Pembelajaran mesin mungkin tampak seperti konsep yang sangat asing, namun meskipun Anda belum mendalami pemahaman tentang banyak cabangnya, Anda mungkin akan terkejut mengetahui bahwa Anda hampir pasti telah menerapkan algoritme pembelajaran mesin sebelumnya.
Sebelum saya menjelaskan lebih lanjut, penting untuk membahas apa sebenarnya arti belajar dari perspektif pembelajaran mesin.
Pembelajaran Manusia
Misalkan Anda sedang berjalan di taman dan seekor binatang tiba-tiba berlari ke arah Anda. Segera setelah Anda melihat binatang itu, Anda dapat mengidentifikasinya sebagai seekor anjing yang sedang mengambil mainan. Namun, apa yang secara khusus memungkinkan Anda membuat identifikasi ini? Sebagai manusia, sejak lahir kita belajar melalui pengalaman. Kita menerima aliran masukan yang konstan melalui indera kita dan memasangkannya dengan nama atau label yang sesuai dengan apa yang kita rasakan. Saat masih balita, kita mungkin melihat binatang baru dan diberi tahu bahwa yang kita lihat adalah seekor anjing. Dari situ kita mengenali pola atau ciri-ciri seekor anjing, apakah itu berkaki empat, satu ekor, atau bulu. Hal ini kemudian memungkinkan kita untuk menggeneralisasi pengalaman baru. Dalam kasus taman, itu mungkin pertama kalinya Anda melihat anjing tersebut. Namun kita masih bisa menggeneralisasi apa yang kita ketahui tentang anjing untuk dengan yakin memberi label pada apa yang kita lihat sebagai jenis anjing.
Secara lebih umum, sebagai manusia, belajar adalah proses mengenali pola atau fitur untuk membuat prediksi masa depan yang akurat atau mengumpulkan informasi yang bermakna. Dengan cara yang sama, pembelajaran mesin melibatkan pemberian komputer kemampuan untuk menggunakan pengalaman masa lalu untuk mengumpulkan informasi dan membuat generalisasi yang relevan. Namun untuk komputer, pengalaman masa lalu berarti data yang dimasukkan pengguna ke dalam program.
“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” - Tom Mitchell, Pembelajaran Mesin
Garis yang Paling Cocok
Sekarang, Anda mungkin ingat di sekolah sebuah istilah yang disebut 'garis yang paling cocok'. Idenya cukup sederhana; Diberikan sekumpulan titik, Anda menempatkan garis melalui titik-titik tersebut untuk meminimalkan jarak antara semua titik dan garis. Dengan kata lain Anda mencoba 'menyesuaikan' garis dengan titik data yang telah Anda kumpulkan. Garis yang paling sesuai, serta memungkinkan kita melihat kekuatan korelasi antar variabel, memberi kita kemampuan untuk menguji masukan baru.
Misalnya, pada grafik 2d, pengguna memasukkan pasangan (x,y) ke dalam kalkulator, yang kemudian kalkulator menerapkan garis ke data. Kalkulator mengembalikan fungsi garis tersebut dalam bentuk f(x)=mx+b. Dengan fungsi ini, pengguna kemudian dapat memasukkan nilai x baru untuk mendapatkan prediksi nilai y berdasarkan titik yang telah dilihat komputer.
Hubungannya dengan Machine Learning
Garis yang paling sesuai adalah sebutan untuk apa yang secara formal disebut regresi. Regresi, jika dilakukan dengan komputer, merupakan salah satu contoh pembelajaran mesin yang paling dasar. Dengan memasukkan nilai ke dalam persamaan garis yang paling sesuai, kami berupaya membuat prediksi akurat terhadap keluaran terkait berdasarkan pengalaman sebelumnya.
Dalam satu kasus, saya mungkin memiliki masukan ke fungsi tersebut berupa luas persegi sebuah rumah dan keluarannya berupa harga rumah tersebut. Tujuan dari algoritme ini adalah menggunakan ukuran luas persegi dan pasangan harga rumah yang diketahui untuk memprediksi harga rumah berdasarkan luas persegi baru.
Lanjutan pembelajaran.
Meskipun garis yang paling sesuai terlihat sederhana, namun garis tersebut sangat sesuai dengan deskripsi pembelajaran yang telah kita bahas sebelumnya. Komputer diberikan pengalaman dalam bentuk titik data, dan kemudian menggunakan titik tersebut untuk membuat prediksi di masa depan tanpa diprogram secara eksplisit.
Pembelajaran mesin adalah bidang luas yang mencakup banyak kategori dan implementasi berbeda. Di bagian 2 artikel ini, kami akan mengembangkan regresi dan memperkenalkan bentuk pembelajaran mesin lain yang disebut klasifikasi.
