WEBVTT 00:00.270 --> 00:02.640 Halo dan selamat datang kembali ke kursus belajar yang mendalam. 00:02.730 --> 00:05.140 Baiklah hari ini kita berbicara tentang fungsi aktivasi. 00:05.190 --> 00:07.010 Mari kita langsung ke dalamnya. 00:07.020 --> 00:11.910 Jadi di sinilah kita tinggalkan sebelumnya kita berbicara tentang struktur satu neuron. 00:12.030 --> 00:16.770 Jadi itu ada di tengah-tengah kita tahu bahwa ia memiliki beberapa nilai input yang 00:17.130 --> 00:23.370 datang itu punya beberapa bobot kemudian menambahkan cara untuk menghitung cara beberapa input tersebut dan kemudian menerapkan fungsi aktivasi 00:23.370 --> 00:24.690 pada langkah 3. 00:24.750 --> 00:30.090 Ini meneruskan sinyal ke tahun berikutnya dan kemudian itulah yang kita bicarakan hari ini 00:30.090 --> 00:32.850 kita berbicara tentang nilai yang akan dilewati. 00:32.850 --> 00:35.970 Jadi kita berbicara tentang fungsi aktivasi yang sedang diterapkan. 00:36.390 --> 00:39.270 Jadi opsi apa yang kita miliki untuk fungsi aktivasi. 00:39.270 --> 00:43.400 Kita akan melihat empat jenis fungsi aktivasi yang dapat Anda pilih. 00:43.410 --> 00:47.400 Tentu saja ada lebih banyak jenis fungsi aktivasi yang berbeda tetapi yang paling menonjol yang 00:47.400 --> 00:50.390 akan Anda dengar dan akan kita gunakan dalam kursus ini. 00:50.400 --> 00:53.060 Jadi di sini adalah fungsi ambang. 00:53.070 --> 00:54.300 Ini seperti apa. 00:54.300 --> 00:59.600 Jadi pada sumbu x Anda memiliki bobot beberapa input pada sumbu y. 00:59.610 --> 01:07.320 Anda baru saja tahu nilai dari 0 hingga 1 dan pada dasarnya fungsi threshold adalah 01:07.330 --> 01:14.700 tipe fungsi yang sangat sederhana di mana jika nilainya kurang dari nol maka gratis. 01:14.730 --> 01:16.680 Terima kasih ssion meneruskan nol. 01:16.890 --> 01:22.940 Jika nilainya lebih dari nol atau sama dengan nol maka fungsi threshold mendorong pada 1. 01:22.940 --> 01:26.910 Jadi pada dasarnya jenis seperti ya tidak ada jenis fungsi. 01:26.940 --> 01:29.130 Sangat sangat mudah. 01:29.130 --> 01:33.500 Jenis fungsi seperti kaku, baik ya atau tidak. 01:33.540 --> 01:35.000 Tidak ada pilihan lain. 01:35.040 --> 01:35.510 Jadi begitulah. 01:35.510 --> 01:36.210 Begitulah cara kerjanya. 01:36.210 --> 01:37.440 Fungsi yang sangat sederhana. 01:37.440 --> 01:40.020 Mari kita beralih ke sesuatu yang sedikit lebih rumit. 01:40.020 --> 01:48.420 Sekarang fungsi sigmoid ini formula yang sangat menarik yang kita miliki di sini Anda akan melihat sekarang ada satu pembagian dengan 01:48.420 --> 01:49.940 satu ditambah masing-masing. 01:49.950 --> 01:58.450 Kekuatan minus X sedangkan dalam kasus ini tentu saja X adalah nilai dari jumlah cara yang dijumlahkan. 01:58.590 --> 02:00.540 Dan ya. 02:00.570 --> 02:02.600 Jadi seperti inilah bentuk sigmoidnya. 02:02.610 --> 02:06.510 Ini adalah fungsi yang digunakan dalam regresi logistik. 02:06.510 --> 02:09.470 Jika Anda ingat dari kursus pembelajaran mesin. 02:09.540 --> 02:12.000 Jadi apa yang baik dari fungsi ini adalah ia mulus. 02:12.060 --> 02:14.880 Berbeda dengan fungsi virtual. 02:14.970 --> 02:21.720 Yang ini tidak memiliki kekusutan dalam kurva dan oleh karena itu hanya perkembangan bertahap yang bagus dan halus. 02:21.720 --> 02:26.340 Jadi apa pun di bawah 0 sama seperti turun di atas nol. 02:26.340 --> 02:35.590 Kerjanya mendekati satu dan fungsi sigmoid ini sangat berguna dalam Lehren akhir lapisan output. 02:35.610 --> 02:38.900 Terutama ketika Anda mencoba memprediksi probabilitas. 02:38.910 --> 02:40.820 Dan kita akan melihatnya sepanjang kursus. 