Bagaimana Pembelajaran Mesin Bekerja – Panduan Mudah

Netflix dan Amazon menjadi sangat hebat dalam permainan mereka – mereka sepertinya selalu tahu konten atau produk apa yang ingin Anda lihat / beli. Tidakkah Anda suka melihat semuanya sudah dikurasi sesuai selera dan preferensi Anda?

Sementara sebagian besar dari kita tahu saus rahasia di balik Mesin Rekomendasi yang bagus dari Netflix dan Amazon (Pembelajaran Mesin, tentu saja!), berapa banyak dari kita yang akrab dengan mekanisme dalam Pembelajaran Mesin?

Sederhananya – Bagaimana cara kerja Machine Learning ?

Intinya, Machine Learning adalah teknik analisis data (bagian dari AI) yang bertujuan untuk "belajar" dari pengalaman dan memungkinkan mesin melakukan tugas yang membutuhkan kecerdasan. Algoritma Machine Learning menerapkan metode komputasi untuk mengekstrak informasi dan belajar langsung dari data tanpa diprogram secara eksplisit untuk itu (tidak harus bergantung pada persamaan yang telah ditentukan sebelumnya).

Anatomi sistem Pembelajaran Mesin

Semua sistem ML dapat dipecah menjadi tiga bagian:

• Model – komponen yang berhubungan dengan identifikasi, yaitu prediksi.
• Parameter – mengacu pada faktor-faktor yang digunakan oleh model untuk mencapai keputusannya (prediksi).
• Learner – komponen yang menyesuaikan parameter (dan secara keseluruhan, model) dengan mempertimbangkan perbedaan prediksi dibandingkan dengan hasil yang sebenarnya.

Jenis Pembelajaran Mesin

Sekarang setelah Anda terbiasa dengan komponen inti sistem ML, saatnya untuk melihat berbagai cara mereka "belajar".

Pembelajaran Terawasi

Dalam Supervised Learning, sebuah model dilatih secara eksplisit tentang cara memetakan input ke output. Algoritme pembelajaran yang diawasi mengambil sekumpulan data input yang dikenali bersama dengan respons yang diketahui (output) terhadap data tersebut dan melatih model untuk menghasilkan prediksi yang masuk akal sebagai respons terhadap data input baru.

Pembelajaran yang diawasi menggunakan dua pendekatan untuk mengembangkan model prediktif –

• Klasifikasi – Seperti namanya, teknik ini mengklasifikasikan data input ke dalam kategori yang berbeda dengan melabelinya. Ini digunakan untuk memprediksi respons diskrit (misalnya, jika sel kanker jinak atau ganas). Pencitraan medis, pengenalan ucapan, dan penilaian kredit adalah tiga kasus klasifikasi yang populer.
• Regresi – Teknik ini digunakan untuk memprediksi respons berkelanjutan dengan mengidentifikasi pola dalam data input. Misalnya, fluktuasi suhu atau cuaca. Regresi digunakan untuk meramalkan cuaca, beban listrik, dan perdagangan algoritmik.

Pembelajaran tanpa pengawasan

Pendekatan Unsupervised Learning menggunakan data yang tidak berlabel dan berusaha mengungkap pola tersembunyi di dalamnya. Dengan demikian, teknik ini menarik kesimpulan dari kumpulan data yang terdiri dari data masukan tanpa tanggapan berlabel.

• Clustering – Salah satu metode pembelajaran tanpa pengawasan yang paling umum, clustering adalah teknik analisis data eksplorasi yang mengkategorikan data ke dalam “cluster” tanpa informasi yang diketahui tentang kredensial cluster. Pengenalan objek dan analisis urutan gen adalah dua contoh pengelompokan.
• Pengurangan Dimensi – Pengurangan Dimensi membersihkan data input dari semua informasi yang berlebihan dan hanya menyimpan bagian-bagian penting. Dengan demikian, data tidak hanya menjadi bersih, tetapi juga mengecil, sehingga memakan lebih sedikit ruang penyimpanan.

