Contoh Penerapan Machine Learning

Contoh Penerapan Machine LearningPerkembangan teknologi menjadi lebih cepat dan lebih cepat. Mempelajari mesin adalah ilmu yang memainkan peran penting di dalamnya. Tanpa disadari, hampir semua orang menggunakan produk yang diproduksi oleh aplikasi pembelajaran mesin. Berikut adalah 10 manfaat dan contoh penerapan pembelajaran mesin dalam kehidupan sehari-hari.

1. Hasil Pencarian Mesin Pencari

Google dan mesin pencari lainnya seperti Bing dan Yandex selalu memiliki mesin yang diluncurkan untuk mengajarkan halaman peringkat di situs web. Setiap mesin pencari memiliki resep sendiri yang digunakan dalam algoritma pencarian. Dalam praktiknya, saat menulis kata kunci, Google menampilkan hasil pencarian yang lebih dekat dengan kata kunci tersebut. Jika kami memilih halaman dan menghabiskan banyak waktu di halaman ini, Google akan mendeteksi halaman ini sesuai dengan kata kunci yang dimasukkan. Begitu pula ketika kita melihat halaman pencarian selanjutnya, misalnya halaman 2, 3, dan sebagainya. Google mendeteksi perbedaan antara kata kunci dan hasil pencarian. Berikut adalah bagaimana data dikumpulkan dan dianalisis menggunakan pembelajaran mesin oleh mesin pencari Google untuk menghasilkan dan hasil kualitas penelitian yang dinamis.

2. Rekomendasi Pasar Produk

Kemajuan teknologi memanfaatkan permintaan pasar yang meningkat di kedua sisi penjual dan pembeli. Hampir semua orang menggunakan pasar, misalnya Tokopedia, Bukalapak dan Shopee. Setiap detik Anda bisa yakin bertransaksi antara pedagang dan pembeli. Untuk meningkatkan pengalaman pengguna, setiap akun harus memiliki rekomendasi produk yang konsisten dengan minat pembelian pembeli. Untuk melakukan ini secara otomatis dan secara real time, pembelajaran mesin, tentu menentukan keakuratan rekomendasi produk untuk setiap pembeli di akun Anda.

Machine Learning3. Pengalaman Pengguna Media Sosial

Tidak bisa dipungkiri, bahkan jika Anda tidak dapat meningkatkan mesin pencari sebagai situs paling populer. Media sosial adalah situs yang telah dikunjungi oleh pengguna berdasarkan data Alexa. Media sosial seperti Facebook dan Twitter menggunakan pembelajaran mesin sehingga pengguna merasa nyaman menonton gadget layar. Berikut ini beberapa peningkatan dalam pengalaman pengguna adalah aplikasi mesin pembelajaran.

A. Orang yang Anda kenal

Facebook mengumpulkan informasi pengguna, informasi umum seperti rumah, alamat sekolah, alamat kantor dan preferensi aktivitas yang direkam sebagai data suara, pesan, dan profil yang sering dilihat (menguntit). Jadi Anda bisa memprediksi teman-teman Anda yang mungkin sama di dunia nyata.

B. Pengenalan Wajah

Facebook dapat mengetahui bahwa gambar isi berisi wajah orang. Dengan demikian, pengguna dapat menandai wajah di area wajah gambar. Akhirnya, jumlah foto yang diunggah, pengguna Facebook akan mengenali wajah. Ini secara otomatis memungkinkan Facebook menghadapi orang-orang label dalam gambar yang diunggah baru.

C. Posting di beranda

Facebook akan mengumpulkan aktivitas setiap pengguna, yang sering diundang untuk mengkomunikasikan pesan yang sering kali merupakan kelompok bahagia, yang sering terlihat. Ini digunakan untuk menunjukkan prioritas pesan yang muncul di halaman beranda akun pengguna. Dengan demikian, peluang interaksi dengan pesan yang muncul lebih tinggi.

4. Konten diposting oleh iklan digital

Google AdWords adalah iklan media digital paling populer di dunia. AdWords menampilkan iklan di situs web judi seperti https://www.betberry.win/joker123/ yang menjadi penerbit Google Adsense. Iklan yang ditampilkan adalah iklan dinamis atau ubah. Google Adword mengumpulkan data di situs berdasarkan topik dan menampilkan iklan yang relevan dengan topik tersebut. Selain Google Adwords juga menggunakan cookies sebagai referensi bagi pengunjung ke situs web terkait situs web yang dikunjungi sebelumnya. Adwords adalah akumulasi dari dua faktor ini, sehingga iklan dapat ditampilkan oleh pengunjung ke situs

Apa itu Machine Learning?

