ARTIFICIAL NEURAL NETWORK (JARINGAN SYARAF TIRUAN) Teny Handhayani

Transkripsi

1 ARTIFICIAL NEURAL NETWORK (JARINGAN SYARAF TIRUAN) Teny Handhayani

2 LATAR BELAKANG Jaringan syaraf pada sistem Biologi

3 DARI NEURON BIOLOGI KE NEURON BUATAN Dendrite Cell Body Axon

4 DARI NEURON BIOLOGI KE NEURON BUATAN

5 ARTIFICIAL NEURAL NETWORK A network of artificial neurons Characteristics Nonlinear I/O mapping Adaptivity Generalization ability Fault-tolerance (graceful degradation) Biological analogy <Multilayer Perceptron Network>

6 TIPE-TIPE ARTIFICIAL NEURAL NETWORKS Single Layer Perceptron Multilayer Perceptrons (MLPs) Radial-Basis Function Networks (RBFs) Hopfield Network Boltzmann Machine Self-Organization Map (SOM) Modular Networks (Committee Machines)

7 ARSITEKTUR JARINGAN <Multilayer Perceptron Network> <Hopfield Network>

8 FITUR DARI ARTIFICIAL NEURAL NETWORKS Records (examples) need to be represented as a (possibly large) set of tuples of <attribute, value> Nilai output direpresentasikan sebagai nilai diskrit, real, atau vektor Memiliki toleransi terhadap noise data input Time factor Membutuhkan waktu yang lama untuk pelatihan Sekali melalui pelatihan, ANN mampu memrpoduksi output dengan cepat Sulit untuk menginterpretasikan proses prediksi ANN

9 CONTOH APLIKASI NETtalk [Sejnowski] Inputs: English text Output: Spoken phonemes Phoneme recognition [Waibel] Inputs: wave form features Outputs: b, c, d, Robot control [Pomerleau] Inputs: perceived features Outputs: steering control

10 APLIKASI: AUTONOMOUS LAND VEHICLE (ALV) NN learns to steer an autonomous vehicle. 960 input units, 4 hidden units, 30 output units Driving at speeds up to 70 miles per hour ALVINN System Image of a forward - mounted camera Weight values for one of the hidden units

11 APLIKASI: ERROR CORRECTION BY A HOPFIELD NETWORK original target data Corrected data after 10 iterations corrupted input data Corrected data after 20 iterations Fully corrected data after 35 iterations

12 PERCEPTRON AND GRADIENT DESCENT ALGORITHM

13 ARSITEKTUR DARI SEBUAH PERSEPTRON Input: a vector of real values Output: 1 or -1 (binary) Activation function: threshold function NOTE: Perceptron is also called as a TLU (Threshold Logic Unit)

14 HYPOTHESIS SPACE OF PERCEPTRONS Free parameters: weights (and thresholds) Learning: choosing values for the weights Hypotheses space of perceptron learning H { w w ( n 1) n: dimension of the input vector Linear function } f (x) w 0 w x 1 1 w n x n

15 PERCEPTRON AND DECISION HYPERPLANE Perceptron merepresentasikan sebuah hyperplane pada n- dimensional space dari instance (misalnya titik) Output perceptron 1 untuk instance yang terletak pada satu sisi hyperplane dan output -1 untuk instance yang terletak di sisi lainnya Equation for the decision hyperplane: wx = 0. Data positif dan negatif tidak dapat dipisahkan dengan sembarang hyperplane Sebuah perceptron tidak dapat melatih permasalahan pada data linearly nonseparable

16 LINEARLY SEPARABLE V.S. LINEARLY NONSEPARABLE (a) Decision surface for a linearly separable set of examples (correctly classified by a straight line) (b) A set of training examples that is not linearly separable.

17 REPRESENTATIONAL POWER OF PERCEPTRONS Perceptron tunggal dapat digunakan untuk merepresentasikan banyak fungsi boolean AND function: w 0 = -0.8, w 1 = w 2 = 0.5 OR function: w 0 = -0.3, w 1 = w 2 = 0.5 Perceptron dapat merepresentasikan semua fungsi boolean primitif : AND, OR, NAND dan NOR Catatan: Beberapa fungsi tidak dapat direpresentasikan dengan perceptron tunggal contohnya XOR Setiap fungsi boolean dapat direpresentasikan dengan beberapa jaringan perceptron hanya dengan dua level kedalaman One way merepresentasikan fungsi boolean pada bentuk DNF (OR of ANDs)

18 PERCEPTRON TRAINING RULE Note: output value o is +1 or -1 (not a real) Perceptron rule: a learning rule for a threshold unit. Conditions for convergence Training examples are linearly separable. Learning rate is sufficiently small.