02:41.190 --> 02:47.370 Dan kemudian kita punya fungsi penyearah fungsi penyearah meskipun memiliki kekusutan adalah 02:47.370 --> 02:55.090 salah satu fungsi yang paling populer untuk jaringan saraf tiruan sehingga berjalan sampai nol itu nol. 02:55.110 --> 03:02.460 Dan kemudian dari sana itu secara bertahap berkembang sebagai nilai input meningkat juga dan kita akan melihat bahwa selama kursus kita akan 03:02.460 --> 03:07.140 melihat bahwa dalam tutorial intuisi lain dan kita juga melihat bahwa bagaimana kita menggunakan 03:07.140 --> 03:13.020 fungsi ini di sisi praktis dari kursus dan Saya akan mengomentari ini sedikit lebih dalam beberapa slide dari 03:13.020 --> 03:13.590 sekarang. 03:13.590 --> 03:18.970 Jadi ingatlah bahwa fungsi api langsung adalah salah satu fungsi yang paling banyak digunakan dalam jaringan saraf tiruan. 03:19.020 --> 03:22.770 Dan akhirnya kita punya satu fungsi lagi yang mungkin akan Anda dengar. 03:22.830 --> 03:25.220 Ini adalah fungsi singgung hiperbolik. 03:25.260 --> 03:32.760 Ini sangat mirip dengan fungsi sigmoid tetapi di sini fungsi tangen hiperbolik berada di bawah nol sehingga nilainya beralih dari 03:32.760 --> 03:39.510 0 ke 1 atau sekitar 2 1 dan pergi dari nol ke minus 1 di sisi lain. 03:39.750 --> 03:42.360 Dan itu bisa bermanfaat di beberapa aplikasi. 03:42.390 --> 03:48.060 Jadi kita tidak akan membahas terlalu mendalam tentang masing-masing fungsi ini. Saya hanya ingin memperkenalkan Anda dengan 03:48.060 --> 03:51.680 mereka sehingga Anda tahu seperti apa mereka dan apa namanya. 03:51.780 --> 03:59.690 Jika Anda ingin mendapatkan bacaan tambahan maka periksa makalah ini dengan banyak 75 tahun. 03:59.820 --> 04:05.630 Apakah Anda banyak yang disebut Deep sparse mengoreksi jaringan 2000 kertas saraf. 04:05.790 --> 04:14.700 Dan di sana Anda akan menemukan persis mengapa fungsi penyearah adalah fungsi yang sangat berharga mengapa begitu 04:14.970 --> 04:16.300 populer digunakan. 04:16.350 --> 04:20.640 Namun demikian untuk saat ini kita tidak benar-benar perlu mengetahui semua hal itu. 04:20.650 --> 04:24.240 Untuk saat ini kami hanya akan mulai menerapkannya dan mulai menggunakannya semakin banyak. 04:24.270 --> 04:31.290 Jadi ketika Anda merasa nyaman dengan sisi praktisnya maka Anda bisa pergi dan merujuk ke makalah ini dan kemudian Anda 04:31.290 --> 04:37.140 akan bisa berendam dalam pengetahuan itu lebih cepat dan itu akan jauh lebih masuk akal. 04:37.370 --> 04:42.000 Tetapi ingatlah ini bahwa ketika Anda siap ketika Anda merasa bahwa Anda siap maka Anda dapat pergi 04:42.120 --> 04:45.060 dan meneliti makalah dan mendapatkan beberapa pengetahuan berharga dari mereka. 04:45.540 --> 04:53.070 Jadi hanya untuk rekap cepat kita memiliki fungsi aktivasi ambang yang berjalan seperti ini fungsi aktivasi sigmoid 04:53.100 --> 04:55.360 yang terlihat seperti ini. 04:55.680 --> 05:01.770 Kami memiliki fungsi penyearah dan kami memiliki fungsi singgung hiperbolik dan sekarang untuk menyelesaikan 05:01.770 --> 05:09.150 tutorial ini. Mari kita segera melakukan beberapa latihan, jadi lakukan saja dua latihan cepat untuk membantu pengetahuan itu masuk 05:09.150 --> 05:15.140 Jadi yang pertama adalah kita punya contoh di sini dari jaringan saraf hanya satu neuron dan segera 05:15.160 --> 05:16.030 lapisan output. 05:16.140 --> 05:22.620 Dan pertanyaannya adalah mengasumsikan bahwa variabel dependen Anda adalah biner. Jadi bisa 0 atau 1 yang fungsi ambangnya 05:22.620 --> 05:23.780 akan Anda gunakan. 05:23.790 --> 05:31.980 Jadi dari yang telah kita bahas kita memiliki fungsi ambang fungsi sigmoid fungsi penyearah dan 05:31.980 --> 05:39.480 kita punya fungsi tangen hiperbolik di dalamnya dalam bentuk gulungan mereka yang mana yang 05:39.480 --> 05:43.450 dapat Anda gunakan untuk variabel biner. 