DASAR KOMPUTASI CERDAS

NEURAL NETWORK

(JARINGAN SARAF TIRUAN)

Oleh:

Gede Ferdika (0719451006)

JURUSAN KOMPUTER DAN INFORMATIKA

TEKNIK ELEKTRO PROGRAM NON-REGULER

UNIVERSITAS UDAYANA

2011
 PENDAHULUAN

Pengertian

Jaringan Saraf Tiruan adalah paradigma pemrosesan suatu informasi yang terinspirasi oleh
sistim sel syaraf biologi, sama seperti otak yang memproses suatu informasi. Elemen
mendasar dari paradigma tersebut adalah struktur yang baru dari sistim pemrosesan
informasi. Jaringan Saraf Tiruan, seperti manusia, belajar dari suatu contoh. Jaringan Saraf
Tiruan dibentuk untuk memecahkan suatu masalah tertentu seperti pengenalan pola atau
klasifikasi karena proses pembelajaran. Jaringan Saraf Tiruan berkembang secara pesat pada
beberapa tahun terakhir. Jaringan Saraf Tiruan telah dikembangkan sebelum adanya suatu
komputer konvensional yang canggih dan terus berkembang walaupun pernah mengalami
masa vakum selama beberapa tahun.

Inspirasi Biologi

Jaringan Saraf Tiruan keluar dari penelitian kecerdasan buatan, terutama percobaan untuk
menirukan fault-tolerence dan kemampuan untuk belajar dari sistem syaraf biologi dengan
model struktur low-level dari otak. Otak terdiri dari sekitar (10.000.000.000) sel saraf yang
saling berhubungan. Sel saraf mempunyai cabang struktur input (dendrites), sebuah inti sel
dan percabangan struktur output (axon). Axon dari sebuah sel terhubung dengan dendrites
yang lain melalui sebuah synapse. Ketika sebuah sel saraf aktif, kemudian menimbulkan
suatu signal electrochemical pada axon. Signal ini melewati synapses menuju ke sel saraf
yang lain. Sebuah sel saraf lain akan mendapatkan signal jika memenuhi batasan tertentu
yang sering disebut dengan nilai ambang atau (threshold).

Gambar 1. Susunan Saraf Manusia

Sejarah

Saat ini bidang kecerdasan buatan dalam usahanya menirukan intelegensi manusia, belum
mengadakan pendekatan dalam bentuk fisiknya melainkan dari sisi yang lain. Pertama-tama
diadakan studi mengenai teori dasar mekanisme proses terjadinya intelegensi. Bidang ini
disebut ‘Cognitive Science’. Dari teori dasar ini dibuatlah suatu model untuk disimulasikan
pada komputer, dan dalam perkembangannya yang lebih lanjut dikenal berbagai sistem
kecerdasan buatan yang salah satunya adalah jaringan saraf tiruan. Dibandingkan dengan
bidang ilmu yang lain, jaringan saraf tiruan relatif masih baru. Sejumlah literatur
menganggap bahwa konsep jaringan saraf tiruan bermula pada makalah Waffen McCulloch
dan Walter Pitts pada tahun 1943. Dalam makalah tersebut mereka mencoba untuk
memformulasikan model matematis sel-sel otak. Metode yang dikembangkan berdasarkan
sistem saraf biologi ini, merupakan suatu langkah maju dalam industri komputer.

Kelebihan Jaringan Saraf Tiruan

• Mampu mengakuisisi pengetahuan walau tidak ada kepastian.
• Mampu melakukan generalisasi dan ekstraksi dari suatu pola data tertentu.
• JST dapat menciptakan suatu pola pengetahuan melalui pengaturan diri atau
kemampuan belajar (self organizing).
• Memiliki fault tolerance, gangguan dapat dianggap sebagai noise saja.
• Kemampuan perhitungan secara paralel sehingga proses lebih singkat.

Kelemahan Jaringan Saraf Tiruan

• Kurang mampu untuk melakukan operasi operasi numerik dengan presisi tinggi.
• Kurang mampu melakukan operasi algoritma aritmatik, operasi logika dan simbolis.
• Lamanya proses training yang mungkin terjadi dalam waktu yang sangat lama untuk
jumlah data yang besar.
 KONSEP DASAR JARINGAN SARAF TIRUAN

Pengertian Neuron

Neuron dianalogikan dengan neurosikologi (Neurophysiology) pada otak manusia. Dalam

Jaringan Saraf Tiruan, neuron diartikan sebagai bagian terkecil dari jaringan saraf tiruan yang
berfungsi sebagai elemen pemroses. Dengan demikian neuron juga dapat dinyatakan sebagai
prosesor sederhana dari sistem Jaringan Saraf Tiruan. Neuron juga dikenal dengan sebutan
Percepton atau Adaline.

