Situs Informasi Seputar Machine Learning

Uncategorized

CARA BISNIS MENDAPAT MANFAAT DARI PEMBELAJARAN MESIN

Dengan semua buzz seputar data besar ion slot, kecerdasan buatan, dan pembelajaran mesin (ML), perusahaan kini menjadi penasaran dengan aplikasi dan manfaat pembelajaran mesin dalam bisnis. Banyak orang mungkin pernah mendengar tentang ML, tetapi tidak benar-benar tahu apa sebenarnya ML itu, masalah terkait bisnis apa yang dapat diselesaikan, atau nilai yang dapat ditambahkan ke bisnis mereka. ML adalah proses analisis data yang memanfaatkan algoritme ML untuk belajar secara iteratif dari data yang ada dan membantu komputer menemukan wawasan tersembunyi tanpa diprogram.

Dengan Google, Amazon, dan Microsoft Azure meluncurkan platform pembelajaran Mesin Cloud mereka, kami telah melihat kecerdasan buatan dan ML semakin menonjol dalam beberapa tahun terakhir. Anehnya, kita semua telah menyaksikan ML tanpa benar-benar menyadarinya. Beberapa contoh yang paling umum adalah deteksi ‘Spam’ oleh penyedia email Anda, dan penandaan ‘Gambar’ atau ‘Wajah’ yang dilakukan oleh Facebook. Sementara Gmail mengenali kata atau pola yang dipilih untuk menyaring spam, Facebook secara otomatis menandai gambar yang diunggah menggunakan teknik pengenalan gambar (wajah). Manfaat bisnis AI dan ML sangat banyak.

Manfaat Bisnis Teratas dari Pembelajaran Mesin

Mari kita lihat beberapa manfaat ML dan bisnis artifisial yang paling signifikan, dimulai dari sektor penjualan dan pemasaran.

Menyederhanakan Pemasaran Produk dan Membantu Perkiraan Penjualan yang Akurat

ML membantu perusahaan dalam berbagai cara untuk mempromosikan produk mereka dengan lebih baik dan membuat perkiraan penjualan yang akurat. ML menawarkan keuntungan besar untuk sektor penjualan dan pemasaran, dengan yang utama adalah –

Konsumsi Data Besar-besaran dari Sumber Tidak Terbatas

ML secara virtual menggunakan data komprehensif dalam jumlah tak terbatas. Data yang dikonsumsi kemudian dapat digunakan untuk terus meninjau dan memodifikasi strategi penjualan dan pemasaran Anda berdasarkan pola perilaku pelanggan. Setelah model Anda dilatih, ia akan dapat mengidentifikasi variabel yang sangat relevan. Akibatnya, Anda akan bisa mendapatkan umpan data terfokus dengan integrasi yang panjang dan rumit sebelumnya.

Prediksi dan Pemrosesan Analisis Cepat

Kecepatan ML menggunakan data dan mengidentifikasi data yang relevan memungkinkan Anda untuk mengambil tindakan yang tepat pada waktu yang tepat. Misalnya, ML akan mengoptimalkan penawaran terbaik berikutnya untuk pelanggan Anda. Akibatnya, pelanggan akan dapat melihat penawaran yang tepat pada titik waktu tertentu, tanpa Anda benar-benar menginvestasikan waktu untuk merencanakan dan membuat iklan yang tepat terlihat oleh pelanggan Anda.

Menafsirkan Perilaku Pelanggan Sebelumnya

ML akan memungkinkan Anda menganalisis data yang terkait dengan perilaku atau hasil masa lalu dan menafsirkannya. Oleh karena itu, berdasarkan data baru dan berbeda, Anda akan dapat membuat prediksi yang lebih baik tentang perilaku pelanggan.

Memfasilitasi Prediksi dan Diagnosis Medis yang Akurat

Dalam industri perawatan kesehatan, ML membantu memudahkan identifikasi pasien berisiko tinggi, membuat diagnosis yang hampir sempurna, merekomendasikan obat-obatan terbaik, dan memprediksi penerimaan kembali. Ini sebagian besar didasarkan pada kumpulan data yang tersedia dari catatan pasien anonim serta gejala yang ditunjukkan oleh mereka. Diagnosis yang hampir akurat dan rekomendasi obat yang lebih baik akan memfasilitasi pemulihan pasien yang lebih cepat tanpa perlu obat-obatan asing. Dengan cara ini, ML memungkinkan untuk meningkatkan kesehatan pasien dengan biaya minimal di sektor medis.

Menyederhanakan Dokumentasi Intensif Waktu dalam Entri Data

Duplikasi dan ketidakakuratan data adalah masalah utama yang dihadapi oleh organisasi yang ingin mengotomatiskan proses entri data mereka. Nah, situasi ini dapat ditingkatkan secara signifikan dengan pemodelan prediktif dan algoritma pembelajaran mesin. Dengan ini, mesin dapat melakukan tugas entri data yang memakan waktu, membuat sumber daya terampil Anda bebas untuk fokus pada tugas nilai tambah lainnya.

Meningkatkan Ketepatan Aturan dan Model Keuangan

ML juga memiliki dampak yang signifikan pada sektor keuangan. Beberapa manfaat pembelajaran mesin umum di bidang Keuangan termasuk manajemen portofolio, perdagangan algoritmik, penjaminan pinjaman, dan yang paling penting adalah deteksi penipuan. Selain itu, menurut laporan ‘The Future of Underwriting’ yang diterbitkan oleh Ernst and Young, ML memfasilitasi penilaian data berkelanjutan untuk mendeteksi dan menganalisis anomali dan nuansa. Ini membantu dalam meningkatkan ketepatan model dan aturan keuangan.

Deteksi Spam Mudah

Deteksi spam adalah salah satu masalah paling awal yang dipecahkan oleh ML. Beberapa tahun yang lalu penyedia email menggunakan teknik berbasis aturan untuk menyaring spam. Namun, dengan munculnya ML, filter spam membuat aturan baru menggunakan jaringan saraf mirip otak untuk menghilangkan email spam. Jaringan saraf mengenali pesan phishing dan email sampah dengan mengevaluasi aturan di seluruh jaringan komputer yang besar.

Meningkatkan Efisiensi Predictive Maintenance di Industri Manufaktur

Perusahaan manufaktur memiliki praktik pemeliharaan korektif dan preventif. Namun, ini seringkali mahal dan tidak efisien. Di sinilah ML bisa sangat membantu. ML membantu dalam pembuatan rencana pemeliharaan prediktif yang sangat efisien. Mengikuti rencana pemeliharaan prediktif seperti itu akan meminimalkan kemungkinan kegagalan yang tidak terduga, sehingga mengurangi aktivitas pemeliharaan preventif yang tidak perlu.

Rekomendasi Situs Slot Deposit Pulsa Tanpa Potongan

Blog

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

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.

Blog

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.

Informasi

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

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 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

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.

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.

Informasi

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.

Informasi

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

Blog

Contoh Penerapan Machine Learning

Contoh Penerapan Machine Learning Perkembangan 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.

3. 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

Informasi

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.

Uncategorized

Sejarah Singkat Tentang Machine Learning

Sejarah Singkat Tentang Machine Learning Sejak 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.