Jaringan saraf tiruan (JST) atau sistem koneksionis adalah sistem komputasi yang terinspirasi oleh jaringan saraf biologis yang membentuk otak hewan. Sistem seperti itu belajar (semakin meningkatkan kemampuannya) untuk melakukan tugas dengan mempertimbangkan contoh-contoh, umumnya tanpa pemrograman tugas khusus. Misalnya, dalam pengenalan gambar, mereka mungkin belajar mengidentifikasi gambar yang mengandung kucing dengan menganalisis contoh gambar yang telah secara manual dilabeli sebagai "kucing" atau "tidak ada kucing" dan menggunakan hasil analitik untuk mengidentifikasi kucing di gambar lain. Mereka telah menemukan sebagian besar digunakan dalam aplikasi yang sulit diekspresikan dengan algoritma komputer tradisional menggunakan pemrograman berbasis aturan.
JST didasarkan pada kumpulan unit yang terhubung yang disebut neuron buatan, (analog dengan neuron biologis dalam otak biologis). Setiap koneksi (sinapsis) antara neuron dapat mengirimkan sinyal ke neuron lain. Neuron penerima (postsinaptik) dapat memproses sinyal dan kemudian mengirim sinyal ke neuron hilir yang terhubung dengannya. Neuron mungkin memiliki keadaan, umumnya diwakili oleh bilangan real, biasanya antara 0 dan 1. Neuron dan sinapsis mungkin juga memiliki bobot yang bervariasi ketika pembelajaran berlangsung, yang dapat menambah atau mengurangi kekuatan sinyal yang dikirimnya ke hilir.
Biasanya, neuron diatur dalam lapisan. Lapisan yang berbeda dapat melakukan berbagai jenis transformasi pada inputnya. Sinyal bergerak dari lapisan pertama (input) ke lapisan (keluaran) terakhir, mungkin setelah melintasi lapisan beberapa kali.
Tujuan awal dari pendekatan jaringan saraf adalah untuk memecahkan masalah dengan cara yang sama seperti otak manusia. Seiring waktu, perhatian difokuskan pada pencocokan kemampuan mental tertentu, yang mengarah ke penyimpangan dari biologi seperti backpropagation, atau menyampaikan informasi ke arah sebaliknya dan menyesuaikan jaringan untuk mencerminkan informasi itu.
Jaringan saraf telah digunakan pada berbagai tugas, termasuk visi komputer, pengenalan suara, terjemahan mesin, penyaringan jaringan sosial, permainan papan dan video game dan diagnosa medis.
Pada 2017, jaringan saraf biasanya memiliki beberapa ribu hingga beberapa juta unit dan jutaan koneksi. Meskipun jumlah ini menjadi beberapa urutan besarnya kurang dari jumlah neuron pada otak manusia, jaringan ini dapat melakukan banyak tugas pada tingkat di luar manusia (misalnya, mengenali wajah, bermain "Pergi").
Deep neural network (DNN) adalah jaringan saraf tiruan (JST) dengan beberapa lapisan antara lapisan input dan output. DNN menemukan manipulasi matematis yang benar untuk mengubah input menjadi output, apakah itu hubungan linear atau hubungan non-linear. Jaringan bergerak melalui lapisan-lapisan yang menghitung probabilitas setiap keluaran. Sebagai contoh, DNN yang dilatih untuk mengenali ras anjing akan memeriksa gambar yang diberikan dan menghitung probabilitas bahwa anjing dalam gambar tersebut adalah jenis tertentu. Pengguna dapat meninjau hasil dan memilih probabilitas yang harus ditampilkan jaringan (di atas ambang batas tertentu, dll.) Dan mengembalikan label yang diusulkan. Setiap manipulasi matematis dianggap sebagai lapisan, dan DNN kompleks memiliki banyak lapisan, karenanya dinamai jaringan "dalam".
DNN dapat memodelkan hubungan non-linear yang kompleks. Arsitektur DNN menghasilkan model komposisi di mana objek dinyatakan sebagai komposisi primitif. Lapisan tambahan memungkinkan komposisi fitur dari lapisan bawah, berpotensi memodelkan data kompleks dengan unit lebih sedikit daripada jaringan dangkal yang melakukan hal yang sama.
Arsitektur yang dalam mencakup banyak varian dari beberapa pendekatan dasar. Setiap arsitektur telah menemukan kesuksesan di domain tertentu. Tidak selalu mungkin untuk membandingkan kinerja beberapa arsitektur, kecuali jika mereka telah dievaluasi pada set data yang sama.
DNN biasanya merupakan jaringan feedforward di mana data mengalir dari lapisan input ke lapisan output tanpa mengulang kembali. Pada awalnya, DNN membuat peta neuron virtual dan memberikan nilai numerik acak, atau "bobot", untuk koneksi di antara mereka. Bobot dan input dikalikan dan mengembalikan output antara 0 dan 1. Jika jaringan tidak secara akurat mengenali pola tertentu, suatu algoritma akan menyesuaikan bobotnya. Dengan begitu algoritma dapat membuat parameter tertentu lebih berpengaruh, sampai menentukan manipulasi matematis yang benar untuk sepenuhnya memproses data.
Jaringan saraf berulang (RNNs), di mana data dapat mengalir ke segala arah, digunakan untuk aplikasi seperti pemodelan bahasa. Memori jangka pendek yang panjang sangat efektif untuk penggunaan ini.
Convolutional deep neural networks (CNNs) digunakan dalam visi komputer. CNN juga telah diterapkan pada pemodelan akustik untuk pengenalan suara otomatis (ASR).

Kembali ke atas