Bagian-Bagian Neuron

Dalam Sistem Jaringan Saraf Tiruan neuron akan bekerja dengan mengumpulkan sinyal dari
neuron yang terhubung sebelumnya dan memprosesnya untuk menjadi masukan bagi neuron
berikutnya. Neuron tersusun dari komponen-komponen sebagai berikut :

• Sekumpulan penghubung atau yang dikenal dengan Synapses atau Connection Link
yang di karakterkan dengan sebuah pembobot (weight/strength conecction).

• Sebuah Penjumlah (Summing/Adder) yang berfungsi untuk menjumlahkan semua

sinyal masukannya.

• Sebuah Fungsi Tidak Dinamis (Non Dynamical) yang dikenal dengan sebutan Fungsi
Aktivasi (Activation Function).

Model Neuron

Satu sel saraf terdiri dari tiga bagian, yaitu : fungsi penjumlahan (summing function), fungsi
aktivasi (activation function), dan keluaran (output).
 Gambar 2. Model Neuron

Neuron Layer

Setiap pola-pola informasi input dan output yang diberikan kedalam Jaringan Saraf Tiruan di
proses di dalam neuron. Neuron-neuron tersebut terkumpul di dalam lapisan-lapisan yg
disebut Neuron Layers. Lapisan-lapisan penyusun Jaringan Saraf Tiruan tersebut dapat dibagi
menjadi 3, yaitu :

• Lapisan Input : sebuah nilai input yang akan diproses menjadi nilai output.

• Lapisan Tersembunyi (Hidden Layer) : lapisan yang tidak terkoneksi secara langsung
dengan lapisan input atau output, memperluas kemampuan Jaringan Saraf Tiruan.

• Lapisan Output : solusi dari nilai input.

Gambar 3. Neuron Layers

 ARSITEKTUR JARINGAN

Jaringan Saraf Tiruan memiliki beberapa arsitektur jaringan yang sering digunakan dalam
berbagai aplikasi. Arsitektur Jaringan Saraf Tiruan tersebut, antara lain :

1. Jaringan Layer Tunggal (Single Layer Network)

Jaringan dengan lapisan tunggal terdiri dari 1 layer input dan 1 layer output. Setiap
neutron/unit yang terdapat di dalam lapisan/layer input selalu terhubung dengan setiap
neuron yang terdapat pada layer output. Jaringan ini hanya menerima input kemudian
secara langsung akan mengolahnya menjadi outpun tanpa harus melalui lapisan
tersembunyi. Jaringan Saraf Tiruan yang menggunakan metode ini yaitu : Peceptron,
ADALINE, Hopfield.

Gambar 4. Arsitektur Layer Tunggal

2. Jaringan Layer Jamak (Multi Layer Network)

Jaringan lapisan jamak memiliki ciri khas tertentu yaitu memiliki 3 jenis layer yakni
layer input, layer output, dan layer tersembunyi. Jaringan dengan banyak lapisan ini
dapat menyelesaikan permasalahan yang lebih kompleks dibandingkan jaringan dengan
lapisan tunggal. Namun, proses pelatihan sering membutuhkan waktu yang cenderung
lama. Jaringan Saraf Tiruan yang menggunakan metode ini yaitu : MADALINE,
Backpropagation, Neocognitron.
 Gambar 5. Arsitektur Layer Jamak

3. Jaringan dengan Lapisan Kompetitif (Competitive Layer Network)

Pada jaringan ini sekumpulan neuron bersaing untuk mendapatkan hak menjadi aktif.
Jaringan Saraf Tiruan yang menggunakan metode ini yaitu : LVQ.

