5 Aplikasi Machine Learning dari Kehidupan Sehari-hari

5 Aplikasi Machine Learning dari Kehidupan Sehari-hari

Kecerdasan Buatan (AI) ada di mana-mana. Kemungkinannya adalah Anda menggunakannya dalam satu atau lain cara dan Anda bahkan tidak mengetahuinya. Salah satu aplikasi AI yang populer adalah Machine Learning (ML), di mana komputer, perangkat lunak, dan perangkat bekerja melalui kognisi (sangat mirip dengan otak manusia). Di sini, kami mengutip dari situs http://139.99.93.175/ beberapa contoh pembelajaran mesin yang kami gunakan sehari-hari dan mungkin tidak tahu bahwa itu didorong oleh ML.

Berikut 5 Aplikasi Machine Learning dari Kehidupan Sehari-hari:

1. Asisten Pribadi Virtual

Siri, Alexa, Google Now adalah beberapa contoh asisten pribadi virtual yang populer. Seperti namanya, mereka membantu dalam mencari informasi, ketika ditanya melalui suara. Yang perlu Anda lakukan adalah mengaktifkannya dan bertanya “Apa jadwal saya hari ini?”, “Apa penerbangan dari Jerman ke London”, atau pertanyaan serupa. Untuk menjawab, asisten pribadi Anda mencari informasi, mengingat pertanyaan terkait, atau mengirim perintah ke sumber daya lain (seperti aplikasi telepon) untuk mengumpulkan info. Anda bahkan dapat menginstruksikan asisten untuk tugas-tugas tertentu seperti “Setel alarm untuk jam 6 pagi berikutnya”, “Ingatkan saya untuk mengunjungi Kantor Visa lusa”.

Pembelajaran mesin adalah bagian penting dari asisten pribadi ini karena mereka mengumpulkan dan menyaring informasi berdasarkan keterlibatan Anda sebelumnya dengan mereka. Kemudian, kumpulan data ini digunakan untuk memberikan hasil yang disesuaikan dengan preferensi Anda.

Asisten Virtual terintegrasi ke berbagai platform. Sebagai contoh:

  • Pembicara Cerdas: Amazon Echo dan Google Home
  • Smartphone: Samsung Bixby di Samsung S8
  • Aplikasi Seluler: Google Allo

2. Prediksi saat Komuter

Prediksi Lalu Lintas : Kita semua pernah menggunakan layanan navigasi GPS. Saat kami melakukannya, lokasi dan kecepatan kami saat ini disimpan di server pusat untuk mengelola lalu lintas. Data ini kemudian digunakan untuk membuat peta lalu lintas saat ini. Meskipun hal ini membantu dalam mencegah lalu lintas dan melakukan analisis kemacetan, masalah mendasarnya adalah jumlah mobil yang dilengkapi dengan GPS lebih sedikit. Pembelajaran mesin dalam skenario seperti itu membantu memperkirakan wilayah di mana kemacetan dapat ditemukan berdasarkan pengalaman sehari-hari.

Jaringan Transportasi Online : Saat memesan taksi, aplikasi memperkirakan harga perjalanan. Saat berbagi layanan ini, bagaimana mereka meminimalkan jalan memutar? Jawabannya adalah pembelajaran mesin. Jeff Schneider, pimpinan teknik di Uber ATC mengungkapkan dalam sebuah wawancara bahwa mereka menggunakan ML untuk menentukan jam lonjakan harga dengan memprediksi permintaan pengendara. Di seluruh siklus layanan, ML memainkan peran utama.

Pengawasan Video

3. Pengawasan Video

Bayangkan satu orang memantau beberapa kamera video! Tentu saja, pekerjaan yang sulit untuk dilakukan dan juga membosankan. Inilah sebabnya mengapa gagasan melatih komputer untuk melakukan pekerjaan ini masuk akal.

Sistem pengawasan video saat ini didukung oleh AI yang memungkinkan untuk mendeteksi kejahatan sebelum terjadi. Mereka melacak perilaku yang tidak biasa dari orang-orang seperti berdiri tak bergerak untuk waktu yang lama, tersandung, atau tidur siang di bangku, dll. Dengan demikian, sistem dapat memberikan peringatan kepada petugas manusia, yang pada akhirnya dapat membantu menghindari kecelakaan. Dan ketika kegiatan tersebut dilaporkan dan dianggap benar, mereka membantu meningkatkan layanan pengawasan. Ini terjadi dengan pembelajaran mesin yang melakukan tugasnya di backend.

