Dalam
beberapa pendekatan machine learning ini juga ada terlalu banyak sub
kategori: pembelajaran yang diawasi (melatih dataset berlabel dan membuat model
untuk memprediksi dataset tanpa label), pembelajaran tanpa pengawasan
(menggambar kesimpulan yang bermakna dari dataset tanpa label, pengelompokan
menjadi contoh yang paling populer), pembelajaran penguatan (pemberian
Algoritma dan fungsi obyektif untuk mengoptimalkan berdasarkan hadiah langsung
untuk setiap tindakan yang diperlukan, misalnya: catur bermain robot), dll.
Machine
learning (ML) adalah sub bidang dari artificial intelligence (AI). Machine
learning bertujuan untuk membawa kecerdasan buatan melalui belajar dari
data. Data digunakan machine learning sebagai kode untuk komputasi
tradisional. Cara lain untuk memperoleh kecerdasan dalam mesin bisa melalui
pemrograman logis, penalaran induktif berdasarkan aturan dasar dan sebagainya.
Dengan demikian machine learning dapat dianggap sebagai salah satu
pendekatan menuju kecerdasan buatan. Berdasarkan sifat dari berbagai masalah
yang ada dan kelimpahan data untuk masalah itu, wajar saja bahwa machine
learning merupakan pendekatan untuk mencapai AI. Fakta bahwa korpus data
sangat besar dan terus meningkat, sumber daya komputasi (mesin dan manusia)
terbatas dan tidak mungkin untuk bekerja melalui pemrograman berbasis aturan
telah mendorong pendekatan AI keseluruhan terhadap ML.
Deep
learning di sisi lain adalah metode machine learning yang
berkembang pesat. Dalam pengaturan machine learning yang normal,
salah satu masalah yang paling sulit adalah rekayasa fitur. Rekayasa fitur
berkaitan dengan ekstraksi fitur yang sesuai yang dapat dimasukkan ke dalam
model. Jika fitur tidak lengkap atau kurang, model ini cacat (bias tinggi) dan
jika fitur terlalu banyak dan tidak semuanya berkontribusi pada keluaran model,
model ini kembali cacat (varian tinggi). Jika kita memiliki terlalu banyak
fitur, kita memerlukan dataset yang sangat sangat besar untuk dipelajari dari
model yang salah. Dalam machine learning ada sub-bidang yang disebut
‘pembelajaran representasional’ juga dikenal sebagai ‘pembelajaran fitur’ yang
bertujuan mengekstrak fitur dari data seperti gambar di mana fitur pengambilan
tangan oleh insinyur manusia sama sekali tidak layak
.
Deep
learning didasarkan pada pembelajaran representasional. Implementasi itu
terdiri dari banyak lapisan jaringan saraf (lebih tinggi jumlah lapisan, lebih
dalam model) di mana setiap lapisan mendapat masukan dari lapisan sebelumnya
dan dibagikan ke lapisan berikutnya. Lapisan permulaan berhubungan dengan fitur
yang lebih umum dan kasar dan ketika jaringan semakin dalam, ia dapat
mempelajari perincian yang lebih baik dari dataset yang akhirnya
memberikan output dengan faktor keyakinan tertentu. Fungsionalitas
mereka terinspirasi oleh cara kerja neuron mamalia. Neuron bekerja dengan
mengambil sinyal kimia input dan berdasarkan ambang tertentu sinyal
akan dilewatkan atau diblokir. Perilaku seperti itu di emulasikan menggunakan
berbagai fungsi matematika (fungsi sigmoid menjadi yang paling umum) ketika
mengimplementasikan jaringan saraf. Meskipun begitu mereka membutuhkan begitu
banyak data pelatihan untuk berkinerja baik.
Tidak ada komentar:
Posting Komentar