19 CONTOH Jika diketahui xi = 0.8, = 0.1, t = 1 dan o = -1 maka wi = (t - o) xi = 0.1 * ( 1 (-1)) * 0.8 = 0.1 * 2 * 0.8 = 0.16

20 LEAST MEAN SQUARE (LMS) ERROR Note: output value o is a real value (not binary) Delta rule: learning rule for an unthresholded perceptron (i.e. linear unit). Delta rule is a gradient-descent rule. Also known as the Widrow-Hoff rule

21 GRADIENT DESCENT METHOD

22 DELTA RULE FOR ERROR MINIMIZATION w i w i w i, w i E w i w ( t o ) x i d D d d id

23 GRADIENT DESCENT ALGORITHM FOR PERCEPTRON LEARNING

24 PROPERTIES OF GRADIENT DESCENT Because the error surface contains only a single global minimum, the gradient descent algorithm will converge to a weight vector with minimum error, regardless of whether the training examples are linearly separable. Condition: a sufficiently small learning rate If the learning rate is too large, the gradient descent search may overstep the minimum in the error surface. A solution: gradually reduce the learning rate value.

25 CONDITIONS FOR GRADIENT DESCENT Gradient descent adalah strategi umum yang penting untuk mencari hipotesis space yang besar atau infinite Kondisi untuk gradient descent search Hypothesis space terdiri atas parameter hipotesis yang kontinue, contohnya bobot pada unit linear Error dapat dibedakan w.r.t parameter hipotesis

26 DIFFICULTIES WITH GRADIENT DESCENT Konvergensi ke local minimum bersifat lambat Jika terdapat banyak local minima pada error surfae, maka tidak ada jaminan bahwa prosedur akan menemukan global minimum

27 PERCEPTRON RULE V.S. DELTA RULE Perceptron rule Thresholded output Konvergen setelah melalui sejumlah iterasi terbatas terhadap hipotesis yang dapat mengklasifikasi data latih dengan benar,data latih linear separable. Hanya dapat digunakan pada data linearly separable Delta rule Unthresholded output.konvergen hanya secara asymtitic menuju error minimum, mungkin membutuhkan waktu yang tak terbatas, tetapi tidak terpaku pada data linearly separable Dapat digunakan untuk data linearly nonseparable

28 MULTILAYER PERCEPTRON

29 MULTILAYER NETWORK AND ITS DECISION BOUNDARIES Wilayah keputusan dari jaringan multilayer feedforward Jaringan dilatih untuk mengenali 1 dari 10 suara vokal yang terjadi pada konteks h_d Input jaringan terdiri atas dua parameter F1 dan F2, diperoleh dari analisis spektral suara. Sepuluh jaringan output berhubungan dengan 10 kemungkinan suara vokal

30 DIFFERENTIABLE THRESHOLD UNIT Sigmoid function: nonlinear, differentiable

31 BACKPROPAGATION (BP) ALGORITHM BP mempelajari bobot untuk jaringan multilayer, diberikan sebuah jaringan dengan sekumpulan unit tetap dan interkoneksi BP memperkerjakan gradien descent untuk mencoba meminimalkan error kuadrat antara jaringan output dan nilai target Dua tahapan pembelajaran: Forwad stage: menghitung output yang diberikan oleh pola x. Backward stage: mengupdate bobot dengan menghitung delta

32 FUNGSI ERROR UNTUK BP E( w ) 1 2 d D k outputs ( t kd o kd 2 ) E defined as a sum of the squared errors over all the output units k for all the training examples d. Error surface can have multiple local minima Guarantee toward some local minimum No guarantee to the global minimum

33 BACKPROPAGATION ALGORITHM FOR MLP

34 Program 1

35 Program 2 PROBLEM DESCRIPTION: Create and view custom neural networks

36

37 Program 3 Classification of linearly separable data with a perceptron

38 TUGAS Ketikkan kode program berikut kemudian cari keluaran program, misalnya: 1. Data input 2. Neural Network Training 3. Feed-forward Neural Network 4. Output 5. Dsb

39 Tugas 1 Classification of a 4-class problem with a perceptron

40 %PROBLEM DESCRIPTION: Perceptron network with 2-inputs and 2-outputs is trained %to classify input vectors into 4 categories

41 Tugas 2 ADALINE time series prediction

42

43 Tugas 3 : Solving XOR problem with a multilayer perceptron

44

45

46 Tugas 4 Classification of a 4-class problem with a multilayer perceptron

47

48

49