Unsupervised Learning
Unsupervised learning
dikembangkan
oleh Kohonen (1984) dan beberapa scientist lainnya. Berlawanan dengan supervised
learning, dalam unsupervised learning,
proses training tidak memerlukan target
output.
‘Training set’
hanya terdiri dari vektor – vektor input, tanpa pasangan
output. Algoritma yang digunakan akan mengubah
bobot jaringan untuk menghasilkan output yang konsisten. Vektor – vektor input yang cukup
serupa akan menghasilkan pola output yang
sama. Dengan demikian proses
training menghasilkan sifat – sifat statistik
dalam bentuk pengelompokan
vektor – vektor dalam beberapa kategori.
Contoh :
a. Feedback Nets :
ƒ Binary Adaptive Resonance Theory ( ART1 )
ƒ Analog Adaptive Resonance Theory ( ART2, ART2a )
ƒ Discrete Bidirectional Associative Memory ( BAM )
ƒ Temporal Associative Memory ( TAM
)
ƒ Adaptive Bidirectional Associative Memory ( ABAM )
b. Feedforward-only Nets :
ƒ Learning matrix ( LM )
ƒ Linear Associative Memory ( LAM )
ƒ Optimal Linear Associative Memory ( OLAM )
ƒ Fuzzy Associative Memory
Hybrid
Hybrid learning
merupakan
gabungan antara supervised learning dan unsupervised learning.
Nilai bobot biasanya
ditentukan dengan menggunakan
supervised learning sedangkan bagian lainnya diperoleh dengan menggunakan
unsupervised learning.