Jenis Pembelajaran Mesin

Jenis Pembelajaran Mesin

“Mobil dan robot yang dapat mengemudi sendiri dari Google mendapatkan banyak tekanan, tetapi masa depan perusahaan yang sebenarnya ada dalam pembelajaran mesin, teknologi yang memungkinkan komputer menjadi lebih pintar dan lebih personal.”

– Eric Schmidt (Pimpinan Google)
Kita semua hidup dalam periode BERKEMBANG. Menurut Eric Schmidt – “Pembelajaran Mesin adalah masa depan teknologi”. Ini adalah komponen utama dari Artificial Intelligence. Jadi, benarkah pembelajaran mesin memengaruhi performa bisnis?

Semua pertanyaan dan keraguan Anda terjawab dalam artikel ini, Anda menemukan tiga jenis pembelajaran mesin yang berguna untuk bisnis Anda dan 5 jenis Algoritma pembelajaran Mesin teratas untuk membuat diri Anda lebih akrab dengan konsep ML.

Tiga Jenis Pembelajaran Mesin

Tiga Jenis Pembelajaran Mesin

Ada tiga jenis pembelajaran mesin yang membantu pengembang menciptakan sesuatu yang inovatif.

1. Pembelajaran Terbimbing

Pembelajaran yang diawasi terdiri dari variabel target (atau variabel dependen) yang ditentukan dari seperangkat prediktor (variabel independen) tertentu. Menggunakan kumpulan variabel ini, yang menghasilkan fungsi yang memetakan input ke output yang diinginkan.
Proses pelatihan berlanjut hingga model mencapai tingkat akurasi yang diinginkan pada data pelatihan. Pembelajaran yang diawasi adalah tugas menyimpulkan fungsi dari data pelatihan berlabel.

2. Pembelajaran Tanpa Pengawasan

Pembelajaran tanpa pengawasan Mabosbet memiliki lebih sedikit informasi tentang objek, khususnya, set kereta tidak berlabel. Apa tujuanmu sekarang Beberapa perbandingan antara kelompok objek dapat dikenali dan dimasukkan ke dalam kelompok yang relevan.

Beberapa objek dapat sangat berbeda dari semua cluster, dengan cara ini Anda menganggap objek tersebut sebagai pengecualian. Metode ini memungkinkan Anda untuk meningkatkan akurasi secara signifikan karena kita dapat menggunakan data tak berlabel di set kereta dengan sejumlah kecil data berlabel.

Kategori pembelajaran mesin ini dikenal sebagai tanpa pengawasan karena tidak seperti pembelajaran yang diawasi tidak ada guru. Algoritma dibiarkan sendiri untuk membuat dan mengembalikan struktur yang menarik dalam data.

3. Pembelajaran Penguatan

Metode ini memungkinkan pengguna untuk memutuskan tindakan terbaik, berdasarkan keadaan saat ini dan perilaku yang dipelajari yang memaksimalkan hadiah. Pendekatan ini sering digunakan dalam robotika.
Dengan menggunakan pembelajaran ini, mesin dilatih untuk membuat keputusan khusus.

Ia bekerja seperti- Mesin ditampilkan ke pengaturan di mana ia melatih dirinya sendiri secara terus-menerus menggunakan coba-coba. Mesin ini belajar dari pengalaman masa lalu dan mencoba menangkap pengetahuan terbaik untuk membuat keputusan bisnis yang akurat.

Apa itu Algoritma Pembelajaran Mesin?

Algoritme pembelajaran mesin adalah program yang dapat belajar dari data dan meningkatkan dari pengalaman, tanpa campur tangan manusia. Tugas belajar mungkin termasuk mempelajari fungsi yang menyusun masukan ke keluaran, mempelajari struktur tersembunyi dalam data tak berlabel; atau ‘pembelajaran berbasis instance’, di mana label kelas dibuat untuk instance baru dengan menganalisis instance baru (baris) ke instance dari data pelatihan, yang disimpan dalam memori.

Sekarang, saya akan membagikan lima jenis algoritme pembelajaran mesin teratas yang meningkatkan kemajuan bisnis. Algoritme ini ramah pengguna dan mendorong beberapa tujuan. Selain itu, semuanya populer dan digunakan oleh ribuan perusahaan.

