Machine Learning Tutorial

  • Post
    Machine Learning Tutorial

     

    Tutorial Machine Learning memberikan konsep dasar dan lanjutan dari machine learning. Tutorial pembelajaran mesin kami dirancang untuk siswa dan profesional yang bekerja.

    Pembelajaran mesin adalah teknologi yang berkembang yang memungkinkan komputer belajar secara otomatis dari data masa lalu. Pembelajaran mesin menggunakan berbagai algoritme untuk membangun model matematika dan membuat prediksi menggunakan data atau informasi historis . Saat ini, ini digunakan untuk berbagai tugas seperti pengenalan gambar , pengenalan ucapan , pemfilteran email , penandaan otomatis Facebook , sistem pemberi rekomendasi , dan banyak lagi.

    Tutorial pembelajaran mesin ini memberi Anda pengenalan tentang pembelajaran mesin bersama dengan berbagai teknik pembelajaran mesin seperti pembelajaran yang Diawasi , Tanpa pengawasan , dan Penguatan . Anda akan belajar tentang model regresi dan klasifikasi, metode pengelompokan, model Markov tersembunyi, dan berbagai model sekuensial.

    What is Machine Learning

    Di dunia nyata, kita dikelilingi oleh manusia yang dapat mempelajari segala sesuatu dari pengalaman mereka dengan kemampuan belajar mereka, dan kita memiliki komputer atau mesin yang bekerja sesuai instruksi kita. Tetapi dapatkah mesin juga belajar dari pengalaman atau data masa lalu seperti yang dilakukan manusia? Jadi, inilah peran Machine Learning .

     

    Machine Learning dikatakan sebagai bagian dari kecerdasan buatan yang terutama berkaitan dengan pengembangan algoritme yang memungkinkan komputer untuk belajar dari data dan pengalaman masa lalu mereka sendiri. Istilah pembelajaran mesin pertama kali diperkenalkan oleh Arthur Samuel pada tahun 1959 . Kita dapat mendefinisikannya dengan cara yang diringkas sebagai:

    Pembelajaran mesin memungkinkan mesin untuk belajar dari data secara otomatis, meningkatkan performa dari pengalaman, dan memprediksi berbagai hal tanpa diprogram secara eksplisit.

     

    Dengan bantuan sampel data historis, yang dikenal sebagai data pelatihan , algoritme pembelajaran mesin membangun model matematika yang membantu dalam membuat prediksi atau keputusan tanpa diprogram secara eksplisit. Pembelajaran mesin menyatukan ilmu komputer dan statistik untuk membuat model prediktif. Pembelajaran mesin membangun atau menggunakan algoritme yang belajar dari data historis. Semakin banyak kami memberikan informasi, semakin tinggi kinerjanya.

    Mesin memiliki kemampuan untuk belajar jika dapat meningkatkan kinerjanya dengan memperoleh lebih banyak data.

    Bagaimana cara kerja Machine Learning

    Sistem Pembelajaran Mesin belajar dari data historis, membangun model prediksi, dan setiap kali menerima data baru, memprediksikan keluarannya . Keakuratan keluaran yang diprediksi bergantung pada jumlah data, karena jumlah data yang besar membantu membangun model yang lebih baik yang memprediksi keluaran dengan lebih akurat.

    Misalkan kita memiliki masalah yang kompleks, di mana kita perlu melakukan beberapa prediksi, jadi alih-alih menulis kode untuk itu, kita hanya perlu memasukkan data ke algoritme umum, dan dengan bantuan algoritme ini, mesin membangun logika sesuai dengan data dan prediksi hasilnya. Pembelajaran mesin telah mengubah cara berpikir kita tentang masalah tersebut. Diagram blok di bawah ini menjelaskan cara kerja algoritma Pembelajaran Mesin:

    Fitur Pembelajaran Mesin Learning:

    • Pembelajaran mesin menggunakan data untuk mendeteksi berbagai pola dalam kumpulan data tertentu.
    • Itu dapat belajar dari data masa lalu dan meningkat secara otomatis.
    • Ini adalah teknologi berbasis data.
    • Pembelajaran mesin sangat mirip dengan penambangan data karena juga menangani sejumlah besar data.

    Kebutuhan akan Pembelajaran Mesin

    Kebutuhan akan pembelajaran mesin meningkat dari hari ke hari. Alasan di balik perlunya pembelajaran mesin adalah karena ia mampu melakukan tugas-tugas yang terlalu rumit untuk diterapkan secara langsung oleh seseorang. Sebagai manusia, kami memiliki beberapa keterbatasan karena kami tidak dapat mengakses data dalam jumlah besar secara manual, jadi untuk ini, kami memerlukan beberapa sistem komputer dan inilah pembelajaran mesin untuk mempermudah kami.

    Kami dapat melatih algoritme pembelajaran mesin dengan memberi mereka sejumlah besar data dan membiarkan mereka menjelajahi data, membuat model, dan memprediksi keluaran yang diperlukan secara otomatis. Performa algoritma pembelajaran mesin bergantung pada jumlah data, dan dapat ditentukan oleh fungsi biaya. Dengan bantuan pembelajaran mesin, kami dapat menghemat waktu dan uang.

