Tujuan:
Tugas ini bertujuan untuk membantu Anda memahami komponen utama dari neural networks (layer, neuron, activation function, dll.) dan bagaimana mereka memengaruhi kinerja model. Anda akan menggunakan TensorFlow Playground (sebuah alat interaktif) untuk bereksperimen dengan pengaturan yang berbeda dan mengamati efeknya pada tugas klasifikasi sederhana.
Instruksi:
- Akses TensorFlow Playground:
- Buka https://playground.tensorflow.org/
- Luangkan beberapa menit untuk mengeksplorasi antarmuka dan berbagai opsi yang tersedia. Biasakan diri dengan konsep neuron, layer, dan data points.
Tugas 1: Memahami Dataset
Dataset: Pilih dataset klasifikasi (spiral atau circle dataset).
Amati bagaimana titik-titik data terdistribusi. Apa yang direpresentasikan oleh warna-warna tersebut? Bisakah Anda mengidentifikasi apa yang harus diklasifikasikan oleh jaringan?
Pertanyaan:
- Masalah apa yang sedang dipecahkan oleh jaringan ini (klasifikasi atau regresi)?
- Apa yang direpresentasikan oleh titik-titik biru dan oranye?
2. Tugas 2: Mengatur Neuron dan Layer
- Mulai dengan pengaturan default: 1 hidden layer dengan 4 neuron.
- Klik Run untuk melatih jaringan dan amati bagaimana decision boundary terbentuk.
Eksperimen:
– Coba tingkatkan jumlah neuron dalam hidden layer. Mulailah dengan 4, kemudian tingkatkan menjadi 6, 8, dan 10. Jalankan model setiap kali dan amati hasilnya.
– Selanjutnya, tambahkan lebih banyak hidden layer (hingga 3 layer). Jalankan model setelah setiap perubahan.
Pertanyaan:
a. Bagaimana penambahan jumlah neuron dalam satu layer mempengaruhi decision boundary dan kinerja model?
b. Bagaimana penambahan lebih banyak layer mengubah perilaku model? Apakah model menjadi lebih baik atau lebih buruk? Mengapa?
3. Tugas 3: Activation Functions
– Secara default, activation function disetel ke ReLU.
– Coba ganti activation function ke Tanh dan Sigmoid. Jalankan model untuk setiap pengaturan dan amati perbedaan dalam evolusi decision boundary.
Pertanyaan:
a. Apa peran activation function dalam jaringan?
b. Activation function mana yang menghasilkan hasil terbaik untuk dataset ini? Mengapa ?
4. Tugas 4: Mengeksplorasi Learning Rate
– Atur hidden layer dan neuron ke konfigurasi pilihan Anda dari Tugas 2.
– Sesuaikan slider Learning Rate untuk bereksperimen dengan nilai-nilai berbeda (misalnya, coba 0,01, 0,03, 0,1, dan 0,3).
– Amati bagaimana kinerja jaringan berubah ketika learning rate meningkat atau menurun.
Pertanyaan:
a. Apa yang terjadi ketika learning rate terlalu rendah atau terlalu tinggi?
b. Learning rate mana yang memungkinkan model belajar dengan paling efektif? Mengapa?
5. Tugas 5: Regularization
– Atur hidden layer dan neuron ke konfigurasi pilihan Anda dari Tugas 2.
– Aktifkan Regularization (L2) dan sesuaikan tingkat regularisasi (coba nilai seperti 0, 0,001, dan 0,1).
Pertanyaan:
a. Bagaimana regularization memengaruhi decision boundary?
b. Mengapa kita menggunakan regularization dalam melatih neural networks?
6. Tugas 6:
Coba selesaikan dataset “Spiral” dengan akurasi minimal 90% dengan menyesuaikan neuron, layer, activation functions, dan learning rates. Tuliskan konfigurasi terbaik yang Anda temukan.
Pertanyaan:
a. Kombinasi neuron, layer, activation function, dan learning rate mana yang paling berhasil untuk dataset spiral? Mengapa Anda berpikir kombinasi itu efektif?
7. Serahkan laporan singkat (1–2 halaman) yang berisi:
a. Jawaban atas semua pertanyaan di setiap tugas.
b. Screenshoot dari konfigurasi akhir Anda (misalnya, neuron, layer, activation function, learning rate) untuk Tugas 2 dan Tugas 5. c. kumpulkan ke email: subject: tugas deep learning – NIM ; sebelum: Kuliah selasa 15 oktober 2024
Semoga Bermanfaat!
Slide kuliah
https://de.slideshare.net/slideshow/slide-materi-pengantar-kuliah-deep-learning-stei-itb/272303847
Tinggalkan Balasan