Apa itu Machine Learning?

Mengetik “apa itu Machine Learning?” ke dalam pencarian Google membuka kotak forum pandora, penelitian akademik, dan di sini-katakan – dan tujuan artikel ini adalah untuk menyederhanakan definisi dan pemahaman Machine Learning berkat bantuan langsung dari panel peneliti Machine Learning kami.

Selain definisi, pembelajaran kerja Machine Learning (ML) yang terinformasi, kami bertujuan untuk memberikan gambaran singkat tentang dasar-dasar Machine Learning, tantangan dan keterbatasan membuat mesin untuk ‘berpikir’, beberapa masalah yang sedang ditangani saat ini secara mendalam belajar (‘perbatasan’ Machine Learning), dan takeaways kunci untuk mengembangkan aplikasi Machine Learning.

Artikel ini akan dipecah menjadi bagian-bagian berikut:

  • Apa itu Machine Learning?
  • Bagaimana kami sampai pada definisi kami (IE: perspektif peneliti ahli)

Kami mengumpulkan sumber daya ini untuk membantu apa pun bidang keingintahuan Anda tentang Machine Learning – jadi gulir ke bagian minat Anda, atau jangan ragu untuk membaca artikel secara berurutan, dimulai dengan definisi Machine Learning kami di bawah ini:

Apa itu Machine Learning?

“Machine Learning adalah ilmu untuk membuat komputer belajar dan bertindak seperti manusia, dan meningkatkan pembelajaran mereka dari waktu ke waktu secara otonom, dengan memberi mereka data dan informasi dalam bentuk pengamatan dan interaksi dunia nyata.”

Definisi di atas merangkum tujuan ideal atau tujuan akhir Machine Learning, seperti yang diungkapkan oleh banyak peneliti di lapangan. Tujuan dari artikel ini adalah untuk memberikan pembaca perspektif bisnis dengan perspektif ahli tentang bagaimana Machine Learning didefinisikan, dan bagaimana cara kerjanya. Machine Learning dan kecerdasan buatan memiliki definisi yang sama di benak banyak orang, tetapi ada beberapa perbedaan yang harus dikenali oleh pembaca. Referensi dan wawancara peneliti terkait dimasukkan pada akhir artikel ini untuk penggalian lebih lanjut.

Bagaimana Kami Tiba di Definisi Kami:

Seperti halnya konsep apa pun, Machine Learning mungkin memiliki definisi yang sedikit berbeda, tergantung pada siapa Anda bertanya. Kami menyisir Internet untuk menemukan lima definisi praktis dari sumber yang memiliki reputasi:

  • “Machine Learning pada dasarnya adalah praktik menggunakan algoritma untuk mem-parsing data, belajar darinya, dan kemudian membuat tekad atau prediksi tentang sesuatu di dunia.” – Nvidia
  • “Machine Learning adalah ilmu untuk membuat komputer bertindak tanpa diprogram secara eksplisit.” – Stanford
  • “Machine Learning didasarkan pada algoritma yang dapat belajar dari data tanpa bergantung pada pemrograman berbasis aturan.” – McKinsey & Co.
  • “Algoritma Machine Learning dapat mengetahui bagaimana melakukan tugas-tugas penting dengan menggeneralisasi dari contoh.” – Universitas Washington
  • “Bidang Machine Learning berupaya menjawab pertanyaan,“ Bagaimana kita dapat membangun sistem komputer yang secara otomatis meningkat dengan pengalaman, dan apa hukum dasar yang mengatur semua proses pembelajaran? ” – Universitas Carnegie Mellon

Kami mengirimkan definisi ini kepada para ahli yang telah kami wawancarai dan / atau masukkan dalam salah satu konsensus penelitian kami sebelumnyadi maha168.com, dan meminta mereka untuk menanggapi dengan definisi favorit mereka atau untuk memberikan definisi mereka sendiri. Definisi pengantar kami dimaksudkan untuk mencerminkan beragam tanggapan. Berikut adalah beberapa tanggapan mereka:

  • Yoshua Bengio , Université de Montréal:

    ML tidak boleh didefinisikan oleh negatif (dengan demikian memerintah 2 dan 3). Ini definisi saya:

