Deep Learning Ep. 02-Multi Layer Perceptron dan Neural Network by Risman Adnan

spek cek dulu

Emang kita mulai

ikhfa

Oke Lestat ya

screen sudah Tampilkan belum ada Pak

saya share dulu screen-nya

oke

kita masuk ke pertemuan kedua ya kita

akan bahas tentang

[Musik]

multilayer perceptron dan jurang Network

reseptor ini adalah ide utama yang

awal-awal pada saat neural Network di

Intens ya sekitar tahun

1950 an dan jurang Network sekarang

berkembang ya Jak

1950 udah mungkin 75 tahun berkembang

hingga sekarang sudah banyak sekali

ceritanya tapi ini kita kayak balik ke

sejarah melihat Bagaimana pola pikir

awalnya saya akan start dengan

understanding problemnya dulu ya saya

tubuh kita lihat Bagaimana jual netbook

bekerja mulai dari

reseptor learning algorithm so

di pertemuan sebelumnya kita udah bahas

bahwa kita lagi berhadapan dengan

problem yang disebut dengan supervised

learning jadi bayangkan ada pasangan

data X1 y1 X2 Y2 sampai yn banyak n

nah untuk kasus supervise learning ia

ini lengkap ya levelnya lengkap contoh

Misalnya x-nya ini foto plat number jadi

ada sebanyak n foto flight number dan

yay ini adalah

eh teks yang ada di dalam plat number

tersebut oke nah karena kita bilang

esensi machine-learning ada pola di

lebih makanya kita bisa bilang bahwa

Sebenarnya ada satu fungsi f memetakan

plat number ke teksnya atau label nya y

tapi fungsi efeknya kita nggak tahu

kalau ada orang yang bilang saya bisa

buat

rumus atau Analytical solution dari f

kita nggak butuh machine-learning ya

panggil aja orang itu Setelah itu kita

bikin fungsinya tapi masalahnya F ini

kita nggak tahu dan nggak ada satupun

orang yang tahu sehingga kita enggak ada

pilihan lain selain belajar dari data

Selama ada pilihan lain kita nggak putus

dealer Oke

Sayang dilakukan oleh Eni machine

learning model adalah mendekati F dengan

1-final hipotesis tapi bagaimana machine

learning model

mencari hipotesis yang paling mendekati

er itu adalah dengan meminimumkan satu

error atau loss atau this Oh ya

sering banyak istilah dipakai di sini

tapi intinya gini kita meminimumkan

hasil prediksi dari

hipotesis dibandingkan dengan label nya

Eh kan pasti ada perbedaan antara hasil

prediksi dengan label yang true atau

label y sampai y1 sampai YM oke nah

perbedaan itu kita sering disebut

distance atau loss atau eror dan ini

baik Banyak sekali definisinya ya ada

yang pakai mint Square Error ada pakai

entropi error atau Los ada yang pakai

banyak sekali the diambil untuk

mendesain Los dari Kumpulan data

Oke learning algorithm yang harus

konsisten sehingga menghasilkan final

hipotesis G yang paling kecil total

errornya ya jadi dari total dari

individual error didata Ayo kita cari

yang manage yang total loss nya atau

errornya atau distensi nya itu paling

kecil nah itu yang kita anggap sebagai

final hipotesis G yang paling mendekati

F

sebagaimana learning algorithm jadi

kalau saya sebut learning model itu

terdiri dari hipotesis set tadi ya dan

learning algorithm tapi hipotesis cat

itu banyak Ada linear model saat saya

bilang mungkin dia perform linear model

ada jual Network ada spma dan Irish dan

borini kalo diterusin gak cukup slide

nya belum lagi soal method-method

Bagaimana model-model ini waktu belajar

bisa perform well ya Misalnya

regularisation

validation aggregation input Processing

bagaimana dia bisa perform well itu

masuk ke menset nah belajar

machine-learning agak ribet kalau kita

pelajarin 11 karena rumpunnya ini besar

sekali sekarang

Nah karena kita belajar new Network

Let's start from bottom up ya Jadi kita

