Apa yang dimaksud Machine Learning?

Komputer Teknologi Informasi
1

komputer

  Machine Learning adalah cabang dari kecerdasan buatan (AI) dan ilmu komputer yang berfokus pada penggunaan data dan algoritma untuk meniru cara manusia belajar, secara bertahap meningkatkan akurasinya. Machine Learning merupakan komponen penting dari bidang ilmu data yang berkembang.

Summary

What is Machine Learning? | IBM.

2

devinisi Machine Learning


  Machine Learning adalah aplikasi kecerdasan buatan (AI) yang menyediakan sistem kemampuan untuk secara otomatis belajar dan meningkatkan pengalaman tanpa diprogram secara eksplisit. Machine Learning berfokus pada pengembangan program komputer yang dapat mengakses data dan menggunakannya untuk dipelajari.

  Proses pembelajaran dimulai dengan pengamatan atau data, seperti contoh, pengalaman langsung, atau instruksi, untuk mencari pola dalam data dan membuat keputusan yang lebih baik di masa depan. Tujuan utamanya adalah untuk memungkinkan komputer belajar secara otomatis tanpa campur tangan manusia.

Tipe-tipe Macihne Learning


  Machine Learning dikategorikan berdasarkan bagaimana suatu algoritma belajar untuk menjadi lebih akurat dalam memprediksi. Ada empat kategori: supervised learning, unsupervised learning, semi-supervised learning dan reinforcement learning. Jenis algoritma yang digunakan oleh data saintis tergantung pada jenis data apa yang ingin mereka prediksi.

  • Supervised Learning: Dalam jenis machine learning ini, data saintis memasok algoritma dengan data pelatihan berlabel dan menentukan variabel yang mereka inginkan untuk dinilai untuk korelasi. Baik input dan output dari algoritma ditentukan.
  • Unsupervised Learning: Jenis machine learning ini melibatkan algoritma yang melatih data yang tidak berlabel. Algoritma memindai melalui kumpulan data, mencari koneksi yang berarti. Data yang dilatih oleh algoritma untuk diprediksi atau rekomendasi yang hasilnya telah ditentukan sebelumnya.
  • Semi-Supervised Learning: Pendekatan machine learning ini melibatkan campuran dari dua jenis sebelumnya. Data saintis memberi data ke algoritma yang sebagian adalah data training, tetapi model ini bebas untuk mengeksplorasi data sendiri dan mengembangkan pemahamannya sendiri tentang kumpulan data.
  • Reinforcement Learning: Data saintis biasanya menggunakan Reinforcement Learnign untuk melatih mesin untuk menyelesaikan multi-step proses dimana ada aturan yang jelas. Data saintis memprogram suatu algoritma untuk menyelesaikan tugas dan memberikan tanda positif atau negatif sebagaimana ia bekerja menyelesaikan tugas. Tetapi sebagian besar, algoritma memutuskan sendiri langkah apa yang harus diambil di sepanjang jalan.

Cara Kerja Machine Learning

  • Supervised Learning


      Supervised machine learning membutuhkan data saintis untuk melatih algoritma dengan input berlabel dan output yang diinginkan. Algoritma Supervised Learning cocok untuk tugas-tugas berikut :

    • Binary classification: Membagi data menjadi dua kategori.
    • Multi-class classification: Memilih di antara lebih dari dua jenis jawaban.
    • Regression modeling: Memprediksi nilai kontinu.
    • Ensembling: Menggabungkan prediksi beberapa model pembelajaran mesin untuk menghasilkan prediksi yang akurat.

  • Unsupervised Learning


      Unsupervised machine learning tidak memerlukan data untuk diberi label. Mereka menyaring data yang tidak berlabel untuk mencari pola yang dapat digunakan untuk mengelompokkan titik data ke dalam himpunan bagian. Unsupervised machine learning cocok digunakan untuk tugas-tugas berikut :

    • Clustering: Membagi dataset menjadi kelompok berdasarkan kesamaan.
    • Anomaly detection: Mengidentifikasi pusat data yang tidak biasa dalam kumpulan data.
    • Association mining: Mengidentifikasi set item dalam kumpulan data yang sering terjadi bersamaan.
    • Dimensionality reduction: Mengurangi jumlah variabel dalam kumpulan data.

  • Semi-supervised Learning


      Semi-supervised learning bekerja oleh data saintis yang memberi asupan berupa sebagian kecil dari training data berlabel ke suatu algoritma. Dari sini, algoritma mempelajari dimensi kumpulan data, yang kemudian dapat diterapkan pada data baru yang tidak berlabel. Kinerja algoritma biasanya meningkat ketika mereka berlatih pada set data berlabel. Tetapi memberi label data bisa memakan waktu dan mahal. Semi-supervised learning menggunakan jalan tengah antara kinerja supervised learning dan efisiensi unsupervised learning. Beberapa area di mana semi-supervised learning digunakan meliputi:

    • Mesin terjemahan: mengajarkan algoritma untuk menerjemahkan bahasa berdasarkan kamus dunia.
    • Deteksi penipuan: Mengidentifikasi kasus penipuan ketika Anda hanya memiliki beberapa sampel positif.
    • Pelabelan data: Algoritma yang dilatih pada set data kecil dapat belajar menerapkan label data ke set yang lebih besar secara otomatis.

