Machine learning

Artikel iki ditulis nganggo basa krama.

Machine learning minangka salah satunggaling cabang saking ilmu komputer ingkang fokus dhumateng pangembangan sistem-sistem ingkang saged sinau saking data. Teknologi punika nggunakaken algoritma statistik kanggé nganalisis lan ndamel inferensi saking data ingkang ageng. Ing asasipun, machine learning punika prosès otomatisasi nggadhahi kawruh. Algoritma machine learning dados ngolah lan sinau saking data tanpa dipunprogram sacara eksplisit. Proses punika ngijini sistem-sistem supados saged adaptasi lan nambah efisiensiipun kanthi pengalaman. Contonipun, machine learning dipunagem ing macem-macem bidang, kados ta ing penjenengan pola, rekomendasi produk, lan deteksi penipuan.

Saben sistem machine learning gadhah tilas dasar: model, data, lan pembelajaran. Model punika struktur matematis ingkang nggambarkaken relasi antar variabel ing data. Contonipun, model ing prediksi cuaca saged nggambarkaken relasi antar suhu, kelembapan, lan faktor-faktor sanèsipun. Data punika informasi ingkang dipunolah dening model. Data kasebat saged saking macem-macem sumber, kados ta teks, gambar, utawi data sensor, lan saged ugi wonten ing macem-macem format. Pembelajaran ing machine learning punika proses ngoptimalake model adhedhasar data. Proses punika kaperang dados loro: pembelajaran kawicaksanan (supervised learning), ingkang modelipun sinau saking conto data ingkang sampun dipunwastani, lan pembelajaran tanpa kawicaksanan (unsupervised learning), ingkang modelipun sinau saking struktur utawi pola ing data tanpa label.

Kemajuan teknologi lan komputasi ing dasawarsa pungkasan sampun nyengkuyung pertumbuhan lan penerapan machine learning. Panjenenganipun teknologi punika dados luwih canggih lan efisien, mliginipun kanthi pangembangan jaringan saraf tiruan (artificial neural networks) lan pembelajaran jero (deep learning). Jaringan saraf tiruan minangka model ingkang diilhami dening cara kerja otak manungsa lan saged sinau tugas-tugas kompleks, kados ta pengenalan swantah utawi pangolahan basa alami. Punika dados sarana kanggé ngatasi masalah-masalah ingkang rumit lan multidimensi. Kanthi pangembangan lan aplikasi machine learning, kita saged ndeleng kawontenan ingkang luwih cerdas lan otomatis ing macem-macem aspek urip, saking transportasi ngantos kesehatan.

Supervised learning

Supervised learning minangka salah satunggaling metode utama ing machine learning, ingkang nganggep data latihan kanggé nglatih model. Data latihan punika kalebet conto-conto input lan output sing wis diwastani, ingkang model sinau supaya saged nggawé prediksi utawa ngasilake keputusan. Tujuane yaiku supaya model bisa ngerti pola utawa hubungan antarane input lan output. Conto aplikasi supervised learning kalebet klasifikasi gambar, ing ngendi model sinau saking set data gambar kang wis diwenehi label, lan prediksi regresi, ing ngendi model nggawe prediksi regresi adhedhasar data numerik. Prosese latihan ing supervised learning nglibataken ngoptimalake parameter model adhedhasar data latihan kanthi nggunakake teknik kaya ta backpropagation lan optimasi algoritma kanggo ngurangi kasalahan prediksi. Satunggaling algoritma supervised learning inggih punika Regresi Linier. Algoritma puniki dipun-ginakaken kanggé mrambatan utawi mrediksi relasi linier antawisipun variabel mandiri (independent variable) lan variabel gumantung (dependent variable). Algoritma Regresi Linier damel model matematis ingkang nyobi nggambaraken hubungan antawisipun variabel mandiri lan variabel gumantung kanthi garis lurus (linier). Model puniki nggadhahi bentuk umum:

y=mx+c

Ing ngriku $y$ inggih variabel gumantung, $x$ inggih variabel mandiri, $m$ inggih kemiringan garis (slope), lan $c$ inggih titik potong y (y-intercept).

