Koneksionisme adalah seperangkat pendekatan di bidang kecerdasan buatan, psikologi kognitif, ilmu kognitif, neuroscience, dan filsafat pikiran, bahwa model fenomena mental atau perilaku sebagai proses muncul dari jaringan interkoneksi dari unit sederhana. Istilah ini diperkenalkan oleh Donald Hebb di tahun 1940-an. [1] Ada banyak bentuk koneksionisme, tapi bentuk yang paling umum menggunakan model jaringan syaraf
Prinsip koneksionis utamanya adalah bahwa fenomena mental dapat dijelaskan oleh jaringan interkoneksi dari unit sederhana dan sering seragam. Bentuk koneksi dan unit dapat bervariasi dari model ke model. Misalnya, unit dalam jaringan bisa mewakili neuron dan koneksi bisa mewakili sinapsis.
aktivasi menyebar.
Dalam kebanyakan model koneksionis, jaringan berubah dari waktu ke waktu. Aspek terkait erat dan sangat umum model koneksionis adalah aktivasi. Setiap saat, sebuah unit dalam jaringan memiliki aktivasi, yang merupakan nilai numerik dimaksudkan untuk mewakili beberapa aspek dari unit. Sebagai contoh, jika unit dalam model neuron, aktivasi bisa mewakili probabilitas bahwa neuron akan menghasilkan potensial aksi spike. Aktivasi biasanya menyebar ke semua unit lain yang terhubung. Penyebaran aktivasi selalu fitur model jaringan saraf, dan sangat umum dalam model koneksionis digunakan oleh psikolog kognitif.
jaringan saraf.
Jaringan saraf yang jauh model koneksionis yang paling umum digunakan saat ini. Meskipun ada berbagai macam model jaringan saraf, mereka hampir selalu mengikuti dua prinsip dasar tentang pikiran:
Setiap kondisi mental dapat digambarkan sebagai (N) vektor berdimensi nilai-nilai aktivasi numerik lebih unit saraf dalam jaringan.
Memory dibuat dengan memodifikasi kuat hubungan antara unit saraf. Kekuatan sambungan, atau "bobot", umumnya direpresentasikan sebagai matriks N × N.
Sebagian besar variasi di antara model jaringan saraf berasal dari:
Interpretasi unit: Unit dapat diartikan sebagai neuron atau kelompok neuron.
Definisi aktivasi: Aktivasi dapat didefinisikan dalam berbagai cara. Sebagai contoh, dalam sebuah mesin Boltzmann, aktivasi ditafsirkan sebagai probabilitas menghasilkan potensial aksi lonjakan, dan ditentukan melalui fungsi logistik pada jumlah masukan ke unit.
Belajar algoritma: jaringan yang berbeda memodifikasi koneksi mereka berbeda. Secara umum, perubahan didefinisikan secara matematis dalam bobot koneksi dari waktu ke waktu disebut sebagai "algoritma belajar".
Connectionists sepakat bahwa jaringan saraf berulang (jaringan dimana koneksi jaringan dapat membentuk siklus diarahkan) adalah model yang lebih baik dari otak dari jaringan saraf feedforward (jaringan tanpa siklus diarahkan, yang disebut DAG). Banyak model koneksionis berulang juga menggabungkan teori sistem dinamis. Banyak peneliti, seperti koneksionis Paul Smolensky, berpendapat bahwa model koneksionis akan berkembang ke arah sepenuhnya terus menerus, dimensi tinggi, non-linear, pendekatan sistem
Prinsip koneksionis utamanya adalah bahwa fenomena mental dapat dijelaskan oleh jaringan interkoneksi dari unit sederhana dan sering seragam. Bentuk koneksi dan unit dapat bervariasi dari model ke model. Misalnya, unit dalam jaringan bisa mewakili neuron dan koneksi bisa mewakili sinapsis.
aktivasi menyebar.
Dalam kebanyakan model koneksionis, jaringan berubah dari waktu ke waktu. Aspek terkait erat dan sangat umum model koneksionis adalah aktivasi. Setiap saat, sebuah unit dalam jaringan memiliki aktivasi, yang merupakan nilai numerik dimaksudkan untuk mewakili beberapa aspek dari unit. Sebagai contoh, jika unit dalam model neuron, aktivasi bisa mewakili probabilitas bahwa neuron akan menghasilkan potensial aksi spike. Aktivasi biasanya menyebar ke semua unit lain yang terhubung. Penyebaran aktivasi selalu fitur model jaringan saraf, dan sangat umum dalam model koneksionis digunakan oleh psikolog kognitif.
jaringan saraf.
Jaringan saraf yang jauh model koneksionis yang paling umum digunakan saat ini. Meskipun ada berbagai macam model jaringan saraf, mereka hampir selalu mengikuti dua prinsip dasar tentang pikiran:
Setiap kondisi mental dapat digambarkan sebagai (N) vektor berdimensi nilai-nilai aktivasi numerik lebih unit saraf dalam jaringan.
Memory dibuat dengan memodifikasi kuat hubungan antara unit saraf. Kekuatan sambungan, atau "bobot", umumnya direpresentasikan sebagai matriks N × N.
Sebagian besar variasi di antara model jaringan saraf berasal dari:
Interpretasi unit: Unit dapat diartikan sebagai neuron atau kelompok neuron.
Definisi aktivasi: Aktivasi dapat didefinisikan dalam berbagai cara. Sebagai contoh, dalam sebuah mesin Boltzmann, aktivasi ditafsirkan sebagai probabilitas menghasilkan potensial aksi lonjakan, dan ditentukan melalui fungsi logistik pada jumlah masukan ke unit.
Belajar algoritma: jaringan yang berbeda memodifikasi koneksi mereka berbeda. Secara umum, perubahan didefinisikan secara matematis dalam bobot koneksi dari waktu ke waktu disebut sebagai "algoritma belajar".
Connectionists sepakat bahwa jaringan saraf berulang (jaringan dimana koneksi jaringan dapat membentuk siklus diarahkan) adalah model yang lebih baik dari otak dari jaringan saraf feedforward (jaringan tanpa siklus diarahkan, yang disebut DAG). Banyak model koneksionis berulang juga menggabungkan teori sistem dinamis. Banyak peneliti, seperti koneksionis Paul Smolensky, berpendapat bahwa model koneksionis akan berkembang ke arah sepenuhnya terus menerus, dimensi tinggi, non-linear, pendekatan sistem
Tidak ada komentar:
Posting Komentar