05:43.950 --> 05:44.410 BAIK. 05:44.490 --> 05:49.360 Jadi jawabannya di sini adalah ada dua opsi yang bisa kita dekati. 05:49.380 --> 05:55.790 Jadi satu adalah fungsi aktivasi ambang karena kita tahu bahwa itu antara 0 dan 1 dan itu memberi kita 0 payung Anderson 05:55.800 --> 06:00.090 dan kemudian kalau tidak itu memberi Anda setelah hanya dapat memberi Anda dua nilai. 06:00.090 --> 06:10.020 Ini sangat cocok dengan persyaratan ini dan karena itu Anda dapat mengatakan bahwa Anda sama dengan fungsi ambang goyangan 06:10.020 --> 06:13.770 Anda untuk beberapa orang dan hanya itu. 06:14.010 --> 06:18.450 Dan dalam kasus kedua yang dapat Anda gunakan adalah fungsi aktivasi sigmoid. 06:18.450 --> 06:21.710 Ini sebenarnya juga antara 0 dan 1 hanya apa yang kita butuhkan. 06:21.750 --> 06:29.940 Tetapi pada saat yang sama yang Anda inginkan hanya satu yang benar sehingga Anda tidak persis apa yang 06:29.940 --> 06:37.530 kita butuhkan tetapi dalam kasus ini Anda dapat menggunakannya sebagaimana probabilitas Y menjadi ya atau tidak. 06:37.530 --> 06:46.170 Jadi kita ingin Y menjadi 0 1 tetapi sebaliknya kita akan mengatakan bahwa fungsi sigmoid fungsi aktivasi Simoun memberi tahu 06:46.170 --> 06:51.860 kita apakah itu akan memberi tahu kita tentang kemungkinan Y sama dengan 1. 06:51.870 --> 06:59.130 Jadi pada dasarnya, semakin dekat Anda ke puncak, semakin besar kemungkinan ini memang satu atau ya 06:59.160 --> 07:00.300 daripada tidak. 07:00.750 --> 07:04.700 Dan ya jadi itu sangat mirip dengan pendekatan regresi logistik. 07:04.920 --> 07:07.570 Dan itu hanyalah dua contoh. 07:07.650 --> 07:09.610 Jika Anda memiliki variabel biner. 07:10.120 --> 07:12.810 Sekarang mari kita lihat aplikasi praktis lain. 07:12.810 --> 07:17.190 Mari kita lihat bagaimana semua ini akan terjadi jika kita memiliki semua yang alami seperti ini. 07:17.430 --> 07:20.960 Jadi di lapisan pertama kami memiliki beberapa input. 07:20.980 --> 07:26.060 Mereka dikirim ke lapisan tersembunyi pertama kami dan kemudian fungsi aktivasi diterapkan. 07:26.070 --> 07:31.380 Dan biasanya apa yang akan Anda terapkan di sini dan apa yang akan Anda lihat di seluruh Scorsese 07:31.410 --> 07:34.510 akan menerapkan fungsi aktivasi penyearah sehingga akan terlihat seperti itu. 07:34.530 --> 07:40.980 Kami menerapkan fungsi aktivasi penyearah dan kemudian dari sana sinyal akan diteruskan ke lapisan output di 07:40.980 --> 07:46.820 mana fungsi aktivasi sigmoid akan diterapkan dan itu akan menjadi hasil akhir kami. 07:46.830 --> 07:51.270 Dan itu bisa memprediksi probabilitas misalnya sehingga kombinasi ini akan sangat 07:51.600 --> 07:58.640 umum di mana di lapisan tersembunyi kita menerapkan fungsi penyearah dan kemudian output di sana kita menerapkan fungsi sigmoid. 07:58.890 --> 07:59.850 Jadi begitulah. 07:59.850 --> 08:05.040 Semoga Anda menikmati tutorial ini sekarang Anda cukup berpengalaman dalam empat jenis fungsi aktivasi yang 08:05.040 --> 08:11.130 berbeda dan Anda akan mendapatkan pengalaman praktis dengan mereka selama kursus ini akan menggunakan mereka di semua tempat 08:11.220 --> 08:15.900 sehingga Anda akan mengenal mereka cukup akrab dan Anda harus cukup nyaman dengan 08:15.900 --> 08:16.310 mereka. 08:16.530 --> 08:22.230 Tetapi untuk saat ini, ini adalah pengetahuan yang Anda butuhkan untuk maju dan memahami apa yang akan terjadi 08:22.250 --> 08:23.600 selanjutnya dalam kursus ini. 08:23.940 --> 08:26.940 Dan pada catatan itu saya berharap dapat melihat Anda lain kali. 08:26.940 --> 08:28.560 Sampai kemudian menikmati belajar.