Pengantar Pembelajaran Mesin

Pelatihan adalah keterampilan universal yang melekat dalam setiap organisme hidup di planet ini.

Belajar adalah perolehan pengetahuan dan keterampilan melalui pengalaman atau belajar. Inilah yang menyatukan kita dan sekaligus menjadikan kita unik. Inilah yang berkembang dari waktu ke waktu.



Bagaimana jika saya katakan, "Mobil juga bisa belajar"?

Kita hidup di masa yang menakjubkan dalam pengembangan robotika, kecerdasan buatan, dan pembelajaran mesin. Pembelajaran mesin masih merupakan konsep yang cukup baru. Kita bisa mengajarkan mesin cara belajar, dan beberapa mesin bisa belajar sendiri. Keajaiban!

Artikel ini akan memperkenalkan Anda pada dasar-dasar pembelajaran mesin.
Hal terpenting yang perlu Anda pahami: mesin dapat memprediksi masa depan berdasarkan masa lalu.

Apa itu pembelajaran mesin?

Pembelajaran mesin berasumsi bahwa komputer mengenali pola dengan contoh, daripada diprogram dengan aturan tertentu. Pola-pola ini terkandung dalam data.

Pembelajaran mesin adalah pembuatan algoritma (seperangkat aturan) yang belajar dari fungsi kompleks (templat) dari data dan membuat prediksi.

Ini terjadi dalam 3 tahap :
1) Analisis Data
2) Menemukan pola
3) Prediksi berdasarkan pola

Aplikasi Pembelajaran Mesin

Tinjauan tentang di mana pembelajaran mesin dapat digunakan

• Kesehatan: memprediksi diagnosis pasien untuk dokter
• Jejaring Sosial: Memprediksi Kompatibilitas di Situs Kencan
• Keuangan: Peramalan Penipuan Kartu Kredit
• E-Commerce: Prediksi Churn Pelanggan
• Biologi: Cari pola mutasi gen yang dapat menyebabkan kanker

Bagaimana cara mobil belajar?

Saya tidak ingin membingungkan Anda, jadi saya hanya akan mengatakan bahwa mesin belajar dengan menemukan data serupa di set data besar. Semakin banyak data yang ditransfer ke mesin, semakin "pintar" jadinya.

Tidak semua data sama. Bayangkan Anda seorang bajak laut dan tujuan Anda adalah menemukan harta di suatu tempat di pulau itu. Untuk melakukan ini, Anda memerlukan banyak informasi. Seperti halnya data, informasi ini dapat menuntun Anda ke arah yang benar atau salah. Semakin akurat informasi / data yang diterima, semakin besar peluang keberhasilan. Oleh karena itu, penting untuk mempertimbangkan jenis data yang dengannya pelatihan akan berlangsung.

Namun, setelah data yang cukup, mesin dapat membuat prediksi. Mesin dapat memprediksi masa depan hingga masa depan yang sangat berbeda dari masa lalu.

Jenis Pembelajaran Mesin

Ada tiga kategori utama pembelajaran mesin:

Pembelajaran terawasi : Mesin belajar dari data yang dipilih. Biasanya, data dicatat oleh orang-orang.

Pembelajaran tanpa pengawasan : Mesin tidak belajar dari data yang dipilih. Intinya adalah bahwa di antara data tidak ada jawaban "benar", mesin harus menemukan hubungan antara objek.

Pembelajaran penguatan : Mesin belajar melalui sistem berbasis hadiah.

1. Pembelajaran terawasi (pelatihan guru)

Belajar dengan guru adalah jenis pembelajaran mesin yang paling umum dan dipelajari, karena lebih mudah untuk melatih mesin dengan data yang dipilih. Bergantung pada apa yang ingin Anda prediksi, mengajar dengan guru dapat digunakan untuk menyelesaikan dua jenis masalah: masalah regresi dan masalah klasifikasi.

Tujuan Regresi:

Jika Anda ingin memprediksi nilai kontinu, misalnya, mencoba memprediksi nilai rumah atau cuaca di jalan dalam derajat, gunakan regresi. Jenis tugas ini tidak memiliki batas nilai tertentu, karena nilai dapat berupa angka apa pun tanpa batasan.

Tugas klasifikasi:

Jika Anda ingin memprediksi nilai diskrit, seperti mengkategorikan sesuatu, gunakan klasifikasi. Pertanyaan "Apakah seseorang akan melakukan pembelian" memiliki jawaban yang terbagi dalam dua kategori spesifik: ya atau tidak. Jumlah jawaban yang valid tentu saja.

2. Pembelajaran tanpa pengawasan (belajar tanpa guru)

Karena mesin tidak memiliki data yang ditandai untuk pelatihan, tujuan pembelajaran mesin tanpa guru adalah untuk mendeteksi pola dalam data dan mengelompokkannya.
Belajar tanpa guru memecahkan 2 jenis masalah: masalah pengelompokan dan tugas menemukan aturan asosiatif.

Tugas pengelompokan:

Belajar tanpa guru memecahkan masalah pengelompokan, menemukan kesamaan dalam data. Jika ada cluster atau grup umum, algoritme akan mengklasifikasikannya dalam bentuk tertentu. Contohnya adalah pengelompokan pelanggan berdasarkan pembelian masa lalu mereka.

Tugas menemukan aturan asosiatif:

Belajar tanpa guru menyelesaikan masalah ini dengan mencoba memahami aturan dan makna kelompok yang berbeda. Contoh yang mencolok adalah pencarian hubungan antara pembelian pelanggan. Toko dapat mengetahui produk mana yang dibeli bersama dan menggunakan informasi ini untuk penjualan. Satu studi menemukan bahwa ada hubungan erat antara membeli bir dan popok. Ternyata pria yang pergi membeli popok untuk anak-anak mereka juga cenderung membeli bir untuk diri mereka sendiri.

3. Pembelajaran penguatan

Pembelajaran mesin jenis ini membutuhkan penggunaan sistem penghargaan / penalti. Tujuannya adalah untuk memberi penghargaan pada mobil ketika ia belajar dengan benar, dan untuk menghukum mesin ketika ia belajar dengan tidak benar.

Contoh Pembelajaran Penguatan

- Mesin belajar cara belajar bermain ( Catur, Go )
- Super Mario , cara belajar dan bermain

Kami berbicara tentang dasar-dasar pembelajaran mesin, topiknya menarik dan menjanjikan, jadi jangan meluangkan waktu untuk mempelajari lebih lanjut.

A Beginner's Guide to Machine Learning :)