But what is a neural network? | Deep learning chapter 1
| Istilah | Arti |
|---|---|
| neuron | Unit dalam jaringan yang di video ini dibayangkan sebagai wadah satu angka antara 0 dan 1, atau lebih tepatnya fungsi yang menerima keluaran lapisan sebelumnya. |
| layer | Kumpulan neuron yang tersusun bertingkat, mulai dari lapisan masukan 784 piksel, dua hidden layer berisi 16 neuron, sampai lapisan keluaran 10 angka. |
| weights | Angka pada setiap koneksi antar neuron yang menentukan pola piksel apa yang diperhatikan sebuah neuron, bisa bernilai positif maupun negatif. |
| biases | Angka tambahan pada setiap neuron yang menentukan seberapa besar jumlah tertimbang harus dicapai sebelum neuron itu mulai aktif secara berarti. |
| weighted sum | Hasil menjumlahkan semua aktivasi dari lapisan sebelumnya setelah masing-masing dikalikan weight koneksinya, sebelum ditambah bias dan dimasukkan ke sigmoid. |
| activation | Angka antara 0 dan 1 yang tersimpan dalam neuron, misalnya tingkat kecerahan piksel di lapisan pertama atau keyakinan jaringan terhadap suatu angka di lapisan akhir. |
| sigmoid | Fungsi berbentuk kurva logistik yang menekan berapa pun angka masukan ke rentang 0 sampai 1, dipakai jaringan lama untuk menghasilkan aktivasi. |
| ReLU | Rectified linear unit, fungsi yang mengambil nilai maksimum antara nol dan masukannya, dan menurut Lisha Li lebih mudah dilatih untuk jaringan yang sangat dalam. |
| matrix | Susunan angka dalam baris dan kolom yang dipakai untuk menuliskan semua weight antar dua lapisan secara ringkas, dengan satu baris untuk tiap neuron tujuan. |
| vector | Daftar angka yang disusun dalam satu kolom, misalnya semua aktivasi satu lapisan atau semua bias, yang dikalikan atau dijumlahkan dengan matriks weight. |
| pixels | Titik-titik kecil penyusun gambar, dan gambar angka di video ini terdiri dari 28 kali 28 piksel dengan nilai abu-abu dari hitam sampai putih. |
| digits | Angka tulisan tangan dari 0 sampai 9 yang menjadi contoh klasik tugas pengenalan pola yang dipelajari neural network dalam video ini. |
Video 3Blue1Brown ini adalah bab pertama seri deep learning yang menjelaskan apa sebenarnya neural network, bukan sebagai kata populer, melainkan sebagai sepotong matematika. Pembicara membuka dengan angka 3 yang ditulis asal-asalan dalam gambar 28 kali 28 piksel: otak kita mudah mengenalinya, tetapi menulis program yang melakukan hal yang sama ternyata sangat sulit. Video ini hanya membahas struktur jaringan, sedangkan cara jaringan belajar disimpan untuk video berikutnya. Contoh yang dipakai adalah bentuk paling sederhana dari neural network yang mengenali angka tulisan tangan, karena bentuk dasar ini menjadi syarat untuk memahami varian modern yang lebih kuat. Tujuannya agar penonton merasa struktur jaringan itu masuk akal dan paham apa artinya ketika orang menyebut neural network sedang belajar.
Setiap neuron dibayangkan sebagai wadah angka antara 0 dan 1. Lapisan pertama berisi 784 neuron untuk tiap piksel, lapisan terakhir berisi 10 neuron untuk angka 0 sampai 9, dan di antaranya ada dua hidden layer masing-masing 16 neuron. Harapannya, lapisan kedua mengenali garis-garis kecil, lapisan ketiga mengenali pola seperti lingkaran atau garis panjang, lalu lapisan akhir menggabungkannya menjadi angka. Setiap koneksi punya weight, jumlah tertimbang aktivasi ditambah bias, lalu dimasukkan ke fungsi sigmoid agar hasilnya berada di antara 0 dan 1. Seluruh jaringan memiliki hampir tepat 13.000 weight dan bias, dan belajar berarti mencari nilai yang tepat untuk semuanya. Video ini juga menunjukkan penulisan ringkas dengan matriks dan vektor, sehingga jaringan pada dasarnya adalah satu fungsi rumit yang menerima 784 angka dan mengeluarkan 10 angka. Di akhir, Lisha Li menjelaskan bahwa jaringan modern jarang memakai sigmoid dan lebih memilih ReLU yang lebih mudah dilatih.
Kata kunci
- neural network
- neurons
- activation
- sigmoid
- Menjelaskan apa itu neural network lewat contoh mengenali angka tulisan tangan.
- Menerangkan peran neuron, layer, weights, dan biases dalam satu jaringan.
- Memahami activation function (sigmoid dan ReLU) serta cara satu layer ditulis sebagai matrix dan vector.
Tulis catatan pribadimu untuk modul ini. Catatan tersimpan di akunmu dan bisa dibuka dari perangkat mana pun.