Jadi saya sudah mencoba memahami jaringan saraf sejak saya menemukan blog Adam Geitgey tentang pembelajaran mesin. Saya telah membaca sebanyak mungkin tentang subjek (yang dapat saya pahami) dan percaya saya memahami semua konsep luas dan beberapa cara kerjanya (meskipun sangat lemah dalam matematika), neuron, sinapsis, bobot, fungsi biaya, backpropagation dll. Namun, saya belum bisa menemukan cara menerjemahkan masalah dunia nyata menjadi solusi jaringan saraf.
Contohnya, Adam Geitgey memberikan contoh penggunaan, sistem prediksi harga rumah di mana diberikan satu set data yang berisi Jumlah kamar tidur , Sq. kaki , Lingkungan dan Harga Jual Anda dapat melatih jaringan saraf untuk dapat memprediksi harga sebuah rumah. Namun dia berhenti benar-benar menerapkan solusi yang mungkin dalam kode. Contoh terdekat, yang didapatnya, adalah fungsi dasar yang menunjukkan bagaimana Anda menerapkan bobot:
def estimate_house_sales_price(num_of_bedrooms, sqft, neighborhood):
price = 0
# a little pinch of this
price += num_of_bedrooms * 1.0
# and a big pinch of that
price += sqft * 1.0
# maybe a handful of this
price += neighborhood * 1.0
# and finally, just a little extra salt for good measure
price += 1.0
return price
Sumber daya lain tampaknya lebih fokus pada matematika dan satu-satunya contoh kode dasar yang dapat saya temukan yang saya pahami (yaitu tidak semua bernyanyi, semua menari berdasarkan klasifikasi gambar) adalah implementasi yang melatih jaringan saraf menjadi XOR Gerbang yang hanya menangani 1 dan 0.
Jadi ada celah dalam pengetahuan saya bahwa saya sepertinya tidak bisa menjembatani. Jika kita kembali ke masalah prediksi harga rumah , bagaimana cara membuat data yang cocok untuk dimasukkan ke dalam jaringan saraf? Sebagai contoh:
- Jumlah kamar tidur: 3
- Sq. kaki: 2000
- Sekitar: Normaltown
- Harga jual: $ 250.000
Bisakah Anda memberi makan 3 dan 2000 langsung ke jaringan saraf karena jumlahnya? Atau apakah Anda perlu mengubahnya menjadi sesuatu yang lain? Demikian pula bagaimana dengan nilai Normaltown , itu sebuah string, bagaimana Anda menerjemahkannya menjadi nilai yang bisa dipahami oleh jaringan saraf? Bisakah Anda memilih nomor, seperti indeks, asalkan konsisten di seluruh data?
Sebagian besar contoh jaringan saraf yang pernah saya lihat angka yang lewat di antara lapisan adalah 0 hingga 1 atau -1 hingga 1. Jadi pada akhir pemrosesan, bagaimana Anda mengubah nilai output menjadi sesuatu yang dapat digunakan seperti $ 185.000 ?
Saya tahu contoh prediksi harga rumah mungkin bukan masalah yang sangat berguna mengingat bahwa itu telah disederhanakan secara besar-besaran menjadi hanya tiga poin data. Tapi saya hanya merasa bahwa jika saya bisa mengatasi rintangan ini dan menulis aplikasi yang sangat mendasar yang melatih menggunakan data kehidupan nyata semu dan melontarkan jawaban kehidupan nyata semu daripada saya akan merusak bagian belakangnya dan dapat menendang dan selami lebih dalam pembelajaran mesin.