4. Layanan Media Sosial

Dari mempersonalisasi umpan berita Anda hingga penargetan iklan yang lebih baik, platform media sosial memanfaatkan pembelajaran mesin untuk keuntungan mereka sendiri dan pengguna. Berikut adalah beberapa contoh yang harus Anda perhatikan, gunakan, dan sukai di akun media sosial Anda, tanpa menyadari bahwa fitur luar biasa ini tidak lain adalah aplikasi ML.

  • Orang yang Mungkin Anda Kenal
  • Pengenalan Wajah
  • Pin (pinterest) yang Serupa

5.Penyaringan Email Spam dan Malware

Ada sejumlah pendekatan penyaringan spam yang digunakan klien email. Untuk memastikan bahwa filter spam ini terus diperbarui, filter tersebut didukung oleh pembelajaran mesin. Ketika penyaringan spam berbasis aturan dilakukan, ia gagal melacak trik terbaru yang diadopsi oleh spammer. Multi Layer Perceptron, C 4.5 Decision Tree Induction adalah beberapa teknik penyaringan spam yang didukung oleh ML.
Lebih dari 325.000 malwares terdeteksi setiap hari dan setiap potongan kode 90-98% mirip dengan versi sebelumnya. Program keamanan sistem yang didukung oleh pembelajaran mesin memahami pola pengkodean. Oleh karena itu, mereka mendeteksi malware baru dengan variasi 2–10% dengan mudah dan menawarkan perlindungan terhadapnya.

Lihat juga: Fakta Pembelajaran Mesin Yang Harus Diketahui.

Kesalahan Harus Dihindari Saat Melatih Pembelajaran Mesin

Kesalahan Harus Dihindari Saat Melatih Pembelajaran Mesin

Mengembangkan model AI atau ML bukanlah permainan anak-anak. Ini membutuhkan banyak pengetahuan dan keterampilan dengan pengalaman yang diperkaya untuk membuat model bekerja dengan sukses dalam berbagai skenario.

CogitoSelain itu, Anda memerlukan data pelatihan visi komputer berkualitas tinggi terutama untuk melatih model AI berbasis persepsi visual Anda. Tahap paling penting dalam pengembangan AI adalah memperoleh & mengumpulkan data pelatihan dan menggunakan data ini saat melatih model.

Kesalahan apa pun saat melatih model Anda tidak hanya akan membuat model Anda tampil tidak akurat, tetapi juga bisa menjadi bencana saat membuat keputusan bisnis yang penting, terutama di area tertentu seperti Perawatan Kesehatan atau Mobil Mengemudi Sendiri.

Saat melatih model AI, aktivitas multi-tahap dilakukan untuk memanfaatkan data pelatihan dengan cara terbaik, sehingga hasilnya memuaskan. Jadi, inilah 6 kesalahan umum yang perlu Anda pahami untuk memastikan model AI Anda berhasil.

#1 Menggunakan Data Tidak Terverifikasi dan Tidak Terstruktur

Menggunakan Data Tidak Terverifikasi dan Tidak Terstruktur

Penggunaan data yang tidak terverifikasi & tidak terstruktur adalah salah satu kesalahan paling umum yang dilakukan oleh para insinyur pembelajaran mesin dalam pengembangan AI. Data yang belum diverifikasi mungkin memiliki kesalahan seperti duplikasi, data yang bertentangan, kurangnya kategorisasi, konflik data, kesalahan dan masalah data lainnya yang dapat membuat anomali selama proses pelatihan.

Oleh karena itu, sebelum Anda menggunakan data untuk pelatihan machine learning Anda, periksa dengan cermat kumpulan data mentah Anda dan hilangkan data yang tidak diinginkan atau tidak relevan, sehingga membantu model AI Anda bekerja dengan akurasi yang lebih baik.