Pembelajaran Penguatan

Reinforcement Learning bertujuan untuk membangun model belajar mandiri dan mandiri yang dapat dipelajari dan ditingkatkan melalui trial and error. Dalam proses pembelajaran (pelatihan), jika algoritme berhasil melakukan tindakan tertentu, sinyal penghargaan dipicu. Sinyal hadiah berfungsi seperti lampu pemandu untuk algoritme. Ada dua sinyal penghargaan:

• Sinyal positif dipicu untuk mendorong dan melanjutkan urutan tindakan tertentu.
• Sinyal negatif adalah hukuman untuk tindakan salah tertentu. Ini menuntut koreksi kesalahan sebelum melangkah lebih jauh dalam proses pelatihan.

Reinforcement Learning banyak digunakan dalam video game. Ini juga merupakan mekanisme di balik mobil self-driving.

Di dalam fungsi 'belajar' algoritma ML

Di balik fungsi algoritme ML dan cara mereka belajar melalui pengalaman, ada tiga prinsip umum.

Mempelajari Fungsi

Langkah pertama dalam proses pembelajaran adalah di mana algoritma ML mempelajari tentang fungsi target (f) yang paling baik memetakan variabel input (X) ke variabel output (Y). Jadi,

Y = f(X).

Di sini, bentuk fungsi target (f) tidak diketahui, oleh karena itu pemodelan prediktif.

Dalam fase pembelajaran umum ini, algoritme ML mempelajari cara membuat prediksi masa depan (Y) berdasarkan variabel input baru (X). Tentu saja, prosesnya tidak bebas dari kesalahan. Di sini kesalahan (e) ada secara independen dari data input (X). Jadi,

Y = f(X) + e

Karena kesalahan (e) mungkin tidak memiliki atribut yang cukup untuk mengkarakterisasi skenario pemetaan dari X ke Y yang terbaik, ini disebut kesalahan yang tidak dapat direduksi – terlepas dari seberapa baik algoritma dalam memperkirakan fungsi target (f), Anda tidak dapat mengurangi kesalahan ( e).

Membuat prediksi dan mempelajari cara meningkatkannya

Pada poin sebelumnya, kita telah memahami bagaimana algoritma ML mempelajari fungsi target (f). Dan kita sudah tahu bahwa satu-satunya tujuan kita di sini adalah menemukan cara terbaik untuk memetakan Y dari X. Dengan kata lain, kita perlu menemukan cara paling akurat untuk memetakan input ke output.

Akan ada kesalahan (e), ya, tetapi algoritma harus terus mencoba memahami seberapa jauh dari output yang diinginkan (Y) dan bagaimana mencapainya. Dalam proses ini, ia akan terus menyesuaikan parameter atau nilai input (X) agar sesuai dengan output (Y). Ini akan berlanjut hingga mencapai tingkat kemiripan dan akurasi yang tinggi dengan model keluaran yang diinginkan.

Pendekatan pembelajaran 'Gradient Descent'

Mungkin benar bahwa kita telah berhasil menciptakan mesin 'cerdas', tetapi kecepatan belajar mereka berbeda – mesin cenderung lambat. Mereka percaya pada proses belajar “turun gradien” – Anda tidak langsung melompat, tetapi Anda mengambil langkah kecil dan perlahan turun dari atas (kiasan di sini adalah menuruni gunung).

Saat menuruni gunung, Anda tidak melompat atau berlari atau menjatuhkan diri Anda sekaligus; sebagai gantinya, Anda mengambil langkah terukur dan diperhitungkan untuk turun ke dasar dengan aman dan menghindari kecelakaan.

Algoritma ML menggunakan pendekatan ini – mereka terus menyesuaikan diri dengan parameter yang berubah (gambarkan medan gunung yang kasar dan belum dijelajahi lagi) untuk mendapatkan hasil yang diinginkan pada akhirnya.

Untuk menyimpulkan…

Tujuan mendasar dari semua algoritme Pembelajaran Mesin adalah untuk mengembangkan model prediktif yang paling baik digeneralisasikan ke data input tertentu. Karena algoritme dan sistem ML melatih diri mereka sendiri melalui berbagai jenis input/variabel/parameter, sangat penting untuk memiliki kumpulan data yang besar. Ini untuk memungkinkan algoritme ML berinteraksi dengan berbagai jenis data untuk mempelajari perilakunya dan menghasilkan hasil yang diinginkan.

Kami berharap dengan posting ini kami dapat mengungkap cara kerja Machine Learning untuk Anda!