Unsupervised learning

Unsupervised learning punika salah satunggaling pendekatan ing babagan machine learning ingkang dipunlampahi tanpa ngginakaken data ingkang sampun dipunwastani. Metode punika ngfokusaken dhateng pembelajaran saking data tanpa label, ingkang modelipun sinau kanggé nemokaken pola utawi struktur sing dumunung ing jero data. Sasaranipun yaiku supados model saged nganalisis lan ngerti struktur utawi distribusi saking data kanthi mandiri. Conto aplikasinipun ingkang misuwur yaiku clustering, ingkang modelipun ngatur data dhateng kelompok-kelompok adhedhasar kemiripanipun, lan reduksi dimensi, ingkang dipunlampahi kanggé nyederhanakaken struktur data kanthi tetep njagi informasi ingkang penting. Unsupervised learning asring dipunagem ing macem-macem bidang, kayata ing analisis pasar kanggé marketing, ingkang nggrupaken konsumen adhedhasar ciri-ciri lan perilaku ingkang sami, lan analisis komponen utama (principal component analysis) kanggé nyederhanakaken lan nganalisis data ingkang rumit. Satunggaling algoritma unsupervised learning ingkang prasaja inggih punika K-Means Clustering. Algoritma puniki damel kanthi nggrupakaken data dhateng sababaraha kelompok utawi cluster adhedhasar ciri-ciri ingkang dipun-miliki. Proses kasebat dipun-ginakaken rumus:

S_{i}=\arg \min _{k}\sum (x_{i}-\mu _{k})^{2}

Ing ngriku $S_{i}$ inggih cluster kanggé data titik $x_{i}$ , lan $\mu _{k}$ inggih rata-rata utawi centroid kanggé cluster $k$ . Tujuanipun algoritma punika nggadhahi grupisasi ingkang saged nyerep polah data kanthi efektif lan nyuda kasalahan utawi variance ing sajroning saben cluster.

Deep learning

Ngewrat gambar-gambar ing lapisan-lapisan abstraksi ingkang berjenjang ing deep learning^[1]

Deep learning punika salah satunggaling kelas machine learning^[2]^{(pp199–200)} ingkang ngginakaken lapisan-lapisan kanthi bertahap kanggé nyaring fitur tingkat dhuwur saking data mentahan. Kayata, ing proses gambar, lapisan ngandhap bisa ngidentifikasi garis-garis, dene lapisan luwih dhuwur bisa ngidentifikasi konsep-konsep ingkang relevan tumrap manungsa kados ta angka utawa aksara utawa rai.

Saking perspektif sanes, pembelajaran jero ugi ateges "komputer-simulasi" utawi "ngotomatisasi" proses pembelajaran manungsa saking sumber (kados ta gambar asu) dhateng obyek ingkang dipelajari (asu). Mula, gagasan ingkang dijenengi minangka "pembelajaran luwih jero" utawi "pembelajaran paling jero"^[3] dados makna. Pembelajaran paling jero ateges pembelajaran kanthi otomatis saking sumber dhateng obyek ingkang sampun dipelajari sacara lengkap. Dene pembelajaran luwih jero teges proses pembelajaran campuran: proses pembelajaran manungsa saking sumber dhateng obyek setengah-pelajari, lan sabanjuré proses pembelajaran komputer saking obyek setengah-pelajari ingkang dipunpelajari déning manungsa dhateng obyek ingkang dipunpelajari sacara lengkap.

Sitiran

↑ Schulz, Hannes; Behnke, Sven (1 November 2012). "Deep Learning". KI - Künstliche Intelligenz (ing basa Inggris). 26 (4): 357–363. doi:10.1007/s13218-012-0198-z. ISSN 1610-1987. S2CID 220523562.
↑ Deng, L.; Yu, D. (2014). "Pembelajaran Jero: Metode lan Aplikasi" (PDF). Dasar lan Tren ing Proses Sinyal. 7 (3–4): 1–199. doi:10.1561/2000000039. Diarsip (PDF) saka asliné ing 2016-03-14. Dibukak ing 2014-10-18.
↑ Zhang, W. J.; Yang, G.; Ji, C.; Gupta, M. M. (2018). "Babagan Definisi Pembelajaran Jero". Kongres Otomasi Dunia 2018 (WAC). kc. 1–5. doi:10.23919/WAC.2018.8430387. ISBN 978-1-5323-7791-4. S2CID 51971897.

[1] Schulz, Hannes; Behnke, Sven (1 November 2012). "Deep Learning". KI - Künstliche Intelligenz (ing basa Inggris). 26 (4): 357–363. doi:10.1007/s13218-012-0198-z. ISSN 1610-1987. S2CID 220523562.

[BOOK2014-2] Deng, L.; Yu, D. (2014). "Pembelajaran Jero: Metode lan Aplikasi" (PDF). Dasar lan Tren ing Proses Sinyal. 7 (3–4): 1–199. doi:10.1561/2000000039. Diarsip (PDF) saka asliné ing 2016-03-14. Dibukak ing 2014-10-18.

[3] Zhang, W. J.; Yang, G.; Ji, C.; Gupta, M. M. (2018). "Babagan Definisi Pembelajaran Jero". Kongres Otomasi Dunia 2018 (WAC). kc. 1–5. doi:10.23919/WAC.2018.8430387. ISBN 978-1-5323-7791-4. S2CID 51971897.

[1]

[2]

[3]