SelanjutnyaSelanjutnya dalam Fondasi AI
Tolok Ukur AI
Teknis
PANDUAN Dasar
Jaringan Syaraf
Jaringan saraf adalah model pembelajaran mesin yang terbuat dari operasi matematika yang terhubung dengan parameter yang dapat disesuaikan.
Dengarkan panduan iniDiceritakan oleh AI · ~3 min
Di halaman ini3 menit membaca
Ikhtisar
Lapisan mengubah masukan menjadi keluaran, dan pelatihan menyesuaikan parameter tersebut untuk meningkatkan kinerja pada tujuan yang dipilih.
Poin-poin utama
- Bobot dan bias adalah parameter yang dipelajari; fungsi aktivasi mengubah hasil antara.
- Propagasi mundur menghitung gradien yang digunakan oleh pengoptimal.
- Aktivasi internal tidak secara otomatis merupakan suatu kemungkinan atau penjelasan.
Menyelam Lebih Dalam
Neuron buatan dasar menggabungkan nilai masukan menggunakan bobot, menambahkan bias, dan menerapkan fungsi aktivasi. Bobot mengontrol seberapa kuat kontribusi setiap masukan. Bias menggeser hasil. Aktivasi nonlinier memungkinkan lapisan merepresentasikan hubungan yang tidak dapat dilakukan oleh tumpukan operasi linier murni. Misalnya, aktivasi ReLU mengembalikan nol untuk masukan negatif dan membiarkan masukan positif tidak berubah. Jaringan dapat menggunakan aktivasi berbeda di lapisan berbeda. Lapisan keluaran dipilih agar sesuai dengan tugas: prediksi numerik tidak diinterpretasikan dengan cara yang sama seperti skor untuk kategori yang memungkinkan. Selama pelatihan, fungsi kerugian membandingkan keluaran dengan hasil yang diinginkan. Propagasi mundur menggunakan aturan rantai untuk menghitung bagaimana parameter mempengaruhi kerugian. Pengoptimal kemudian menggunakan informasi tersebut untuk memperbarui parameter. Propagasi mundur menghitung gradien; ini bukan jaminan bahwa model akan menemukan solusi terbaik atau melakukan generalisasi dengan baik. Analogi otak terbatas. Neuron buatan adalah abstraksi matematis, dan jaringan yang sukses bukanlah bukti adanya pikiran yang mirip manusia. Jaringan yang lebih besar dapat memodelkan hubungan yang rumit, namun juga memerlukan biaya lebih besar untuk menjalankannya, menyesuaikan dengan pola yang tidak relevan, atau gagal ketika kondisi berubah. Bandingkan dengan dasar yang lebih sederhana dan uji contoh di luar data pelatihan.
04Contoh yang berhasil
Hitung satu neuron buatan
Gunakan dua input, 0,8 dan 0,5, dengan bobot 0,6 dan -0,4 dan bias 0,1.
Jumlah tertimbangnya adalah (0,8 × 0,6) + (0,5 × -0,4) + 0,1 = 0,38.
ReLU mengembalikan 0,38. Jika input kedua berubah menjadi 1,5, jumlahnya menjadi -0,02 dan ReLU mengembalikan 0.
Apa yang ditunjukkannya
Perhitungan ilustratif ini adalah salah satu transformasi di dalam jaringan. Nilai 0,38 adalah aktivasi, bukan klaim kepercayaan 38%.
Implementasi Dunia Nyata
Jaringan visi mengubah nilai piksel menjadi fitur yang berguna untuk mengklasifikasikan gambar.
Model bahasa mengubah representasi token menjadi skor yang digunakan untuk menghasilkan token berikutnya.
Jaringan peramalan memetakan pengamatan terkini ke perkiraan numerik yang harus dievaluasi berdasarkan hasil di masa depan.
Mempraktikkannya
Mengapa itu penting
- Keputusan yang lebih jelas. Ini membantu Anda memisahkan klaim teknis yang jelas dari bahasa pemasaran.
- Biaya dan anggaran. Anda dapat mengajukan pertanyaan implementasi yang lebih baik sebelum mengeluarkan uang atau waktu.
- Tim dan alur kerja. Tim dengan pemahaman bersama membuat keputusan produk, kebijakan, dan pembelajaran yang lebih baik.
Hati-hati
- Tim yang berbeda mungkin menggunakan istilah yang sama secara berbeda, jadi tentukan cakupannya sejak dini.
- Tolok ukur dapat terlihat kuat sementara kinerja di dunia nyata tidak merata.
- Mengabaikan kualitas data dan rencana evaluasi sering kali menimbulkan hasil yang rapuh.
Langkah selanjutnya
- Mulailah dengan definisi bahasa sederhana tentang hasil yang Anda butuhkan.
- Pilih satu metrik keberhasilan dan satu kondisi kegagalan sebelum pengujian.
- Jalankan uji coba kecil dengan data yang representatif, bukan kumpulan demo yang disempurnakan.
- Dokumentasikan di mana Neural Networks membantu dan di mana metode yang lebih sederhana lebih baik.
Sumber dan bacaan lebih lanjut
Terus Menjelajah
Buletin gratis
Dapatkan pengarahan AI harian
Tiga cerita AI terverifikasi setiap pagi hari kerja, ditulis dalam bahasa Inggris sederhana. Gratis selamanya, tanpa iklan.
Satu email setiap hari kerja. Berhenti berlangganan dalam satu klik. Kami tidak pernah menjual atau membagikan alamat Anda.
Uji diri Anda sendiri
Ikuti kuis Jaringan Neural
Umpan balik instan untuk setiap jawaban, dan sertifikat yang dapat dibagikan dengan ID yang dapat diverifikasi setelah Anda lulus kursus.
Mendukung pendidikan AI gratis. AI Understanding adalah organisasi nirlaba 501(c)(3) — tanpa iklan, tanpa paywall, selamanya. Berikan sumbangan
Pertanyaan yang sering diajukan
Mengapa jaringan saraf memerlukan fungsi aktivasi?
Fungsi aktivasi nonlinier membiarkan lapisan bertumpuk merepresentasikan hubungan nonlinier. Menumpuk hanya operasi linier akan tetap menghasilkan transformasi linier.
Apakah jaringan saraf yang lebih besar selalu lebih baik?
Tidak. Performa bergantung pada batasan tugas, data, pelatihan, evaluasi, dan penerapan. Parameter yang lebih banyak dapat meningkatkan biaya dan tidak menjamin keluaran yang lebih andal.
Teruslah belajar
Panduan terkait
Panduan lainnya dipilih untuk topik ini