Jenis Algoritma Pembelajaran Mesin untuk pemula

Jenis Algoritma Pembelajaran Mesin untuk pemula

Ada 5 algoritme pembelajaran mesin teratas untuk pemula yang menawarkan keseimbangan yang baik antara kemudahan, daya komputasi yang lebih rendah, hasil langsung, dan akurat.

1. Regresi Linier

Regresi linier adalah metode klasifikasi, bukan metode regresi. Strategi pemodelan prediktif ini dipahami dengan sangat baik, karena statistik menggunakan alat ini selama beberapa dekade sebelum penemuan komputer modern.
Tujuan dari regresi linier adalah membuat prediksi seakurat mungkin dengan menemukan nilai untuk dua koefisien yang membobotkan setiap variabel input. Teknik ini dapat mencakup aljabar linier, pengoptimalan penurunan gradien, dan banyak lagi.
Menggunakan regresi linier mudah dan biasanya memberikan hasil yang akurat. Pengguna yang lebih terampil / berpengalaman tahu untuk menghapus variabel dari kumpulan data pelatihan Anda yang berkorelasi erat dan menghapus sebanyak mungkin gangguan (variabel keluaran yang tidak terkait) jika memungkinkan.

2. Pohon Keputusan

Algoritme lain yang populer dan mudah dipahami adalah pohon keputusan. Grafik mereka membantu Anda melihat apa yang Anda pikirkan dan mesin mereka membutuhkan proses pemikiran yang sistematis dan terdokumentasi.
Ide algoritma ini cukup sederhana. Di setiap node, Anda memilih pemisahan terbaik di antara semua fitur dan semua kemungkinan titik pemisahan. Setiap pemisahan dipilih sedemikian rupa untuk memaksimalkan beberapa fungsi. Dalam pohon klasifikasi, Anda menggunakan cross-entropy dan indeks Gini.

Dalam pohon regresi, Anda meminimalkan jumlah kesalahan kuadrat antara variabel prediktif dari nilai target titik yang berada di wilayah itu dan o

3. Dukungan mesin vektor

Algoritme ini juga dikenal sebagai SVM, yang menganalisis kumpulan data ke dalam kelas. Tujuan utama dari mesin vektor dukungan (SVM) adalah pendekatannya yang berguna untuk klasifikasi di masa mendatang. Ini digunakan untuk mengetahui garis yang memisahkan data pelatihan dengan kelas tertentu.

Satu hal lagi yang harus Anda ketahui adalah bahwa ini memberi Anda margin maksimum untuk memasukkan data masa depan ke dalam kelas.
Seorang pemula atau berpengalaman, yang mengerjakan ini, ini adalah yang terbaik untuk data pelatihan karena data nonlinier juga dapat diprogram dalam Support vector machine (SVM).

4. Apriori

Pembelajaran apriori digunakan dalam database transaksional untuk mengerjakan kumpulan item yang sering dan kemudian menghasilkan aturan asosiasi. Ini populer digunakan dalam analisis keranjang pasar, di mana seseorang memeriksa kombinasi produk yang sering muncul bersamaan dalam database.
Prinsip dasar Apriori digunakan dalam analisis pasar. Algoritme ini memeriksa korelasi positif dan negatif antara produk setelah menganalisis A dan B dalam kumpulan data. Ini khusus digunakan oleh tim penjualan yang mengawasi keranjang pelanggan untuk menemukan produk mana yang akan dibeli pelanggan dengan produk lain.

5. Pengelompokan K-means

Pengelompokan yang digunakan untuk sampel grup seperti objek dalam cluster identik lebih mirip satu sama lain daripada objek dari grup lain.

K- berarti algoritma pengelompokan jenis set data melalui kelompok yang ditentukan. Ini adalah proses berulang yang juga mengeluarkan grup serupa dengan data masukan terlampir.

Baca juga : Contoh Penerapan Machine Learning

Mari kita ambil contoh, Jika Anda menggunakan algoritma K- means untuk mengklasifikasikan hasil web untuk kata sipil, maka akan ditampilkan hasilnya dalam bentuk kelompok. Dan Akurasi adalah keunggulan utama dari algoritma ini. Selain itu, telah mengembangkan reputasi untuk menyediakan pengelompokan yang efisien dalam waktu singkat dibandingkan dengan algoritme lain yang memberikan grup yang bermakna berdasarkan pola internal. Algoritma ini membantu pemasar untuk mengidentifikasi kelompok audiens target.

