TAHAPAN NEURAL NETWORKS

1. Pilih nilai bobot secara untuk setiap variabel input secara random. Nilai bobot ini haruslah sangat kecil (mendekati 0 tapi bukan 0), yang nantinya nilai bobot akan terus diupdate sampai C menjadi minimum.
2. Masukkan satu baris dari dataset ke input layer. Pemilihan baris dilakukan secara random (stochastic gradient descent).
3. Lakukan forward propagation, menembakkan sinyal dari input layer ke output layer sampai mendapatkan nilai y model (y topi).
4. Bandingkan nilai y model dengan y sesungguhnya untuk data di baris tersebut. Hitung nilai C nya.
5. Lakukan back propagation, update nilai W nya berdasarkan nilai C nya. Berapa banyak nilai yang ahrus diupdate untuk w ditentukan oleh learning rate.
6. Ulangi langkah 1-5 dan update nilai W untuk setiap baris (kasus reinforcement learning & stochastic gradient descent). Ulangi langkah 1-5 tapi update nilai W jika sudah menyelesaikan semua baris (kasus batch learning / batch gradient descent).
7. Ketika semua proses selesai (melalui semua baris) maka disebut dengan 1 epoch. Lakukan lagi semua langkah di atas sebanyak N epoch sampai didapatkan nilai C minimum.

Sampai sini saya harap pembaca sudah memahami konsep dasarnya. Jika sudah maka di kesempatan selanjutnya saya akan bahas teknisnya di bahasa Python maupun R.

Semoga bermanfaat.

Pages: 1 2 3 4 5 6 7