DASAR KOMPUTASI CERDAS

NEURAL NETWORK

(JARINGAN SARAF TIRUAN)

Oleh:

Gede Ferdika (0719451006)

JURUSAN KOMPUTER DAN INFORMATIKA

TEKNIK ELEKTRO PROGRAM NON-REGULER

UNIVERSITAS UDAYANA

2011

PENDAHULUAN

Pengertian

Jaringan Saraf Tiruan adalah paradigma pemrosesan suatu informasi yang terinspirasi oleh

sistim sel syaraf biologi, sama seperti otak yang memproses suatu informasi. Elemen

mendasar dari paradigma tersebut adalah struktur yang baru dari sistim pemrosesan

informasi. Jaringan Saraf Tiruan, seperti manusia, belajar dari suatu contoh. Jaringan Saraf

Tiruan dibentuk untuk memecahkan suatu masalah tertentu seperti pengenalan pola atau

klasifikasi karena proses pembelajaran. Jaringan Saraf Tiruan berkembang secara pesat pada

beberapa tahun terakhir. Jaringan Saraf Tiruan telah dikembangkan sebelum adanya suatu

komputer konvensional yang canggih dan terus berkembang walaupun pernah mengalami

masa vakum selama beberapa tahun.

Inspirasi Biologi

Jaringan Saraf Tiruan keluar dari penelitian kecerdasan buatan, terutama percobaan untuk

menirukan fault-tolerence dan kemampuan untuk belajar dari sistem syaraf biologi dengan

model struktur low-level dari otak. Otak terdiri dari sekitar (10.000.000.000) sel saraf yang

saling berhubungan. Sel saraf mempunyai cabang struktur input (dendrites), sebuah inti sel

dan percabangan struktur output (axon). Axon dari sebuah sel terhubung dengan dendrites

yang lain melalui sebuah synapse. Ketika sebuah sel saraf aktif, kemudian menimbulkan

suatu signal electrochemical pada axon. Signal ini melewati synapses menuju ke sel saraf

yang lain. Sebuah sel saraf lain akan mendapatkan signal jika memenuhi batasan tertentu

yang sering disebut dengan nilai ambang atau (threshold).

Gambar 1. Susunan Saraf Manusia

Sejarah

Saat ini bidang kecerdasan buatan dalam usahanya menirukan intelegensi manusia, belum

mengadakan pendekatan dalam bentuk fisiknya melainkan dari sisi yang lain. Pertama-tama

diadakan studi mengenai teori dasar mekanisme proses terjadinya intelegensi. Bidang ini

disebut ‘Cognitive Science’. Dari teori dasar ini dibuatlah suatu model untuk disimulasikan

pada komputer, dan dalam perkembangannya yang lebih lanjut dikenal berbagai sistem

kecerdasan buatan yang salah satunya adalah jaringan saraf tiruan. Dibandingkan dengan

bidang ilmu yang lain, jaringan saraf tiruan relatif masih baru. Sejumlah literatur

menganggap bahwa konsep jaringan saraf tiruan bermula pada makalah Waffen McCulloch

dan Walter Pitts pada tahun 1943. Dalam makalah tersebut mereka mencoba untuk

memformulasikan model matematis sel-sel otak. Metode yang dikembangkan berdasarkan

sistem saraf biologi ini, merupakan suatu langkah maju dalam industri komputer.

Kelebihan Jaringan Saraf Tiruan

• Mampu mengakuisisi pengetahuan walau tidak ada kepastian.

• Mampu melakukan generalisasi dan ekstraksi dari suatu pola data tertentu.

• JST dapat menciptakan suatu pola pengetahuan melalui pengaturan diri atau kemampuan belajar (self organizing).

• Memiliki fault tolerance, gangguan dapat dianggap sebagai noise saja.

• Kemampuan perhitungan secara paralel sehingga proses lebih singkat.

Kelemahan Jaringan Saraf Tiruan

• Kurang mampu untuk melakukan operasi operasi numerik dengan presisi tinggi.

• Kurang mampu melakukan operasi algoritma aritmatik, operasi logika dan simbolis.

• Lamanya proses training yang mungkin terjadi dalam waktu yang sangat lama untuk jumlah data yang besar.

