Jaringan Syaraf Tiruan [2]: Model McCulloh-Pitts dan Hebb

Summary

The 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

00:00

🤖 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.

05:03

🧠 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.

10:03

🔄 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.

15:04

🔍 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.

20:05

🖼️ 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.

Keywords

💡Neural Network

A neural network is a computational model inspired by the structure of the human brain, consisting of layers of interconnected nodes (neurons). In the video, the speaker discusses artificial neural networks (ANNs) as a key model for solving problems by mimicking biological neural processes. It relates to the theme of the video as the foundation of models like 'Micro-David' and 'Hebb,' which are specific implementations of neural networks.

💡Micro-David Model

The Micro-David model is one of the earliest types of artificial neurons introduced in 1943 by Warren McCulloch and Walter Pitts. It uses fixed weights and a step function as its activation function. In the video, this model is used to explain basic logic gates like AND and OR. Its limitation, as discussed, is that it requires manual tuning of weights, making it impractical for more complex tasks.

💡Hebbian Learning

Hebbian learning is a learning principle based on the idea that 'neurons that fire together, wire together.' It was proposed by Donald Hebb in 1949 and is used in supervised learning models. In the video, this concept is presented as an improvement over the Micro-David model, as it allows the network to adjust weights automatically based on the input and output, making it more adaptive.

💡Activation Function

An activation function in a neural network defines how the weighted sum of the inputs is transformed into the output of a neuron. The video mentions specific activation functions like the 'step function' used in the Micro-David model, and how changing the threshold affects the output of logic gates. The choice of activation function determines the network’s ability to capture non-linear patterns.

💡Weights

Weights are parameters within a neural network that determine the strength of the connection between neurons. In the video, weights are discussed in relation to the Micro-David and Hebb models, where they control how much influence a particular input has on the neuron's output. The video emphasizes how the Micro-David model requires manual adjustment of weights, while the Hebb model adjusts them automatically.

💡Bias

Bias is an additional parameter in a neural network that allows the model to have more flexibility in decision-making. The Hebb model introduces bias, which is not present in the Micro-David model. Bias helps shift the activation function curve and ensures that the model can output the correct result even when inputs are zero, as discussed in the context of logic gate implementation.

💡Logical Gates (AND, OR)

Logical gates are fundamental components of digital systems that process inputs to produce specific outputs, based on rules. In the video, the AND and OR gates are used to demonstrate how the Micro-David and Hebb models perform computations. The AND gate outputs true only when both inputs are true, while the OR gate outputs true when at least one input is true.

💡Supervised Learning

Supervised learning is a machine learning approach where the model is trained using labeled data, meaning the input and the corresponding output are known. In the video, the Hebb model is described as a supervised learning model where weights are updated continuously based on the input-output relationship to minimize error and match the target values.

💡Bipolar Input

Bipolar input refers to representing data using two values, typically +1 and -1, rather than the binary 0 and 1. In the video, bipolar inputs are used in the Hebb model to improve performance in logic gate simulations. The use of bipolar input allows the network to handle more complex patterns and helps in faster convergence of the learning algorithm.

💡Pattern Recognition

Pattern recognition is the ability of a neural network to identify patterns or regularities in input data. The video uses the example of recognizing shapes like 'T' and 'Y' as an application of the Hebb model. The model is trained to distinguish between different patterns by adjusting weights and biases based on the input.

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