Belajar Machine learning
Machine Learning
 |
| sumber: Dicoding Indonesia |
Apa itu machine learning?
“A field of study that gives computers the ability to learn without being explicitly programmed.”
– Arthur Samuel, 1959.
Istilah machine learning pertama kali dipopulerkan oleh Arthur Samuel, seorang ahli dalam bidang kecerdasan buatan pada tahun 1959. Samuel mendefinisikan machine learning sebagai cabang ilmu yang memberikan komputer kemampuan untuk belajar dan berkembang tanpa perlu diprogram secara eksplisit untuk setiap tugas.
Artinya, alih-alih memerlukan serangkaian aturan yang ditulis oleh manusia untuk menjalankan suatu tugas, mesin dapat mempelajari pola dari data dan membuat keputusan atau prediksi berdasarkan pembelajaran tersebut. Konsep ini mengubah cara kita mendekati masalah pemrograman, menjadikannya lebih fleksibel dan adaptif terhadap data yang terus berkembang.
 |
| sumber by google |
Berikut adalah urutan taksonomi AI secara lebih rinci.
1. Artificial Intelligence (AI)
Artificial intelligence adalah konsep yang mendasari seluruh bidang kecerdasan buatan. Pada tingkat paling dasar, AI mencakup penggunaan komputer atau mesin untuk melakukan tugas yang membutuhkan kecerdasan manusia, seperti pengambilan keputusan, pengenalan pola, dan pemecahan masalah.
2. Machine Learning (ML)
Machine learning adalah cabang dari AI, yaitu sebuah kemampuan ketika komputer dapat belajar dari data tanpa perlu diprogram secara eksplisit. Teknik-teknik ML memungkinkan komputer untuk mengenali pola dalam data, membuat prediksi, dan mengambil keputusan berdasarkan informasi yang dipelajari dari pengalaman atau data latihan.
3. Neural Network (NN)
Neural network adalah model matematis yang terinspirasi dari struktur jaringan saraf manusia. Dalam konteks ML, NN digunakan untuk memproses informasi dan belajar dari data. Model ini terdiri atas neuron-neuron buatan yang saling terhubung dalam lapisan-lapisan dan mampu mempelajari representasi yang semakin abstrak dari data.
4. Deep Learning (DL)
Deep learning adalah sub-bidang dari ML yang menggunakan NN dengan banyak lapisan atau deep neural network (DNN) untuk memahami representasi data yang abstrak dan kompleks. DL telah menghasilkan kemajuan besar dalam bidang pengenalan gambar, pemrosesan bahasa alami, dan berbagai aplikasi AI lainnya.
5. Gen AI
Komponen Utama dalam Machine Learning
1.Data
Data adalah bahan dasar dalam machine learning. Tanpa data, model tidak bisa dilatih atau dipelajari. Data terdiri dari fitur (atribut atau variabel input) dan label (hasil yang ingin diprediksi). Kualitas dan kuantitas data memengaruhi kinerja model. Data juga harus bersih, relevan, dan cukup representatif untuk masalah yang dihadapi.
Untuk model klasifikasi, data bisa berupa kumpulan gambar bunga iris yang masing-masing diberi label dengan jenis spesiesnya, seperti "Setosa," "Versicolor," atau "Virginica."
2. Algoritma
Algoritma adalah prosedur atau metode yang digunakan untuk melatih model dengan data. Algoritma menentukan cara model akan belajar dari data dan mengoptimalkan proses pembelajaran. Setiap algoritma memiliki cara kerja dan teknik optimasi yang berbeda.
Contoh: Algoritma Gradient Descent digunakan untuk mengoptimalkan parameter model dalam jaringan syaraf tiruan.
3. Model
Model adalah kumpulan perhitungan matematis atau aturan yang dihasilkan dari proses mempelajari pola dari data. Model dapat berupa berbagai jenis algoritma, seperti regresi linier, decision tree, atau jaringan syaraf tiruan (neural networks). Model ini dilatih menggunakan data untuk membuat prediksi atau klasifikasi.
3. Feature Engineering
Feature engineering adalah proses mengubah data mentah menjadi fitur yang lebih relevan dan informatif untuk model. Ini melibatkan pemilihan, transformasi, dan pembuatan fitur baru dari data yang ada. Fitur engineering penting untuk meningkatkan kinerja model.
Contoh: Dalam analisis sentimen, fitur engineering bisa mencakup ekstraksi kata-kata kunci dari teks dan konversi ke bentuk numerik, seperti frekuensi kata.
