Pembelajaran Mesin Adalah? Bagaimana Cara Kerja Machine Learning?

Cara Kerja Machine Learning

Ketika mendengar tentang machine learning, Kita pasti berfikir itu keren dan memiliki rasa teknologi. Tapi tahukah Anda apa itu machine learning? Bagaimana cara kerja machine learning?

Read More

Machine Learning (ML) adalah subjek interdisipliner multi-bidang yang melibatkan banyak teori. Seperti probabilitas, statistik, teori aproksimasi, analisis cembung, teori kompleksitas algoritme dan disiplin ilmu lainnya. Ini berspesialisasi dalam bagaimana komputer mensimulasikan atau mewujudkan perilaku belajar manusia. Sehingga dapat untuk memperoleh pengetahuan atau keterampilan baru dan untuk mengatur kembali struktur pengetahuan yang ada untuk terus meningkatkan kinerjanya.

Jika Anda memahami teori probabilitas, statistik, dan memiliki pemahaman tentang aljabar linier, maka Anda pasti dapat memahami konsep machine learning. Sekarang, mari kita lihat cara kerja machine learning.

Cara Kerja Machine Learning


Konsep dasar machine learning dibangun di atas fakta dan data. Bahwa apa yang kita anggap sebagai kecerdasan sebagian besar didasarkan pada probabilitas daripada logika dan penalaran.

Meski terdengar aneh dan berlawanan dengan intuisi, pikirkan berbagai situasi dalam hidup Anda dan coba hubungkan.

Ketika Anda ingin pergi dari titik A ke titik B, Anda mungkin memikirkan rute tercepat di antara mereka. Saat Anda memainkan permainan catur, Anda memikirkan langkah mana yang akan membantu Anda menang. Pertimbangkan situasi seperti itu dan Anda akan melihat bahwa probabilitas memainkan peran yang sangat penting dalam pengambilan keputusan manusia.

Mari kita bicara tentang komputer, kita tahu bahwa mereka sangat pandai dalam komputasi. Para ilmuwan mengakui ini pada awal 1950-an. Mereka memahami bahwa dengan data yang cukup, komputer digital dapat memperkirakan probabilitas dengan sangat baik. Sayangnya bagi para peneliti perintis kecerdasan buatan, era ketika ide revolusioner semacam itu muncul bukanlah era yang dapat dieksplorasi sepenuhnya. Komputer belum cukup kuat untuk menjalankan ide-ide baru ini dan mengujinya.

Meski begitu, prinsip dasar mereka yang menjadi dasar kecerdasan buatan modern adalah benar.

Alur Dan Cara Kerja Machine Learning

Machine learning dapat memecahkan empat jenis masalah berdasarkan data. Machine learning khas mengekstrak fitur melalui pembelajaran tanpa pengawasan dan pembelajaran terawasi. Kemudian menggunakan algoritme machine learning untuk mencapai pengelompokan. Hal ini didasarkan fitur umum untuk mendapatkan model prediktif dan menggunakan model prediktif untuk data baru. Data ditandai. Prediksi penalaran logis, perencana, komunikator, pengalaman dan emosi.

Alur Dan Cara Kerja Machine Learning

1. Abstrak Masalah Menjadi Matematika

Mengidentifikasi masalah adalah langkah pertama dalam melakukan machine learning. Proses pelatihan machine learning biasanya merupakan hal yang sangat memakan waktu dan biaya waktu upaya acak sangat tinggi.

Abstraksi di sini adalah masalah matematika, yang berarti untuk memperjelas jenis data apa yang dapat kita peroleh, dan masalah yang diabstraksikan adalah masalah klasifikasi atau regresi atau pengelompokan.

2. Pengumpulan Data

Data menetapkan batas atas pada hasil machine learning dan algoritme hanya mencoba memperkirakan batas atas itu sebanyak mungkin.

Data harus representatif, jika tidak maka pasti akan overfit. Dan untuk masalah klasifikasi, kecondongan data tidak boleh terlalu serius. Tidak boleh ada perbedaan urutan besarnya jumlah data dalam kategori yang berbeda. Baca juga 12 Toolkit Machine Learning Dan Data Mining Python.

Selain itu juga ada evaluasi besaran data, berapa sampel dan berapa fitur, dapat memperkirakan tingkat konsumsi memori, dan menilai apakah memori dapat ditempatkan dalam proses pelatihan. Jika Anda tidak dapat meletakkannya, Anda harus mempertimbangkan untuk meningkatkan algoritme atau menggunakan beberapa teknik pengurangan dimensi. Jika jumlah data terlalu besar, maka perlu dipertimbangkan terdistribusi.

3. Prapemrosesan Fitur Dan Pemilihan Fitur

Data yang baik harus dapat mengekstrak fitur yang bagus agar benar-benar berfungsi.

Prapemrosesan fitur dan pembersihan data adalah langkah penting yang seringkali dapat meningkatkan efek dan kinerja algoritme secara signifikan. Normalisasi, diskritisasi, faktorisasi, pemrosesan nilai yang hilang, penghapusan collinearity, dll.