    Pentingnya pembelajaran mesin dapat dengan mudah dipahami oleh kasus penggunaannya, Saat ini, pembelajaran mesin digunakan dalam mobil tanpa pengemudi , deteksi penipuan dunia maya , pengenalan wajah , dan saran teman oleh Facebook , dll. Berbagai perusahaan top seperti Netflix dan Amazon memiliki membangun model pembelajaran mesin yang menggunakan banyak data untuk menganalisis minat pengguna dan merekomendasikan produk yang sesuai.

    Berikut adalah beberapa poin utama yang menunjukkan pentingnya Machine Learning:

    • Peningkatan cepat dalam produksi data
    • Memecahkan masalah kompleks, yang sulit bagi manusia
    • Pengambilan keputusan di berbagai sektor termasuk keuangan
    • Menemukan pola tersembunyi dan mengekstrak informasi berguna dari data.

    Klasifikasi Pembelajaran Mesin

    Secara umum, pembelajaran mesin dapat diklasifikasikan menjadi tiga jenis:

    1. Pembelajaran yang diawasi
    2. Pembelajaran tanpa pengawasan
    3. Pembelajaran penguatan

    1) Supervised Learning

    Pembelajaran yang diawasi adalah jenis metode pembelajaran mesin di mana kami memberikan sampel data berlabel ke sistem pembelajaran mesin untuk melatihnya, dan atas dasar itu, ini memprediksi keluaran.

    Sistem membuat model dengan menggunakan data berlabel untuk memahami dataset dan mempelajari masing-masing data, setelah pelatihan dan pemrosesan selesai maka kita menguji model tersebut dengan memberikan sampel data untuk memeriksa apakah model tersebut memprediksi keluaran yang tepat atau tidak.

    Tujuan dari supervised learning adalah memetakan data masukan dengan data keluaran. Pembelajaran yang disupervisi didasarkan pada supervisi, sama seperti siswa mempelajari berbagai hal dalam supervisi guru. Contoh pembelajaran yang diawasi adalah pemfilteran spam .

    Pembelajaran yang diawasi dapat dikelompokkan lebih lanjut dalam dua kategori algoritme:

    • Klasifikasi
    • Regresi

    2) Unsupervised Learning

    Pembelajaran tanpa pengawasan adalah metode pembelajaran di mana mesin belajar tanpa pengawasan apa pun.

    Pelatihan diberikan ke mesin dengan kumpulan data yang belum diberi label, diklasifikasikan, atau dikategorikan, dan algoritme perlu bertindak atas data tersebut tanpa pengawasan apa pun. Tujuan dari pembelajaran tanpa pengawasan adalah untuk merestrukturisasi data masukan menjadi fitur baru atau sekelompok objek dengan pola serupa.

    Dalam pembelajaran tanpa pengawasan, kami tidak memiliki hasil yang ditentukan sebelumnya. Mesin mencoba menemukan wawasan yang berguna dari sejumlah besar data. Ini dapat diklasifikasikan lebih lanjut menjadi dua kategori algoritma:

    • Kekelompokan
    • Asosiasi

    3) Reinforcement Learning

    Pembelajaran penguatan merupakan metode pembelajaran berbasis umpan balik, dimana seorang agen pembelajaran mendapat reward atas setiap perbuatan benar dan mendapat penalti untuk setiap perbuatan salah. Agen belajar secara otomatis dengan umpan balik ini dan meningkatkan kinerjanya. Dalam pembelajaran penguatan, agen berinteraksi dengan lingkungan dan menjelajahinya. Tujuan seorang agen adalah mendapatkan poin reward terbanyak, dan karenanya, meningkatkan kinerjanya.

    Anjing robotik, yang secara otomatis mempelajari gerakan lengannya, adalah contoh pembelajaran Reinforcement.

    Catatan: Kita akan mempelajari jenis-jenis pembelajaran mesin di atas secara mendetail di bab-bab selanjutnya.

    Sejarah Pembelajaran Mesin

    Sebelum beberapa tahun (sekitar 40-50 tahun), pembelajaran mesin adalah fiksi ilmiah, tetapi sekarang ini adalah bagian dari kehidupan kita sehari-hari. Pembelajaran mesin membuat kehidupan kita sehari-hari menjadi mudah dari mobil tanpa pengemudi hingga asisten virtual Amazon “Alexa” . Namun, ide di balik pembelajaran mesin sudah sangat tua dan memiliki sejarah yang panjang. Di bawah ini beberapa pencapaian diberikan yang telah terjadi dalam sejarah pembelajaran mesin:

     

    Sejarah awal Machine Learning (Pra-1940):

    • 1834:Pada tahun 1834, Charles Babbage, bapak komputer, membuat perangkat yang dapat diprogram dengan kartu berlubang. Namun, mesin itu tidak pernah dibuat, tetapi semua komputer modern mengandalkan struktur logisnya.
    • 1936:Pada tahun 1936, Alan Turing memberikan teori bahwa mesin dapat menentukan dan menjalankan sekumpulan instruksi.

