Apa itu machine learning?
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.
Supervised machine learning (Pembelajaran mesin yang diawasi)
Supervised learning, juga dikenal sebagai supervised machine learning, ditentukan oleh penggunaan kumpulan data berlabel untuk melatih algoritme guna mengklasifikasikan data atau memprediksi hasil secara akurat. Saat data input dimasukkan ke dalam model, model menyesuaikan bobotnya hingga dipasang dengan tepat. Ini terjadi sebagai bagian dari proses validasi silang untuk memastikan bahwa model menghindari overfitting atau underfitting. Supervised learning membantu organisasi memecahkan berbagai masalah dunia nyata dalam skala besar, seperti mengklasifikasikan spam dalam folder terpisah dari kotak masuk Anda. Beberapa metode yang digunakan dalam supervised learning antara lain neural network, nave bayes, regresi linier, regresi logistik, random forest, dan support vector machine (SVM).
Unsupervised machine learning (Pembelajaran mesin tanpa pengawasan)
Unsupervised machine, juga dikenal sebagai Unsupervised machine learning, menggunakan algoritme pembelajaran mesin untuk menganalisis dan mengelompokkan kumpulan data yang tidak berlabel. Algoritma ini menemukan pola tersembunyi atau pengelompokan data tanpa perlu campur tangan manusia. Kemampuan metode ini untuk menemukan persamaan dan perbedaan informasi membuatnya ideal untuk analisis data eksplorasi, strategi penjualan silang, segmentasi pelanggan, dan pengenalan citra dan pola. Ini juga digunakan untuk mengurangi jumlah fitur dalam model melalui proses pengurangan dimensi. Principal component analysis (PCA) dan singular value decomposition (SVD) adalah dua pendekatan umum untuk ini. Algoritma lain yang digunakan dalam Unsupervised machine termasuk jaringan saraf, k-means clustering, dan metode clustering probabilistik.
Semi-supervised learning (Pembelajaran semi-diawasi)
Semi-supervised learning menawarkan media yang menyenangkan antara supervised and unsupervised learning. Selama pelatihan, ia menggunakan kumpulan data berlabel yang lebih kecil untuk memandu klasifikasi dan ekstraksi fitur dari kumpulan data yang lebih besar dan tidak berlabel. Semi-supervised learning dapat memecahkan masalah yang tidak memiliki cukup data berlabel untuk supervised learning algoritma. Ini juga membantu jika terlalu mahal untuk memberi label pada data yang cukup.
Sumber:
ibm.com
|
"Investasi Emas dan Reksadana, Untung Mana?."
|
|
Youtube: Katabah Com: Menuju 1 jt Konten :) |
|
|
No comments:
Post a Comment