Banyak waktu dihabiskan untuk mereka dalam proses penambangan data. Tugas-tugas ini sederhana dan dapat direproduksi, serta manfaatnya stabil dan dapat diprediksi. Ini adalah langkah dasar dan penting dari machine learning.

Menyaring fitur yang menonjol dan membuang fitur yang tidak penting memerlukan tenaga ahli machine learning untuk berulang kali memahami bisnis. Ini memiliki dampak yang menentukan pada banyak hasil.

Dengan pemilihan fitur yang baik, algoritma yang sangat sederhana dapat menghasilkan hasil yang baik dan stabil. Hal ini memerlukan penggunaan teknik yang relevan untuk analisis validitas fitur. Seperti koefisien korelasi, uji chi-kuadrat, informasi timbal balik rata-rata, entropi bersyarat, probabilitas posterior, bobot regresi logistik dan metode lainnya.

4. Model Dan Pengaturan Pelatihan

Sampai langkah ini, algoritma yang kami sebutkan di atas digunakan untuk pelatihan. Banyak algoritma sekarang dapat dikemas ke dalam kotak hitam untuk digunakan manusia. Tetapi ujian keterampilan yang sebenarnya adalah menyetel parameter (hiper) dari algoritme ini untuk membuat hasilnya lebih baik.

Ini mengharuskan kita untuk memiliki pemahaman yang mendalam tentang prinsip-prinsip algoritma. Semakin dalam pemahaman, semakin mampu menemukan inti masalah dan mengusulkan rencana penyetelan yang baik.

5. Model Diagnostik

Bagaimana menentukan arah dan ide dari model tuning? Ini membutuhkan teknik untuk mendiagnosis model.

Penilaian overfitting dan underfitting merupakan langkah penting dalam diagnosis model. Metode umum seperti validasi silang, menggambar kurva belajar, dll. Ide optimasi dasar dari overfitting adalah untuk meningkatkan jumlah data dan mengurangi kompleksitas model. Ide dasar penyetelan underfitting adalah untuk meningkatkan jumlah dan kualitas fitur dan meningkatkan kompleksitas model.

Analisis kesalahan juga merupakan langkah penting dalam machine learning. Menganalisis alasan kesalahan secara komprehensif dengan mengamati sampel kesalahan. Apakah itu masalah parameter atau pemilihan algoritma, masalah fitur atau masalah data itu sendiri

Model setelah diagnosis perlu diatur, dan model baru setelah disetel perlu didiagnosis ulang. Ini adalah proses aproksimasi berulang dan berkelanjutan yang membutuhkan upaya terus menerus untuk mencapai keadaan optimal.

6. Model Fusi

Secara umum, setelah fusi model efeknya dapat ditingkatkan sampai batas tertentu. Dan itu bekerja dengan baik.

Dalam teknik, metode utama untuk meningkatkan akurasi algoritme adalah dengan bekerja di bagian depan model (pembersihan fitur dan prapemrosesan, mode pengambilan sampel yang berbeda) dan bagian belakang (penggabungan model). Karena relatif standar dan dapat direplikasi, efeknya relatif stabil. Namun, tidak banyak pekerjaan untuk menyesuaikan parameter secara langsung.Lagi pula, pelatihan dengan sejumlah besar data terlalu lambat, dan efeknya sulit dijamin.

7. Operasi Online

Bagian konten ini terutama terkait dengan implementasi proyek. Rekayasa berorientasi pada hasil, dan efek model yang dijalankan secara online secara langsung menentukan keberhasilan atau kegagalan model. Ini tidak hanya mencakup akurasi, kesalahan, dll. Tetapi juga kecepatan berjalannya (kompleksitas waktu), konsumsi sumber daya (kompleksitas ruang) dan apakah stabilitasnya dapat diterima.

Alur kerja ini terutama merupakan beberapa pengalaman yang dirangkum dalam praktik rekayasa. Tidak setiap proyek berisi proses yang lengkap. Bagian di sini hanyalah deskripsi panduan. Hanya ketika Anda berlatih lebih banyak dan mengumpulkan lebih banyak pengalaman proyek. Anda akan memiliki pemahaman yang lebih dalam tentang diri Anda

Deep Neural Network


Perusahaan seperti Google, Facebook, dan Amazon menerapkan machine learning ke semua data yang mereka dapatkan dari pelanggan mereka. Ini dilakukan untuk mengoptimalkan pengalaman dan preferensi pengguna.

Salah satu metode machine learning tertentu yang digunakan semua perusahaan adalah deep neural network. Konsep deep neural network didasarkan pada konsep terkait jaringan saraf. Hal ini diusulkan oleh Warren McCullough, Walter Pitts, dan Frank Rosenblatt pada konsep tahun 1950-an.

peneliti ml

Sementara jaringan saraf saat ini jauh lebih kompleks daripada jaringan asli dan pembentuk di masa lalu, ide utamanya tetap sama. Cara terbaik untuk memperkirakan probabilitas yang diberikan adalah dengan memecah masalah menjadi bagian kecil. Bagian informasi neuron yang dibuat oleh McCullough dan Pitts. McCullough dan Pitts meramalkan bahwa jika sekelompok neuron semacam itu terhubung dengan cara yang mirip dengan otak manusia. Maka model yang berbeda dapat dibangun untuk mempelajari hal-hal yang berbeda.