  • Reinforcement Learning


      Reinforcement learning bekerja dengan memprogram suatu algoritma dengan tujuan yang berbeda dan seperangkat aturan yang ditentukan untuk mencapai tujuan tersebut. Data saintis juga memprogram algoritma untuk mencari imbalan positif yang diterimanya ketika melakukan tindakan yang bermanfaat terhadap tujuan akhir dan menghindari hukuman yang diterimanya ketika melakukan tindakan yang membuatnya semakin jauh dari tujuan akhirnya. Reinforcement learning sering digunakan di bidang-bidang seperti :

    • Robotika: Robot dapat belajar melakukan tugas-tugas manusia menggunakan teknik ini.
    • Video gameplay: Reinforcement learning telah digunakan untuk mengajarkan bot untuk memainkan sejumlah video game.
    • Manajemen sumber daya: Dengan sumber daya yang terbatas dan tujuan yang telah ditentukan, reinforcement learning dapat membantu perusahaan merencanakan cara mengalokasikan sumber daya.

Kegunaan Machine Learning

  Saat ini machine learning telah digunakan dalam berbagai aplikasi. Contoh salah satu aplikasi yang telah menggunakan machine learning yaitu Facebook. Facebook menggunakan machine learning untuk mempersonalisasi bagaimana feed setiap anggota dikirimkan. Jika pengguna mulai berhenti untuk membaca postingan kalangan tertentu, mesin rekomendasi akan mulai menunjukkan lebih banyak aktivitas kelompok itu di awal feed.

  Di belakang layar, mesin berusaha untuk memperkuat pola yang diketahui dalam perilaku online pengguna. Jika pengguna mengubah pola dan gagal membaca postingan dari grup itu dalam beberapa minggu mendatang, berita feed akan menyesuaikannya.

Selain mesin rekomendasi, kegunaan lain dari machine learning yaitu:

  • Manajemen hubungan pelanggan. Perangkat lunak CRM dapat menggunakan model machine learning untuk menganalisis email dan meminta anggota tim penjualan untuk menanggapi pesan paling penting terlebih dahulu. Sistem yang lebih maju bahkan dapat merekomendasikan respons yang berpotensi efektif.
  • Kecerdasan bisnis. Vendor BI dan analitik menggunakan machine learning di perangkat lunak mereka untuk mengidentifikasi pusat data yang berpotensi penting, pola pusat data, dan anomali.
  • Sistem informasi sumber daya manusia. Sistem HRIS dapat menggunakan model machine learning untuk memfilter melalui aplikasi dan mengidentifikasi kandidat terbaik untuk posisi yang terbuka.
  • Mobil self-driving. Algoritma machine learning bahkan dapat memungkinkan mobil semi-otonom mengenali objek yang terlihat sebagian dan memperingatkan pengemudi.
  • Asisten virtual. Asisten cerdas biasanya menggabungkan model superviced dan unsuperviced machine learning untuk menafsirkan natural speech dan supply cotext.

Keuntungan dan kerugian Menggunakan Machine Learning


  Machine learning telah terlihat kegunaannya mulai dari memprediksi perilaku pelanggan hingga membentuk sistem operasi untuk mobil self-driving.

  Ketika dilihat dari keuntungan, machine learning dapat membantu perusahaan memahami pelanggan mereka di tingkat yang lebih dalam. Dengan mengumpulkan data pelanggan dan menghubungkannya dengan perilaku dari waktu ke waktu, algoritma machine learning dapat mempelajari asosiasi dan membantu tim menyesuaikan pengembangan produk dan inisiatif pemasaran dengan permintaan pelanggan.

  Beberapa perusahaan menggunakan machine learning sebagai pendorong utama dalam model bisnis mereka. Uber, misalnya, menggunakan algoritma untuk mencocokkan driver dengan pengendara. Google menggunakan machine learning untuk memunculkan iklan dalam proses pencarian.

  Jika dilihat dari kerugian menggunakan machine learning, Pertama dan terutama, yaitu mahal. Proyek machine learning biasanya dibuat oleh data saintis, yang meminta gaji tinggi. Proyek-proyek ini juga membutuhkan infrastruktur perangkat lunak yang mahal.

Sumber

https://searchenterpriseai.techtarget.com/definition/machine-learning-ML
https://www.expert.ai/blog/machine-learning-definition/
https://www.sas.com/en_in/insights/analytics/machine-learning.html