Metode Gradient Descent/Ascent

Slides:



Advertisements
Presentasi serupa
Optimasi Non-Linier Metode Numeris.
Advertisements


Nilai Maksimum dan Minimum untuk Fungsi Multi Variabel
Dr. Benyamin Kusumoputro
Metode Gradient untuk masalah optimasi: Regresi linear dan non linear
Steepest Descent (Ascent) untuk Kasus Min (Maks)
Pengali Lagrange Tim Kalkulus II.
Persamaan Kuadrat jika diketahui grafik fungsi kuadrat
TURUNAN DALAM RUANG BERDIMENSI n
Disusun oleh : Linda Dwi Ariyani (3F)
X’2 xo x’1 y=f(x) f(x) x xo = solusi eksak x’1, x’2 = solusi pendekatan Solusi pendekatan yang baik: Cukup dekat dengan xo, yaitu | x’-xo|0 Nilai mutlak.
Gradient Descent untuk masalah Optimasi dengan Konstrain
Optimasi dengan Konstrain
Beberapa Problem Optimasi:
KALKULUS ”LIMIT DAN KONTINUITAS”
Implementasi Metode Gradient Descent/Ascent dengan MAPLE
Penyelidikan Operasi Penyelesaian Numerik
BAB I INTEGRAL LIPAT DAN TERAPANNYA.
Fungsi Riri Irawati, M.Kom 3 sks.
Nilai Maksimum dan Minimum untuk Fungsi Multi Variabel
Optimasi Dengan Metode Newton Rhapson
Metode NEWTON-RAPHSON CREATED BY : NURAFIFAH
Akar-Akar Persamaan.
Persamaan Non Linier (Lanjutan 1)
Modeling and Optimization
Integral Lipat Dua   PERTEMUAN TGL b R n
Konsep Support Vector Machine
8. Persamaan Differensial Biasa (PDB)
KALKULUS II By DIEN NOVITA.
DERIVATIF PARSIAL YULVI ZAIKA Free Powerpoint Templates.
X’2 xo x’1 y=f(x) f(x) x xo = solusi eksak x’1, x’2 = solusi pendekatan Solusi pendekatan yang baik: Cukup dekat dengan xo, yaitu | x’-xo|0 Nilai mutlak.
Algoritma Garis Bressenham dan Mid Point
Distribusi Probabilitas
TURUNAN DALAM RUANG BERDIMENSI n
DIFFERENSIASI NUMERIK
Transformasi (Refleksi).
Metode Komputasi Vektor Gradien, Arah Penurunan/ Kenaikan Tercepat, Metode Gradient Ascend/Descend.
Oleh : Ndaruworo SMA Negeri 11 Surabaya
Persamaan dalam dimensi n = f(x,y) = 3x2 + 2y2 –xy -4x – 7y+12 34y
OPERASI PADA CITRA BINER
MATA KULIAH KALKULUS I (4 sks) Dosen : Ir. RENILAILI, MT
M-03 SISTEM KOORDINAT kartesius dan kutub
Integral dalam Ruang Dimensi-n
5.2. Pendahuluan PD Pandang , ini benar asalkan F’(x)=f(x).
Terapan Integral Lipat Dua
Integral Lipat Dua dalam Koordinat Kutub
Vektor Gradien dan Arah Penurunan/Kenaikan Tercepat
Matakuliah : Kalkulus-1
15 Kalkulus Yulius Eka Agung Seputra,ST,MSi. FASILKOM
MATA KULIAH METODE NUMERIK NOVRI FATMOHERI
Persamaan Garis Singgung pada Kurva Fungsi Naik dan Fungsi Turun H O M
Kalkulus Diferensial - Lanjutan
Peta Konsep. Peta Konsep E. Grafik Fungsi Kuadrat.
B. Titik Stasioner dan Kecekungan Kurva
D. Kecekungan dan Titik Belok Suatu Fungsi
Peta Konsep. Peta Konsep B. Penerapan Integral Tak Tentu.
Gunawan.ST.,MT - STMIK-BPN
C. Persamaan Garis Singgung Kurva
TURUNAN FUNGSI IMPLISIT
IKG2B3/METODE KOMPUTASI
INTEGRAL.
Tim Pengampu MK Kalkulus II Tel-U
INTEGRAL.
KALKULUS I Fungsi Menaik dan Menurun
Pertemuan 9 Kalkulus Diferensial
C. Persamaan Garis Singgung Kurva
IKG2B3/METODE KOMPUTASI
IKG2B3/METODE KOMPUTASI
DIFFERENSIASI NUMERIK
INTEGRAL RANGKAP INTEGRAL GANDA
Transcript presentasi:

Metode Gradient Descent/Ascent Metode Komputasi Bagian 2 Metode Gradient Descent/Ascent Dosen: Deni Saepudin : Ruang C114 Telp. +628122086193

Gradien Descent Titik minimum (x1,y1) tercapai saat f(x1,y1)=(0, 0) Diketahui permukaan z = f(x,y) dengan kurva ketinggian dinyatakan pada gambar Berangkat dari titik (x0, y0), nilai f menurun paling cepat dalam arah -f(x0,y0) Titik minimum (x1,y1) tercapai saat f(x1,y1)=(0, 0)

Langkah-langkah Berdasarkan prinsip kalkulus, pencarian titik minimum dapat dilakukan dengan langkah-langkah berikut: Masukan : f(x,y), titik awal (x0,y0), ukuran langkah , stopping kriteria  Langkah-langkah (untuk peminimuman): Selama |f(x0, y0)|>  masih berlaku (i) Hitung f(x0, y0) (ii) (x1,y1)= (x0,y0) - f(x0, y0) (iii) (x0,y0)=(x1,y1)

Contoh 1: Mencari titik minimum dari f(x,y) = x2+2y2 Titik awal P0(x0,y0)=(2,1), ukuran langkah  = 0.1 ∇f(x,y) = (2x, 4y) Nilai fungsi di titik awal f(2,1) = 5. Arah gerak agar nilai f menurun paling cepat di titik P0 adalah -∇f(2,1) = (-4,-4) Titik baru (x1,y1) = (2,1) + (-4,-4) (iterasi 1) = (2,1) + 0.1(-4,-4) = (1.6, 0.6) Nilai f(1.6, 0.6) = 2.56 + 2 0.36 = 2.56 + 0.72 = 3.28 (x0,y0) = (1.6, 0.6)

Contoh 1 (lanjutan) (x1,y1) = (1.6, 0.6) - ∇f(1.6,0.6) (iterasi 2) = (1.6, 0.6) – 0.1(3.2, 2.4) = (1.28, 0.36) Nilai f(1.28, 0.36) = 1.8976 (x0,y0) = (1.28, 0.36) Ulangi terus proses sampai kriteria penghentian dicapai

Latihan: Terapkan metode Gradient Descent untuk mencari titik minimum dari fungsi f(x,y) = x2 - 4x + y2 + 6y + 8 Titik Awal : (x0, y0) = (10, 5)