KOMPAS.com – Pembelajaran mesin adalah salah satu cabang kecerdasan buatan yang memungkinkan komputer belajar dari data dan mengambil keputusan tanpa harus terstruktur secara terang-terangan.
Dengan kemampuannya menganalisis pola dan tren data, pembelajaran mesin menjadi teknologi yang sangat efektif dan diterapkan dalam berbagai aspek kehidupan sehari-hari.
Mulai dari rekomendasi produk di situs belanja online hingga fitur pengenalan wajah di ponsel cerdas, pembelajaran mesin bekerja di belakang layar untuk meningkatkan fungsionalitas dan memberikan pengalaman unik bagi pengguna.
Lalu apa pengertian machine learning dan bagaimana contoh penggunaannya dalam kehidupan sehari-hari, berikut ulasan lengkapnya. Mendefinisikan Pembelajaran Mesin
Dilaporkan pada halaman target teknis, pembelajaran mesin adalah ilmu menciptakan algoritma yang memungkinkan komputer belajar dari data dan membuat keputusan atau prediksi tanpa diprogram secara eksplisit untuk melakukannya.
Proses ini melibatkan memasukkan data ke algoritma pembelajaran mesin, yang digunakan untuk mengidentifikasi pola dan membuat prediksi atau keputusan. Algoritme ini akan meningkatkan kinerjanya seiring dengan semakin banyaknya data yang diproses, sehingga memungkinkan komputer beradaptasi dan mempelajari informasi baru. Jenis Pembelajaran Mesin
Pembelajaran mesin secara umum dibagi menjadi tiga jenis utama berdasarkan cara sistem belajar dan jenis data yang dimilikinya: Pembelajaran yang diawasi.
Salah satu jenis pembelajaran terawasi adalah melatih model menggunakan data berlabel. Ini melacak sinyal data yang ingin diprediksi oleh model. Selama proses pelatihan, model belajar mengaitkan fitur produk dengan label produk.
Misalnya, deteksi spam email, pemfilteran email) dan regresi (misalnya, memprediksi harga real estat berdasarkan ukuran dan lokasi). Pelatihan tanpa pengawasan
Pelatihan tanpa pengawasan melibatkan pelatihan model dengan data tidak berlabel. Algoritma menganalisis data untuk menemukan pola, mengelompokkan data ke dalam subkumpulan, atau memperkecil ukuran data.
Contohnya termasuk pengelompokan (misalnya, mengelompokkan pelanggan berdasarkan perilaku pembelian), aturan asosiasi penambangan aturan (misalnya, menemukan barang yang sering dibeli di keranjang belanja), dan pengurangan dimensi (misalnya, PCA, t-SNE). memperkuat pembelajaran
Pembelajaran penguatan melibatkan agen pelatihan untuk membuat keputusan berdasarkan penghargaan atau hukuman. Agen belajar melakukan tindakan lingkungan untuk meningkatkan sinyal imbalan.
Contohnya termasuk melatih kendaraan otonom untuk menavigasi jalan dengan aman atau mengoptimalkan proses bisnis untuk meningkatkan efisiensi. Pelatihan semi-pengawas
Pelatihan semi-supervisi menggabungkan unsur-unsur pelatihan yang diawasi dan tidak diawasi. Ini menggunakan sejumlah kecil data yang diberi label sebelumnya dan sejumlah besar data yang tidak diberi label untuk melatih model.
Misalnya klasifikasi gambar. Dalam skenario ini, model pertama kali dilatih menggunakan kumpulan data kecil yang berisi gambar populer yang telah diberi label sebelumnya. Setelah itu, model tersebut digunakan untuk memprediksi simbol-simbol pada banyak gambar yang tidak bertanda.
Baca juga: Harga Intel Anjlok, Kini Hampir Seperti Induk ChatGPT