KONSEP DASAR JARINGAN SARAF TIRUAN

Pengertian Neuron

Neuron dianalogikan dengan neurosikologi (Neurophysiology) pada otak manusia. Dalam

Jaringan Saraf Tiruan, neuron diartikan sebagai bagian terkecil dari jaringan saraf tiruan yang

berfungsi sebagai elemen pemroses. Dengan demikian neuron juga dapat dinyatakan sebagai

prosesor sederhana dari sistem Jaringan Saraf Tiruan. Neuron juga dikenal dengan sebutan

Percepton atau Adaline.

Bagian-Bagian Neuron

Dalam Sistem Jaringan Saraf Tiruan neuron akan bekerja dengan mengumpulkan sinyal dari

neuron yang terhubung sebelumnya dan memprosesnya untuk menjadi masukan bagi neuron

berikutnya. Neuron tersusun dari komponen-komponen sebagai berikut :

Sekumpulan penghubung atau yang dikenal dengan Synapses atau Connection Link

yang di karakterkan dengan sebuah pembobot (weight/strength conecction).

Sebuah Penjumlah (Summing/Adder) yang berfungsi untuk menjumlahkan semua

sinyal masukannya.

Sebuah Fungsi Tidak Dinamis (Non Dynamical) yang dikenal dengan sebutan Fungsi

Aktivasi (Activation Function).

Model Neuron

Satu sel saraf terdiri dari tiga bagian, yaitu : fungsi penjumlahan (summing function), fungsi

aktivasi (activation function), dan keluaran (output).

Gambar 2. Model Neuron

Neuron Layer

Setiap pola-pola informasi input dan output yang diberikan kedalam Jaringan Saraf Tiruan di proses di dalam neuron. Neuron-neuron tersebut terkumpul di dalam lapisan-lapisan yg disebut Neuron Layers. Lapisan-lapisan penyusun Jaringan Saraf Tiruan tersebut dapat dibagi menjadi 3, yaitu :

Lapisan Input : sebuah nilai input yang akan diproses menjadi nilai output.

Lapisan Tersembunyi (Hidden Layer) : lapisan yang tidak terkoneksi secara langsung dengan lapisan input atau output, memperluas kemampuan Jaringan Saraf Tiruan.

Lapisan Output : solusi dari nilai input.

Gambar 3. Neuron Layers

ARSITEKTUR JARINGAN

Jaringan Saraf Tiruan memiliki beberapa arsitektur jaringan yang sering digunakan dalam berbagai aplikasi. Arsitektur Jaringan Saraf Tiruan tersebut, antara lain :

1. Jaringan Layer Tunggal (Single Layer Network)

Jaringan dengan lapisan tunggal terdiri dari 1 layer input dan 1 layer output. Setiap neutron/unit yang terdapat di dalam lapisan/layer input selalu terhubung dengan setiap neuron yang terdapat pada layer output. Jaringan ini hanya menerima input kemudian secara langsung akan mengolahnya menjadi outpun tanpa harus melalui lapisan tersembunyi. Jaringan Saraf Tiruan yang menggunakan metode ini yaitu : Peceptron, ADALINE, Hopfield.

Gambar 4. Arsitektur Layer Tunggal

2. Jaringan Layer Jamak (Multi Layer Network)

Jaringan lapisan jamak memiliki ciri khas tertentu yaitu memiliki 3 jenis layer yakni

layer input, layer output, dan layer tersembunyi. Jaringan dengan banyak lapisan ini

dapat menyelesaikan permasalahan yang lebih kompleks dibandingkan jaringan dengan

lapisan tunggal. Namun, proses pelatihan sering membutuhkan waktu yang cenderung

lama. Jaringan Saraf Tiruan yang menggunakan metode ini yaitu : MADALINE,

Backpropagation, Neocognitron.

Gambar 5. Arsitektur Layer Jamak

3. Jaringan dengan Lapisan Kompetitif (Competitive Layer Network)

Pada jaringan ini sekumpulan neuron bersaing untuk mendapatkan hak menjadi aktif.

Jaringan Saraf Tiruan yang menggunakan metode ini yaitu : LVQ.

