Apa itu Pembelajaran Mesin?

Pembelajaran mesin adalah cabang dari kecerdasan buatan yang melibatkan komputer dan perhitungannya. Dalam pembelajaran mesin, sistem komputer diberikan data mentah, dan komputer membuat perhitungan berdasarkan itu. Perbedaan antara sistem komputer tradisional dan pembelajaran mesin adalah bahwa dengan sistem tradisional, pengembang belum memasukkan kode tingkat tinggi yang akan membuat perbedaan di antara berbagai hal. Oleh karena itu, ia tidak dapat membuat perhitungan yang sempurna atau halus. Namun dalam model pembelajaran mesin, itu adalah sistem yang sangat halus yang digabungkan dengan data tingkat tinggi untuk membuat perhitungan ekstrem ke tingkat yang sesuai dengan kecerdasan manusia, sehingga mampu membuat prediksi yang luar biasa. Ini dapat dibagi secara luas menjadi dua kategori khusus: diawasi dan tidak diawasi. Ada juga kategori kecerdasan buatan lainnya yang disebut semi-supervised.

ML yang diawasi

Dengan tipe ini, komputer diajarkan apa yang harus dilakukan dan bagaimana melakukannya dengan bantuan contoh. Di sini, komputer diberikan sejumlah besar data berlabel dan terstruktur. Salah satu kelemahan dari sistem ini adalah bahwa komputer menuntut jumlah data yang tinggi untuk menjadi ahli dalam tugas tertentu. Data yang berfungsi sebagai input masuk ke dalam sistem melalui berbagai algoritma. Setelah prosedur memaparkan sistem komputer ke data ini dan menguasai tugas tertentu selesai, Anda dapat memberikan data baru untuk respons yang baru dan disempurnakan. Berbagai jenis algoritma yang digunakan dalam pembelajaran mesin semacam ini termasuk regresi logistik, tetangga terdekat K, regresi polinomial, naive bayes, hutan acak, dll.

ML tanpa pengawasan

Dengan tipe ini, data yang digunakan sebagai input tidak diberi label atau terstruktur. Ini berarti bahwa tidak ada yang pernah melihat data sebelumnya. Ini juga berarti bahwa input tidak pernah dapat dipandu ke algoritma. Data hanya diumpankan ke sistem pembelajaran mesin dan digunakan untuk melatih model. Ia mencoba menemukan pola tertentu dan memberikan respon yang diinginkan. Satu-satunya perbedaan adalah bahwa pekerjaan dilakukan oleh mesin dan bukan oleh manusia. Beberapa algoritma yang digunakan dalam pembelajaran mesin tanpa pengawasan ini adalah dekomposisi nilai singular, pengelompokan hierarkis, kuadrat terkecil parsial, analisis komponen utama, sarana fuzzy, dll.

BACA JUGA  6 Fitur Monitor Portabel 4K yang Bagus

Pembelajaran Penguatan

Penguatan ML sangat mirip dengan sistem tradisional. Di sini, mesin menggunakan algoritma untuk menemukan data melalui metode yang disebut trial and error. Setelah itu, sistem itu sendiri yang memutuskan metode mana yang paling efektif dengan hasil yang paling efisien. Ada tiga komponen utama yang termasuk dalam pembelajaran mesin: agen, lingkungan, dan tindakan. Agen adalah orang yang belajar atau pembuat keputusan. Lingkungan adalah suasana tempat agen berinteraksi, dan tindakan dianggap sebagai pekerjaan yang dilakukan agen. Ini terjadi ketika agen memilih metode yang paling efektif dan melanjutkan berdasarkan itu.

10 KOMENTAR

LEAVE A REPLY

Please enter your comment!
Please enter your name here