Apa itu Pembelajaran Mesin?

Pembelajaran mesin adalah salah satu bidang teknologi yang tumbuh paling cepat, tetapi terlepas dari seberapa sering kata "pembelajaran mesin" dilontarkan, sulit untuk memahami apa itu pembelajaran mesin, tepatnya.

Pembelajaran mesin tidak merujuk hanya pada satu hal, ini adalah istilah umum yang dapat diterapkan pada berbagai konsep dan teknik. Memahami pembelajaran mesin berarti terbiasa dengan berbagai bentuk analisis model, variabel, dan algoritme. Mari kita lihat lebih dekat pembelajaran mesin untuk lebih memahami apa yang dicakupnya.

Apa itu Pembelajaran Mesin?

Sementara istilah pembelajaran mesin dapat diterapkan pada banyak hal yang berbeda, secara umum, istilah tersebut mengacu pada memungkinkan komputer untuk melakukan tugas tanpa menerima instruksi baris demi baris yang eksplisit untuk melakukannya. Spesialis pembelajaran mesin tidak harus menuliskan semua langkah yang diperlukan untuk menyelesaikan masalah karena komputer mampu "belajar" dengan menganalisis pola dalam data dan menggeneralisasikan pola ini ke data baru.

Sistem pembelajaran mesin memiliki tiga bagian dasar:

• Masukan
• Algoritma
• Output

Input adalah data yang dimasukkan ke dalam sistem pembelajaran mesin, dan data input dapat dibagi menjadi label dan fitur. Fitur adalah variabel yang relevan, variabel yang akan dianalisis untuk mempelajari pola dan menarik kesimpulan. Sementara itu, label adalah kelas/deskripsi yang diberikan pada masing-masing contoh data.

Fitur dan label dapat digunakan dalam dua jenis masalah pembelajaran mesin: pembelajaran terawasi dan belajar tanpa pengawasan.

Pembelajaran Tanpa Pengawasan vs. Pengawasan

In pembelajaran yang diawasi, data input disertai dengan kebenaran dasar. Masalah pembelajaran yang diawasi memiliki nilai keluaran yang benar sebagai bagian dari kumpulan data, sehingga kelas yang diharapkan diketahui sebelumnya. Hal ini memungkinkan ilmuwan data untuk memeriksa kinerja algoritme dengan menguji data pada kumpulan data uji dan melihat persentase item yang diklasifikasikan dengan benar.

Sebaliknya, belajar tanpa pengawasan masalah tidak memiliki label kebenaran dasar yang melekat padanya. Algoritme pembelajaran mesin yang dilatih untuk melakukan tugas pembelajaran tanpa pengawasan harus dapat menyimpulkan sendiri pola yang relevan dalam data.

Algoritma pembelajaran yang diawasi biasanya digunakan untuk masalah klasifikasi, di mana seseorang memiliki kumpulan data besar yang diisi dengan instance yang harus diurutkan ke dalam salah satu dari banyak kelas yang berbeda. Jenis pembelajaran terawasi lainnya adalah tugas regresi, di mana nilai yang dihasilkan oleh algoritme bersifat kontinu, bukan kategoris.

Sementara itu, algoritma pembelajaran tanpa pengawasan digunakan untuk tugas-tugas seperti estimasi kepadatan, pengelompokan, dan pembelajaran representasi. Ketiga tugas ini memerlukan model pembelajaran mesin untuk menyimpulkan struktur data, tidak ada kelas yang ditentukan sebelumnya yang diberikan pada model.

Mari kita lihat sekilas beberapa algoritme paling umum yang digunakan dalam pembelajaran tanpa pengawasan dan pembelajaran dengan pengawasan.

Jenis Pembelajaran yang Diawasi

Algoritme pembelajaran terawasi yang umum meliputi:

• Bayes Naif
• Mendukung Mesin Vektor
• Regresi logistik
• Hutan Acak
• Jaringan Syaraf Tiruan

Mendukung Mesin Vektor adalah algoritma yang membagi dataset ke dalam kelas yang berbeda. Titik data dikelompokkan ke dalam kelompok dengan menggambar garis yang memisahkan kelas satu sama lain. Titik-titik yang ditemukan pada satu sisi garis akan menjadi satu kelas, sedangkan titik-titik pada sisi garis yang lain merupakan kelas yang berbeda. Support Vector Machines bertujuan untuk memaksimalkan jarak antara garis dan titik-titik yang ditemukan di kedua sisi garis, dan semakin besar jaraknya, semakin yakin pengklasifikasi bahwa titik tersebut milik satu kelas dan bukan kelas lain.