    Era komputer program tersimpan:

    • 1940:Pada tahun 1940, komputer pertama yang dioperasikan secara manual, “ENIAC” ditemukan, yang merupakan komputer tujuan umum elektronik pertama. Setelah itu ditemukan komputer program yang tersimpan seperti EDSAC pada tahun 1949 dan EDVAC pada tahun 1951.
    • 1943:Pada tahun 1943, jaringan saraf manusia dimodelkan dengan sirkuit listrik. Pada tahun 1950, para ilmuwan mulai menerapkan ide mereka untuk bekerja dan menganalisis bagaimana neuron manusia dapat bekerja.

    Mesin dan kecerdasan komputer:

    • 1950:Pada tahun 1950, Alan Turing menerbitkan makalah penting, ” Mesin dan Kecerdasan Komputer ,” dengan topik kecerdasan buatan. Dalam makalahnya, dia bertanya, “Bisakah mesin berpikir?”

    Kecerdasan mesin dalam Game:

    • 1952:Arthur Samuel, yang merupakan pelopor pembelajaran mesin, membuat program yang membantu komputer IBM untuk memainkan permainan catur. Itu tampil lebih baik lebih banyak itu dimainkan.
    • 1959:Pada tahun 1959, istilah “Pembelajaran Mesin” pertama kali diciptakan oleh Arthur Samuel .

    Musim dingin “AI” pertama:

    • Durasi tahun 1974 hingga 1980 merupakan masa yang sulit bagi para peneliti AI dan ML, dan durasi ini disebut sebagai musim dingin AI.
    • Dalam durasi ini, terjadi kegagalan mesin penerjemah, dan minat masyarakat terhadap AI berkurang, yang menyebabkan berkurangnya dana pemerintah untuk penelitian.

    Pembelajaran Mesin dari teori ke kenyataan

    • 1959:Pada tahun 1959, jaringan saraf pertama diterapkan ke masalah dunia nyata untuk menghilangkan gema melalui saluran telepon menggunakan filter adaptif.
    • 1985:Pada tahun 1985, Terry Sejnowski dan Charles Rosenberg menemukan jaringan neural NETtalk , yang dapat mempelajari sendiri cara mengucapkan 20.000 kata dengan benar dalam satu minggu.
    • 1997:Komputer cerdas IBM Deep blue memenangkan permainan catur melawan pakar catur Garry Kasparov, dan itu menjadi komputer pertama yang mengalahkan pakar catur manusia.

    Machine Learning di 21 st abad

    • 2006:Pada tahun 2006, ilmuwan komputer Geoffrey Hinton telah memberi nama baru pada penelitian jaringan saraf sebagai ” pembelajaran mendalam “, dan saat ini, penelitian tersebut telah menjadi salah satu teknologi yang paling tren.
    • 2012:Pada tahun 2012, Google membuat jaringan saraf dalam yang belajar mengenali gambar manusia dan kucing di video YouTube.
    • 2014:Pada tahun 2014, Chabot ” Eugen Goostman ” menyelesaikan Tes Turing. Itu adalah Chabot pertama yang meyakinkan 33% hakim manusia bahwa itu bukan mesin.
    • 2014: DeepFaceadalah jaringan saraf dalam yang dibuat oleh Facebook, dan mereka mengklaim bahwa itu dapat mengenali seseorang dengan ketepatan yang sama seperti yang dapat dilakukan manusia.
    • 2016: AlphaGomengalahkan pemain nomor dua dunia Lee sedol di game Go . Pada 2017 mengalahkan pemain nomor satu game ini Ke Jie .
    • 2017:Pada 2017, tim Jigsaw Alphabet membangun sistem cerdas yang mampu mempelajari trolling online . Dulu membaca jutaan komentar dari berbagai situs web untuk belajar menghentikan trolling online.

    Pembelajaran Mesin saat ini:

    Sekarang pembelajaran mesin telah mendapatkan kemajuan besar dalam penelitiannya, dan itu hadir di mana-mana di sekitar kita, seperti mobil tanpa pengemudi , Amazon Alexa , Catboats , sistem pemberi rekomendasi , dan banyak lagi. Ini termasuk pengawasan , tanpa pengawasan , dan penguatan pembelajaran dengan pengelompokan , klasifikasi , pohon keputusan , algoritma SVM , dll

    Model pembelajaran mesin modern dapat digunakan untuk membuat berbagai prediksi, termasuk prediksi cuaca , prediksi penyakit , analisis pasar saham , dll.

    Prasyarat

    Sebelum mempelajari machine learning, Anda harus memiliki pengetahuan dasar tentang hal-hal berikut agar Anda dapat dengan mudah memahami konsep machine learning:

    • Pengetahuan dasar tentang probabilitas dan aljabar linier.
    • Kemampuan membuat kode dalam bahasa komputer apa pun, terutama dalam bahasa Python.
    • Pengetahuan tentang Kalkulus, terutama turunan dari variabel tunggal dan fungsi multivariat.

     

    credit. javatpoint

Tagged: 

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