DEEP LEARNING & NEURAL NETWORKS
Dari Neural Network Dasar sampai Transformer
Deep Learning adalah cabang Machine Learning yang menggunakan neural network berlapis untuk mempelajari pola yang kompleks.
Kalau pada Machine Learning klasik kita sering melakukan feature engineering secara manual:
DATA
↓
FEATURE ENGINEERING
↓
MODEL
↓
PREDICTIONDeep Learning dapat mempelajari representasi feature secara lebih otomatis:
DATA
↓
NEURAL NETWORK
↓
FEATURE LEARNING
↓
PREDICTIONDeep Learning menjadi dasar berbagai teknologi modern:
Computer Vision
Speech Recognition
Natural Language Processing
Recommendation System
Fraud Detection
Forecasting
Generative AI
Large Language Model
Multimodal AI
1. Neural Network Itu Apa?
Neural network terinspirasi secara sederhana dari cara neuron biologis memproses sinyal.
Model paling sederhana:
Input
│
▼
Neuron
│
▼
OutputDalam sistem yang lebih besar:
INPUT LAYER
↓
HIDDEN LAYER
↓
HIDDEN LAYER
↓
OUTPUT LAYERContohnya untuk memprediksi penjualan:
Harga
Promo
Stock
Hari
Bulan
│
▼
Neural Network
│
▼
Prediksi Sales2. Perceptron
Perceptron merupakan salah satu konsep dasar neural network.
Secara sederhana:
x1 ──►
x2 ──► NEURON ──► OUTPUT
x3 ──►Neuron menghitung kombinasi input:
z = w1x1 + w2x2 + w3x3 + bKemudian hasil tersebut diproses menggunakan activation function.
3. Weight
Setiap input mempunyai weight.
Misalnya:
Harga → 0.4
Promo → 0.8
Stock → 0.2Weight menentukan seberapa besar pengaruh feature terhadap output.
Selama training, model akan mencari weight yang paling sesuai.
4. Bias
Selain weight terdapat bias.
Rumus:
z = w1x1 + w2x2 + ... + bBias membantu neural network menggeser fungsi sehingga model dapat mempelajari pola yang lebih fleksibel.
5. Activation Function
Setelah menghitung nilai:
zneuron membutuhkan activation function.
Beberapa activation function penting:
Sigmoid
Tanh
ReLU
Leaky ReLU
Softmax
GELU6. ReLU
ReLU sangat populer dalam neural network.
Rumus:
ReLU(x) = max(0, x)Contoh:
x = -5
ReLU = 0
x = 3
ReLU = 3ReLU membantu neural network mempelajari hubungan non-linear.
7. Sigmoid
Sigmoid menghasilkan nilai antara 0 dan 1.
0 ≤ sigmoid(x) ≤ 1Karena itu sering digunakan untuk binary classification.
Contoh:
Customer Churn Probability
↓
0.87Artinya model memperkirakan probabilitas sekitar 87%.
8. Softmax
Softmax sering digunakan untuk multi-class classification.
Misalnya model mengenali tiga kategori:
Kucing
Anjing
BurungOutput:
Kucing = 0.10
Anjing = 0.82
Burung = 0.08Total:
1.00Prediksi:
Anjing9. Forward Propagation
Saat data masuk ke neural network:
INPUT
↓
Layer 1
↓
Layer 2
↓
Layer 3
↓
OUTPUTProses ini disebut:
Forward Propagation
Contohnya:
Harga
Promo
Stock
↓
Layer 1
↓
Layer 2
↓
Output
↓
Sales Prediction10. Loss Function
Model perlu mengetahui:
"Seberapa salah prediksi saya?"
Itulah fungsi loss.
Contoh untuk regression:
MSE
MAE
Huber Loss
0 Comments:
Posting Komentar