Machine Learning adalah studi tentang bagaimana komputer mensimulasikan atau menerapkan perilaku belajar manusia untuk memperoleh pengetahuan atau keterampilan baru. Menggunakan Machine Learning untuk menyelesaikan masalah dan mengatur kembali struktur pengetahuan yang ada untuk terus meningkatkan kinerjanya.
Masalah yang dapat dipecahkan menggunakan Machine Learning adalah Masalah klasifikasi, Masalah regresi, Masalah pengelompokan.
Apa Itu Machine Learning?
Machine Learning adalah mempelajari bagian dari data komputer, dan kemudian membuat prediksi dan penilaian pada data lain.
Pada intinya, Machine Learning adalah “menggunakan algoritma untuk mengurai data, belajar darinya, dan kemudian membuat keputusan atau prediksi tentang data baru”. Artinya, komputer menggunakan data yang diperoleh untuk mendapatkan model tertentu, dan kemudian menggunakan model ini untuk membuat prediksi. Proses ini agak mirip dengan proses belajar manusia. Misalnya, orang dapat membuat prediksi tentang masalah baru dengan pengalaman tertentu. Baca juga Daftar Algoritma Populer Untuk Machine Learning Beserta Jenis Dan Penjelasanya
Mari kita ambil contoh. Kita semua tahu kegiatan “17 Agustus” hari kemerdekaan Indonesia. Kita menggunakan ponsel untuk memindai foto kata ” 17 Agustus ” untuk mengidentifikasi kata “17 Agustus “. Ini adalah metode Machine Learning. Kami dapat menyediakan komputer dengan data foto kata “17 Agustus “, melalui pelatihan model model algoritma, sistem akan terus memperbarui dan belajar. Kemudian memasukkan foto baru kata “17 Agustus “, dan mesin akan secara otomatis mengidentifikasi apakah ada kata untuk “17 Agustus” di foto ini. Baca juga Cara Google Menggunakan Machine Learning Dalam Teknologi Yang Digunakan
Machine Learning adalah subjek interdisipliner multi-domain yang melibatkan teori probabilitas, statistik, ilmu komputer, dan disiplin ilmu lainnya. Konsep Machine Learning adalah melatih model dengan memasukkan data pelatihan besar-besaran. Sehingga model dapat memahami hukum potensial yang terkandung dalam data, dan kemudian secara akurat mengklasifikasikan atau memprediksi data input baru.
Masalah Yang Dapat Diselesaikan Menggunakan Machine Learning?
Dari sudut pandang fungsional, Machine Learning dapat memecahkan masalah berikut pada tingkat data tertentu:
- Masalah klasifikasi: Menurut fitur yang diekstraksi dari sampel data, tentukan salah satu dari kategori terbatas yang dimilikinya. Misalnya: identifikasi spam (kategori hasil: 1, spam 2, surat biasa).
- Masalah regresi: memprediksi hasil nilai kontinu berdasarkan fitur yang diekstraksi dari sampel data. Misalnya: Star Ye “The Mermaid” box office
- Masalah pengelompokan: Menurut fitur yang diekstraksi dari sampel data, biarkan sampel saling berkelompok (sampel serupa/berhubungan berada dalam satu kelompok). Misalnya: kategori berita Google.
Mari kita bagi masalah umum di atas ke dalam dua kategori Machine Learning yang paling umum.
Masalah klasifikasi dan regresi perlu dilatih dengan data dengan hasil yang diketahui, yang termasuk dalam “pembelajaran yang diawasi” Baca juga Pengantar Machine Learning Dengan Python Beserta Contoh
Masalah pengelompokan tidak memerlukan label yang diketahui dan termasuk dalam “pembelajaran tanpa pengawasan”. Baca juga Dasar-Dasar Yang Harus Di Pelajari Untuk Machine Learning Developer
Kesimpulan
Di atas adalah apa itu Machine Learning? Masalah seperti apa yang bisa dipecahkan oleh menggunakan Machine Learning? Sejak kelahiran Machine Learning, teori dan teknologi menjadi semakin matang, dan bidang aplikasi juga terus berkembang, tetapi tidak dapat dengan cepat diterapkan pada produksi aktual, dan masih banyak masalah.
Misalnya, bagaimana melatih model yang baik, bagaimana memilih parameter yang baik, dan bagaimana menggabungkan fitur dalam aplikasi praktis. Makalah ini memperkenalkan ide-ide untuk memecahkan masalah utama yang dihadapi dalam aplikasi praktis: rekayasa nilai eigen otomatis dan optimasi arsitektur. Melalui rekayasa nilai eigen otomatis, atribut kunci yang terkait dengan masalah yang akan dipecahkan dapat ditemukan secara otomatis, yang lebih cerdas dan efektif. Efisiensi yang lebih besar dapat dicapai melalui optimasi arsitektur.