Contoh Nyata Dari Pembelajaran Mesin Dalam Kehidupan

Contoh Nyata Dari Pembelajaran Mesin Dalam Kehidupan

Pembelajaran mesin adalah salah satu inovasi modern yang telah membantu meningkatkan tidak hanya banyak proses industri dan profesional, tetapi juga mempromosikan kehidupan sehari-hari. Tapi apa mesin belajar? Ini adalah bagian dari kecerdasan buatan, yang berfokus pada penggunaan teknik statistik untuk membangun sebuah sistem komputer yang cerdas untuk belajar dari database yang tersedia. Saat ini, pembelajaran mesin telah digunakan di berbagai bidang dan industri. Sebagai contoh, diagnosa medis, pencitraan, prognosis, klasifikasi, studi asosiasi, regresi, dll

Sebuah sistem cerdas berdasarkan pembelajaran mesin algoritma memiliki kemampuan untuk belajar dari pengalaman masa lalu atau data historis. The pembelajaran mesin aplikasi memberikan hasil berdasarkan pengalaman masa lalu. Pada artikel ini, kita akan membahas contoh konkret bagaimana mesin 10 belajar untuk membantu menciptakan teknologi yang lebih baik untuk memperkuat ide-ide yang ada.

Penerapan Pembelajaran Mesin

1. Pengenalan Gambar

Pengenalan penggunaan gambar adalah salah satu yang paling mesin belajar umum. Ada banyak situasi di mana Anda bisa mengklasifikasikan obyek sebagai gambar digital. Misalnya, dalam kasus gambar hitam dan putih, intensitas setiap pixel disajikan sebagai salah satu langkah. Dalam gambar berwarna, setiap pixel menyediakan tiga pengukuran intensitas dalam tiga warna berbeda – merah, hijau dan biru (RGB).

pembelajaran mesin juga dapat digunakan untuk mendeteksi wajah dalam gambar. Ada kategori terpisah untuk setiap orang dalam database data individu. Pembelajaran mesin juga digunakan untuk membedakan pengenalan karakter untuk surat tulisan tangan dan dicetak. Kita bisa membagi segmen menulis gambar yang lebih kecil, masing-masing dengan karakter.

2. Pengenalan Suara

Ini adalah terjemahan dari pengenalan suara dari kata-kata yang diucapkan ke dalam teks. Hal ini juga dikenal sebagai pengenalan suara atau pengenalan suara komputer. Kemudian, perangkat lunak aplikasi dapat mengenali kata-kata yang diucapkan di klip atau file audio, kemudian mengubah teks menjadi file audio. Langkah-langkah dalam aplikasi ini mungkin serangkaian angka yang mewakili sinyal suara. Kami juga dapat mengklasifikasikan sinyal suara berdasarkan intensitas arus band frekuensi yang berbeda.

speech recognition digunakan dalam aplikasi seperti suara antarmuka pengguna, penelusuran suara dan banyak lagi. antarmuka pengguna suara, termasuk panggilan suara, panggilan routing dan kontrol. Hal ini juga dapat digunakan untuk entri data sederhana dan persiapan dokumen terstruktur.

3. Diagnosa Medis

Hal ini dapat digunakan dalam mesin dan alat-alat yang dapat membantu dalam diagnosis rekayasa studi penyakit. Hal ini digunakan untuk analisis parameter klinis dan kombinasinya, misalnya, memprediksi prognosis perkembangan penyakit untuk ekstraksi pengetahuan medis untuk penelitian, pengobatan perencanaan dan pemantauan pasien. Ini adalah keberhasilan penerapan metode pembelajaran mesin. Hal ini dapat membantu integrasi sistem TI di sektor kesehatan.

4. Arbitrase Statistik

Dalam keuangan, arbitrase mengacu pada strategi perdagangan otomatis yang jangka pendek dan melibatkan banyak gelar. Dalam strategi ini, pengguna berfokus pada pelaksanaan algoritma untuk satu set trading berdasarkan korelasi historis dan jumlah variabel ekonomi secara umum. Mesin metode belajar yang diterapkan pada strategi indeks arbitrase. Kami menerapkan dukungan mesin vektor dan tingkat regresi linier bahan baku.

