Kecerdasan Buatan : Neural Network

Jaringan saraf adalah cara kasar untuk mensimulasikan otak elektronik. Untuk memahami bagaimana jaring saraf bekerja kita harus terlebih dahulu melihat bagaimana otak melakukan bisnisnya. 
Otak kita terdiri dari sekitar 100 miliar unit kecil yang disebut neuron. Setiap neuron terhubung ke ribuan neuron lain dan berkomunikasi melalui sinyal elektrokimia. Sinyal yang masuk ke neuron diterima melalui sambungan yang disebut sinapsis, diteruskan keujung cabang dari sel neuron yang disebut dendrit. Neuron terus menerima sinyal dari input tersebut dan kemudian melakukan sedikit magic. Neuron merangkum masukan untuk dirinya sendiri dalam beberapa cara dan kemudian, jika hasil akhirnya adalah lebih besar dari beberapa nilai ambang batas, neuron terbakar. Kebakaran ini menghasilkan tegangan dan mengeluarkan sinyal sepanjang akson.

Neural network adalah sebuah paradigma berbeda untuk komputasi:

• von Neumann mesin didasarkan pada pengolahan / memori abstraksi pengolahan informasi manusia.
• neural network didasarkan pada arsitektur paralel otak hewan.

Neural network adalah sistem komputer multiprosesor, dengan:

• elemen-elemen pemrosesan sederhana tingkat tinggi interkoneksi
• pesan skalar sederhana
• interaksi adaptif antara unsur-unsur

Sebuah neuron biologis dapat memiliki sebanyak 10.000 input yang berbeda, dan dapat mengirim output ke neuron lainnya.

Setiap masukan ke neuron memiliki bobot sendiri digambarkan lingkaran merah. Bobot dalam jaring saraf dapat menjadi positif dan negatif, sehingga memberikan pengaruh excitory atau inhibitor untuk setiap masukan. Karena setiap masukan memasuki inti (lingkaran biru) dikalikan dengan bobotnya. Inti kemudian merangkum semua nilai-nilai masukan baru yang memberi aktivasi. Jika aktivasi lebih besar dari nilai ambang neuron mengeluarkan sinyal. Jika aktivasi kurang neuron output nol. Hal ini biasanya disebut fungsi tangga.

Contoh: Sebuah unit tunggal jaringan adaptif sederhana

Jaringan memiliki 2 input, dan satu output. Semuanya biner. Outputnya adalah
$1\; jika\; W$₀ *I₀ + W₁ * I₁ + W_b > 0 
$0\; jika\; W$₀ *I₀ + W₁ * I₁ + W_b <= 0  

mengubah berat dengan jumlah yang sebanding dengan perbedaan antara output yang diinginkan dan output aktual.

$\Delta \; W$_i = η * (D-Y).I_i 
dimana
η adalah tingkat pembelajaran,
D adalah output yang diinginkan,
Y adalah output aktual.

I0	I1	Output yang diinginkan
0	0	0
0	1	1
1	0	1
1	1	1

Contoh: Gambar untuk menyelesaikan set pola

Pada titik ini (8) jaringan telah selesai belajar. (DY) = 0 untuk semua pola, bobot berhenti beradaptasi. 

Jika kita memiliki dua input
$I$₁ = (W₀/W₁).I₀ + (W_b/W₁) 

Secara umum, mereka menerapkan keputusan hyperplane sederhana untuk membatasi pemetaan yang tersedia.