Regresi logistik adalah algoritme yang digunakan dalam tugas klasifikasi biner ketika titik data perlu diklasifikasikan sebagai milik salah satu dari dua kelas. Regresi Logistik bekerja dengan memberi label pada titik data baik 1 atau 0. Jika nilai yang dirasakan dari titik data adalah 0.49 atau lebih rendah, itu diklasifikasikan sebagai 0, sedangkan jika 0.5 atau lebih, itu diklasifikasikan sebagai 1.

Algoritma Pohon Keputusan beroperasi dengan membagi kumpulan data menjadi fragmen yang lebih kecil dan lebih kecil. Kriteria pasti yang digunakan untuk membagi data tergantung pada insinyur pembelajaran mesin, tetapi tujuannya adalah untuk membagi data menjadi titik data tunggal, yang kemudian akan diklasifikasikan menggunakan kunci.

Algoritma Random Forest pada dasarnya banyak tunggal Pohon Keputusan pengklasifikasi yang dihubungkan bersama menjadi pengklasifikasi yang lebih kuat.

Grafik Pengklasifikasi Naive Bayes menghitung probabilitas bahwa titik data tertentu telah terjadi berdasarkan probabilitas terjadinya peristiwa sebelumnya. Hal ini didasarkan pada Teorema Bayes dan itu menempatkan poin data ke dalam kelas berdasarkan probabilitas yang dihitung. Saat menerapkan pengklasifikasi Naive Bayes, diasumsikan bahwa semua prediktor memiliki pengaruh yang sama terhadap hasil kelas.

An Jaringan Saraf Buatan, atau multi-layer perceptron, adalah algoritme pembelajaran mesin yang terinspirasi oleh struktur dan fungsi otak manusia. Jaringan saraf tiruan mendapatkan namanya dari fakta bahwa mereka terbuat dari banyak node / neuron yang dihubungkan bersama. Setiap neuron memanipulasi data dengan fungsi matematika. Dalam jaringan syaraf tiruan terdapat lapisan masukan, lapisan tersembunyi, dan lapisan keluaran.

Lapisan tersembunyi dari jaringan saraf adalah tempat data sebenarnya ditafsirkan dan dianalisis untuk pola. Dengan kata lain, di situlah algoritma belajar. Semakin banyak neuron yang bergabung membuat jaringan yang lebih kompleks mampu mempelajari pola yang lebih kompleks.

Jenis Pembelajaran Tanpa Pengawasan

Algoritme Pembelajaran Tanpa Pengawasan meliputi:

• Pengelompokan K-means
• Autoencoder
• Analisis Komponen Utama

Pengelompokan K-means adalah teknik klasifikasi tanpa pengawasan, dan bekerja dengan memisahkan titik-titik data menjadi kelompok atau kelompok berdasarkan fiturnya. Pengelompokan K-means menganalisis fitur yang ditemukan di titik data dan membedakan pola di dalamnya yang membuat titik data yang ditemukan di klaster kelas tertentu lebih mirip satu sama lain daripada dengan klaster yang berisi titik data lainnya. Hal ini dilakukan dengan menempatkan pusat yang mungkin untuk cluster, atau centroid, dalam grafik data dan menugaskan kembali posisi centroid hingga ditemukan posisi yang meminimalkan jarak antara centroid dan titik-titik yang termasuk dalam kelas centroid tersebut. Peneliti dapat menentukan jumlah cluster yang diinginkan.

Analisis Komponen Utama adalah teknik yang mengurangi sejumlah besar fitur/variabel menjadi ruang fitur yang lebih kecil/lebih sedikit fitur. "Komponen utama" dari titik data dipilih untuk preservasi, sedangkan fitur lainnya diperas menjadi representasi yang lebih kecil. Hubungan antara ramuan data asli dipertahankan, tetapi karena kerumitan titik data lebih sederhana, data lebih mudah untuk dihitung dan dijelaskan.

Autoencoder adalah versi jaringan saraf yang dapat diterapkan pada tugas pembelajaran tanpa pengawasan. Autoencoder mampu mengambil data bentuk bebas tanpa label dan mengubahnya menjadi data yang dapat digunakan jaringan saraf, pada dasarnya membuat data pelatihan berlabel mereka sendiri. Tujuan dari autoencoder adalah untuk mengonversi data input dan membangunnya kembali seakurat mungkin, jadi ini merupakan insentif jaringan untuk menentukan fitur mana yang paling penting dan mengekstraknya.