Gambar 6. Arsitektur Layer Kompetitif

PENGELOMPOKAN JARINGAN SARAF TIRUAN

1. Struktur feedforward

Sebuah jaringan yang sederhana mempunyai struktur feedforward dimana signal

bergerak dari input kemudian melewati lapisan tersembunyi dan akhirnya mencapai unit

output (mempunyai struktur perilaku yang stabil). Tipe jaringan feedforward mempunyai

sel syaraf yang tersusun dari beberapa lapisan. Lapisan input bukan merupakan sel

syaraf. Lapisan ini hanya memberi pelayanan dengan mengenalkan suatu nilai dari suatu

variabel. Lapisan tersembunyi dan lapisan output sel syaraf terhubung satu sama lain

dengan lapisan sebelumnya. Kemungkinan yang timbul adalah adanya hubungan dengan

beberapa unit dari lapisan sebelumnya atau terhubung semuanya (lebih baik).

Gambar 7. Jaringan Saraf Tiruan Feedforward

Yang termasuk dalam struktur feedforward :

Single-layer perceptron

Multilayer perceptron

Radial-basis function networks

Higher-order networks

Polynomial learning networks

2. Struktur recurrent (feedback)

Jika suatu jaringan berulang (mempunyai koneksi kembali dari output ke input) akan

menimbulkan ketidakstabilan dan akan menghasilkan dinamika yang sangat kompleks.

Jaringan yang berulang sangat menarik untuk diteliti dalam Jaringan Syaraf Tiruan,

namun sejauh ini structure feedforward sangat berguna untuk memecahkan masalah.

Yang termasuk dalam stuktur recurrent (feedback) :

Competitive networks

Self-organizing maps

Hopfield networks

Adaptive-resonanse theory models

Gambar 8. Jaringan Syaraf Tiruan FeedBack

Ketika sebuah Jaringan Saraf digunakan. Input dari nilai suatu variabel ditempatkan

dalam suatu input unit.dan kemudian unit lapisan tersembunyi dan lapisan output

menjalankannya. Setiap lapisan tersebut menghitung nilai aktivasi dengan mengambil

jumlah bobot output dari setiap unit dari lapisan sebelumnya dan kemudian dikurangi

dengan nilai ambang. Nilai aktifasi kemudian melalui fungsi aktifasi untuk

menghasilakan output dari sel saraf. Ketika semua unit pada Jaringan Saraf telah

dijalankan maka aksi dari lapisan output merupakan output dari seluruh jaringan saraf.

PARADIGMA PEMBELAJARAN

Umumnya, jika menggunakan Jaringan Saraf Tiruan, hubungan antara input dan output harus

diketahui secara pasti dan jika hubungan tersebut telah diketahui maka dapat dibuat suatu

model. Hal lain yang penting adalah proses belajar hubungan input/output dilakukan dengan

pembelajaran. Ada tiga tipe pembelajaran yang dikenal yaitu :

1. Supervised Learning (Pembelajaran Terawasi)

Metode ini digunakan jika output yang diharapkan telah diketahui sebelumnya.

Biasanya pembelajaran dilakukan dengan menggunakan data yang telah ada. Pada

contoh diatas misalnya data pasar saham yang ada pada DOW, NASDAQ atau FTSE,

data yang ada sebelumnya mengenai aplikasi kredit yangberhasil termasuk daftar

pertanyaan atau posisi sebuah robot dan reaksi yang benar. Contoh Algoritma

Jaringan Saraf Tiruan yang menggunakan metode ini yaitu : Hebbian, Peceptron,

ADALINE, Boltzman, Hopfield, Backpropagation.

2. Unsupervised Learning (Pembelajaran Tak Terawasi)

Tidak memerlukan target output. Pada metode ini tidak dapat ditentukan hasil seperti

apa yang diharapkan selama proses pembelajaran. Selama proses pembelajaran, nilai

bobot disusun dalam suatu range tertentu tergantung pada nilai input yang diberikan.

Tujuan pembelajaran ini adalah mengelompokkan unit-unit yang hampir sama dalam

suatu area tertentu. Pembelajaran seperti ini biasanya sangat cocok untuk

pengelompokkan (klasifikasi) pola. Contoh algoritma Jaringan Saraf Tiruan yang

menggunakan metode ini yaitu : Competitive, Hebbian, Kohonen, LVQ (Learning

Vector Quantization), Neocognitron.

3. Hybrid Learning (Pembelajaran Hibrida)

Merupakan kombinasi dari metode pembelajaran supervised learning dan

unsupervised learning. Sebagian dari bobot-bobotnya ditentukan melalui

pembelajaran terawasi dan sebagian lainnya melalui pembelajaran tak terawasi.