akan Start dari yang paling basic neural

network sampai kita gen understanding

supaya waktu belajar yang lebih Advance

itu lebih satisfying kau anggap saya

udah punya fungsi g-nya Oke misalnya

saya punya data breast Cancer yang sudah

dia noted atau di label oleh dokter ahli

dan saya udah dapet fungsi ig-nya yang

mendekati anonpass Yeon f oke oke kalau

saya dapat data baru X saya masukin ke

fungsi ini parameter mineral networknya

sudah kita ketemu dari training maka dia

akan keluarin ini ada Cancer nya atau

enggak problem ini sering dikenal dengan

nama

classification eh jadi kita trainer

allnetwork sehingga dapatin parameter W

setelah itu kalau saya punya data baru

saya masukin X dengan parameter W dia

akan keluarin kelas chord Hai dari

manage

dilatih yaitu dari data eh Emang kita

menggunakan neural Network nantinya

parameter webnya ini bukan skalar value

tapi biasanya bentuknya tensor ya agak

susah saya gambar tensor kita gambarnya

matriks ajalah ya jadi misalnya ada

input image ini pasti komputer enggak

ngelihatnya seperti ini dia ngelihatnya

pixel Oke jadi kalau ada pixelnya saya

masukin saya kali indoproduct dengan W

ditambah satu nilai b b RT baik dia

keluarin kelas chord oke nah Ini yang

harus kita pelajari dari awal kita pakai

kita pakai

computer Vision karena ini lebih visual

untuk kita ini ya Jadi mungkin

kita start dengan computer Vision karena

disini lebih gampang untuk kita

understand problem

Hai problem utama di computer Vision itu

tentu saja yang pertama klasifikasi

kalau saya punya image bisa enggak

declassified Yang kedua delocalization

bahwa Dimana posisi objek of Interest

jadi dia harus waktu ditraining bukan

cuman pixel image ya kita masukkan tapi

ada bounding box misalnya 4 sering ga

model neural Network nya belajar dimana

lokasi objek offences Nah kalau saya

bisa perform localization dan saya punya

banyak another untuk perform more

banding box saya bisa perform the text

yang oke nah kalau another nya rajin dia

bisa bikin Polygon sebagai datasheetnya

dia masukin Polygon Nah kita bisa

dapetin segmentation Oke ini core

problem di computer Vision domain yang

sekarang mostly disolf oleh di perning

selain itu juga ada natural language

processing domain ya Ada banyak sekali

domain kayak time series analysis domain

ini sekarang lilit baik di pernik Keh

Solo kita udah lihat konteks background

nya understanding the problem bahwa kita

lagi nyari satu fungsi yang memetakan

data ke label fungsi itu kita enggak

tahu kita dekatin dengan satu model

matematik yang disebut neural Network

dengan kita belajar bagaimana jual

netbook bekerja Oke so

ini inspired by your side tapi bisa

dibilang ya ini mirip dengan waktu kita

bikin pesawat jadi kita inspired by

burung ya birth tapi mekanisme Totally

berbeda

inspirasi dari microsains mengatakan

bahwa mammalian apa cuman Brain ya Dan

semua mammalian itu ternyata bagian

terkecilnya itu disebut neuron dan

neuron ini mereka paint bahwa sebenarnya

tidak melakukan fungsi yang terlalu

kompleks hanya fungsi sederhana

seperti semua inputnya di evaluet apakah

lebih besar atau lebih kecil dari satu

threshold itu kita sebut fungsi tangga

yang di tengah ini jadi kalau saya

jumlahkan X1 * w1.exe dua kali W2

semuanya saya jumlahkan stigma nilainya

lebih kecil dari satu tes file ya dia

keluarin 100 lebih besar devourment satu

itu masuk lagi ke neuron berikutnya

setelah itu masuk lagi ke neuron

berikutnya jadi struktur ini inspired

Banyuasin Oke Sama halnya kita waktu

bikin pesawat kita inspired by lebih