Konten didasarkan pada kursus nptel Pembelajaran Mesin untuk Aplikasi Teknik dan Sains.

https://www.linkedin.com/in/arun-singh-0068b1157/

Apa itu Pembelajaran Mesin?

Program yang berkinerja semakin baik seiring dengan semakin banyaknya data yang dimasukkan.

Secara formal, Sebuah program komputer dikatakan belajar dari pengalaman E sehubungan dengan beberapa kelas tugas T dan ukuran kinerja P jika kinerjanya pada tugas-tugas di T, yang diukur dengan P, meningkat seiring dengan pengalaman E.

Contoh: Anggaplah tugas T adalah mengenali bahwa email yang diterima adalah spam atau bukan, dan pengalaman E ditandai dengan label yang menunjukkan bahwa email tertentu adalah spam atau bukan dan kinerja P adalah berapa banyak atau berapa bagian email yang diberi label benar dari data pengujian mengatur. Di sini E hanyalah data berlabel dan semakin banyak data yang diberikan, semakin banyak akurasi atau kinerja model yang meningkat (secara umum).

Paradigma Pembelajaran Mesin

Pendekatan Tradisional/Pendekatan Klasik

Dalam pendekatan klasik, aturan telah ditentukan sebelumnya dan diterapkan pada data, dan jawaban diprediksi berdasarkan aturan yang telah ditentukan tersebut.

Pendekatan Modern

Dalam ML, model diisi dengan data dan diberi label data (jawaban) dan keluaran adalah fungsi atau aturan yang memetakan jawaban ini dari data mentah.

Kapan ML bermanfaat?

Jangan gunakan jika aturannya sangat jelas dan ringkas.

  1. Ketika peraturan sulit untuk diekstraksi (yaitu para ahli tidak mampu menjelaskan keahliannya).
  2. Ketika aturan tidak dapat dibuat (atau ketika keahlian manusia tidak ada)
    Contoh:Navigasi di mars
  3. Solusi perlu disesuaikan dengan kasus tertentu
    Contoh:Biometrik pengguna,Perawatan khusus pasien

Sebuah “trik” mendasar di sebagian besar ML

  1. Semua masalah adalah data dan semua solusi adalah fungsi/peta.
  2. Ubah data ini menjadi angka.
  3. Menentukan masukan dan keluaran yang sesuai untuk tugas ML adalah bagian penting dari proses.
  4. Seringkali “tugas pembelajaran” adalah mempelajari pemetaan dari input ke output.

Tujuh Langkah dalam Pembelajaran Mesin

  1. Mengumpulkan Data
    Memutuskan apa yang dimaksud dengan “data” adalah bagian dari masalahnya.
  2. Menyiapkan Data
    Memastikan tidak ada bias.
  3. Memilih Model/Algoritma
    Tebak bentuk fungsi hipotesis h(x;w).
  4. Pelatihan
    Menggunakan data untuk menentukan parameter model.(parameter adalah konstanta yang merupakan bagian dari fungsi hipotesis misalnya y=mx+c dengan m dan c adalah parameter.
  5. Evaluasi
    Seberapa baik kinerja model?
  6. Penyetelan Hyperparameter
    Yang semakin menyempurnakan model. mis. epoch(jumlah iterasi)…..
  7. Prediksi dan kemudian Penerapan