    Penelitian Machine Learning adalah bagian dari penelitian tentang kecerdasan buatan , mencari untuk memberikan pengetahuan kepada komputer melalui data, pengamatan dan berinteraksi dengan dunia. Pengetahuan yang diperoleh memungkinkan komputer untuk melakukan generalisasi dengan benar ke pengaturan baru.
  • Danko Nikolic , CSC dan Max-Planck Institute:

    (edit dari nomor 2 di atas): “Machine Learning adalah ilmu untuk membuat komputer bertindak tanpa diprogram secara eksplisit, tetapi sebaliknya membiarkan mereka mempelajari beberapa trik sendiri.”
  • Roman Yampolskiy , Universitas Louisville:

    Machine Learning adalah ilmu membuat komputer untuk belajar sebaik manusia atau lebih baik.

Baca Juga : Sejarah Singkat Tentang Machine Learning

Sejarah Singkat Tentang Machine Learning

Sejarah Singkat Tentang Machine LearningSejak pertama kali komputer diciptakan manusia sudah memikirkan bagaimana caranya agar komputer dapat belajar dari pengalaman. Hal tersebut terbukti pada tahun 1952, Arthur Samuel menciptakan sebuah program, game of checkers, pada sebuah komputer IBM. Program tersebut dapat mempelajari gerakan untuk memenangkan permainan checkers dan menyimpan gerakan tersebut kedalam memorinya.

Manusia telah lama memimpikan mesin yang dapat “berfikir”, bahkan sejak zaman Yunani kuno, seperti Talos dalam mitos Yunani kuno. Talos digambarkan sebagai automaton ( semacam robot) yang terbuat dari perunggu yang diciptakan untuk melindungi Eropa. Keingintahuan manusia terus berlanjut sampai komputer pertama kali ditemukan, para insinyur dan ilmuan bertanya-tanya apakah komputer suatu hari mampu “berfikir”. Rasa ingin tahu tersebut telah melahirkan salah satu bidang ilmu komputer yang disebut kecerdasan buatan ( Artificial Intelligence ). Kecerdasan buatan adalah studi tentang teori dan pengembangan sistem komputer agar mampu melakukan tugas-tugas yang dahulu hanya dapat dilakukan oleh manusia.

Machine Learning

Dengan berkembangnya teknologi kecerdasan buatan, muncul salah satu cabang kecerdasan buatan yang memperoleh banyak perhatian dari para peneliti yang disebut machine learning. Machine Learning mempelajari teori agar komputer mampu “belajar” dari data, machine learning melibatkan berbagai disiplin ilmu seperti statistika, ilmu komputer, matematika dan bahkan neurologi. Salah satu algoritma machine learning yang menarik adalah jaringan saraf tiruan, seperti namanya jaringan saraf tiruan terinspirasi dari cara kerja otak manusia ( yang disederhanakan ). Secara intuisi mencari inspirasi untuk membuat mesin mampu “berfikir” dari cara kerja otak adalah langkah yang bagus sama halnya seperti ingin membuat alat yang mampu terbang dengan melihat cara kerja burung terbang.

Istilah machine learning pada dasarnya adalah proses komputer untuk belajar dari data (learn from data). Tanpa adanya data, komputer tidak akan bisa belajar apa-apa. Oleh karena itu jika kita ingin belajar machine learning, pasti akan terus berinteraksi dengan data. Semua pengetahuan machine learning pasti akan melibatkan data. Data bisa saja sama, akan tetapi algoritma dan pendekatan nya berbeda-beda untuk mendapatkan hasil yang optimal.

Dalam salah satu model jaringan saraf tiruan yang disebut MLP ( multi layer perceptron ) dikenal istilah layer, beberapa neuron tiruan dikelompokan menjadi satu layer kemudian layer satu menjadi input bagi layer yang lain, MLP sebenarnya adalah model ( matematika ) yang terdiri dari komposisi-komposisi fungsi dari vektor ke vektor, model ini biasanya di-train menggunakan algortima optimisasi berbasis gradien seperti gradient descent, berbagai masalah muncul ketika model jaringan saraf tiruan memiliki banyak layer, salah satu masalah yang terkenal disebut the vanishing gradient, masalah ini muncul karena jaringan saraf tiruan dengan banyak layer sebenarnya adalah fungsi yang terdiri dari banyak komposisi fungsi sehingga ketika menghitung gradien terhadap parameter dari fungsi tersebut, kita harus menggukan aturan rantai yang menyebabkan gradien parameternya bernilai kecil sehingga algoritma gradient descent berjalan lambat.