 #2 Menggunakan Data yang Sudah Digunakan untuk Menguji Model Anda

Seseorang agen slotdemo harus menghindari penggunaan kembali data yang telah digunakan untuk menguji model. Oleh karena itu, kesalahan seperti itu harus dihindari. Misalnya, jika seseorang telah mempelajari sesuatu dan telah menerapkan pengetahuan itu ke bidang pekerjaannya; menggunakan pembelajaran yang sama di bidang pekerjaan lain dapat menyebabkan seseorang menjadi bias dan berulang dalam menyimpulkan.

Demikian pula, dalam pembelajaran mesin, logika yang sama berlaku, AI dapat belajar dengan sebagian besar kumpulan data untuk memprediksi jawaban secara akurat. Menggunakan data pelatihan yang sama pada Model atau aplikasi berbasis AI dapat menyebabkan model menjadi bias dan memperoleh hasil yang merupakan hasil dari pembelajaran mereka sebelumnya. Oleh karena itu, saat menguji kemampuan model AI Anda, sangat penting untuk menguji menggunakan set data baru yang tidak digunakan sebelumnya untuk pelatihan pembelajaran mesin.

#3 Menggunakan Kumpulan Data Pelatihan yang Tidak Memadai

Menggunakan Kumpulan Data Pelatihan yang Tidak Memadai

Untuk membuat model AI Anda berhasil, Anda perlu menggunakan data pelatihan yang tepat sehingga dapat memprediksi dengan tingkat akurasi tertinggi. Kurangnya data yang cukup untuk pelatihan adalah salah satu alasan utama di balik kegagalan model.

Namun, tergantung pada jenis model atau industri AI, bidang persyaratan data pelatihan bervariasi. Untuk pembelajaran mendalam, Anda memerlukan lebih banyak kumpulan data kuantitatif dan kualitatif untuk memastikannya dapat bekerja dengan presisi tinggi.

#4 Memastikan Model AI Anda Tidak Bias

Tidak mungkin mengembangkan model AI yang dapat memberikan hasil akurat seratus persen dalam berbagai skenario. Sama seperti manusia, mesin juga dapat menjadi bias karena berbagai faktor seperti usia, jenis kelamin, orientasi, dan tingkat pendapatan, dll., yang dapat memengaruhi hasil dengan satu atau lain cara. Oleh karena itu, Anda perlu meminimalkan ini dengan menggunakan analisis statistik untuk menemukan bagaimana setiap faktor pribadi memengaruhi data dan data pelatihan AI dalam proses.

#5 Mengandalkan Pembelajaran Model AI Secara Mandiri

Mengandalkan Pembelajaran Model AI Secara Mandiri

Padahal, Anda membutuhkan ahli untuk melatih model AI Anda, menggunakan sejumlah besar set data pelatihan. Tetapi jika AI menggunakan proses pembelajaran mesin berulang yang perlu dipertimbangkan saat melatih model tersebut.

Di sini, sebagai insinyur pembelajaran mesin, Anda perlu memastikan bahwa model AI Anda belajar dengan strategi yang tepat. Untuk memastikannya, Anda harus sering memeriksa proses pelatihan AI dan hasilnya secara berkala untuk mendapatkan hasil terbaik.

Info lain : Mengapa Akuntan Harus Merangkul Pembelajaran Mesin

Namun, saat mengembangkan AI pemelajaran mesin, Anda harus terus bertanya pada diri sendiri pertanyaan penting seperti; apakah data Anda bersumber dari sumber terpercaya yang dapat dipercaya? Apakah AI Anda mencakup demografi yang luas dan apakah ada hal lain yang memengaruhi hasil?

Fakta Pembelajaran Mesin Yang Harus Diketahui

Fakta Pembelajaran Mesin Yang Harus Diketahui

Ketika bisnis menjadi semakin didorong oleh data, mengadopsi teknologi Artificial Intelligence dan Machine Learning bukanlah pilihan. Aplikasi mengumpulkan informasi, menganalisisnya, dan memperoleh wawasan yang memfasilitasi keputusan yang lebih baik untuk organisasi. Tidak mengherankan bahwa para profesional dengan keterampilan ini sangat dibutuhkan. Jika Anda berencana untuk memanfaatkan peluang, waktu terbaik untuk mempelajarinya adalah sekarang. Tetapi sebelum Anda menyelam lebih dalam ke lapangan, masuk akal untuk mengetahui apa itu teknologi. Mari kita jelaskan beberapa fakta menarik Machine Learning yang memberi Anda awal yang tepat di bidang karir ini.

