Apa itu machine learning?

machine learning (ML) adalah jenis kecerdasan buatan (AI) yang memungkinkan aplikasi perangkat lunak menjadi lebih akurat dalam memprediksi hasil tanpa diprogram secara eksplisit untuk melakukannya. Algoritme pembelajaran mesin menggunakan data historis sebagai input untuk memprediksi nilai output baru.

machine learning rekomendasi adalah kasus penggunaan umum untuk pembelajaran mesin. Penggunaan populer lainnya termasuk deteksi penipuan, penyaringan spam, deteksi ancaman malware, otomatisasi proses bisnis (BPA) dan pemeliharaan prediktif.

Mengapa pembelajaran machine learning itu penting?

Pembelajaran mesin penting karena memberi perusahaan pandangan tentang tren perilaku pelanggan dan pola operasional bisnis, serta mendukung pengembangan produk baru. Banyak perusahaan terkemuka saat ini, seperti Facebook, Google, dan Uber, menjadikan pembelajaran mesin sebagai bagian utama dari operasi mereka. Pembelajaran mesin telah menjadi pembeda kompetitif yang signifikan bagi banyak perusahaan.

Apa saja jenis pembelajaran machine learning yang berbeda?

Pembelajaran mesin klasik sering dikategorikan oleh bagaimana suatu algoritma belajar menjadi lebih akurat dalam prediksinya. Ada empat pendekatan dasar: pembelajaran terawasi, pembelajaran tanpa pengawasan, pembelajaran semi-diawasi, dan pembelajaran penguatan. Jenis algoritme yang dipilih oleh para ilmuwan data bergantung pada jenis data yang ingin mereka prediksi.

Pembelajaran yang diawasi: Dalam jenis pembelajaran mesin ini, ilmuwan data menyediakan algoritme dengan data pelatihan berlabel dan menentukan variabel yang mereka ingin algoritme untuk menilai korelasinya. Baik input dan output dari algoritma ditentukan.

Pembelajaran tanpa pengawasan: Jenis pembelajaran mesin ini melibatkan algoritme yang melatih data yang tidak berlabel. Algoritme memindai melalui kumpulan data untuk mencari koneksi yang berarti. Data yang dilatih oleh algoritme serta prediksi atau rekomendasi yang dihasilkannya telah ditentukan sebelumnya.

Pembelajaran semi-diawasi: Pendekatan pembelajaran mesin ini melibatkan campuran dari dua jenis sebelumnya. Ilmuwan data dapat memberi makan algoritme yang sebagian besar berlabel data pelatihan, tetapi modelnya bebas menjelajahi datanya sendiri dan mengembangkan pemahamannya sendiri tentang kumpulan data.

Pembelajaran penguatan: Ilmuwan data biasanya menggunakan pembelajaran penguatan untuk mengajarkan mesin untuk menyelesaikan proses multi-langkah yang aturannya ditetapkan dengan jelas. Ilmuwan data memprogram suatu algoritme untuk menyelesaikan tugas dan memberikannya isyarat positif atau negatif saat berhasil menyelesaikan tugas. Tetapi sebagian besar, algoritme memutuskan sendiri langkah apa yang harus diambil di sepanjang jalan.

Bagaimana cara kerja pembelajaran mesin yang diawasi?

Pembelajaran mesin yang diawasi mengharuskan ilmuwan data untuk melatih algoritme dengan input berlabel dan output yang diinginkan. Algoritme pembelajaran yang diawasi baik untuk tugas-tugas berikut:

Klasifikasi biner: Membagi data menjadi dua kategori.

Klasifikasi multi-kelas: Memilih di antara lebih dari dua jenis jawaban.

Pemodelan regresi: Memprediksi nilai kontinu.

Ensembling: Menggabungkan prediksi beberapa model pembelajaran mesin untuk menghasilkan prediksi yang akurat.

Bagaimana cara kerja pembelajaran mesin tanpa pengawasan?

Algoritme pembelajaran mesin tanpa pengawasan tidak memerlukan data untuk diberi label. Mereka menyaring data yang tidak berlabel untuk mencari pola yang dapat digunakan untuk mengelompokkan titik data ke dalam himpunan bagian. Sebagian besar jenis pembelajaran mendalam, termasuk jaringan saraf, adalah algoritma tanpa pengawasan. Algoritme pembelajaran tanpa pengawasan baik untuk tugas-tugas berikut:

Clustering: Memisahkan dataset menjadi beberapa grup berdasarkan kesamaan.

Deteksi anomali: Mengidentifikasi titik data yang tidak biasa dalam kumpulan data.

Penambangan asosiasi: Mengidentifikasi kumpulan item dalam kumpulan data yang sering muncul bersamaan.

Pengurangan dimensi: Mengurangi jumlah variabel dalam kumpulan data.