Gambar 6. Arsitektur Layer Kompetitif

 PENGELOMPOKAN JARINGAN SARAF TIRUAN

1. Struktur feedforward
Sebuah jaringan yang sederhana mempunyai struktur feedforward dimana signal
bergerak dari input kemudian melewati lapisan tersembunyi dan akhirnya mencapai unit
output (mempunyai struktur perilaku yang stabil). Tipe jaringan feedforward mempunyai
sel syaraf yang tersusun dari beberapa lapisan. Lapisan input bukan merupakan sel
syaraf. Lapisan ini hanya memberi pelayanan dengan mengenalkan suatu nilai dari suatu
variabel. Lapisan tersembunyi dan lapisan output sel syaraf terhubung satu sama lain
dengan lapisan sebelumnya. Kemungkinan yang timbul adalah adanya hubungan dengan
beberapa unit dari lapisan sebelumnya atau terhubung semuanya (lebih baik).

Gambar 7. Jaringan Saraf Tiruan Feedforward

Yang termasuk dalam struktur feedforward :

• Single-layer perceptron
• Multilayer perceptron
• Radial-basis function networks
• Higher-order networks
• Polynomial learning networks

2. Struktur recurrent (feedback)

Jika suatu jaringan berulang (mempunyai koneksi kembali dari output ke input) akan
menimbulkan ketidakstabilan dan akan menghasilkan dinamika yang sangat kompleks.
Jaringan yang berulang sangat menarik untuk diteliti dalam Jaringan Syaraf Tiruan,
namun sejauh ini structure feedforward sangat berguna untuk memecahkan masalah.
Yang termasuk dalam stuktur recurrent (feedback) :
• Competitive networks
• Self-organizing maps
• Hopfield networks
• Adaptive-resonanse theory models

Gambar 8. Jaringan Syaraf Tiruan FeedBack

Ketika sebuah Jaringan Saraf digunakan. Input dari nilai suatu variabel ditempatkan
dalam suatu input unit.dan kemudian unit lapisan tersembunyi dan lapisan output
menjalankannya. Setiap lapisan tersebut menghitung nilai aktivasi dengan mengambil
jumlah bobot output dari setiap unit dari lapisan sebelumnya dan kemudian dikurangi
dengan nilai ambang. Nilai aktifasi kemudian melalui fungsi aktifasi untuk
menghasilakan output dari sel saraf. Ketika semua unit pada Jaringan Saraf telah
dijalankan maka aksi dari lapisan output merupakan output dari seluruh jaringan saraf.
 PARADIGMA PEMBELAJARAN

Umumnya, jika menggunakan Jaringan Saraf Tiruan, hubungan antara input dan output harus
diketahui secara pasti dan jika hubungan tersebut telah diketahui maka dapat dibuat suatu
model. Hal lain yang penting adalah proses belajar hubungan input/output dilakukan dengan
pembelajaran. Ada tiga tipe pembelajaran yang dikenal yaitu :

1. Supervised Learning (Pembelajaran Terawasi)

Metode ini digunakan jika output yang diharapkan telah diketahui sebelumnya.
Biasanya pembelajaran dilakukan dengan menggunakan data yang telah ada. Pada
contoh diatas misalnya data pasar saham yang ada pada DOW, NASDAQ atau FTSE,
data yang ada sebelumnya mengenai aplikasi kredit yangberhasil termasuk daftar
pertanyaan atau posisi sebuah robot dan reaksi yang benar. Contoh Algoritma
Jaringan Saraf Tiruan yang menggunakan metode ini yaitu : Hebbian, Peceptron,
ADALINE, Boltzman, Hopfield, Backpropagation.

2. Unsupervised Learning (Pembelajaran Tak Terawasi)

Tidak memerlukan target output. Pada metode ini tidak dapat ditentukan hasil seperti
apa yang diharapkan selama proses pembelajaran. Selama proses pembelajaran, nilai
bobot disusun dalam suatu range tertentu tergantung pada nilai input yang diberikan.
Tujuan pembelajaran ini adalah mengelompokkan unit-unit yang hampir sama dalam
suatu area tertentu. Pembelajaran seperti ini biasanya sangat cocok untuk
pengelompokkan (klasifikasi) pola. Contoh algoritma Jaringan Saraf Tiruan yang
menggunakan metode ini yaitu : Competitive, Hebbian, Kohonen, LVQ (Learning
Vector Quantization), Neocognitron.

