0 penilaian0% menganggap dokumen ini bermanfaat (0 suara)
18 tayangan2 halaman
Tugas 3 mata kuliah Jaringan Syaraf Tiruan membahas arsitektur JST yang menggunakan berbagai lapisan pemrosesan matematis untuk memahami informasi, dengan unit yang disebut neuron buatan yang tersusun dalam beberapa lapisan. Terdapat lapisan tunggal, banyak lapisan, dan lapisan kompetitif, serta pembelajaran terawasi seperti Hebb dan backpropagation, dan tidak terawasi seperti LVQ.
Tugas 3 mata kuliah Jaringan Syaraf Tiruan membahas arsitektur JST yang menggunakan berbagai lapisan pemrosesan matematis untuk memahami informasi, dengan unit yang disebut neuron buatan yang tersusun dalam beberapa lapisan. Terdapat lapisan tunggal, banyak lapisan, dan lapisan kompetitif, serta pembelajaran terawasi seperti Hebb dan backpropagation, dan tidak terawasi seperti LVQ.
Tugas 3 mata kuliah Jaringan Syaraf Tiruan membahas arsitektur JST yang menggunakan berbagai lapisan pemrosesan matematis untuk memahami informasi, dengan unit yang disebut neuron buatan yang tersusun dalam beberapa lapisan. Terdapat lapisan tunggal, banyak lapisan, dan lapisan kompetitif, serta pembelajaran terawasi seperti Hebb dan backpropagation, dan tidak terawasi seperti LVQ.
“Diajukan Sebagai Tugas Mata Kuliah Jaringan Syaraf Tiruan 2021/2022”
Disusun Oleh :
Muhammad Reza || 1920006
Dosen Pembimbing :
Hengki Saputra, S.Kom, M.Kom
Sekolah Tinggi Manajemen Informatika dan Komputer
Sistem Komputer Jelaskan tentang arsitektur jaringan dalam ruang lingkup JST
Artificial Neural Network atau yang biasa dikenal dengan istilah
Jaringan Saraf Tiruan (JST) adalah algoritma Deep Learning yang prinsip kerjanya dikembangkan dari jaringan saraf biologis yang membentuk struktur otak manusia. Arsitektur JST menggunakan berbagai lapisan pemrosesan matematis untuk memahami informasi yang diberikan. Biasanya, jaringan saraf tiruan memiliki puluhan hingga jutaan neuron buatan yang disebut sebagai unit dan tersusun dalam beberapa lapisan atau layer. Dalam arsitektur jaringan syaraf pula terdapat lapisan tunggal (single layer net), banyak lapisan (multi layer net) dan lapisan kompetitif (competitive net). Pada bagian paradigma pembelajaran terdapat Pembelajaran terawasi (supervised learning), contoh : Hebb,Perceptron, Backpropagation dan Pembelajaran tidak terawasi (unsupervised learning), contoh Linear Vector Quantization (LVQ).