Description
Jaringan saraf dapat diklasifikasikan ke dalam kategori statis dan dinamis. Jaringan dinamis (non-linear), keluarannya tidak hanya bergantung pada masukan saat ini ke jaringan, tetapi juga pada masukan, keluaran, atau status jaringan saat ini atau sebelumnya. Dengan kata lain jaringan saraf dinamis dalam implementasinya, lebih ke data input yang bersifat time series. Karakteristik khusus ini dimanfaatkan untuk membangun jaringan saraf berulang atau dikenal RNN (recurrent neural networks) yang dipergunakan untuk pemrosesan bahasa alami (natural language processing). Buku ini menyajikan 3 model jaringan saraf non linear yang merupakan bagian dari jaringan saraf dinamis, yaitu jaringan dinamik (contoh pengembangan: RNN)), jaringan Grossberg (contoh pengembangan: ART) dan jaringan Hopfield (dapat dimplementasikan langsung ke bentuk perangkat keras). Sedangkan sebagai pengantar untuk mempermudah pemahaman mengenai jaringan saraf non-linear, diperkenalkan konsep dasar jaringan saraf dan algoritma backpropagation yang paling umum dan paling banyak dipergunakan pada bab awal.
