Begitu Anda mulai membaca tentang pembelajaran mesin, Seperti anda melihat berbagai roket yang sedang membombardir anda dengan kecepatan tinggi. Ini adalah istilah yang biasa dirasakan saat pertama kali mengenal pembelajaran mesin. Berikut ini beberapa di antaranya: Artificial Intelligence, Deep Learning, Data Mining, dan Statistik.
Untuk pemahaman Anda yang jelas, kami menjelaskan istilah-istilah ini di bawah ini dengan cara yang sederhana. Anda juga akan memahami pentingnya istilah-istilah ini dalam konteks pembelajaran mesin:
X = Kecerdasan Buatan (AI):
Ini mengacu pada prosedur pemrograman komputer (mesin) untuk mengambil rasional. Ah! apa itu rasional? Rasional adalah dasar dalam mengambil suatu keputusan.
Saya menyebutkan 'rasional' alih-alih kecerdasan (seperti yang diharapkan) karena kita manusia cenderung mengambil keputusan yang tinggi untuk menjadi rasional dan layak daripada secara eksplisit cerdas. Ini karena semua keputusan cerdas tidak perlu rasional dan layak (hipotesis saya). Oleh karena itu, motif utama di balik penggunaan AI adalah agar komputer (mesin) berperilaku dengan cara yang keren sebagai pengganti bimbingan manusia alih-alih menjadi bodoh!
AI dapat menyertakan program untuk memeriksa apakah parameter tertentu dalam suatu program berperilaku normal. Misalnya, mesin dapat membunyikan alarm jika parameter mengatakan 'X' melewati ambang batas tertentu yang pada gilirannya dapat mempengaruhi hasil dari proses terkait.
Penggunaan Kecerdasan Buatan dalam Pembelajaran Mesin
Machine Learning adalah bagian dari AI di mana mesin dilatih untuk belajar dari pengalaman masa lalunya. Pengalaman masa lalu dikembangkan melalui data yang dikumpulkan. Kemudian digabungkan dengan algoritma seperti Naïve Bayes, Support Vector Machine (SVM) untuk memberikan hasil akhir.
X = Statistik
Pada tahap tingkat tinggi ini, kami berasumsi Anda akan tahu tentang statistik. Jika tidak, inilah definisi singkatnya, Statistik adalah cabang matematika yang menggunakan data, baik dari seluruh populasi atau sampel yang diambil dari populasi untuk melakukan analisis dan menyajikan kesimpulan. Beberapa teknik statistik yang digunakan adalah regresi, varians, standar deviasi, probabilitas bersyarat dan banyak lainnya. Untuk mengetahui tentang topik ini, Bagaimana memahami distribusi populasi menggunakan statistik? cari di google ya.
Penggunaan Statistik dalam Pembelajaran Mesin
Mari kita pahami ini. Misalkan, saya perlu memisahkan email di kotak masuk saya menjadi dua kategori: 'spam' dan 'penting'. Untuk mengidentifikasi email spam, saya dapat menggunakan algoritme pembelajaran mesin yang dikenal sebagai Naïve Bayes yang akan memeriksa frekuensi email spam sebelumnya untuk mengidentifikasi email baru sebagai spam. Naïve Bayes menggunakan teknik statistik teorema Baye (umumnya dikenal sebagai probabilitas bersyarat). Oleh karena itu, kita dapat mengatakan bahwa algoritma pembelajaran mesin menggunakan konsep statistik untuk menjalankan pembelajaran mesin.
Informasi Tambahan: Perbedaan utama antara pembelajaran mesin dan model statistik berasal dari sekolah tempat mereka berasal. Sedangkan machine learning berasal dari jurusan ilmu komputer dan pemodelan statistik turun dari jurusan matematika. Juga setiap pemodelan statistik mengasumsikan sejumlah distribusi sementara algoritma pembelajaran mesin umumnya agnostik dari distribusi semua atribut.
X = Pembelajaran Mendalam (Deep Learning)
Deep Learning dikaitkan dengan algoritma pembelajaran mesin (Artificial Neural Network, JST) yang menggunakan konsep otak manusia untuk memfasilitasi pemodelan fungsi arbitrer. JST membutuhkan sejumlah besar data dan algoritme ini sangat fleksibel dalam hal memodelkan banyak keluaran secara bersamaan. ANN adalah topik yang lebih kompleks dan kami dapat melakukannya dengan adil dalam artikel yang sama sekali terpisah.
X = Penambangan Data (Data Mining)
Selama hari-hari awal saya sebagai analis, saya selalu menggunakan dua istilah: Machine Learning dan Data Mining. Tapi, kemudian saya belajar, Data Mining berkaitan dengan pencarian informasi tertentu. Dan Machine Learning hanya berkonsentrasi pada melakukan tugas yang diberikan. Izinkan saya mengutip contoh yang membantu saya mengingat perbedaannya; Mengajarkan seseorang cara menari adalah Machine Learning. Dan menggunakan seseorang untuk menemukan pusat dansa terbaik di kota adalah Data Mining. Mudah bukan?
0 comments:
Post a Comment