5. Asosiasi Belajar

Belajar Kemitraan adalah proses pengembangan gambaran dari asosiasi yang berbeda antara produk. Sebuah contoh yang baik adalah bagaimana produk link gratis dapat saling. Mesin aplikasi belajar adalah untuk mempelajari hubungan antara produk yang dibeli. Jika seseorang membeli sebuah produk, produk serupa akan disajikan, karena ada hubungan antara kedua produk. Ketika produk baru yang diluncurkan di pasar, yang dikaitkan dengan mantan untuk meningkatkan penjualan mereka.

6. Klasifikasi

Klasifikasi adalah proses menempatkan setiap individu yang sedang belajar di kelas. Klasifikasi ini membantu untuk menganalisis sejauh mana suatu objek untuk mengidentifikasi objek milik kategori. Untuk membangun sistem yang efektif, analis menggunakan data. Misalnya, sebelum bank telah memutuskan untuk memberikan pinjaman, bank menilai kemampuan klien untuk membayar kembali pinjaman. Mempertimbangkan faktor-faktor seperti pendapatan pelanggan, tabungan dan sejarah keuangan, kita bisa. Informasi ini berasal dari data di atas pinjaman.

7. Ramalan

mesin belajar juga dapat digunakan dalam sistem prediksi. Ambil contoh dari pinjaman, untuk menghitung probabilitas default, sistem harus memilah data yang tersedia dalam kelompok. Hal ini didefinisikan oleh satu set standar yang ditetapkan oleh analis. Setelah penyortiran selesai, kita dapat menghitung probabilitas kesalahan. Perhitungan ini dapat dihitung untuk berbagai keperluan di semua sektor. Membuat prediksi adalah salah satu aplikasi terbaik dari mesin belajar.

8. Ekstraksi

Ekstraksi informasi adalah salah satu aplikasi terbaik dari mesin belajar. Ini adalah proses penggalian informasi terstruktur dari data tidak terstruktur. Misalnya, halaman web, artikel, blog, laporan bisnis, dan email. database relasional mempertahankan output yang dihasilkan oleh penggalian informasi. Proses ekstraksi memiliki seperangkat input dan output dokumen sebagai data terstruktur.

9. Regresi

Kami juga dapat menerapkan regresi pembelajaran mesin juga. Dalam regresi, kita dapat menggunakan prinsip-prinsip pembelajaran mesin untuk mengoptimalkan konfigurasi. Hal ini juga dapat digunakan untuk mengurangi pendekatan kesalahan dan menghitung hasil yang mungkin dekatnya. Kita juga bisa menggunakan mesin belajar untuk mengoptimalkan fungsi. Kita bisa memilih untuk mengubah entri untuk mendapatkan hasil yang berada di dekatnya.

10. Jasa Keuangan

Pembelajaran mesin memiliki potensi besar di sektor keuangan dan perbankan. Ini adalah kekuatan pendorong di balik popularitas jasa keuangan. Mesin belajar kaleng bank, lembaga keuangan membantu untuk membuat keputusan yang lebih cerdas. pembelajaran mesin dapat membantu untuk menemukan jasa keuangan penutupan rekening sebelum hal itu terjadi. Anda juga dapat melacak kebiasaan belanja dari klien. Pembelajaran mesin juga dapat melakukan analisis pasar. Cerdas dapat dilatih untuk melacak kebiasaan konsumen. Algoritma mengidentifikasi tren dengan mudah dan dapat bereaksi secara real time.

Kesimpulan

Singkatnya, kita dapat mengatakan bahwa pembelajaran mesin merupakan terobosan luar biasa dalam bidang kecerdasan buatan. Dan sementara mesin belajar memiliki implikasi menakutkan, penerapan pembelajaran mesin adalah salah satu cara di mana teknologi dapat meningkatkan kehidupan kita.

Dasar-Dasar Kecerdasan Buatan Dan Pembelajaran Mesin

Dasar-Dasar Kecerdasan Buatan Dan Pembelajaran Mesin

Pendahuluan

Dalam beberapa tahun terakhir, periode pembelajaran kecerdasan buatan dan mesin mulai sering muncul pada teknologi baru dan website. Sebelum kita membahas lebih jauh, kami merekomendasikan untuk mengunjungi terlebih dahulu situs taruhan online Depoxito yang telah menggunakan machine learning yang canggih sehingga aman dari hacker. Mereka sering digunakan secara sinonim, tetapi banyak ahli percaya bahwa mereka memiliki perbedaan yang halus tapi nyata. 

Dan, tentu saja, para ahli kadang-kadang tidak setuju di antara mereka sendiri tentang apa perbedaan. 

