Hallo semuanya , kali ini saya akan mengupas sebuah hal yang sangat fenomena di dunia IT yaitu machine learning dimana setiap programmer mungkin sangat ingin belajar mengenai machine learning. Sebelum itu perkenalkan nama saya Mihwarul Nazid Hasan dari Universitas Komputer Indonesia
Apa itu Machine Learning ?
Machine Learning adalah studi tentang algoritme komputer yang meningkat secara otomatis melalui pengalaman.Hal ini dipandang sebagai bagian dari artificial intelligence. Algoritma machine learning membangun model berdasarkan data sampel, yang dikenal sebagai “Training Data” dalam urutan untuk membuat prediksi atau keputusan tanpa diprogram secara eksplisit untuk melakukannya. Algoritma machine learning digunakan dalam berbagai aplikasi, seperti pemfilteran email dan visi komputer, di mana sulit atau tidak mungkin untuk mengembangkan algoritma konvensional untuk melakukan tugas yang diperlukan.
Bagian dari machine learning terkait erat dengan statistik komputasi, yang berfokus pada pembuatan prediksi menggunakan komputer; tetapi tidak semua tetapi tidak semua machine learning adalah pembelajaran statisik. Studi pengoptimalan matematika memberikan domain metode, teori, dan aplikasi ke bidang machine learning.Data mining adalah bidang studi terkait, dengan fokus pada analisis data eksplorasi melalui unsupervised learning. Dalam penerapannya di seluruh masalah bisnis, machine learning juga disebut sebagai analitik prediktif.
History Of Machine Learning
Istilah machine learning diciptakan pada tahun 1959 oleh Arthur Samuel, seorang IBMer Amerika dan pelopor dalam bidang permainan komputer dan kecerdasan buatan. sebuah buku yang mewakili penelitian machine learning adalah buku nillson tentang machine learning
Machine learning terkenal karena big data atau pemrosesan data yang jumlahnya sangat banyak dan akhir akhir ini machine learning sering juga dikenal dengan deep learning.ini adalah pemikiran saya mengenai machine learning , tapi bagaimana pendapat para ahli ?
Menurut Arthur Samuel 1959
Machine learning adalah cabang ilmu yang mempelajari cara membuat komputer dapat belajar tanpa memprogramnya secara eksplisit atau secara tidak langsung
Tom Mitchell
Masalah learning dalam komputer adalah dimana sebuah komputer yang belajar dari pengalaman (Experience) dengan mempertimbangkan sebuah tugas (Task) dan kemampuannya terukur (Performance)
Teknik Belajar Machine Learning
Ada beberapa teknik yang dimiliki oleh machine learning, namun secara luas Machine Learning memiliki dua teknik dasar belajar, yaitu supervised , unsupervised , semi supervised learning , reinforcement learning dan self learning.
Supervised Learning
Teknik Supervised Learning merupakan teknik yang bisa diterapkan melelaui machine learning yang bisa menerima informasi yang sudah ada pada kumpulan data dengam memberikan label kepada setiap data agar sistem dapat mengetahui data apa ini yang diberikan label
Contoh sederhana dari supervised learning ini adalah dimana sebuah mesin atau komputer dimasukan data data sebuah gambar barang misalnya mesin itu diberi data
- Smartphone
- Flip Phone
- Ipad
- Laptop
- PC desktop
nah semua gambar ini diberi label sesuai dengan nama alat itu saat mesin di beri sebuah gambar baru tapi 1 jenis dengan yang data barang yang sudah ada mesin dapat mengenali apa benda tesebut
Unsupervised Learning
Teknik unsupervised learning merupakan teknik yang bisa kita terapkan pada machine learning yang digunakan sebaliknya tidak seperti supervised learning dimana kita memberi label terhadap suatu data. Diharapkan teknik ini dapat membantu menemukan struktur atau pola tersembunyi pada data yang tidak memiliki label.
karena unsupervised learning ini tidak memiliki acuan seperti supervised learning yang diberi label , supervised learning ini belajar dari pola pola setiap data yang diberikan , dan mesin mengelompokan setiap data yang sama sehingga mendapatkan kumpulan data yang sesuai dengan jenis yang diberikan
seperti contoh di supervised learning setiap jenis benda diberi masing masing 3 gambar yang berbeda , seperti 3 gambar laptop 3 gambar smartphone dan seterusnya , dengan supervised learning diharapkan mesin dapat mengelompokan benda mana saja yang memiliki sama jenis nya
Semi Supervised Learning
Semi-supervised learning berada di antara supervised learning dan unsupervised learning Beberapa contoh learning yang tidak memiliki label learning , namun banyak peneliti machine learning telah menemukan data tak berlabel itu, saat digunakan terkait dengan sejumlah kecil data berlabel, dapat menghasilkan peningkatan yang cukup besar dalam akurasi pembelajaran.
Reinforcement Learning
Reinforcement Learning adalah area machine learning yang berkaitan dengan bagaimana perangkat harus mengambil tindakan di lingkungan untuk memaksimalkan gagasan imbalan kumulatif. Reinforcement Learning berbeda dari supervised learning dalam hal tidak memerlukan label input/output dan tidak memerlukan tindakan sub-optimal untuk dikoreksi secara eksplisit.fokusnya adalah menemukan keseimbangan antara eksplorasi (of uncharted territory) dan eksploitasi (of current knowledge).