3. Hybrid Learning (Pembelajaran Hibrida)

Merupakan kombinasi dari metode pembelajaran supervised learning dan
unsupervised learning. Sebagian dari bobot-bobotnya ditentukan melalui
pembelajaran terawasi dan sebagian lainnya melalui pembelajaran tak terawasi.
Contoh algoritma Jaringan Saraf Tiruan yang menggunakan metode ini yaitu :
Algoritma RBF.
 METODE PEMBELAJARAN JARINGAN SARAF TIRUAN

1. Hebb Rule
Metode pembelajaran yang paling sederhana, pembelajaran dilakukan dengan cara
memperbaiki nilai bobot sedemikian rupa sehingga jika ada 2 neuron yang terhubung
dan keduanya dalam kondisi “on” pada saat yang sama, maka bobot antara keduanya
dinaikkan

2. Perception
Biasanya digunakan untuk mengklasifikasikan suatu tipe pola
tertentu yang sering
dikenal dengan pemisahan secara linear. Algoritma yang digunakan
akan mengatur parameter-parameter bebasnya melalui proses
pembelajaran

3. Delta Rule
Mengubah bobot yang menghubungkan antara jaringan input ke unit output dengan
nilai target.

4. Backpropagation
Algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perception
dengan banyak lapisan untuk mengubah bobt-bobot yang terhubung dengan neuron-
neuron yang ada pada lapisan tersembunyi

5. Hetroassociative Memory
Jaringan yang bobot-bobotnya ditentukan sedemikian rupa sehingga jaringan tersebut
dapat menyimapan kumpulan pola.

6. Bidirectional Associative Memory

Model jaringan syaraf yang memiliki 2 lapisan dan terhubung penuh dari satu lapisan
ke lapisan lainnya. Pada jaringan ini dimungkinkan adanya hubungan timbal balik
antara lapisan input dan lapisan output.
7. LVQ (Learning Vector Quantization)
Suatu metode untuk melakukan pembelajaran pada lapisan kompetitif yang terawasi.
Suatu lapisan kompetitif akan secara otomatis belajar untuk mengklasifikasikan
vektor-vektor input. Kelas-kelas yang didapatkan sebagai hasil hanya tergantung pada
jarak antara vektor-vektor input

8. Jaringan Kohonan
Jaringan kohonen pertama kali diperkenalkan oleh Prf. Teuvo Kohonen tahun 1982.
Pada jaringan ini, suatu lapisan yang berisi neuron-neuron akan menyusun dirinya
sendiri berdasarkan input nilai tertentu dalam suatu kelompok yang dikenal dengan
istilah cluster Selama proses penyusunan diri, cluster yang memiliki vektor bbot
paling cocok dengan pola input akan terpilih sebagai pemenang.
 FUNGSI AKTIVASI

• Fungsi Undak Biner (Hard Limit)

• Fungsi Undak Biner (Threshold)

• Fungsi Bipolar

• Fungsi Bipolar Dengan Threshold

• Fungsi Linier (Identitas)

• Fungsi Sigmoid Biner

 ALGORITMA UMUM JARINGAN SARAF TIRUAN

Algoritma pembelajaran/pelatihan Jaringan Saraf Tiruan :

Dimasukkan n contoh pelatihan kedalam Jaringan Saraf Tiruan, lakukan :
1. Inisialisasi bobot-bobot jaringan. Set i=1.
2. Masukkan contoh ke-i (dari sekumpulan contoh pembelajaran yang terdapat dalam set
pelatihan) kedalam jaringan pada lapisan input.
If  Kinerja jaringan memenuhi standar yang ditentukan sebelumnya
(memenuhi syarat untuk berhenti).
Then  Exit
3. Cari tingkat aktivasi unit-unit input menggunakan algoritma aplikasi
4. Update bobot-bobot dengan menggunakan aturan pembelajaran jaringan.
5. If i=n then reset i=1
6. Else i=i-1
7. Ke langkah 2.