Secara umum, bagaimanapun, dua hal tampak jelas: Pertama, jangka panjang buatan intelijen (AI), lebih tua dari belajar mesin jangka panjang (ML), dan kedua, sebagian besar orang berpikir bahwa mesin belajar dalam konteks kecerdasan buatan. 

Machine Learning

Kecerdasan Buatan VS Pembelajaran Mesin

Meskipun AI didefinisikan dalam banyak cara, definisi yang paling umum diterima sebagai “bidang ilmu komputer yang didedikasikan untuk memecahkan masalah kognitif umumnya terkait dengan kecerdasan manusia, seperti belajar, pemecahan masalah dan pengenalan pola, “pada dasarnya, adalah gagasan bahwa mesin dapat memiliki kecerdasan, 

Jantung dari sistem ini didasarkan pada model kecerdasan buatan. Model lain adalah bahwa program-program yang meningkatkan pengetahuan mereka melalui proses pembelajaran untuk meninjau lingkungan. Berdasarkan jenis model pembelajaran, dikelompokkan dalam belajar tanpa pengawasan. Ada model lain dalam kategori model pembelajaran tanpa pengawasan. 

Istilah “mesin belajar” juga berasal dari pertengahan abad terakhir. Pada tahun 1959, Arthur Samuel mendefinisikan sebagai “kemampuan untuk belajar tanpa secara eksplisit diprogram.” Kemudian ia memeriksa aplikasi komputer yang salah satu program pertama untuk belajar dari kesalahan dan meningkatkan kinerja dari waktu ke waktu. 

Sebagai penelitian AI, ML populer untuk waktu yang lama, tetapi menjadi populer lagi ketika konsep data mining mulai lepas landas pada 1990-an menggunakan algoritma data mining untuk menemukan model di serangkaian informasi yang diberikan. ML melakukan hal yang sama, tapi pergi jauh – program perubahan perilaku yang didasarkan pada apa yang Anda pelajari. 

Aplikasi ML yang telah menjadi sangat populer baru-baru adalah pengenalan gambar. Permintaan ini harus diatur terlebih dahulu – dengan kata lain, orang perlu melihat banyak gambar dan memberitahu sistem yang ada di gambar. Setelah ribuan pengulangan, studi model umumnya software pixel yang berhubungan dengan kuda, anjing, kucing, bunga, pohon, rumah, dll., Dan dapat memiliki pendekatan yang cukup baik untuk isi image. 

Banyak perusahaan juga menggunakan web ML bahan bakar mesin rekomendasi. Misalnya, ketika Facebook memutuskan apa yang akan muncul di feed berita Anda ketika Amazon menyorot produk yang mereka ingin membeli dan ketika Netflix merekomendasikan film yang Anda mungkin ingin melihat semua rekomendasi ini didasarkan pada perkiraan yang dihasilkan oleh model yang sudah ada. data. 

Perbatasan Kecerdasan Buatan Dan Pembelajaran Mesin

Tentu saja, tidak hanya istilah “ML” dan “AI” terkait dengan bidang komputasi. IBM sering menggunakan istilah “komputasi kognitif”, yang kurang lebih identik dengan AI. 

Namun, istilah lain memiliki cara yang unik dalam melakukan sesuatu. Misalnya, jaringan saraf atau jaringan saraf adalah sistem yang telah dirancang untuk memproses informasi dengan cara yang mirip dengan bagaimana otak biologis. Bisa membingungkan karena jaringan saraf cenderung sangat baik dalam belajar mesin, sehingga kedua istilah ini kadang-kadang dikombinasikan. 

Selain itu, jaringan saraf menyediakan dasar untuk studi mendalam, yang merupakan jenis tertentu mesin belajar. Belajar menggunakan satu set mesin belajar algoritma yang beroperasi di beberapa lapisan. Hal ini dimungkinkan, sebagian, oleh sistem yang menggunakan GPU untuk menangani banyak data sekaligus. 

Jika Anda bingung dengan semua kata-kata ini berbeda, Anda tidak sendirian. komputer terus memperdebatkan definisi yang tepat dari mereka dan mungkin untuk beberapa waktu ke depan. Dan sebagai perusahaan terus uang gaji dalam studi kecerdasan buatan dan mesin belajar, adalah mungkin bahwa beberapa jangka panjang tampaknya bahkan menambah kompleksitas masalah. 

Artikel terkait : Contoh Penerapan Machine Learning

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