Fakta #1- Data adalah dasar dari ML

Machine Learning adalah semua tentang data, karena mengumpulkan pola darinya dan memberikan hasil dengan menganalisisnya. Anda membangun aplikasi yang meneruskan data ke algoritme yang relevan. Algoritme bekerja untuk memberikan wawasan yang dapat ditindaklanjuti kepada pengguna bisnis. Tanpa informasi yang baik, bahkan algoritma ML yang paling canggih pun tidak dapat memberikan nilai. Jadi data adalah awal dan akhir.

Fakta #2- Model sederhana adalah yang terbaik

Jika kerumitan model ML membingungkan Anda, Anda tidak perlu khawatir. Anehnya, model paling sederhana adalah yang terbaik. Pembelajaran mesin melatih model dari pola data, menjelajahi ruang kemungkinan yang sesuai dengan parameter. Ketika ruang parameter terlalu besar, Anda mungkin akan berakhir dengan overfitting model Anda di atas data. Idealnya, tetap berpegang pada parameter yang lebih sedikit demi kesederhanaan.

Fakta #3- Keahlian dalam ML membutuhkan kerja keras

Mempelajari keterampilan membutuhkan kerja keras, latihan, dan kesabaran tanpa henti. Tidak ada buku, kursus, atau tutorial dari agen yang memberikan pemahaman yang lebih baik daripada bermain dengan data dan konsep. Anda perlu memvisualisasikannya dan menggali lebih dalam untuk mengidentifikasi model terbaik. Pengetahuan mendalam tentang probabilitas membantu. Misalnya, Anda dapat mempelajari konsep interval Keyakinan yang dijelaskan oleh programmatically.com untuk memperkirakan kinerja algoritme. Ini dapat membantu Anda memilih yang tepat untuk menganalisis data Anda untuk mendapatkan wawasan yang paling andal.

Fakat Seputar Pembelajaran Mesin

Fakta #4- Melatih banyak model membuat Anda siap untuk sukses

Sebagai pemula, mudah untuk memiliki satu model favorit dan mengandalkannya. Tapi pendekatan itu bisa mengekang pembangunan. Lebih baik membandingkan kinerja model yang berbeda dan memutuskan yang paling cocok untuk tugas tersebut. Anda bahkan dapat menggabungkan model berkinerja terbaik untuk tugas tertentu untuk mencapai hasil yang lebih baik. Sedikit usaha ekstra dapat membantu Anda membuat model kontekstual yang bekerja untuk masalah tertentu.

Fakta #5- Transformasi data adalah bagian tersulit

Ketika Anda baru mulai dengan pembelajaran mesin, Anda mungkin akan percaya bahwa ini terutama tentang memilih dan menyetel algoritme. Tetapi tugas sebenarnya adalah transformasi data, karena Anda harus menginvestasikan banyak usaha dan waktu untuk pembersihan data dan rekayasa fitur. Ini memerlukan mengubah angka mentah menjadi set terorganisir, yang selanjutnya digunakan untuk mengekstrak fitur yang mewakili pola. Ini memastikan kualitas dalam data Anda dan membuatnya dapat digunakan untuk model.

Info lainnya : Hal Berguna Untuk Diketahui Tentang Machine Learning

Fakta #6 Pembelajaran mesin Hanya Bekerja Jika Data Pelatihan Aanda Perwakilan

Sama seperti prospektus dana yang memperingatkan bahwa “kinerja masa lalu bukan jaminan hasil di masa depan”, pembelajaran mesin harus memperingatkan bahwa itu hanya dijamin berfungsi untuk data yang dihasilkan oleh distribusi yang sama yang menghasilkan data pelatihannya. Waspadai perbedaan antara data pelatihan dan data produksi, dan latih ulang model Anda sesering mungkin agar tidak menjadi usang.

