Mengenal Machine Learning Lebih Dalam

Mengenal Machine Learning Lebih Dalam

Dikutip dari situs daftar sbobet casino, pembelajaran mesin adalah cabang dari kecerdasan buatan (AI) dan ilmu komputer yang berfokus pada penggunaan data dan algoritma untuk meniru cara manusia belajar, secara bertahap meningkatkan akurasinya.

IBM memiliki sejarah yang kaya dengan pembelajaran mesin. Salah satu miliknya, Arthur Samuel, dikreditkan karena menciptakan istilah, “pembelajaran mesin” dengan penelitiannya (PDF, 481 KB) (tautan berada di luar IBM) seputar permainan catur. Robert Nealey, master catur yang memproklamirkan diri, memainkan permainan di komputer IBM 7094 pada tahun 1962, dan dia kalah dari komputer. Dibandingkan dengan apa yang dapat dilakukan hari ini, prestasi ini hampir tampak sepele, tetapi dianggap sebagai tonggak utama dalam bidang kecerdasan buatan. Selama beberapa dekade ke depan, perkembangan teknologi seputar daya penyimpanan dan pemrosesan akan memungkinkan beberapa produk inovatif yang kita kenal dan sukai saat ini, seperti mesin rekomendasi Netflix atau mobil self-driving.

Machine Learning

Pembelajaran mesin adalah komponen penting dari bidang ilmu data yang berkembang. Melalui penggunaan metode statistik, algoritme dilatih untuk membuat klasifikasi atau prediksi, mengungkap wawasan utama dalam proyek penambangan data. Wawasan ini selanjutnya mendorong pengambilan keputusan dalam aplikasi dan bisnis, idealnya memengaruhi metrik pertumbuhan utama. Karena data besar terus berkembang dan tumbuh, permintaan pasar untuk ilmuwan data akan meningkat, mengharuskan mereka untuk membantu dalam mengidentifikasi pertanyaan bisnis yang paling relevan dan selanjutnya data untuk menjawabnya.

Pembelajaran Mesin vs. Pembelajaran Mendalam vs. Jaringan Neural


Karena pembelajaran mendalam dan pembelajaran mesin cenderung digunakan secara bergantian, perlu diperhatikan nuansa di antara keduanya. Pembelajaran mesin, pembelajaran mendalam, dan jaringan saraf adalah semua sub-bidang kecerdasan buatan. Namun, pembelajaran mendalam sebenarnya adalah sub-bidang pembelajaran mesin, dan jaringan saraf adalah sub-bidang pembelajaran mendalam.

Perbedaan deep learning dan machine learning terletak pada cara setiap algoritme belajar. Pembelajaran mendalam mengotomatiskan sebagian besar bagian ekstraksi fitur dari proses, menghilangkan beberapa intervensi manusia manual yang diperlukan dan memungkinkan penggunaan set data yang lebih besar. Anda dapat menganggap pembelajaran mendalam sebagai “pembelajaran mesin yang dapat diskalakan” seperti yang dicatat Lex Fridman dalam kuliah MIT ini (01:08:05) (tautan berada di luar IBM). Pakar manusia menentukan serangkaian fitur untuk memahami perbedaan antara input data, biasanya membutuhkan data yang lebih terstruktur untuk dipelajari.

Pembelajaran mesin “Mendalam” dapat memanfaatkan kumpulan data berlabel, juga dikenal sebagai pembelajaran terawasi, untuk menginformasikan algoritmenya, tetapi tidak selalu memerlukan kumpulan data berlabel. Itu dapat menyerap data tidak terstruktur dalam bentuk mentahnya (misalnya teks, gambar), dan secara otomatis dapat menentukan kumpulan fitur yang membedakan kategori data yang berbeda satu sama lain. Tidak seperti pembelajaran mesin, tidak memerlukan campur tangan manusia untuk memproses data, memungkinkan kami untuk meningkatkan pembelajaran mesin dengan cara yang lebih menarik. Pembelajaran mendalam dan jaringan saraf terutama dikreditkan dengan percepatan kemajuan di berbagai bidang, seperti visi komputer, pemrosesan bahasa alami, dan pengenalan suara.

Jaringan saraf tiruan, atau jaringan saraf tiruan (JST), terdiri dari lapisan node, yang berisi lapisan input, satu atau lebih lapisan tersembunyi, dan lapisan output. Setiap node, atau neuron buatan, terhubung ke yang lain dan memiliki bobot dan ambang yang terkait. Jika output dari setiap node individu berada di atas nilai ambang batas yang ditentukan, node tersebut diaktifkan, mengirimkan data ke lapisan jaringan berikutnya. Jika tidak, tidak ada data yang diteruskan ke lapisan jaringan berikutnya. Yang “dalam” dalam pembelajaran yang mendalam hanya mengacu pada kedalaman lapisan dalam jaringan saraf. Jaringan saraf yang terdiri dari lebih dari tiga lapisan—yang mencakup masukan dan keluaran—dapat dianggap sebagai algoritme pembelajaran mendalam atau jaringan saraf dalam. Jaringan saraf yang hanya memiliki dua atau tiga lapisan hanyalah jaringan saraf dasar.

Cara kerja pembelajaran mesin


UC Berkeley memecah sistem pembelajaran algoritma pemelajaran mesin menjadi tiga bagian utama.

-Proses Keputusan: Secara umum, algoritma pembelajaran mesin digunakan untuk membuat prediksi atau klasifikasi. Berdasarkan beberapa data input, yang dapat diberi label atau tidak, algoritme Anda akan menghasilkan perkiraan tentang suatu pola dalam data.
-Fungsi Kesalahan: Fungsi kesalahan berfungsi untuk mengevaluasi prediksi model. Jika ada contoh yang diketahui, fungsi kesalahan dapat membuat perbandingan untuk menilai keakuratan model.
-Proses Optimasi Model: Jika model dapat lebih cocok dengan titik data dalam set pelatihan, maka bobot disesuaikan untuk mengurangi perbedaan antara contoh yang diketahui dan estimasi model.

Algoritme akan mengulangi proses evaluasi dan pengoptimalan ini, memperbarui bobot secara mandiri hingga ambang batas akurasi terpenuhi.

Baca Artikel Lainnya : 5 Aplikasi Machine Learning dari Kehidupan Sehari-hari