Jenis Jenis Machine Learning yang harus Kamu Tahu di 2022

jenis-jenis algoritma Machine Learning

Pada tahun 2022 ini, banyak jenis-jenis algoritma Machine Learning yang digunakan di aplikasi dunia nyata. Artikel ini akan mengaitkan jenis-jenis apa saja yang harus diketahui.

Bahasa yang akan sering muncul di post ini :

  • Data berlabel : Kumpulan data yang dipelajari oleh kumpulan algoritma Machine Learning, dimana tiap contoh data tersebut terdiri dari input dan output. Input tersebut nantinya akan digunakan untuk memprediksi output tersebut.
  • Klasifikasi : Tujuan dari klasifikasi digunakan untuk prediksi variabel kategorikal, (Contoh : [1, 0], [Benar, Salah], [Spam, Non-Spam]).
  • Regresi : Tujuan dari regresi bermanfaat untuk memprediksi variabel continuous, (Contoh : [Memprediksi harga rumah]).

Jenis-jenis algoritma Machine Learning

Ada beberapa variasi yang digunakan untuk mendefinisikan jenis-jenis algoritma Machine Learning berdasarkan dibuatnya algoritma Machine Learning tersebut. Namun, pada umumnya, Machine Learning bisa dibagi menjadi 4 kategori :

  • Supervised Learning
  • Unsupervised Learning
  • Semi-supervised Learning
  • Reinforcement Learning

Supervised Learning

Saya suka memikirkan Supervised Learning dengan konsep aproksimasi fungsi, di mana pada dasarnya kami mendesain suatu algoritma dengan sekumpulan data untuk dipelajari (sering disebut training data).

Pada akhir proses kami memilih fungsi yang paling menggambarkan data input untuk X tertentu untuk membuat estimasi terbaik dari y (X -> y).

Sebagian besar waktu kita tidak dapat mengetahui fungsi sebenarnya yang selalu membuat prediksi yang benar dan alasan lainnya adalah bahwa algoritma bergantung pada asumsi yang dibuat oleh manusia tentang bagaimana komputer harus belajar dan asumsi ini disebut bias.

Di sini orang dengan expertise di domain tersebut bertindak sebagai orang untuk melabel di mana kami memberi komputer kumpulan data untuk dipelajari komputer tersebut yang berisi input/output dan kami menunjukkan jawaban (output) yang benar dan dari data tersebut komputer harus dapat mempelajari polanya.

Supervised Learning mencoba untuk memodelkan hubungan dan ketergantungan antara keluaran prediksi target dan fitur masukan sehingga kita dapat memprediksi nilai keluaran untuk data baru berdasarkan hubungan yang dipelajari dari kumpulan data sebelumnya.

Algoritma yang sering dipakai pada umumnya

Contoh Aplikasi Supervised Learning

  • Deteksi spam email
  • Customer churn prediction
  • Analisis sentimen

Unsupervised Learning

Untuk unsupervised learning, komputer mempelajari data yang tidak berlabel.

Di sini tidak ada guru sama sekali, sebenarnya komputer mungkin dapat mengajari hal-hal baru setelah mempelajari pola dalam data, algoritma ini sangat berguna dalam kasus di mana pakar manusia tidak tahu apa yang harus dicari dalam data.

Unsupervised Learning merupakan bagian dari keluarga/cabang Machine Learning yang biasanya digunakan untuk mendeteksi pola dari data yang dipelajari.

Selain mendeteksi pola, jenis algoritma ini juga sering digunakan untuk meringkas/aggregasi dari hasil data yang dipelajari oleh algoritma itu sendiri.

Unsupervised Learning sendiri juga terdiri dari beberapa jenis, seperti algoritma clustering, assosiasi, dan probabilistik.

Di aplikasi dunia nyata, unsupervised learning sering digunakan untuk segmentasi, pengelompokan, resampling data, reduksi dimensi.

Algoritma yang sering dipakai pada umumnya

Contoh Aplikasi Unsupervised Learning

  • Segmentasi Customer
  • Collaborative filtering
  • Resampling data

Berikut merupakan figur yang menggambarkan perbedaan antara Supervised dan Unsupervised Learning.

Perbedaan di antara supervised dan unsupervised learning

Semi Supervised Learning

Semi Supervised Learning berada di antara Unsupervised Learning dan Supervised Learning., dimana algoritma Machine Learning tersebut mempelajari sejumlah kecil data berlabel dan sejumlah besar data tidak berlabel selama pembelajaran.

Semi Supervised Learning sendiri biasanya lebih digunakan sebagai terms, dimana metode Unsupervised Learning digunakan untuk mempelajari representasi dari data yang tidak berlabel dan properti dari supervised learning digunakan untuk mempelajari relasi/hubungan antara representasi tersebut dan belajar untuk memprediksi data berlabel.

Contoh Aplikasi Semi-Supervised Learning

  • Fraud detection
  • Klasifikasi Teks Dokumen

Reinforcement Learning

Metode Reinforcement Learning bertujuan untuk menggunakan observasi dan interaksi dari lingkungan tersebut untuk memaksimalisir nilai atau meminimalisir kesalahan.

Algoritma Reinforcement Learning (biasanya dipanggil agent) belajar secara terus menerus dengan lingkungan yang sedang dialami yang berulang-ulang.

Saat sedang pembelajaran, agent tersebut belajar dari pengalamannya dengan linkungan sampai melakukan eksplorasi berbagai kemungkinan secara maksimal.

Algoritma Reinforcement Learning memungkinkan agent tersebut secara otomatis menentukan perilaku dengan konteks secara spesifik untuk memaksimalisir performa algoritma tersebut.

Reinforcement Learning sendiri sangat sering digunakan di dunia entertainment, seperti AlphaZero, AlphaGo, OpenAI Five

Reinforcement Learning process

Algoritma yang sering dipakai pada umumnya

Contoh Aplikasi Reinforcement Learning

  • Gaming
  • Robotik

Baca juga : Apa itu Machine Learning ?

Tinggalkan Komentar

Alamat email Anda tidak akan dipublikasikan. Ruas yang wajib ditandai *