Pengantar
Jaringan Syaraf Tiruan (JST) telah membawa transformasi signifikan dalam bidang pembelajaran mesin. Mereka pada dasarnya adalah struktur jaringan yang dimodelkan pada otak manusia, digunakan untuk menyelesaikan tugas-tugas kompleks seperti pengenalan gambar, terjemahan ucapan, dan banyak lagi. Kekuatan ANN telah dapat diakses melalui perpustakaan Python, Keras. Keras Sequential Model sangat mudah dipahami dan diimplementasikan, menawarkan kode yang dapat dibaca manusia. Artikel ini akan mempelajari Keras Sequential Model dan mengungkap cara memanfaatkan perpustakaan di ANN.
Kunci untuk Membuka Kunci ANN: Model dan Pustaka Keras Sequential
Keras Sequential Model adalah tumpukan lapisan linier yang dapat Anda gunakan untuk membuat jaringan saraf. Sederhana dan sempurna untuk pemula karena memungkinkan Anda membuat model langkah demi langkah. Namun, ini tidak cocok untuk arsitektur yang lebih kompleks. Misalnya, ini tidak mendukung banyak masukan atau lapisan bersama dan sebagainya.
Dengan Keras, Anda bisa memulai dengan membuat model Sequential kosong dan menambahkan lapisan ke dalamnya, atau Anda bisa meneruskan daftar lapisan saat dibuat. Pustaka ikut berperan ketika Anda ingin melakukan operasi tertentu seperti manipulasi matriks atau pembentukan ulang data, dan lain-lain.
from keras.models import Sequential from keras.layers import Dense # Initializing the ANN model = Sequential() # Adding the input layer and the first hidden layer model.add(Dense(16, activation='relu', input_shape=(10,))) # Adding the second hidden layer model.add(Dense(8, activation='relu')) # Adding the output layer model.add(Dense(1, activation='sigmoid'))
Ini adalah contoh sederhana bagaimana Anda dapat memulai dengan model Sequential kosong dan menambahkan lapisan ke dalamnya.
Relevansi Perpustakaan
Pustaka (libraries) adalah tempat kekuatan sebenarnya dari bahasa pemrograman Python terlihat. Dengan pustaka seperti NumPy dan pandas, manipulasi data dan fungsi matematika menjadi lebih halus dan mudah dikelola. Pustaka lain seperti Scikit-learn melengkapi Keras dalam membangun ANN dengan membagi dataset dan menyediakan metrik.
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
# Data Preparation
data = pd.read_csv('my_data.csv')
X = data.iloc[:, :-1].values
y = data.iloc[:, -1].values
# Splitting the dataset into Training set and Test set
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.2, random_state = 0)
Perpustakaan yang digunakan terutama menyederhanakan proses penyiapan data yang diperlukan untuk membangun ANN.
Mengaktifkan Pemrosesan Data dengan TensorFlow
Di Python, TensorFlow menjadi dasar kerja dengan Keras. Ini adalah perpustakaan penting untuk membuat dan melatih ANN karena menyediakan kerangka kerja untuk mengeksekusi jaringan saraf tingkat tinggi. Fungsi TensorFlow adalah untuk menawarkan kapasitas komputasi numerik menggunakan grafik aliran data yang memiliki node dan edge.
Dalam konteks Keras Sequential Model, TensorFlow membantu komputasi operasi matematika kompleks yang terjadi di backend model.
# Compiling the ANN model.compile(optimizer ='adam',loss='binary_crossentropy', metrics =['accuracy']) # Fitting the ANN to the Training set model.fit(X_train, y_train, validation_data=(X_test, y_test), epochs=100, batch_size=32)
Hal ini, pada intinya, menunjukkan betapa TensorFlow sangat penting dalam proses pembelajaran model Sequential di Keras. Perannya sangat penting dalam optimasi fungsi dan fase komputasi.
Evolusi ANN yang didukung oleh Python dan perpustakaannya melalui model Keras Sequential menggambarkan fase pembelajaran mesin yang menarik. Pilihan perpustakaan dan pemahaman fungsinya dapat berdampak signifikan terhadap keberhasilan model. Melalui latihan dan penerapan yang berkelanjutan, seni membuat model ANN yang efisien menggunakan Keras menjadi kebiasaan bagi pemrogram python.
