Sejarah Neural Networks

Neural Network (NN) dalam dunia komputasi adalah serangkaian algoritma yang berupaya mengenali hubungan mendasar dalam kumpulan data melalui proses yang meniru cara kerja otak manusia.  

Meskipun konsep mesin terintegrasi yang dapat berpikir telah ada selama berabad-abad, ada langkah terbesar dalam jaringan neural dalam 100 tahun terakhir. 

Tahun 1943

Warren McCulloch dan Walter Pitts dari University of Illinois dan University of Chicago menerbitkan "A Logical Calculus of the Ideas Immanent in Nervous Activity". Penelitian tersebut menganalisis bagaimana otak dapat menghasilkan pola yang kompleks dan dapat disederhanakan menjadi struktur logika biner dengan hanya koneksi benar/salah.

Tahun 1958

Frank Rosenblatt dari Cornell Aeronautical Labratory dikreditkan dengan pengembangan perceptron. Penelitiannya memperkenalkan bobot pada karya McColloch dan Pitt, dan Rosenblatt memanfaatkan karyanya untuk mendemonstrasikan bagaimana komputer dapat menggunakan Neural Network untuk mendeteksi bayangan dan membuat kesimpulan.

Tahun 1970-an

Setelah musim kering penelitian (dalam hal pendanaan). Kemudian, Jon Hopfield mempresentasikan Hopfield Net, sebuah makalah tentang recurrent neural network (RNN) pada tahun 1982. Selain itu, konsep backpropagation muncul kembali, dan banyak peneliti mulai memahami potensinya untuk jaringan neural. Paul Werbos sering dikreditkan dengan kontribusi utama selama ini dalam tesis PhD-nya.

Tahun 1985

Deep Blue, dikembangkan oleh IBM, menaklukkan dunia catur dengan mendorong kemampuan komputer untuk menangani kalkulasi yang rumit.

Meskipun dikenal publik karena mengalahkan juara catur dunia, jenis mesin ini juga dimanfaatkan untuk menemukan obat baru, mengidentifikasi analisis tren pasar keuangan, dan melakukan perhitungan ilmiah yang masif.

Menggunakan Multi-Layered Perceptron (MLP), perceptron disusun dalam lapisan yang saling berhubungan. Lapisan input mengumpulkan pola masukan. Lapisan output memiliki klasifikasi atau sinyal output yang dapat dipetakan oleh pola inputan. 

Misalnya, pola dapat terdiri dari daftar kuantitas untuk indikator teknis tentang sekuritas; output potensial dapat berupa "beli", "tahan", atau "jual".

Hidden layer NN menyempurnakan pembobotan input hingga margin kesalahan Neural Network minimal.

Baca Juga:  

• Artificial Neural Network (ANN)
• Sejarah Neural Networks
• Evolusi Teknologi Machine Learning dalam Kehidupan Sehari-hari
• Mengenal Teknologi Machine Learning
• Mengenal media sintetis yang akan mengubah bisnis masa depan
• Dari Deep Learning - AI Hingga Ide Kepresidenan Menggunakan Artificial Intelligence

Sumber:  wikipedia.