Bagaimana Cara Kerja Pembelajaran Mesin Tanpa Pengawasan?

Pembelajaran tanpa pengawasan mengacu pada pelatihan sistem AI menggunakan informasi yang tidak diklasifikasikan atau diberi label. Arti idealnya adalah bahwa algoritme harus bertindak berdasarkan informasi tanpa panduan sebelumnya.
Dalam pembelajaran tanpa pengawasan, mesin mengelompokkan informasi yang tidak disortir/tidak berurutan mengenai persamaan dan perbedaan. Ini dilakukan tanpa ketentuan kategori untuk mesin untuk mengkategorikan data ke dalam. Sistem yang menggunakan pembelajaran seperti itu umumnya dikaitkan dengan model pembelajaran generatif.

Bagaimana cara kerja Pembelajaran Mesin Tanpa Pengawasan?

Dalam pembelajaran tanpa pengawasan, sistem AI disajikan dengan data yang tidak berlabel dan tidak dikategorikan dan algoritme sistem bertindak berdasarkan data tanpa pelatihan sebelumnya. Outputnya tergantung pada algoritma yang dikodekan. Mengarahkan sistem ke pembelajaran tanpa pengawasan adalah cara yang mapan untuk menguji kemampuan sistem itu.
Algoritma pembelajaran tanpa pengawasan dapat melakukan tugas pemrosesan yang lebih kompleks daripada sistem pembelajaran yang diawasi. Namun, pembelajaran tanpa pengawasan bisa lebih tidak terduga daripada model alternatif. Sebuah sistem yang dilatih menggunakan model yang tidak diawasi, mungkin, misalnya, mencari tahu sendiri bagaimana membedakan kucing dan anjing, mungkin juga menambahkan kategori yang tidak terduga dan tidak diinginkan untuk menangani breed yang tidak biasa, yang mungkin berakhir dengan mengacaukan segalanya alih-alih menahannya. memesan.

Untuk algoritme pembelajaran tanpa pengawasan, sistem AI disajikan dengan kumpulan data yang tidak berlabel dan tidak berkategori. Hal yang perlu diingat adalah bahwa sistem ini belum menjalani pelatihan sebelumnya. Pada intinya, pembelajaran tanpa pengawasan dapat dianggap sebagai pembelajaran tanpa guru.
Dalam kasus pembelajaran yang diawasi, sistem memiliki input dan output. Jadi tergantung pada perbedaan antara keluaran yang diinginkan dan keluaran yang diamati, sistem diatur untuk belajar dan berkembang. Namun, dalam kasus pembelajaran tanpa pengawasan, sistem hanya memiliki input dan tidak ada output.
Apa itu Pembelajaran Mesin dan Mengapa itu penting

Pembelajaran tanpa pengawasan sangat membantu selama tugas-tugas yang terkait dengan penambangan data dan ekstraksi fitur. Tujuan akhir dari pembelajaran tanpa pengawasan adalah untuk menemukan tren dan pola tersembunyi dalam data atau untuk mengekstrak fitur yang diinginkan. Seperti yang kami katakan sebelumnya, pembelajaran tanpa pengawasan hanya berurusan dengan kumpulan data input tanpa pengetahuan atau pembelajaran sebelumnya. Oleh karena itu, ada dua jenis pembelajaran tanpa pengawasan:

Pembelajaran Tanpa Pengawasan Parametrik

Pembelajaran tanpa pengawasan parametrik mengasumsikan distribusi data parametrik. Artinya, jenis pembelajaran tanpa pengawasan ini mengasumsikan bahwa data berasal dari populasi yang mengikuti distribusi probabilitas tertentu berdasarkan beberapa parameter. Secara teori, jika kita mempertimbangkan distribusi normal dari keluarga objek, maka kita akan melihat bahwa semua anggota memiliki beberapa karakteristik yang sama dan selalu diparametrikan dengan mean dan standar deviasi. Ini berarti bahwa jika kita mengetahui mean dan simpangan baku, dan jika distribusinya normal, maka kita dapat dengan mudah mengetahui probabilitas pengamatan di masa depan. Pembelajaran Tanpa Pengawasan Parametrik jauh lebih sulit daripada pembelajaran terawasi standar karena tidak ada label yang tersedia; maka tidak ada ukuran akurasi yang telah ditentukan untuk menguji output.

Pembelajaran Tanpa Pengawasan Non-parametrik

Pembelajaran tanpa pengawasan non-parametrik mengacu pada pengelompokan kumpulan data input. Setiap cluster, pada dasarnya, mengatakan sesuatu tentang kategori dan kelas dari item data yang ada di set. Ini adalah metode yang paling umum digunakan untuk pemodelan data dan analisis data dengan ukuran sampel kecil. Metode ini juga disebut sebagai metode bebas distribusi karena tidak seperti dalam kasus pembelajaran parametrik, pemodel tidak perlu membuat asumsi tentang distribusi seluruh populasi.
6 Teknik Pembelajaran Mesin Ini Meningkatkan Layanan Kesehatan

Pada titik ini, penting untuk sedikit menyelami apa yang kami maksud dengan pengelompokan.

