pola yang
ketiga ini lebih dikenali menyerupai
Guruh t ya atau pola yang pertama
Bagaimana bisa diikuti kalau masih belum
hilangkan temen-temen latihan
menggunakan pola yang di Kompleks ini
ukurannya adalah lima kali jumlah Jadi
ada lima kali lima input ya ada aku
berintervensi tada biar tapi rasanya kok
ada inisialisasi bobot dulu yang pertama
kemudian diikuti dengan perubahan
kebodohan ya kemudian ada dua pola
berarti nanti hasil output dari bobot
dan bias pola kedua akan kita gunakan
untuk pengujian nah pola ketika ini yang
kita jadikan sebagai nilai yang akan
diujikan Apakah dia lebih mirip pola
yang pertama atau pola yang kedua kalau
bisa Al belum ada output yang ditentukan
maka temen-temen silahkan Tentukan
outputnya atau targetnya dalam hal ini
maaf ya yang ditekan dengan m y disini
terlebih dahulu menggunakan representasi
data nilai Dipo
Oh ya misalkan proyek pertamanya adalah
diganti deh min 1 Sedangkan pola yang
keduanya adalah satu silakan tapi ini
bukan nilai mutlak atau mau teman-teman
menggunakan otot yang samar untuk pola
ke-11 dan pula kedua minyak juga boleh
ya Intinya kalau misal belum ada nilai
outputnya maka teman-teman silakan
Tentukan targetnya terlebih dahulu
menggunakan data bipolar Apakah satu
atau N1 itu caranya ya silakan dilanjut
dengan belajar dari awal semoga materi
jaringan syaraf tiruan sampai dengan
model HP ini bermanfaat terima kasih
assalamualaikum warahmatullahi
wabarokatuh
5.0 / 5 (0 votes)