Sekarang setelah Anda mengetahui fakta-fakta tentang pembelajaran mesin ini, perjalanan Anda sebagai pemula akan sedikit lebih mudah. Terakhir, Anda harus melihat teknologi ini sebagai inovasi daripada peluru ajaib. Aplikasi memberikan, tetapi hanya jika Anda bekerja lebih keras dengan kualitas data.

Mengapa Akuntan Harus Merangkul Pembelajaran Mesin

Mengapa Akuntan Harus Merangkul Pembelajaran Mesin

Saat ini ada banyak ketakutan dan hype seputar Artificial intelligence (AI) dan dampaknya pada akuntan agen maxbet terpercaya. Dalam Siklus Hype of Artificial Intelligence Gartner, sebagian besar aplikasi AI naik dan mencapai Puncak Ekspektasi yang Melambung — artinya ekspektasi tinggi dan banyak teknologi sudah gagal memenuhi ekspektasi tersebut. Namun ini tidak berarti AI akan menghilang. Artinya, kami mulai mendorong kehebohan dan mencari tahu aplikasi realistis untuk AI — beberapa di antaranya akan berguna bagi akuntan dan banyak di antaranya akan dimanfaatkan oleh organisasi yang kami layani.

Spektrum Kecerdasan Buatan

Bagian dari tantangan dengan teknologi yang sedang berkembang adalah seringnya ada definisi yang tidak jelas tentang apa itu teknologi, dan apa yang bukan. Saat departemen pemasaran vendor berusaha memanfaatkan hype untuk mendorong penjualan, mereka sering kali mulai mengacu pada kata kunci teknologi dalam arti yang longgar dan menyebabkan definisi yang semakin kabur.

Untuk membantu mengatur dengan tepat tahap analisis implikasi AI pada akuntan, saya akan menggunakan kategori teknologi AI yang luas dari:

> Pembelajaran mesin: kemampuan komputer untuk mengenali dan menerapkan pola, mendapatkan algoritme sendiri berdasarkan pola tersebut, dan menyempurnakan algoritme tersebut berdasarkan umpan balik.

> Pembelajaran mendalam: kemampuan komputer untuk mengidentifikasi hubungan dan asosiasi, dan menerapkannya dalam keadaan yang serupa (sebagian inilah yang dilakukan otak kita).

> Penalaran mesin: kemampuan komputer untuk menerapkan “pemahaman” -nya atas data, hubungan, aturan, dll., Untuk “berpikir” melalui implikasi dari sekumpulan informasi tertentu dan memberikan beberapa analisis atau interpretasi.

> Pemrosesan bahasa alami: kemampuan komputer untuk “memahami” ucapan manusia.

> Visi komputer: kemampuan komputer untuk “melihat” gambar dan “mengenali” orang, benda, aktivitas, dan keadaan (misalnya bahagia, sedih, bergerak, dll.) Dalam gambar tersebut.

Dari kategori ini, pembelajaran mesin memiliki aplikasi yang tersedia terluas dan fungsinya dapat sangat melengkapi fakultas akuntan, jadi artikel ini akan berfokus pada pembelajaran mesin.

Anda Sudah Mengalami Machine Learning

Pembelajaran mesin bagus dalam “penalaran induktif” —di mana berdasarkan kumpulan titik data atau contoh yang ada, komputer dapat mengetahui “aturan” untuk menentukan hasil. Ambil langkah mundur ke kelas statistik Anda di universitas dan Anda mungkin ingat teknik seperti regresi linier, pengukuran korelasi, dan keandalan berbagai titik data. Pada tingkat yang paling dasar, ini adalah jenis analisis yang diterapkan algoritme pembelajaran mesin untuk memprediksi hasil. Dengan kekuatan komputasi komputer di belakangnya, pembelajaran mesin dapat memproses ribuan titik data tentang sekumpulan situasi tertentu untuk mencari tahu mana yang relevan, dan mana yang tidak, dan kemudian menerapkan aturan yang disimpulkan ke kumpulan data serupa lainnya untuk memprediksi hasil.