Jadi, apa itu clustering?

Pengelompokan adalah salah satu konsep dasar yang paling penting dalam hal pembelajaran tanpa pengawasan. Ini berkaitan dengan menemukan struktur atau pola dalam kumpulan data yang tidak dikategorikan. Definisi sederhana dari sebuah cluster bisa menjadi "proses pengelompokan objek ke dalam kelas sedemikian rupa sehingga setiap anggota kelas serupa dengan yang lain dalam satu atau lain cara."
Oleh karena itu, cluster secara sederhana dapat didefinisikan sebagai kumpulan objek data yang "mirip" antara cluster dan "tidak mirip" dengan objek cluster lainnya.

Aplikasi pembelajaran mesin tanpa pengawasan

Tujuan dari pembelajaran mesin tanpa pengawasan adalah untuk mengungkap pola dan tren yang sebelumnya tersembunyi dalam data. Namun, sebagian besar waktu, pola data adalah perkiraan yang buruk tentang apa yang dapat dicapai pembelajaran mesin yang diawasi – misalnya, mereka mengelompokkan pelanggan ke dalam kelompok besar, daripada memperlakukan mereka sebagai individu dan memberikan komunikasi yang sangat personal. Dalam kasus pembelajaran tanpa pengawasan, kita tidak tahu apa hasilnya, dan karenanya, jika kita perlu merancang model prediktif, pembelajaran terawasi lebih masuk akal dalam konteks dunia nyata.
Kasus penggunaan yang ideal untuk menggunakan pembelajaran mesin tanpa pengawasan adalah saat Anda tidak memiliki data tentang hasil yang diinginkan. Misalnya, jika Anda perlu menentukan target pasar untuk produk yang sama sekali baru. Namun, jika Anda ingin mengkategorikan basis konsumen Anda dengan lebih baik, pembelajaran yang diawasi adalah pilihan yang lebih baik.
5 Terobosan Aplikasi Machine Learning

Mari kita lihat beberapa aplikasi teknik pembelajaran mesin tanpa pengawasan:

1. Pembelajaran tanpa pengawasan sangat membantu untuk mendeteksi anomali dari kumpulan data Anda. Deteksi anomali mengacu pada menemukan titik data penting dalam koleksi data Anda. Ini sangat berguna untuk mengetahui transaksi penipuan, menemukan perangkat keras yang rusak, atau mengidentifikasi outlier yang mungkin merayap masuk selama entri data.
2. Penambangan asosiasi berarti mengidentifikasi satu set item yang muncul bersama dalam satu set data. Ini adalah teknik yang cukup membantu untuk analisis keranjang karena memungkinkan analis menemukan barang yang sering dibeli bersama. Penambangan asosiasi tidak mungkin dilakukan tanpa mengelompokkan data, dan ketika Anda berbicara tentang pengelompokan, Anda berbicara tentang algoritma pembelajaran mesin yang tidak diawasi.
3. Satu lagi kasus penggunaan pembelajaran tanpa pengawasan adalah pengurangan dimensi. ini mengacu pada pengurangan jumlah fitur dalam kumpulan data dan dengan demikian memungkinkan pra-pemrosesan data yang lebih baik. Model variabel laten biasanya digunakan untuk tujuan ini dan hanya dimungkinkan dengan menggunakan algoritma pembelajaran tanpa pengawasan.

Pola dan tren yang ditemukan menggunakan pembelajaran tanpa pengawasan juga dapat berguna saat menerapkan algoritme pembelajaran terawasi di kemudian hari – misalnya, pembelajaran tanpa pengawasan dapat membantu Anda melakukan analisis klaster pada kumpulan data, dan kemudian Anda dapat menggunakan pembelajaran terawasi pada klaster pilihan Anda/ membutuhkan.
Insinyur Pembelajaran Mesin: Mitos vs. Realitas

Secara keseluruhan, pembelajaran mesin dan kecerdasan buatan adalah bidang yang sangat kompleks, dan sistem AI canggih apa pun yang Anda temui kemungkinan besar akan menggunakan kombinasi berbagai algoritma dan mekanisme pembelajaran. Karena itu, jika Anda seorang pemula, sangat penting bagi Anda untuk mengetahui poin-poin penting seputar semua teknik pembelajaran utama.

Pelajari kursus ML dari Universitas top dunia. Dapatkan Master, PGP Eksekutif, atau Program Sertifikat Tingkat Lanjut untuk mempercepat karier Anda.
Kami berharap kami dapat mengklarifikasi poin-poin yang lebih halus dari algoritme pembelajaran tanpa pengawasan. Jika Anda ragu, silakan tulis di komentar di bawah!