Gambar 1. Masalah klasifikasi nonlinear. {i>Function<i} linear tidak bisa
pisahkan semua titik biru dari titik oranye dengan rapi.
"Nonlinear" berarti Anda tidak dapat memprediksi label secara
akurat dengan label
model bentuk \(b + w_1x_1 + w_2x_2\). Dengan kata lain,
"permukaan keputusan" bukanlah garis.
Namun, jika kita melakukan persilangan fitur pada fitur $x_1$ dan $x_2$, kita bisa
kemudian merepresentasikan hubungan nonlinier
antara kedua fitur menggunakan
model linear:
$b + w_1x_1 + w_2x_2 + w_3x_3$ di mana $x_3$ adalah persilangan fitur antara
$x_1$ dan $x_2$:
Gambar 2. Dengan menambahkan persilangan fitur,
x1x2, model linear dapat mempelajari
bentuk hiperbolik yang memisahkan titik biru dari titik oranye.
Sekarang perhatikan {i>dataset<i} berikut ini:
Gambar 3. Masalah klasifikasi nonlinear yang lebih sulit.
Anda mungkin juga ingat Latihan silang fitur
yang menentukan persilangan fitur yang tepat
untuk menyesuaikan model linear dengan data ini
membutuhkan lebih banyak usaha dan eksperimen.
Tetapi bagaimana jika Anda tidak perlu melakukan semua eksperimen itu sendiri?
Jaringan neural adalah kelompok
arsitektur model yang dirancang untuk menemukan
nonlinear
pola yang berbeda
dalam data. Selama pelatihan jaringan neural,
model secara otomatis
mempelajari persilangan fitur yang optimal untuk dijalankan pada data input guna meminimalkan
kerugian.
Di bagian berikut, kita akan melihat lebih dekat cara kerja jaringan neural.
[[["Mudah dipahami","easyToUnderstand","thumb-up"],["Memecahkan masalah saya","solvedMyProblem","thumb-up"],["Lainnya","otherUp","thumb-up"]],[["Informasi yang saya butuhkan tidak ada","missingTheInformationINeed","thumb-down"],["Terlalu rumit/langkahnya terlalu banyak","tooComplicatedTooManySteps","thumb-down"],["Sudah usang","outOfDate","thumb-down"],["Masalah terjemahan","translationIssue","thumb-down"],["Masalah kode / contoh","samplesCodeIssue","thumb-down"],["Lainnya","otherDown","thumb-down"]],["Terakhir diperbarui pada 2024-08-13 UTC."],[[["This module explores neural networks, a model architecture designed to automatically identify nonlinear patterns in data, eliminating the need for manual feature cross experimentation."],["You will learn the fundamental components of a deep neural network, including nodes, hidden layers, and activation functions, and how they contribute to prediction."],["The module covers the training process of neural networks, using the backpropagation algorithm to optimize predictions and minimize loss."],["Additionally, you will gain insights into how neural networks handle multi-class classification problems using one-vs.-all and one-vs.-one approaches."],["This module builds on prior knowledge of machine learning concepts such as linear and logistic regression, classification, and working with numerical and categorical data."]]],[]]