Machine Learning 101: Memahami Empat Tipe Intisari untuk Pemula

Tidak diragukan lagi bahwa Big Data merupakan bagian besar dari perkembangan teknologi masa depan. Namun, machine learning (ML) dan Kecerdasan Buatan (AI) keduanya memainkan peran penting dalam perkembangan ini. Hubungan antara ketiga ini secara singkat dijelaskan: Big data adalah untuk bahan, machine learning adalah untuk metode, dan kecerdasan buatan adalah untuk hasil.

Apa itu Machine Learning?

Machine learning (ML) adalah salah satu jenis kecerdasan buatan (AI) di mana algoritma ditulis sedemikian rupa sehingga sistem diberikan kemampuan untuk secara otomatis belajar, beradaptasi dan meningkat secara otomatis melalui pengalaman tanpa diprogram secara eksplisit.
Algoritma machine learning membangun model eksempler yang berdasarkan pada tipe data yang disasarkan untuk dipelajari, tipe data ini disebut “data pelatihan”.

Jenis machine learning?

Ada berbagai jenis Algoritma Machine Learning, biasanya dapat dibagi menjadi 4 kategori jenis machine learning sebagai berikut:-

• Supervised learning.
• Un-supervised learning.
• Semi-supervised learning.
• Reinforcement learning.
  

Supervised Learning

Ketika mesin diawasi saat berada pada tahap “belajar”, jenis pelatihan ini disebut supervised learning. Apa yang sebenarnya kita maksud ketika kita mengatakan sebuah mesin sedang diawasi ?. Artinya menerapkan algoritma sedemikian rupa sehingga memungkinkan mesin untuk belajar menggunakan data lama (data yang disediakan di masa lalu) dan menggunakannya untuk membuat prediksi tentang peristiwa di masa depan yang mengelilingi tipe data yang dimasukkan yaitu data lama.

Analisis dimulai dan semua materi dalam dataset pelatihan yang diberi label berkorelasi dengan mesin sedemikian rupa sehingga ia dapat membuat prediksi nilai output yang benar. Ini berarti kita menyediakan mesin dengan banyak informasi tentang kasus tertentu dan kemudian ia memberikan hasil kasus. Hasilnya disebut data yang diberi label sementara informasi lainnya digunakan sebagai fitur input. Sistem kemudian juga dapat memberikan target untuk input baru setelah pelatihan yang cukup. Algoritma dapat membandingkan outputnya dengan output yang diinginkan dan menemukan perbedaan untuk mengubah model sesuai dengan itu.

image Courtesy artificialintelligence.oodles.io/

Hampir semua metode ini adalah klasifikasi manual, yang paling mudah dilakukan oleh komputer dan paling sulit untuk manusia. Contoh metode ini adalah, memberitahu mesin jawaban standar, dan ketika mesin diuji, mesin akan selalu menjawab sesuai jawaban standar dan oleh karena itu keandalan akan juga lebih besar.

Un-supervised learning

Berbeda dengan supervised learning, algoritma un-supervised learning digunakan ketika informasi yang digunakan untuk melatih mesin tidak diklasifikasikan maupun diberi label, seperti yang namanya sampaikan dalam unsupervised learning tidak ada bantuan yang ditawarkan dari pengguna ke komputer untuk membantu belajar.

Materi yang disediakan tidak memiliki label, dan mesin kemudian mencocokkan karakteristik data dan mengklasifikasikan materi. Karena kurangnya dataset pelatihan yang diberi label, mesin kemudian mengidentifikasi pola dalam data yang tidak begitu jelas bagi manusia.

image Courtesy data-flair.training/

Dalam metode ini, tidak ada klasifikasi manual, yang paling mudah bagi manusia, tetapi paling sulit untuk komputer dan dapat menyebabkan banyak kesalahan. Sistem sebagian besar tidak menemukan output yang diinginkan, tetapi ia meneliti data yang disediakan dan dapat menarik hubungan dari dataset untuk menjelaskan struktur tersembunyi dari data yang tidak diberi label. Oleh karena itu, untuk mengenali pola dalam data unsupervised learning sangat berguna dan juga membantu kita membuat keputusan.

Semi-supervised learning

Semi-supervised learning berbeda dengan supervised learning dan unsupervised learning di mana, tidak ada label yang tersedia untuk semua observasi data atau label tersedia.

Dalam Semi-supervised baik data yang diberi label (supervised) maupun yang tidak diberi label (un-supervised) digunakan untuk pelatihan. SSL adalah campuran dari dua jenis pembelajaran di mana sejumlah kecil data diberi label dan kuantitas besar data tidak diberi label. Mesin diminta untuk menemukan fitur melalui data yang diberi label dan kemudian menggunakan model dasar mengklasifikasikan data lain sesuai dengan itu. Sistem SSL dapat secara signifikan meningkatkan tidak hanya akurasi pembelajaran mereka tetapi juga dapat membuat prediksi yang lebih akurat.

Ini adalah metode yang paling banyak digunakan karena biaya untuk memberi label tinggi karena diperlukan ahli manusia yang terampil. Ini memerlukan sumber daya yang relevan untuk melatihnya dan belajar darinya sementara mendapatkan data yang tidak diberi label umumnya tidak memerlukan sumber daya tambahan. Karena kurangnya label di sebagian besar observasi tetapi keberadaan beberapa, algoritma semi-supervised dipilih sebagai kandidat terbaik untuk membangun model.

Metode ini mendapatkan manfaat dari ide bahwa meskipun anggota grup tidak diketahui karena data yang tidak diberi label lebih umum, informasi tentang parameter masih tersampaikan dalam data yang diberi label dan dapat ditemukan dengan menggunakannya.

Reinforcement learning

Reinforcement learning adalah yang paling dekat dengan cara kita manusia belajar. Algoritma RML adalah metode pembelajaran di mana mesin berulang kali berinteraksi dengan lingkungannya dengan membangun tindakan baru dan menemukan kesalahan atau hadiah. Ini menggunakan sistem berdasarkan hadiah positif atau negatif.

Pencarian coba dan salah dengan hadiah tertunda adalah karakteristik yang paling relevan dari reinforcement learning. Mesin membangun perilaku menggunakan pengamatan yang terkumpul dari berinteraksi dengan lingkungan dan mengambil tindakan yang akan memaksimalkan hadiah atau meminimalkan risiko. Metode ini memungkinkan mesin untuk secara otomatis menentukan perilaku ideal dalam konteks tertentu untuk meningkatkan performa. Dalam reinforcement learning, tidak ada materi yang diberi label, melainkan ia memerlukan umpan balik sederhana bahwa langkah mana yang benar, dan langkah mana yang salah, ini dikenal sebagai sinyal penguat.

Menurut standar umpan balik, mesin secara bertahap merevisi klasifikasinya hingga akhirnya mendapatkan hasil yang benar. Integrasi reinforcement learning diperlukan untuk mencapai tingkat presisi tertentu dalam un-supervised learning,

RML mungkin adalah yang paling sulit untuk diproduksi dan dieksekusi dalam lingkungan bisnis, tetapi digunakan secara umum untuk mobil otonom.