Saran Amazon, Kindle, dan Netflix untuk pengguna adalah contoh yang bagus untuk ini. Netflix dapat menggunakan peringkat Anda untuk acara lain di pustaka dan poin datanya, seperti genre, sutradara, aktor, dll., Untuk memprediksi apakah Anda akan menyukai acara lain. Kindle melakukan hal serupa untuk buku. Amazon menggunakan tampilan produk, riwayat pembelian pembeli lain, dan item gratis kepada yang ada di keranjang Anda untuk menyarankan produk tambahan yang mungkin Anda sukai. Disadari atau tidak, Anda sudah menerapkan pembelajaran mesin untuk mencoba dan memprediksi apa yang mungkin Anda sukai.

Dampak Data Bias pada Penalaran Induktif

Dampak Data Bias pada Penalaran Induktif

Karena penalaran induktif “belajar” dari kumpulan data yang ada, penting untuk memahami apakah kumpulan data yang digunakan untuk “mengajarkan” algoritme pembelajaran mesin memiliki bias yang melekat. Contoh sederhananya adalah jika Anda hanya menonton film horor di Netflix dan menilai semuanya tinggi, dan Anda juga menonton film anggaran rendah lainnya di Netflix karena Anda tidak bisa mendapatkannya di platform lain, Netflix mungkin akan memprediksi bahwa Anda hanya menyukai film horor dan anggaran rendah. Netflix tidak tahu bahwa Anda sebenarnya menyukai berbagai macam film — hanya saja Netflix tidak memiliki akses ke data tersebut.

Info lainnya : Jenis Pembelajaran Mesin

Seperti yang Anda lihat, ada potensi dampak positif dan negatif dari data yang bias. Jika data bias mewakili hasil yang Anda inginkan, maka menggunakan semua poin data dari data bias tersebut adalah dampak positif. Di sisi lain, jika data bias tersebut menyebabkan machine learning memberikan analisis yang akan menghasilkan dampak negatif, pengamanan yang tepat harus diterapkan untuk mencegah atau mendeteksi dampak negatif. Atau diungkapkan dengan cara yang lebih familiar: kita harus memastikan bahwa kontrol internal diterapkan untuk mengelola risiko yang terkait dengan dampak negatif dari penerapan pembelajaran mesin.

Hal Berguna Untuk Diketahui Tentang Machine Learning

Hal Berguna Untuk Diketahui Tentang Machine Learning

Algoritme pembelajaran mesin dapat mengetahui cara melakukan tugas penting dengan menggeneralisasi dari contoh. Ini sering kali layak dan hemat biaya jika pemrograman manual tidak. Dengan semakin banyaknya data yang tersedia, masalah yang lebih ambisius dapat ditangani. Hasilnya, pembelajaran mesin banyak digunakan di bidang komputer dan bidang lainnya. Namun, mengembangkan aplikasi pembelajaran mesin yang sukses membutuhkan sejumlah besar “seni hitam” yang sulit ditemukan di buku teks.

Baru-baru ini saya membaca makalah teknis yang luar biasa oleh Profesor Pedro Domingos dari Universitas Washington berjudul “Beberapa Hal Berguna untuk Diketahui tentang Pembelajaran Mesin.” Artikel ini merangkum 12 pelajaran utama yang telah dipelajari oleh peneliti dan praktisi machine learning termasuk kendala yang harus dihindari, masalah penting untuk difokuskan, dan jawaban atas pertanyaan umum. Saya ingin membagikan pelajaran ini di artikel ini karena sangat berguna saat memikirkan cara mengatasi masalah machine learning Anda berikutnya.

1 – Pembelajaran = Representasi + Evaluasi + Optimasi

Semua algoritme pembelajaran mesin umumnya terdiri dari kombinasi hanya 3 komponen:

Representasi: Pengklasifikasi harus direpresentasikan dalam beberapa bahasa formal yang dapat ditangani komputer. Sebaliknya, memilih representasi untuk pelajar sama saja dengan memilih himpunan pengklasifikasi yang mungkin dapat dipelajari. Himpunan ini disebut ruang hipotesis pelajar. Jika pengklasifikasi tidak berada dalam ruang hipotesis, pengklasifikasi tidak dapat dipelajari. Pertanyaan terkait adalah bagaimana merepresentasikan input, yaitu fitur apa yang digunakan.