Self Learning
Self learning sebagai paradigma machine learning diperkenalkan pada tahun 1982 bersama dengan neural network yang mampu belajar mandiri bernama crossbar adaptive array (CAA). Algoritma -learning menghitung, dalam crossbar fashion ,baik keputusan tentang tindakan dan emosi (feelings) tentang situasi konsekuensi. Sistem ini didorong oleh interaksi antara kognisi dan emosi.
Kegunaan Machine Learning
- Prediction
Machine learning dapat digunakan dalam sistem prediksi Mempertimbangkan contoh pinjaman, untuk menghitung probabilitas kesalahan, sistem perlu mengklasifikasikan data yang tersedia dalam kelompok.
2. Image Recognition
Machine learning dapat digunakan untuk mendeteksi wajah dalam gambar. Ada kategori terpisah untuk setiap orang dalam database yang terdiri dari beberapa orang.
3. Speech Recognition
Machine learning ini adalah terjemahan kata-kata yang diucapkan ke dalam teks. Digunakan dalam pencarian suara dan banyak lagi. Antarmuka pengguna suara meliputi panggilan suara, perutean panggilan, dan kontrol alat. Juga dapat digunakan sebagai entri data sederhana dan persiapan dokumen terstruktur.
4. Medical Diagnose
Machine learning dapat dilathin untuk mengenali jaringan kanker
Cara Kerja Machine Learning
Cara kerja machine learning sebenarnya berbeda-beda sesuai dengan teknik atau metode pembelajaran seperti apa yang kamu gunakan pada machine learning. Namun pada dasarnya prinsip cara kerja pembelajaran mesin masih sama, meliputi pengumpulan data, eksplorasi data, pemilihan model atau teknik, memberikan pelatihan terhadap model yang dipilih dan mengevaluasi hasil dari machine learning.
AlphaGo merupakan machine learning yang dikembangkan oleh Google. Saat awal dikembangkan AlphaGO akan dilatih dengan memberikan 100 ribu data pertandingan Go untuk ia pelajari. Setelah AlphaGo mempunyai bekal dan pengetahuan cara dan strategi bermain game Go dari mempelajari 100 ribu data pertandingan Go tersebut. AlphaGo akan belajar kembali dengan bermain Go bersama dengan dirinya sendiri dan setiap kali ia kalah ia akan memperbaiki cara ia bermain dan proses bermain ini akan diulang sampai jutaan kali.
Perbaikan cara bermain AlphaGo dilakukan oleh dirinya sendiri berdasarkan pengalamannya saat ia bermain melawan dirinya sendiri atau melawan orang lain. AlphaGo juga bisa mensimulasikan beberapa pertandingan pada satu waktu secara bersamaan. Artinya dalam satu waktu ia bisa melakukan beberapa pertandingan Go sekaligus untuk dipelajari. Sehingga proses belajar dan pengalamannya bermain Go juga bisa lebih banyak dibanding manusia. Hal ini terbukti ketika AlphaGo bermain dengan juara dunia Go pada tahun 2016 dan ia bisa menjadi pemenangnya.
Dari penerapan machine learning pada AlphaGo, kita bisa memahami bahwa machine learning akan terus belajar selama ia digunakan. Sama halnya seperti fitur deteksi wajah di foto yang dimiliki Facebook ia akan belajar mengenal pola wajah kamu berdasarkan tanda yang kamu masukkan saat memposting sebuah foto. Dari orang yang kamu tandai pada foto tersebut ML akan menjadikan informasi tersebut sebagai media untuk belajar.
Jadi tidak heran apabila machine learning sering digunakan, maka tingkat akurasinya semakin baik dibanding di awal-awal. Hal ini dikarenakan machine learning telah banyak belajar seiring waktu dari pemakaian machine learning oleh pengguna. Seperti pada fitur deteksi wajah milik Facebook semakin banyak orang yang menggunakan fitur tersebut dan menandai orang-orang yang ada di foto maka tingkat akurasi orang yang dideteksi pun semakin baik.
Bagaimana Cara Membuat Machine Learning
Secara umum, berikut ini adalah langkah-langkah membuat machine learning
- Kumpulkan data mentah atau pengalaman
- mengubah data menjadi informasi
- mengumpulkan pengetahuan dari informasi
- menjadi cerdas untuk membuat keputusan
Untuk mengumpulkan pengalaman atau raw data dibutuhkan suatu sumber dan suatu teknik untuk ekstraksi data, Teknik yang digunakan disini adalah Big Data Hadoop. Cara menganalisis data mentah dan mengekstrak informasi darinya disebut Big Data Hadoop.
Untuk mengubah data mentah menjadi informasi, kita harus menggunakan Data Mining Proses menemukan pola dalam kumpulan data besar yang melibatkan metode di persimpangan statistik dan sistem database disebut Data Mining.
Memahami semua parameter informasi dan mengumpulkan pengetahuan untuk menjadi cerdas dilakukan dengan menggunakan machne learning . Algoritma machine learning membantu mesin dalam membuat keputusan dengan sendirinya.
10517135 — Mihwarul Nazid Hasan
Universitas Komputer Indonesia
Referensi
https://en.wikipedia.org/wiki/AlphaGo