Contoh algoritma Jaringan Saraf Tiruan yang menggunakan metode ini yaitu :

Algoritma RBF.

METODE PEMBELAJARAN JARINGAN SARAF TIRUAN

1. Hebb Rule

Metode pembelajaran yang paling sederhana, pembelajaran dilakukan dengan cara

memperbaiki nilai bobot sedemikian rupa sehingga jika ada 2 neuron yang terhubung

dan keduanya dalam kondisi “on” pada saat yang sama, maka bobot antara keduanya

dinaikkan

2. Perception

Biasanya digunakan untuk mengklasifikasikan suatu tipe pola tertentu yang sering

dikenal dengan pemisahan secara linear. Algoritma yang digunakan akan mengatur

parameter-parameter bebasnya melalui proses pembelajaran

3. Delta Rule

Mengubah bobot yang menghubungkan antara jaringan input ke unit output dengan nilai target.

4. Backpropagation

Algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perception dengan banyak lapisan untuk mengubah bobt-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyi

5. Hetroassociative Memory

Jaringan yang bobot-bobotnya ditentukan sedemikian rupa sehingga jaringan tersebut dapat menyimapan kumpulan pola.

6. Bidirectional Associative Memory

Model jaringan syaraf yang memiliki 2 lapisan dan terhubung penuh dari satu lapisan ke lapisan lainnya. Pada jaringan ini dimungkinkan adanya hubungan timbal balik antara lapisan input dan lapisan output.

7. LVQ (Learning Vector Quantization)

Suatu metode untuk melakukan pembelajaran pada lapisan kompetitif yang terawasi. Suatu lapisan kompetitif akan secara otomatis belajar untuk mengklasifikasikan vektor-vektor input. Kelas-kelas yang didapatkan sebagai hasil hanya tergantung pada jarak antara vektor-vektor input

8. Jaringan Kohonan

Jaringan kohonen pertama kali diperkenalkan oleh Prf. Teuvo Kohonen tahun 1982.

Pada jaringan ini, suatu lapisan yang berisi neuron-neuron akan menyusun dirinya

sendiri berdasarkan input nilai tertentu dalam suatu kelompok yang dikenal dengan

istilah cluster Selama proses penyusunan diri, cluster yang memiliki vektor bbot

paling cocok dengan pola input akan terpilih sebagai pemenang.

FUNGSI AKTIVASI

Fungsi Undak Biner (Hard Limit)

Fungsi Undak Biner (Threshold)

Fungsi Bipolar

Fungsi Bipolar Dengan Threshold

Fungsi Linier (Identitas)

Fungsi Sigmoid Biner

ALGORITMA UMUM JARINGAN SARAF TIRUAN

Algoritma pembelajaran/pelatihan Jaringan Saraf Tiruan :

Dimasukkan n contoh pelatihan kedalam Jaringan Saraf Tiruan, lakukan :

1. Inisialisasi bobot-bobot jaringan. Set i=1.

2. Masukkan contoh ke-i (dari sekumpulan contoh pembelajaran yang terdapat dalam set

pelatihan) kedalam jaringan pada lapisan input.

If Kinerja jaringan memenuhi standar yang ditentukan sebelumnya

(memenuhi syarat untuk berhenti).

Then Exit

3. Cari tingkat aktivasi unit-unit input menggunakan algoritma aplikasi

4. Update bobot-bobot dengan menggunakan aturan pembelajaran jaringan.

5. If i=n then reset i=1

6. Else i=i-1

7. Ke langkah 2.

Algoritma aplikasi/inferensi Jaringan Saraf Tiruan :

Dimasukkan sebuah contoh pelatihan kedalam Jaringan Saraf Tiruan, lakukan :

1. Masukkan kasus kedalam jaringan pada lapisan input.

2. Hitung tingkat aktivasi node-node jaringan.

3. Untuk jaringan koneksi umpan maju, jika tingkat aktivasi dari semua unit outputnya

telah dikalkulasi, maka exit. Untuk jaringan dengan koneksi balik, jika tingkat

aktivasi dari semua unit output menjadi konstan atau mendekati konstan, maka exit.

Jika tidak, kembali ke langkah 2. Jika jaringannya tidak stabil, maka exit dan fail.

