Apa saja jenis algoritma Machine Learning?

Pada dasarnya, algoritma memainkan peran penting dalam pembelajaran mesin (Machine Learning). Di satu sisi, mereka bertanggung jawab untuk mengenali pola dan di sisi lain, mereka dapat menghasilkan solusi. Algoritma dapat dibagi menjadi beberapa kategori seperti berikut ini:

Supervised Learning / Predictive models

Model prediktif seperti namanya digunakan untuk memprediksi hasil masa depan berdasarkan data historis. Model prediktif biasanya diberikan instruksi yang jelas sejak awal seperti apa yang perlu dipelajari dan bagaimana hal itu perlu dipelajari. Kelas algoritma pembelajaran ini disebut sebagai Supervised Learning.

Misalnya: Pembelajaran Terawasi digunakan ketika perusahaan pemasaran mencoba mencari tahu pelanggan mana yang kemungkinan besar akan berhenti. Kita juga dapat menggunakannya untuk memprediksi kemungkinan terjadinya bahaya seperti gempa bumi, angin puting beliung dll dengan tujuan untuk menentukan Nilai Total Asuransi. Beberapa contoh algoritma yang digunakan adalah: Nearest Neighbor, Naïve Bayes, Decision Trees, Regression dll.

Unsupervised learning / Descriptive models

Ini digunakan untuk melatih model deskriptif di mana tidak ada target yang ditetapkan dan tidak ada fitur tunggal yang penting dari yang lain. Kasus pembelajaran tanpa pengawasan dapat berupa: Ketika pengecer ingin mengetahui kombinasi produk apa, pelanggan cenderung membeli lebih sering. Selanjutnya, dalam industri farmasi, pembelajaran tanpa pengawasan dapat digunakan untuk memprediksi penyakit mana yang mungkin terjadi bersamaan dengan diabetes. Contoh algoritma yang digunakan disini adalah: K-means Clustering Algorithm.

Reinforcement learning (RL)

Ini adalah contoh pembelajaran mesin di mana mesin dilatih untuk mengambil keputusan spesifik berdasarkan kebutuhan bisnis dengan moto tunggal untuk memaksimalkan efisiensi (kinerja). Gagasan yang terlibat dalam pembelajaran penguatan adalah: Agen mesin/perangkat lunak melatih dirinya sendiri secara terus-menerus berdasarkan lingkungan yang terpapar, dan menerapkan pengetahuan yang diperkaya untuk memecahkan masalah bisnis. Proses pembelajaran terus-menerus ini memastikan lebih sedikit keterlibatan keahlian manusia yang pada gilirannya menghemat banyak waktu!

Contoh algoritma yang digunakan dalam RL adalah Markov Decision Process.

Catatan: Ada perbedaan tipis antara Supervised Learning dan Reinforcement learning (RL). RL pada dasarnya melibatkan belajar dengan berinteraksi dengan lingkungan. Agen RL belajar dari pengalaman masa lalunya, bukan dari proses pembelajaran coba-coba yang terus-menerus dibandingkan dengan pembelajaran yang diawasi di mana supervisor eksternal memberikan contoh.

Contoh yang baik untuk memahami perbedaannya adalah mobil yang bisa mengemudi sendiri. Mobil self-driving menggunakan Reinforcement learning untuk membuat keputusan terus menerus – rute mana yang harus diambil? berapa kecepatan untuk mengemudi? adalah beberapa pertanyaan yang diputuskan setelah berinteraksi dengan lingkungan. Manifestasi sederhana untuk pembelajaran yang diawasi adalah memprediksi tarif taksi yang pergi dari satu tempat ke tempat lain.