Machine learning Life cycle

  • Post
    Machine learning Life cycle

    Pembelajaran mesin telah memberi sistem komputer kemampuan untuk belajar secara otomatis tanpa diprogram secara eksplisit. Tapi bagaimana cara kerja sistem pembelajaran mesin? Jadi, bisa dijelaskan menggunakan life cycle dari machine learning. Siklus hidup pembelajaran mesin adalah proses siklik untuk membangun proyek pembelajaran mesin yang efisien. Tujuan utama siklus hidup adalah menemukan solusi untuk masalah atau proyek.

    Siklus hidup pembelajaran mesin melibatkan tujuh langkah utama, yang diberikan di bawah ini:

    • Mengumpulkan data
    • Persiapan data
    • Perselisihan Data
    • Analisis Data
    • Latih modelnya
    • Uji modelnya
    • Penyebaran

    Hal terpenting dalam proses lengkap adalah memahami masalah dan mengetahui tujuan masalah. Oleh karena itu, sebelum memulai siklus hidup, kita perlu memahami masalah karena hasil yang baik bergantung pada pemahaman masalah yang lebih baik.

    Dalam proses siklus hidup lengkap, untuk memecahkan masalah, kami membuat sistem pembelajaran mesin yang disebut “model”, dan model ini dibuat dengan memberikan “pelatihan”. Namun untuk melatih suatu model, kita membutuhkan data, oleh karena itu siklus hidup dimulai dengan pengumpulan data.

    1. Mengumpulkan Data:

    Pengumpulan Data adalah langkah pertama dari siklus hidup pembelajaran mesin. Tujuan dari langkah ini adalah untuk mengidentifikasi dan mendapatkan semua masalah yang berhubungan dengan data.

    Pada langkah ini, kita perlu mengidentifikasi berbagai sumber data, karena data dapat dikumpulkan dari berbagai sumber seperti file , database , internet , atau perangkat seluler . Ini adalah salah satu langkah terpenting dalam siklus hidup. Kuantitas dan kualitas data yang dikumpulkan akan menentukan efisiensi keluaran. Semakin banyak datanya, semakin akurat prediksinya.

    Langkah ini mencakup tugas-tugas di bawah ini:

    • Identifikasi berbagai sumber data
    • Mengumpulkan data
    • Integrasikan data yang diperoleh dari berbagai sumber

    Dengan melakukan tugas di atas, kita mendapatkan kumpulan data yang koheren, juga disebut sebagai kumpulan data . Ini akan digunakan pada langkah selanjutnya.

    2. Persiapan data

    Setelah data terkumpul, kita perlu mempersiapkannya untuk langkah selanjutnya. Persiapan data adalah langkah di mana kami menempatkan data kami di tempat yang sesuai dan mempersiapkannya untuk digunakan dalam pelatihan pembelajaran mesin kami.

    Pada langkah ini, pertama, kami menggabungkan semua data, lalu mengacak urutan data.

    Langkah ini selanjutnya dapat dibagi menjadi dua proses:

    • Eksplorasi data:
      Ini digunakan untuk memahami sifat data yang harus kami tangani. Kita perlu memahami karakteristik, format, dan kualitas data.
      Pemahaman yang lebih baik tentang data mengarah pada hasil yang efektif. Dalam hal ini, kami menemukan Korelasi, tren umum, dan pencilan.
    • Pra-pemrosesan data:
      Sekarang langkah selanjutnya adalah pra-pemrosesan data untuk dianalisis.

    3. Perselisihan Data

    Perselisihan data adalah proses pembersihan dan mengubah data mentah menjadi format yang bisa digunakan. Ini adalah proses pembersihan data, pemilihan variabel yang akan digunakan, dan transformasi data dalam format yang tepat agar lebih sesuai untuk analisis pada langkah berikutnya. Ini adalah salah satu langkah terpenting dari proses lengkap. Pembersihan data diperlukan untuk mengatasi masalah kualitas.

    Data yang telah kami kumpulkan tidak perlu selalu kami gunakan karena beberapa data mungkin tidak berguna. Dalam aplikasi dunia nyata, data yang dikumpulkan mungkin memiliki berbagai masalah, termasuk:

    • Nilai yang hilang
    • Data duplikat
    • Data tidak valid
    • Kebisingan

    Jadi, kami menggunakan berbagai teknik pemfilteran untuk membersihkan data.

    Masalah di atas harus dideteksi dan dihilangkan karena dapat berdampak negatif pada kualitas hasil.

    4. Analisis Data

    Sekarang data yang dibersihkan dan disiapkan diteruskan ke langkah analisis. Langkah ini meliputi:

    • Pemilihan teknik analisis
    • Model bangunan
    • Tinjau hasilnya

    Tujuan dari langkah ini adalah untuk membangun model pembelajaran mesin untuk menganalisis data menggunakan berbagai teknik analisis dan meninjau hasilnya. Dimulai dengan penentuan jenis masalah, di mana kita memilih teknik pembelajaran mesin seperti Klasifikasi , Regresi , Analisis Cluster , Asosiasi , dll. Kemudian membangun model menggunakan data yang telah disiapkan, dan mengevaluasi model.

    Karenanya, pada langkah ini, kami mengambil data dan menggunakan algoritme pembelajaran mesin untuk membangun model.

    5. Melatih Model

    Sekarang langkah selanjutnya adalah melatih model, pada langkah ini kami melatih model untuk meningkatkan kinerjanya untuk hasil yang lebih baik dari masalah.

    Kami menggunakan kumpulan data untuk melatih model menggunakan berbagai algoritme pembelajaran mesin. Pelatihan model diperlukan agar dapat memahami berbagai pola, aturan, dan fitur.

    6. Model Uji

    Setelah model pembelajaran mesin kami dilatih pada kumpulan data tertentu, kami menguji model tersebut. Pada langkah ini, kami memeriksa keakuratan model kami dengan menyediakan set data uji untuk model tersebut.

    Pengujian model menentukan persentase akurasi model sesuai kebutuhan proyek atau masalah.

    7. Penerapan

    Langkah terakhir dari siklus hidup pembelajaran mesin adalah penerapan, tempat kami menerapkan model dalam sistem dunia nyata.

    Jika model yang disiapkan di atas menghasilkan hasil yang akurat sesuai kebutuhan kami dengan kecepatan yang dapat diterima, maka kami menerapkan model tersebut di sistem nyata. Tetapi sebelum menerapkan proyek, kami akan memeriksa apakah itu meningkatkan kinerjanya menggunakan data yang tersedia atau tidak. Fase penerapan mirip dengan membuat laporan akhir untuk sebuah proyek.

     

    credit. javatpoint

Tagged: 

  • You must be logged in to reply to this topic.