FAKTOR KEBERHASILAN JARINGAN SARAF TIRUAN

Jaringan Saraf Tiruan mengalami “booming” dan diminati beberapa tahun terakhir ini, dan

sangat sukses digunakan untuk memecahkan berbagai masaalah dalam berbagai disiplin ilmu

seperti : bidang finansial, kedokteran, teknik, geologi dan fisika. Lebih jauh lagi, bahwa

sesuatu masaalah dengan menggunakan Jaringan Syaraf Tiruan dapat diprediksi,

dikelompokkan dan dikontrol.

Ada beberapa faktor yang mendukung keberhasilan tersebut antara lain :

Handal. Jaringan Saraf Tiruan adalah teknik pemodelan yang sangat memuaskan

yang dapat membuat model suatu fungsi yang sangat kompleks. Khususnya Jaringan

Saraf Tiruan nonlinear. Sejak beberapa tahun, model linear umumnya digunakan

dimana model linear dikenal dengan strategi optimasi. Jaringan Saraf Tiruan juga

menggunakan model nonlinear dengan berbagai variabel.

Mudah digunakan. Jaringan Saraf Tiruan dipelajari dengan contoh. Pengguna

Jaringan Saraf Tiruan mengumpulkan data dan melakukan pembelajaran algoritma

untuk mempelajari secara otomatis struktur data, sehingga pengguna tidak

memerlukan pengetahuan khusus mengenai bagaimana memilih dan mempersiapkan

data, bagaimana memilih Jaringan Saraf Tiruan yang tepat, bagaimana membaca

hasil, tingkatan pengetahuan yang diperlukan untuk keberhasilan Menggunakan

Jaringan Saraf Tiruan tidak lebih dari pemecahan masalah yang menggunakan metode

statistik nonlinear yang telah dikenal.

APLIKASI JARINGAN SARAF TIRUAN

Jaringan Syaraf Tiruan mampu menggambarkan setiap situasi adanya sebuah hubungan

antara variabel predictor (independents, inputs) dan variabel predicted (dependents, outputs),

ketika hubungan tersebut sangat kompleks dan tidak mudah untuk menjelaskan kedalam

istilah yang umum dari “correlations” atau “differences between groups”. Beberapa contoh

permasalahan yang dapat dipecahkan secara baik oleh Jaringan Saraf Tiruan antara lain :

1. Deteksi Fenomena Kedokteran.

Berbagai indikasi yang berhubungan dengan kesehatan (kombinasi dari denyut

jantung, tingkatan dan berbagai substansi dalam darah, dll) dapat dimonitoring.

Serangan pada kondisi kesehatan tertentu dapat dihubungan dengan perubahan

kombinasi yang sangat kompeks (nonlinear dan interaktif) pada subset dari variabel,

dapat dimonitoring. Jaringan Syaraf Tiruan telah digunakan untuk mengenali pola

yang diperkirakan sehingga perlakuan yang tepat dapat dilakukan.

2. Untuk mendeteksi golongan darah manusia

Dengan menggunakan pengolahan citra. Manusia berusaha keras dengan segala

kemampuannya untuk menirukan kehebatan yang mereka miliki, misalnya seorang

dokter dengan keahliannya dapat membedakan golongan darah manusia antara A, B,

AB, dan O. Dengan pendekatan kecerdasan buatan, manusia berusaha menirukan

bagaimana polapola dibentuk. Jaringan Syaraf Tiruan telah dikembangkan sebagai

generalisasi model matematik dari pembelajaran manusia.

3. Prediksi Pasar Saham.

Fluktuasi dari harga saham dan index saham adalah contoh lain yang kompleks,

multidimesi tetapi dalam beberapa kondisi tertentu merupakan phenomena yang dapat

prediksi. Jaringan Syaraf Tiruan telah digunakan oleh analis teknik untuk membuat

prediksi tentang pasar saham yang didasarkan atas sejumlah faktor seperti keadaan

masa lalu bursa yang lain dan berbagai indikator ekonomi.

4. Perjanjian Kredit.

Berbagai informasi biasanya didapat dari seorang peminjam seperti umur, pendidikan,

pekerjaan dan berbagai data lain. Setelah pembelajaran dari Jaringan Syaraf Tiruan

tentang data peminjam, analisis Jaringan Syaraf Tiruan dapat mengidentifikasi

karaktersetik peminjam sehingga dapat digunakan untuk mengklasifikasikan

peminjam terhadap resiko peminjam dalam kategori baik atau buruk.