Algoritma aplikasi/inferensi Jaringan Saraf Tiruan :

Dimasukkan sebuah contoh pelatihan kedalam Jaringan Saraf Tiruan, lakukan :
1. Masukkan kasus kedalam jaringan pada lapisan input.
2. Hitung tingkat aktivasi node-node jaringan.
3. Untuk jaringan koneksi umpan maju, jika tingkat aktivasi dari semua unit outputnya
telah dikalkulasi, maka exit. Untuk jaringan dengan koneksi balik, jika tingkat
aktivasi dari semua unit output menjadi konstan atau mendekati konstan, maka exit.
Jika tidak, kembali ke langkah 2. Jika jaringannya tidak stabil, maka exit dan fail.
 FAKTOR KEBERHASILAN JARINGAN SARAF TIRUAN

Jaringan Saraf Tiruan mengalami “booming” dan diminati beberapa tahun terakhir ini, dan
sangat sukses digunakan untuk memecahkan berbagai masaalah dalam berbagai disiplin ilmu
seperti : bidang finansial, kedokteran, teknik, geologi dan fisika. Lebih jauh lagi, bahwa
sesuatu masaalah dengan menggunakan Jaringan Syaraf Tiruan dapat diprediksi,
dikelompokkan dan dikontrol.

Ada beberapa faktor yang mendukung keberhasilan tersebut antara lain :

• Handal. Jaringan Saraf Tiruan adalah teknik pemodelan yang sangat memuaskan
yang dapat membuat model suatu fungsi yang sangat kompleks. Khususnya Jaringan
Saraf Tiruan nonlinear. Sejak beberapa tahun, model linear umumnya digunakan
dimana model linear dikenal dengan strategi optimasi. Jaringan Saraf Tiruan juga
menggunakan model nonlinear dengan berbagai variabel.
• Mudah digunakan. Jaringan Saraf Tiruan dipelajari dengan contoh. Pengguna
Jaringan Saraf Tiruan mengumpulkan data dan melakukan pembelajaran algoritma
untuk mempelajari secara otomatis struktur data, sehingga pengguna tidak
memerlukan pengetahuan khusus mengenai bagaimana memilih dan mempersiapkan
data, bagaimana memilih Jaringan Saraf Tiruan yang tepat, bagaimana membaca
hasil, tingkatan pengetahuan yang diperlukan untuk keberhasilan Menggunakan
Jaringan Saraf Tiruan tidak lebih dari pemecahan masalah yang menggunakan metode
statistik nonlinear yang telah dikenal.
 APLIKASI JARINGAN SARAF TIRUAN

Jaringan Syaraf Tiruan mampu menggambarkan setiap situasi adanya sebuah hubungan
antara variabel predictor (independents, inputs) dan variabel predicted (dependents, outputs),
ketika hubungan tersebut sangat kompleks dan tidak mudah untuk menjelaskan kedalam
istilah yang umum dari “correlations” atau “differences between groups”. Beberapa contoh
permasalahan yang dapat dipecahkan secara baik oleh Jaringan Saraf Tiruan antara lain :

1. Deteksi Fenomena Kedokteran.

Berbagai indikasi yang berhubungan dengan kesehatan (kombinasi dari denyut
jantung, tingkatan dan berbagai substansi dalam darah, dll) dapat dimonitoring.
Serangan pada kondisi kesehatan tertentu dapat dihubungan dengan perubahan
kombinasi yang sangat kompeks (nonlinear dan interaktif) pada subset dari variabel,
dapat dimonitoring. Jaringan Syaraf Tiruan telah digunakan untuk mengenali pola
yang diperkirakan sehingga perlakuan yang tepat dapat dilakukan.

2. Untuk mendeteksi golongan darah manusia

Dengan menggunakan pengolahan citra. Manusia berusaha keras dengan segala
kemampuannya untuk menirukan kehebatan yang mereka miliki, misalnya seorang
dokter dengan keahliannya dapat membedakan golongan darah manusia antara A, B,
AB, dan O. Dengan pendekatan kecerdasan buatan, manusia berusaha menirukan
bagaimana polapola dibentuk. Jaringan Syaraf Tiruan telah dikembangkan sebagai
generalisasi model matematik dari pembelajaran manusia.

3. Prediksi Pasar Saham.

Fluktuasi dari harga saham dan index saham adalah contoh lain yang kompleks,
multidimesi tetapi dalam beberapa kondisi tertentu merupakan phenomena yang dapat
prediksi. Jaringan Syaraf Tiruan telah digunakan oleh analis teknik untuk membuat
prediksi tentang pasar saham yang didasarkan atas sejumlah faktor seperti keadaan
masa lalu bursa yang lain dan berbagai indikator ekonomi.
4. Perjanjian Kredit.
Berbagai informasi biasanya didapat dari seorang peminjam seperti umur, pendidikan,
pekerjaan dan berbagai data lain. Setelah pembelajaran dari Jaringan Syaraf Tiruan
tentang data peminjam, analisis Jaringan Syaraf Tiruan dapat mengidentifikasi
karaktersetik peminjam sehingga dapat digunakan untuk mengklasifikasikan
peminjam terhadap resiko peminjam dalam kategori baik atau buruk.

