Strategi pembelajaran dasar

Presentasi berjudul: "Strategi pembelajaran dasar"— Transcript presentasi:

1 Strategi pembelajaran dasar
Supervised Delta rule Backpropagation Hebbian Stochastic Reinforcement Learning Automata Unsupervised Competitive Hebbian

2 Pengelompokan type network berdasar Metode pebelajaran
Strategi Pembelajaran Supervised ADALINE Cascade Corellation Hopfield MLFF with BP RBF RCN Bolzmant GRNN LVQ PNN RNN Reinforcenent UnSupervised ART Hopfield LVQ Neocognitron SOFM

3 Pengelompokan type network berdasar Type pebelajaran
Type Pembelajaran Error Corection ADALINE CCN Hopfield MLFF with BP RBF Perceptron GRNN RNN Hebbian AN BSB BAM Hopfield Necognitron Competitive ART LVQ SOFM Stocashtic Boltzman Machine Cauchy Machine

4 Pengelompokan type network berdasar Type Arsitektur
Singgle Layer feedforwad ADALINE Hopfield LVQ AN Perceptron SOFM Multi Layer feedforward CNN GRNN MADALINE MLFF with BP Necognitron RCE RBF Recurrent ART BAM Bpltzman Machine Cauchy Machine Hopfield RNN

5 Pengelompokan type network berdasar Type Aplikasi
Associative Memori ART AN BAM Hopfield MLFF with BP Optimasi ADALINE Boltzman Hopfield RNN OFN MLFF with BP Clasification ADALINE ART CCN CPN GRNN LVQ MLFF with BP RBF RCE ZOFN Pattern Recognition ART CPN LVQ RBF RCE CCN GRNN MLFF with BP Neocognitron ZOFN General Napping CCN GRNN Prediction ADALINE CCN GRNN MADALINE MLFF with BP RBF RNN SOFM

6 Taxononie Neural Network
ADALINE (Adaptive Linier Neural Element) ART (Adaptive Resonant Theory) AM (Associative Memori) BAM (Bidirectional Associative Memori) Boltzmant Machine BSB (Brain State in a Box) CCN (Cascade Corellation) Cauchy Machine CPN (Counter Propagation) GRNN (Generalized Regression Neural Network) Hamming Hopfield

7 Taxononie Neural Network
LVQ (Learning Vector Quantization) Madaline MLFF with BP (Multi Layer FeedForward Backpropagation) Neocognitron NLN (Neurologic Network) Perceptron PNN (Probabilitic Neural Network) RBF (Radial Basis Function) RNN (Recurrent Neural Network) RCE (Reduced Coulonb Energy) SOFM (Self Organizing Feature Map)

8 Problem Solving Area Classification Clustering Prediction Memorizing
Learning Optimation Control Recognition Decision Making

9 Karakteristik Jaringan Syaraf Tiruan
Input: training sets ( or training pattern, [X1, X2, X3,…,Xn] Output: computed output, [Y1, Y2, …, Yj], testing sets [T1, T2,… Tj] Connections: weights, wij Processing Element (PE): summation function, activity function, transfer function

10 X1 X2 Xn Output Yj Transfer fc F(netj) Activity fc netj Summation fc
Ij Xn

11 Beberapa Topologi Jaringan (Struktur Jaringan)
Pada gambar melukiskan sebuah single layer yang terhubung penuh ke model network, dimana masing-masing neuron secara lateral terhubung ke semua neuron tetangga dalam layer. Pada model ini semua neuron berfungsi sekaligus sebagai input dan output . Neural Network terbaik untuk nodel ini adalah HOPFIELD NETWORK Single Layer Hopfield Network

12 Topologi Jaringan Gambar berikut merepresantasikan struktur multi layer feedforward. Neuron-neuron dalam model ini dikelompokkan dalam layer-layer yang terhubung kearah jalan sinyal. Tidak ada hubungan lateral dalam masing-masing layer dan juga tidak ada hubungan feedbackward dalam network. Neural network terbaik untuk model ini adalah PERCEPTRON NETWORK Multi Layer FeedForward

13 Topologi Jaringan Gambar berikut nengilustrasikan ide dari sebuah topologi organised feature map. Pada model ini masing-masing neuron dalan network berisi sebuah socalled feature vector. Ketika sebuah pola dari data training diberikan ke network, neuron yang corak vektornya terdekat dengan input vektor diaktifkan (activated). Hal ini akan mengupdate ke input vektor yang menyebabkan pengaktifan. selanjutnya juga diupdate kearah input vektor atau dibuat menjauh dari input vektor (tergantung algoritma learning yang digunakan). Model yang yang termasuk memiliki tingkah laku spt ini adalah SOFM dari kohonen. Organized Feature Nap

14 Topologi Jaringan Gambar berikut menunjukan hubungan dalam 2 layer feedforward/backward network. Layer- layer Pada Neural Network Model Ini Terhubung ke dua arah. Model ini akan beresonansi beberapa kali sebelum respon diterima oleh output layer. Model terbaik dari NN ini adalah ART network FeedForward/backward