4. Training
Training adalah proses model belajar dari data. Selama pelatihan, model memproses data dan memperbarui parameter untuk meminimalkan kesalahan atau meningkatkan akurasi. Proses ini melibatkan penggunaan data latih dan sering kali melibatkan pembagian data menjadi set pelatihan dan set validasi.
Contoh: Melatih model regresi linier untuk memprediksi harga rumah berdasarkan fitur seperti ukuran rumah dan lokasi.
5. Evaluation
Evaluation adalah proses menilai kinerja model menggunakan data yang tidak digunakan selama pelatihan (data uji). Ini melibatkan metrik evaluasi, seperti akurasi, precision, recall, dan F1-score untuk menentukan seberapa baik model dalam membuat prediksi atau klasifikasi.
Contoh: Menggunakan confusion matrix untuk mengevaluasi kinerja model klasifikasi email spam.
6. Hyperparameter Tuning
Hyperparameter tuning adalah proses mengoptimalkan parameter-parameter di luar model yang dapat memengaruhi kinerja model. Hyperparameter tidak dipelajari selama pelatihan, tetapi disetel secara manual atau menggunakan teknik pencarian otomatis.
Contoh: Mengatur jumlah “pohon” dan maximum depth dalam algoritma Random Forest untuk meningkatkan akurasi model.
7. Deployment
Deployment adalah tahap akhir saat model yang sudah dilatih dan dievaluasi diterapkan dalam lingkungan produksi untuk digunakan pada aplikasi nyata. Ini melibatkan integrasi model ke dalam sistem atau aplikasi yang akan memanfaatkan model untuk membuat prediksi atau keputusan.
Contoh: Mengintegrasikan model prediksi harga saham ke dalam aplikasi trading untuk memberikan rekomendasi kepada pengguna.
Jenis-Jenis Machine Learning
# Supervised Learning
Supervised learning, atau pembelajaran terawasi, merupakan jenis machine learning dengan melibatkan pelatihan model menggunakan data yang sudah diberi label. Setiap contoh dalam data pelatihan memiliki input dan output yang diketahui.
Tujuan supervised learning adalah mempelajari hubungan atau fungsi yang menghubungkan input dengan output. Jadi, model dapat membuat prediksi akurat untuk data baru yang belum pernah dilihat sebelumnya.
# Unsupervised Learning
Unsupervised learning, atau pembelajaran tak terawasi, melibatkan pelatihan model menggunakan data yang tidak memiliki label atau hasil yang sudah ditentukan. Data ini hanya berisi fitur-fitur yang mendeskripsikan informasi, tanpa informasi tentang hasil yang seharusnya.
Tujuan dari unsupervised learning adalah mengidentifikasi pola, struktur, atau hubungan yang tidak langsung terlihat dalam data. Model mencari cara untuk mengelompokkan, mengidentifikasi, atau mengurangi dimensi data tanpa arahan eksplisit tentang hasil yang diinginkan.
# Semi-Supervised Learning
Semi-supervised learning (SSL) adalah pendekatan dalam machine learning yang menggabungkan elemen dari supervised learning dan unsupervised learning. Dalam metode ini, model dilatih menggunakan data yang terdiri dari sebagian data berlabel (supervised) dan sebagian data tidak berlabel (unsupervised).
Tujuan utama dari semi-supervised learning adalah memanfaatkan data tidak berlabel untuk meningkatkan akurasi model dengan meminimalkan ketergantungan pada data berlabel yang mungkin terbatas.
# Reinforcement Learning
Reinforcement learning (RL) adalah salah satu cabang pembelajaran mesin (machine learning) berfokus pada cara agen belajar mengambil tindakan dalam lingkungan tertentu agar memaksimalkan hadiah (reward) yang diterima lingkungan itu sendiri. Dalam RL, agen belajar melalui percobaan dan kesalahan; agen mencoba tindakan tertentu, melihat hasilnya (reward), serta memperbarui pengetahuannya tentang tindakan yang lebih baik pada situasi tertentu.
Di dunia RL, terdapat empat komponen utama yang membentuk inti dari cara agen belajar dan berinteraksi dengan lingkungan. Pertama, agent adalah entitas yang belajar dan bertindak. Kedua, environment adalah dunia tempat agen beroperasi. Ketiga, action adalah pilihan yang tersedia bagi agen. Keempat, state (keadaan) yang menggambarkan keadaan awal agen sebelum melakukan tindakan atau keadaan agen setelah melakukan tindakan. Terakhir, reward atau reinforcement adalah memberikan umpan balik kepada agen berdasarkan tindakan yang diambilnya.
Komentar
Posting Komentar