Untuk memahami jaringan saraf, mari kita pertimbangkan gambar wajah manusia. Sekarang, jika kita memiliki deep neural network yang belum sempurna, jaringan saraf ini akan memiliki beberapa ribu node. Masing-masing dari ribuan node ini akan ditumpuk berlapis-lapis.

Hal pertama yang dicari setiap node di lapisan pertama jaringan saraf adalah garis atau kurva. Setelah analisis awal selesai, lapisan kedua jaringan saraf mencari bentuk yang lebih maju, seperti lingkaran. Di lapisan ketiga, beberapa parameter dicari. Seperti lingkaran hitam di lingkaran putih yang merupakan cara mata manusia dikenali di jaringan saraf dalam.

Ketika algoritme akhirnya mencapai lapisan neuron terakhir, setiap neuron mampu mengenali bentuk tingkat tinggi. Algoritme dapat menilai keaslian wajah sesuai dengan hasil deteksi neuron terakhir.

Aplikasi Machine Learning


Sejak komputer ditemukan, ahli bahasa dan ilmuwan komputer telah berusaha membuat mereka mengenali ucapan dan teks.

Metode komputer yang mengimplementasikan bahasa tertulis atau ucapan dengan cara yang logis dan koheren ini disebut Natural Language Processing (NLP). Namun, dalam beberapa dekade terakhir, machine learning sebagian besar telah melampaui sistem aturan. Berkat semuanya, mulai dari dukungan mesin vektor hingga model Markov yang tersembunyi hingga pembelajaran mendalam.

Siri Apple, Alexa Amazon dan fungsi ganda Google semuanya sangat bergantung pada pembelajaran mendalam. Sehingga dapat untuk mengenali ucapan atau teks dan mewakili ujung tombak bidang penting ini.

Area berikutnya di mana machine learning banyak digunakan adalah pemrosesan gambar. Ketika Rosenblatt pertama kali mengimplementasikan jaringan sarafnya pada tahun 1958, ia mengujinya dengan gambar anjing dan kucing.

Sejak itu, para peneliti AI telah terobsesi dengan topik tersebut. Karena sebagian besar waktu dihabiskan untuk merancang algoritme yang dapat mendeteksi bentuk yang telah ditentukan sebelumnya dalam gambar. Seperti tepi dan polihedra, menggunakan daya pemrosesan terbatas dari komputer awal.

Namun, berkat perangkat keras modern, bidang computer vision kini didominasi oleh deep learning. Ketika Tesla dapat mengemudi dengan aman dalam mode Autopilot. Atau ketika mikroskop augmented reality baru Google mendeteksi kanker secara real time. Otu semua karena algoritme pembelajaran yang mendalam.

Bidang Utama Machine Learning


Area terakhir di mana machine learning menjadi paling penting adalah robotika. Apa yang membuat kecerdasan kita begitu kuat bukan hanya kemampuan kita untuk memahami dunia. Tetapi juga kemampuan kita untuk berinteraksi dengannya.

Hal yang sama berlaku untuk robot. Komputer yang dapat mengenali penglihatan dan suara adalah satu hal penelitian penting. Mereka yang dapat belajar mengenali suatu objek dan memutuskan bagaimana memanipulasinya.

Cara Kerja Machine Learning

Seperti yang dapat Anda bayangkan, pengenalan ucapan adalah tantangan yang sulit. Kontrol sentuh dan gerak adalah keterampilan yang lebih sulit untuk dikuasai. Terlepas dari kekuatan pemrosesan yang dimiliki komputer, ia masih berkinerja buruk pada sesuatu yang sederhana seperti mengambil baju.

Mengambil baju bukanlah tugas yang mudah bagi robot karena melibatkan beberapa tugas secara bersamaan. Pertama, Anda perlu mengidentifikasi kemeja sebagai kemeja. Kemudian Anda perlu memperkirakan berapa beratnya, bagaimana massanya didistribusikan, berapa banyak gesekan yang terjadi pada permukaannya.

Berdasarkan tebakan ini, Anda perlu memperkirakan di mana harus mengambil kemeja. Berapa banyak kekuatan yang harus diterapkan pada setiap titik. Di mana Anda mengambil kemeja, tugas yang menjadi lebih menantang karena bentuk dan distribusi massa kemeja akan berubah.

Manusia melakukan ini dengan mudah dan tanpa ragu-ragu. Tetapi untuk komputer, ketidakpastian salah satu dari perhitungan ini menggabungkan semua faktor ini. Menjadikannya tugas yang sangat sulit.

Aplikasi dan cara kerja machine learning sangat bervariasi. Kita harus memahami bahwa itu memiliki dampak besar pada industri dan kehidupan kita. Contohnya, orang Jepang selalu menganggap robot itu indah, sementara orang Amerika menganggap robot adalah ancaman bagi manusia.

Related posts

Leave a Reply

Your email address will not be published.