5. Monitoring Kondisi Mesin.

Jaringan Syaraf Tiruan dapat digunakan untuk memangkas biaya dengan memberikan
keahlian tambahan untuk menjadwalkan perawatan mesin. Jaringan Syaraf Tiruan
dapat dilatih untuk membedakan suara sebuah mesin ketika berjalan normal (“false
alarm”) dengan ketika mesin hampir mengalami suatu masalah. Setelah periode
pembelajaran, keahlian dari Jaringan Syaraf Tiruan dapat digunakan untuk
memperingatkan seorang teknisi terhadap kerusakan yang akan timbul sebelum terjadi
yang akan menyebabkan biaya yang tidak terduga.

6. Pemeliharaan Mesin.
Jaringan Syaraf Tiruan telah digunakan untuk menganalisis input dari sebuah sensor
pada sebuah mesin. Dengan mengontrol beberapa parameter ketika mesin sedang
berjalan, dapat melakukan fungsi tertentu misalnya meminimalkan penggunaan bahan
bakar.
 KESIMPULAN

Jaringan Syaraf Tiruan mulai dilirik banyak kalangan karena mempunyai banyak kelebihan
dibandingkan system konvensional. Jaringan Syaraf Tiruan mewakili pikiran manusia untuk
mendekatkan diri dengan komputer, maksudnya Jaringan Syaraf Tiruan dirancang agar
komputer dapat bekerja seperti/layaknya otak manusia. Berikut ini beberapa keunggulan dari
Jaringan Syaraf Tiruan adalah :
1. Adaptive learning: Suatu kemampuan untuk melakukan suatu kegiatan yang
didasarkan atas data yang diberikan pada saat pembelajaran atau dari pengalaman
sebelumnya.
2. Self-Organisation: Dapat membuat organisasi sendiri atau me-representasikan
informasi yang didapat pada saat pembelajaran.
3. Real Time Operation: Dapat menghasilkan perhitungan parallel dan dengan device
hardware yang khusus yang dibuat akan memberikan keuntungan dengan adanya
kemampuan tersebut.
4. Fault Tolerance melalui Redundant Information Coding: Kerusakan pada bagian
tertentu dari jaringan akan mengakibatkan penurunan kemampuan. Beberapa jaringan
mempunyai kemampuan untuk menahan kerusakan besar pada jaringan.
5. Kelebihan Jaringan Syaraf Tiruan terletak pada kemampuan belajar yang dimilikinya.
Dengan kemampuan tersebut pengguna tidak perlu merumuskan kaidah atau
fungsinya. Jaringan Syaraf Tiruan akan belajar mencari sendiri kaidah atau fungsi
tersebut. Dengan demikian Jaringan Syaraf Tiruan mampu digunakan untuk
menyelesaikan masalah yang rumit dan atau masalah yang terdapat kaidah atau fungsi
yang tidak diketahui.
6. Kemampuan Jaringan Syaraf Tiruan dalam menyelesaikan masalah yang rumit telah
dibuktikan dalam berbagai macam penelitian.
 DAFTAR PUSTAKA

Artificial Neural Network Theory and Applications, Dan W. Patterson, John Wiley and Sons,
Inc. 1995.

Dan W. Patterson, Artificial Neural Network Theory and Applications, John Wiley and Sons,
Inc. 1995.

Membangun Jaringan Syaraf Tiruan, Sri Kusumadewi, 2004, Graha Ilmu, Yogyakarta

M.G.Pened., Computer_aided Diagnosis: A Neural-Network-Based Approach to Lung

Nodule Detection,IEEE Transc.on Medical Imaging, 17(6) 1998, Hal.872-880.

Introduction to Neural Network by K. Gurney.

http://www.shef.ac.uk/psychology/gurney/notes/contents.html

Neural Network by Christos Stergiou and Dimitrios Siganos,

http://www.doc.ic.ac.uk/~nd/surprise_96/ journal/vol4/cs11/report.html - 79k –

Neural Network by Nikolay Nikolaef

http://homepages.gold .ac.uk/nikolaef/cis311.html.course_outline_for_fall_2004