Evaluasi: Fungsi evaluasi diperlukan untuk membedakan pengklasifikasi yang baik dari yang buruk. Fungsi evaluasi yang digunakan secara internal oleh algoritme mungkin berbeda dari yang eksternal yang kita inginkan agar pengklasifikasi dioptimalkan, untuk kemudahan pengoptimalan dan karena masalah yang dibahas di bagian selanjutnya.

Optimasi: Akhirnya, kita membutuhkan metode untuk mencari di antara pengklasifikasi dalam bahasa tersebut untuk mendapatkan skor tertinggi. Pilihan teknik pengoptimalan adalah kunci efisiensi pelajar, dan juga membantu menentukan pengklasifikasi yang dihasilkan jika fungsi evaluasi memiliki lebih dari satu optimal. Merupakan hal yang umum bagi pelajar baru untuk mulai menggunakan pengoptimal siap pakai, yang kemudian diganti dengan yang dirancang khusus.

2 – Generalisasi yang Penting

Sasaran dasar machine learning adalah untuk menggeneralisasi di luar contoh dalam set pelatihan. Ini karena, tidak peduli berapa banyak data yang kita miliki, sangat kecil kemungkinannya kita akan melihat contoh persisnya lagi pada waktu pengujian. Berkinerja baik di set pelatihan itu mudah. Kesalahan paling umum di antara pemula machine learning adalah menguji data pelatihan dan mendapatkan ilusi kesuksesan. Jika pengklasifikasi yang dipilih kemudian diuji pada data baru, seringkali tidak lebih baik daripada menebak secara acak. Jadi, jika Anda mempekerjakan seseorang untuk membuat pengklasifikasi, pastikan untuk menyimpan sebagian datanya untuk Anda sendiri dan menguji pengklasifikasi yang mereka berikan kepada Anda. Sebaliknya, jika Anda telah dipekerjakan untuk membuat pengklasifikasi, sisihkan beberapa data dari awal, dan gunakan hanya untuk menguji pengklasifikasi yang Anda pilih di akhir, diikuti dengan mempelajari pengklasifikasi akhir Anda pada keseluruhan data.

Pembelajaran Mesin

3 – Data Saja Tidak Cukup

Generalisasi menjadi tujuan memiliki konsekuensi besar lainnya: data saja tidak cukup, tidak peduli berapa banyak yang Anda miliki.
Ini sepertinya berita yang agak menyedihkan. Lalu bagaimana kita bisa berharap untuk mempelajari sesuatu? Untungnya, fungsi yang ingin kita pelajari di dunia nyata tidak diambil secara seragam dari himpunan semua fungsi yang memungkinkan secara matematis! Faktanya, asumsi yang sangat umum – seperti kelancaran, contoh serupa yang memiliki kelas serupa, dependensi terbatas, atau kompleksitas terbatas – sering kali cukup untuk dilakukan dengan sangat baik, dan inilah sebagian besar alasan mengapa machine learning begitu sukses. Seperti deduksi, induksi (apa yang dilakukan peserta didik) adalah pengungkit pengetahuan: ia mengubah sejumlah kecil pengetahuan masukan menjadi sejumlah besar pengetahuan keluaran. Induksi adalah pengungkit yang jauh lebih kuat daripada deduksi, membutuhkan lebih sedikit pengetahuan masukan untuk menghasilkan hasil yang berguna, tetapi masih membutuhkan lebih dari nol pengetahuan masukan untuk bekerja. Dan, seperti halnya tuas lainnya, semakin banyak kita memasukkan, semakin banyak kita bisa keluar.

Dalam retrospeksi, kebutuhan akan pengetahuan dalam pembelajaran seharusnya tidak mengherankan. Pembelajaran mesin bukanlah sihir; itu tidak bisa mendapatkan sesuatu dari ketiadaan. Apa yang dilakukannya adalah mendapatkan lebih banyak dengan lebih sedikit. Pemrograman, seperti semua teknik lainnya, membutuhkan banyak pekerjaan: kita harus membangun semuanya dari awal. Belajar selengkapnya disini seperti bertani, yang memungkinkan alam melakukan sebagian besar pekerjaan. Petani menggabungkan benih dengan nutrisi untuk bercocok tanam. Peserta didik menggabungkan pengetahuan dengan data untuk mengembangkan program.

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 berbagai situs 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