5. Monitoring Kondisi Mesin.

Jaringan Syaraf Tiruan dapat digunakan untuk memangkas biaya dengan memberikan

keahlian tambahan untuk menjadwalkan perawatan mesin. Jaringan Syaraf Tiruan

dapat dilatih untuk membedakan suara sebuah mesin ketika berjalan normal (“false

alarm”) dengan ketika mesin hampir mengalami suatu masalah. Setelah periode

pembelajaran, keahlian dari Jaringan Syaraf Tiruan dapat digunakan untuk

memperingatkan seorang teknisi terhadap kerusakan yang akan timbul sebelum terjadi

yang akan menyebabkan biaya yang tidak terduga.

6. Pemeliharaan Mesin.

Jaringan Syaraf Tiruan telah digunakan untuk menganalisis input dari sebuah sensor

pada sebuah mesin. Dengan mengontrol beberapa parameter ketika mesin sedang

berjalan, dapat melakukan fungsi tertentu misalnya meminimalkan penggunaan bahan

bakar.

KESIMPULAN

Jaringan Syaraf Tiruan mulai dilirik banyak kalangan karena mempunyai banyak kelebihan

dibandingkan system konvensional. Jaringan Syaraf Tiruan mewakili pikiran manusia untuk

mendekatkan diri dengan komputer, maksudnya Jaringan Syaraf Tiruan dirancang agar

komputer dapat bekerja seperti/layaknya otak manusia. Berikut ini beberapa keunggulan dari

Jaringan Syaraf Tiruan adalah :

1. Adaptive learning: Suatu kemampuan untuk melakukan suatu kegiatan yang

didasarkan atas data yang diberikan pada saat pembelajaran atau dari pengalaman

sebelumnya.

2. Self-Organisation: Dapat membuat organisasi sendiri atau me-representasikan

informasi yang didapat pada saat pembelajaran.

3. Real Time Operation: Dapat menghasilkan perhitungan parallel dan dengan device

hardware yang khusus yang dibuat akan memberikan keuntungan dengan adanya

kemampuan tersebut.

4. Fault Tolerance melalui Redundant Information Coding: Kerusakan pada bagian

tertentu dari jaringan akan mengakibatkan penurunan kemampuan. Beberapa jaringan

mempunyai kemampuan untuk menahan kerusakan besar pada jaringan.

5. Kelebihan Jaringan Syaraf Tiruan terletak pada kemampuan belajar yang dimilikinya.

Dengan kemampuan tersebut pengguna tidak perlu merumuskan kaidah atau

fungsinya. Jaringan Syaraf Tiruan akan belajar mencari sendiri kaidah atau fungsi

tersebut. Dengan demikian Jaringan Syaraf Tiruan mampu digunakan untuk

menyelesaikan masalah yang rumit dan atau masalah yang terdapat kaidah atau fungsi

yang tidak diketahui.

6. Kemampuan Jaringan Syaraf Tiruan dalam menyelesaikan masalah yang rumit telah

dibuktikan dalam berbagai macam penelitian.

DAFTAR PUSTAKA

Artificial Neural Network Theory and Applications, Dan W. Patterson, John Wiley and Sons,

Inc. 1995.

Dan W. Patterson, Artificial Neural Network Theory and Applications, John Wiley and Sons,

Inc. 1995.

Membangun Jaringan Syaraf Tiruan, Sri Kusumadewi, 2004, Graha Ilmu, Yogyakarta

M.G.Pened., Computer_aided Diagnosis: A Neural-Network-Based Approach to Lung

Nodule Detection,IEEE Transc.on Medical Imaging, 17(6) 1998, Hal.872-880.

Introduction to Neural Network by K. Gurney.

http://www.shef.ac.uk/psychology/gurney/notes/contents.html

Neural Network by Christos Stergiou and Dimitrios Siganos,

http://www.doc.ic.ac.uk/~nd/surprise_96/ journal/vol4/cs11/report.html - 79k –

Neural Network by Nikolay Nikolaef

http://homepages.gold .ac.uk/nikolaef/cis311.html.course_outline_for_fall_2004