Unsupervised Machine Learning

  • Post
    Unsupervised Machine Learning

    Pada topik sebelumnya, kita mempelajari pembelajaran mesin yang diawasi di mana model dilatih menggunakan data berlabel di bawah pengawasan data pelatihan. Tetapi mungkin ada banyak kasus di mana kami tidak memiliki data berlabel dan perlu menemukan pola tersembunyi dari kumpulan data yang diberikan. Jadi, untuk menyelesaikan jenis kasus seperti itu dalam pembelajaran mesin, kita memerlukan teknik pembelajaran tanpa pengawasan.

    What is Unsupervised Learning?

    Seperti namanya, pembelajaran tanpa pengawasan adalah teknik pembelajaran mesin di mana model tidak diawasi menggunakan set data pelatihan. Sebaliknya, model itu sendiri menemukan pola dan wawasan tersembunyi dari data yang diberikan. Ini dapat dibandingkan dengan pembelajaran yang terjadi di otak manusia sambil mempelajari hal-hal baru. Itu dapat didefinisikan sebagai:

    Pembelajaran tanpa pengawasan adalah jenis pembelajaran mesin yang modelnya dilatih menggunakan kumpulan data tidak berlabel dan diizinkan untuk bertindak berdasarkan data tersebut tanpa pengawasan apa pun.

    Pembelajaran tanpa pengawasan tidak dapat langsung diterapkan pada masalah regresi atau klasifikasi karena tidak seperti pembelajaran yang diawasi, kami memiliki data masukan tetapi tidak ada data keluaran yang sesuai. Tujuan dari pembelajaran tanpa pengawasan adalah untuk menemukan struktur yang mendasari kumpulan data, mengelompokkan data tersebut sesuai dengan kesamaan, dan merepresentasikan kumpulan data tersebut dalam format terkompresi .

    Contoh: Misalkan algoritme pembelajaran tanpa pengawasan diberikan set data masukan yang berisi gambar berbagai jenis kucing dan anjing. Algoritme tidak pernah dilatih pada kumpulan data tertentu, yang berarti algoritme tersebut tidak mengetahui fitur kumpulan data tersebut. Tugas dari algoritma pembelajaran tanpa pengawasan adalah untuk mengidentifikasi fitur gambar itu sendiri. Algoritma pembelajaran tanpa pengawasan akan melakukan tugas ini dengan mengelompokkan dataset gambar ke dalam kelompok-kelompok sesuai dengan kesamaan antar gambar.

    Mengapa menggunakan Unsupervised Learning?

    Di bawah ini adalah beberapa alasan utama yang menjelaskan pentingnya Pembelajaran Tanpa Pengawasan:

    • Pembelajaran tanpa pengawasan berguna untuk menemukan wawasan yang berguna dari data.
    • Pembelajaran tanpa pengawasan sangat mirip dengan pembelajaran manusia untuk berpikir melalui pengalaman mereka sendiri, yang membuatnya lebih dekat dengan AI yang sebenarnya.
    • Pembelajaran tanpa pengawasan bekerja pada data yang tidak berlabel dan tidak dikategorikan yang membuat pembelajaran tanpa pengawasan menjadi lebih penting.
    • Di dunia nyata, kita tidak selalu memiliki data masukan dengan keluaran yang sesuai sehingga untuk menyelesaikan kasus seperti itu, kita membutuhkan pembelajaran tanpa pengawasan.

    Bekerja dari Unsupervised Learning

    Cara kerja pembelajaran tanpa pengawasan dapat dipahami dengan diagram di bawah ini:

    Di sini, kami telah mengambil data masukan yang tidak berlabel, yang berarti tidak dikategorikan dan keluaran yang sesuai juga tidak diberikan. Sekarang, data masukan tak berlabel ini diumpankan ke model pembelajaran mesin untuk melatihnya. Pertama, ini akan menafsirkan data mentah untuk menemukan pola tersembunyi dari data dan kemudian akan menerapkan algoritma yang sesuai seperti k-means clustering, Decision tree, dll.

    Setelah menerapkan algoritme yang sesuai, algoritme membagi objek data menjadi beberapa kelompok sesuai dengan persamaan dan perbedaan antar objek.

    Jenis Algoritma Unsupervised Learning

    Algoritma pembelajaran tanpa pengawasan dapat dikategorikan lebih lanjut menjadi dua jenis masalah:

    • Clustering : Clustering adalah metode pengelompokan objek ke dalam cluster sehingga objek yang paling mirip tetap menjadi satu grup dan memiliki sedikit atau tidak ada kesamaan dengan objek dari grup lain. Analisis cluster menemukan kesamaan antara objek data dan mengkategorikannya sesuai ada dan tidak adanya kesamaan tersebut.
    • Asosiasi : Aturan asosiasi adalah metode pembelajaran tanpa pengawasan yang digunakan untuk menemukan hubungan antar variabel dalam database yang besar. Ini menentukan kumpulan item yang terjadi bersama dalam kumpulan data. Aturan asosiasi membuat strategi pemasaran lebih efektif. Misalnya orang yang membeli barang X (misalkan roti) juga cenderung membeli barang Y (Mentega / Selai). Contoh umum dari aturan Asosiasi adalah Analisis Keranjang Pasar.

    Catatan: Kita akan mempelajari algoritme ini di bab selanjutnya.

    Algoritme Unsupervised Learning:

    Di bawah ini adalah daftar dari beberapa algoritma pembelajaran tanpa pengawasan yang populer:

    • Pengelompokan K-means
    • KNN (k-tetangga terdekat)
    • Pengelompokan hierarki
    • Deteksi anomali
    • Jaringan Neural
    • Analisis Komponen Utama
    • Analisis Komponen Independen
    • Algoritma Apriori
    • Dekomposisi nilai singular

    Keuntungan dari Unsupervised Learning

    • Pembelajaran tanpa pengawasan digunakan untuk tugas yang lebih kompleks dibandingkan dengan pembelajaran yang diawasi karena, dalam pembelajaran tanpa pengawasan, kami tidak memiliki data masukan berlabel.
    • Pembelajaran tanpa pengawasan lebih disukai karena mudah untuk mendapatkan data tak berlabel dibandingkan dengan data berlabel.

    Kerugian dari Unsupervised Learning

    • Pembelajaran tanpa pengawasan secara intrinsik lebih sulit daripada pembelajaran yang diawasi karena tidak memiliki keluaran yang sesuai.
    • Hasil dari algoritma pembelajaran tanpa pengawasan mungkin kurang akurat karena data masukan tidak diberi label, dan algoritma tidak mengetahui keluaran yang tepat sebelumnya.

     

    credit. javatpoint

Tagged: 

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