Fungsi, Variabel, Parameter, Model

Input, Bobot, Fungsi Aktivasi, Output

Input, Proses, Hasil, Feedback

Neuron, Jaringan, Pembelajaran, Data

Perceptron satu lapisan mengalikan input dengan bobot, menjumlahkan hasilnya, dan menerapkan fungsi aktivasi.

Perceptron satu lapisan mengabaikan fungsi aktivasi dan langsung memberikan output.

Perceptron satu lapisan hanya menggunakan satu input tanpa bobot.

Perceptron satu lapisan hanya menjumlahkan input tanpa mengalikan dengan bobot.

Fungsi aktivasi menghapus data input yang tidak relevan.

Fungsi aktivasi hanya mengatur bobot neuron.

Fungsi aktivasi menentukan output neuron dan memperkenalkan non-linearitas.

Fungsi aktivasi meningkatkan kecepatan komputasi neuron.

Linear

Exponential

Polynomial

Sigmoid, ReLU, Tanh, Softmax

Bobot dalam perceptron adalah parameter yang menentukan jumlah neuron dalam lapisan tersembunyi.

Bobot dalam perceptron adalah nilai yang mengalikan input untuk menentukan pengaruhnya terhadap output.

Bobot dalam perceptron adalah fungsi aktivasi yang digunakan untuk menghasilkan output.

Bobot dalam perceptron adalah jumlah dari semua input yang diberikan.

Gunakan rumus w = w + η * (y - ŷ) * x untuk memperbarui bobot.

Gunakan rumus w = w - η * (y + ŷ) * x untuk memperbarui bobot.

Terapkan fungsi aktivasi untuk mengubah bobot secara acak.

Biarkan bobot tetap dan hanya ubah nilai input x.

Fungsi loss digunakan untuk meningkatkan akurasi model perceptron.

Fungsi loss menentukan jumlah neuron dalam perceptron.

Fungsi loss hanya berlaku untuk model regresi.

Fungsi loss mengukur kesalahan prediksi model perceptron.

Proses pelatihan perceptron melibatkan inisialisasi bobot, perhitungan output, dan pembaruan bobot berdasarkan kesalahan.

Pelatihan perceptron tidak memerlukan pembaruan bobot.

Proses pelatihan perceptron hanya melibatkan pengaturan parameter awal.

Output perceptron dihitung tanpa mempertimbangkan kesalahan.

Perceptron memiliki struktur yang sama kompleksnya dengan neuron biologis.

Perceptron adalah neuron yang ditemukan di otak manusia.

Neuron biologis tidak dapat belajar dari pengalaman.

Perceptron adalah model matematis sederhana, sedangkan neuron biologis memiliki struktur kompleks dan kemampuan adaptasi.

Kompleksitas tinggi dalam pelatihan

Memerlukan banyak data untuk pelatihan

Tidak dapat digunakan untuk klasifikasi linear

Kelebihan dari perceptron satu lapisan adalah kesederhanaan, kecepatan pelatihan, dan efisiensi sumber daya.

Tidak dapat memisahkan data yang tidak linear.

Dapat memisahkan data dengan baik.

Mampu menangani data dengan banyak fitur.

Memiliki kecepatan pelatihan yang tinggi.

Masalah yang tidak dapat dipisahkan secara linier.

Masalah yang memiliki lebih dari satu lapisan neuron.

Masalah yang dapat dipisahkan secara linier.

Masalah dengan data yang terdistribusi normal.

Garis pemisah adalah alat untuk menghitung jarak antara dua kelas.

Garis pemisah adalah batas yang memisahkan dua kelas dalam data.

Garis pemisah adalah metode untuk mengelompokkan data berdasarkan ukuran.

Garis pemisah adalah garis yang menghubungkan dua titik.

Gunakan metode clustering untuk menentukan garis pemisah.

Gunakan metode regresi linier untuk menggambar garis pemisah.

Gambar garis pemisah secara manual tanpa algoritma.

Gunakan metode SVM untuk menggambar garis pemisah.

Overfitting terjadi ketika model terlalu sederhana untuk data yang diberikan.

Overfitting adalah saat model tidak belajar dari data pelatihan.

Overfitting adalah kondisi di mana model dapat generalisasi dengan baik pada data baru.

Overfitting adalah kondisi di mana model perceptron terlalu menyesuaikan diri dengan data pelatihan, sehingga tidak dapat generalisasi dengan baik pada data baru.

Klasifikasi multikelas, seperti pengenalan wajah

Pengolahan citra untuk peningkatan kualitas gambar

Klasifikasi biner, seperti pengenalan karakter tulisan tangan dan deteksi spam.

Regresi linier untuk prediksi harga

Learning rate adalah ukuran akurasi model setelah pelatihan.

Learning rate adalah jumlah data yang digunakan dalam pelatihan.

Learning rate adalah parameter yang mengontrol seberapa besar perubahan bobot model dalam setiap iterasi pelatihan.

Learning rate adalah jumlah iterasi yang dilakukan selama pelatihan.

Gunakan metode grid search, learning rate schedulers, atau visualisasi loss untuk menentukan learning rate yang tepat.

Menerapkan learning rate yang sama untuk semua epoch

Menggunakan nilai tetap tanpa eksperimen

Mengabaikan evaluasi model selama pelatihan

Model tidak dapat belajar dengan baik dan mungkin divergen.

Learning rate tidak berpengaruh pada model.

Model akan belajar lebih cepat dan efisien.

Model belajar dengan sangat baik dan akurat.