Pembelajaran mesin

Dari Wikipedia bahasa Indonesia, ensiklopedia bebas
Langsung ke: navigasi, cari

Pembelajaran mesin, cabang dari kecerdasan buatan, adalah disiplin ilmu yang mencakup perancangan dan pengembangan algoritma yang memungkinkan komputer untuk mengembangkan perilaku yang didasarkan pada data empiris, seperti dari sensor data basis data. Sistem pembelajar dapat memanfaatkan contoh (data) untuk menangkap ciri yang diperlukan dari probabilitas yang mendasarinya (yang tidak diketahui). Data dapat dilihat sebagai contoh yang menggambarkan hubungan antara variabel yang diamati. Fokus besar penelitian pembelajaran mesin adalah bagaimana mengenali secara otomatis pola kompleks dan membuat keputusan cerdas berdasarkan data. Kesukarannya terjadi karena himpunan semua peri laku yang mungkin, dari semua masukan yang dimungkinkan, terlalu besar untuk diliput oleh himpunan contoh pengamatan (data pelatihan). Karena itu pembelajar harus merampatkan (generalisasi) peri laku dari contoh yang ada untuk menghasilkan keluaran yang berguna dalam kasus-kasus baru.

Definisi[sunting | sunting sumber]

Machine disini adalah machine dalam penertian lebih mendekati ‘sistem’ bukan mesin mekanik. Istilah learning pertama kali muncul dalam disiplin ilmu AI (Artificial Intelligence). Learning berarti menambah pengtahuan, memahami dengan belajar, mengikuti intruksi. Machine Learning merupakan salah satu dari kecerdasan buatan yang membahas mengenai pembangunan sistem yang didapat berdasarkan pada pembelajaran data, atau sebuah studi yang mempelajari cara untuk memprogram sebuah komputer untuk belajar. Inti dari machine learning adalah representasi dan generelisasi. Pada tahun 1959, Arthur Samuel mendefinisikan bahwa mechine learning adalah bidang studi yang memberikan kemampuan untuk belajar tanpa diprogram secara eksplisit. Kemampuan learning menjadi dominan ditentukan oleh kemampuan software atau alogaritmanya. Implementasi kemampuan learning dapat dicapai dengan berbagai teknik, ada yang menggunakan rule, ada yang menggunakan statistika, ada yang menggunakan pendekatan fisiologi yaitu sistem saraf manusia atau disebut dengan ANN atau Artificial Neural Network atau jaringan saraf tiruan.

Tipe algoritma[sunting | sunting sumber]

Algoritma dalam pembelajaran mesin dapat dikelompokkan berdasarkan keluaran yang diharapkan dari algoritma.

  • Pembelajaran terarah (supervised learning) membuat fungsi yang memetakan masukan ke keluaran yang dikehendaki. Misalnya pengelompokan (klasifikasi).
  • Pembelajaran tak terarah (unsupervised learning) memodelkan himpunan masukan, seperti penggolongan (clustering).
  • Semi-Supervised Learning: Tipe ini menggabungkan antara Supervised dan Unsupervised untuk menghasilkan suatu fungsi.
  • Reinforcement learning: Tipe ini mengajarkan bagaimana cara bertindak untuk menghadapi suatu masalah, yang suatu tindakan itu mempunyai dampak.
  • Transduction: Tipe ini hampir mirip dengan Supervised Learning, tapi tidak secara jelas untuk membangun suatu fungsi melainkan mencoba memprediksi output baru yang berdasarkan dari input baru, masukan pelatihan input dan output
  • Learning to learn: Tipe ini menggunakan algoritma untuk mempelajari yang sebelumnya.

Manfaat dan Contoh Implementasi[sunting | sunting sumber]

Pembelajaran mesin menjaganya agar tetap sederhana, sebuah algoritma dikembangkan untuk mencatat perubahan dalam data dan berevolusi dalam desain itu untuk mengakomodasi temuan baru. Seperti diterapkan untuk analisis prediktif, fitur ini memiliki dampak luas mulai pada kegiatan yang biasanya dilakukan untuk mengembangkan, menguji, dan memperbaiki algoritma untuk tujuan tertentu. Aplikasi untuk pembelajaran mesin termasuk:

  • Machine perception
  • Computer vision, including object recognition
  • Natural language processing
  • Syntactic pattern recognition
  • Machine learning
  • Medical diagnosis
  • Bioinformatics
  • Brain-machine interfaces
  • Cheminformatics
  • Detecting credit card fraud
  • Stock market analysis
  • Classifying DNA sequences
  • Sequence mining
  • Speech and handwriting recognition
  • Games
  • Software engineering
  • Adaptive websites
  • Robot locomotion
  • Computational advertising
  • Computational finance
  • Structural health monitoring
  • Sentiment analysis (or opinion mining)
  • Affective computing
  • Menerima Informasi
  • Recommender systems

Future Works[sunting | sunting sumber]

Meskipun Machine Learning tidak dapat secara efektif memprediksi jengkel pengguna, kita masih percaya bahwa masih banyak yang bisa dilakukan untuk mencapai hasil yang lebih baik pada proyek ini. Pertama-tama, kumpulan data kami adalah kecil untuk metode pembelajaran mesin, kami ingin mengumpulkan lebih banyak data untuk melihat apakah meningkatkan hasil kami sama sekali. Hal lain yang kita ingin mencoba adalah mengubah permainan yang memainkan pengguna . Karena kita menggunakan jenis permainan penembak, banyak " menumbuk tombol " adalah terlibat. Sesuatu yang lebih seperti permainan balap dapat bekerja lebih baik untuk mendeteksi gangguan dengan sensor gaya, karena ada lebih banyak tombol memegang terlibat daripada dengan game jenis shooter. Sebuah permainan balap juga dapat memperkenalkan lebih terkait game stres dari sebuah permainan yang melibatkan menembak.

Lihat pula[sunting | sunting sumber]

Pranala luar[sunting | sunting sumber]

  1. Definisi pembelajaran mesin