Pembelajaran yang Diawasi vs Tanpa Diawasi: Perbedaan Antara Pembelajaran yang Diawasi dan Tanpa Diawasi

pengantar

Pembelajaran Mesin secara luas diklasifikasikan menjadi tiga jenis yaitu Pembelajaran Terawasi, Pembelajaran Tanpa Pengawasan, dan Pembelajaran Penguatan. Pembelajaran penguatan masih baru dan dalam perkembangan pesat jadi mari kita abaikan saja itu di artikel ini dan selami lebih dalam ke Pembelajaran Terawasi dan Tanpa Pengawasan.

Sebelum beralih ke definisi dan penggunaan sebenarnya dari kedua jenis pembelajaran ini, mari kita kenali dulu Machine Learning. Pembelajaran mesin adalah aplikasi kecerdasan buatan yang memberikan sistem kemampuan untuk belajar dan meningkatkan secara otomatis dari pengalaman tanpa diprogram secara eksplisit, ini hanyalah definisi buku teks tentang Pembelajaran Mesin karena artikel ini terutama ditulis untuk pemula bidang Ilmu Data dan Kecerdasan Buatan izinkan saya membuat ini lebih jelas dan menarik untuk Anda sehingga Anda dapat memahami dan menafsirkannya dengan lebih baik.

Mari kita anggap bayi sebagai mesin kita dan kita perlu membantu bayi mempelajari berbagai angka dalam sistem bilangan kita. Untuk membantu bayi belajar, kita perlu menunjukkan kepada bayi nomor yang berbeda dan memberi tahu nomor masing-masing.

Melakukan bagian ini berulang kali membantu bayi belajar dan menghafal angka. Ini tidak lain adalah kemampuan untuk secara otomatis belajar dan meningkatkan dari pengalaman tanpa diprogram secara eksplisit yaitu Machine Learning.

Baca: Ide Proyek Pembelajaran Mesin

Pembelajaran Terawasi

Mari kita mulai lagi dengan definisi buku teks klasik tentang Pembelajaran Terbimbing dan membiasakan diri dengan contoh bayi yang kita ambil sebelumnya. Pembelajaran terawasi adalah tugas pembelajaran mesin mempelajari fungsi yang memetakan input ke output berdasarkan contoh pasangan input-output. Ini menyimpulkan fungsi dari data pelatihan berlabel yang terdiri dari satu set contoh pelatihan.

Saya benci definisi yang ditulis dalam buku teks mana pun karena begitu formal untuk dipahami, tetapi saya lebih suka seorang teman menjelaskan definisi dalam pikirannya sendiri. Lama kelamaan setiap kali saya mencoba mengingat sebuah definisi, akhirnya penjelasan yang diberikan oleh seorang teman dengan contoh muncul dan membuat hidup saya lebih mudah. Jadi, dalam artikel ini izinkan saya menjadi teman itu bagi Anda.

Mari kita ambil kembali contoh bayi yang telah kita bahas sebelumnya, dalam hal ini, kita perlu membuat bayi belajar dan mengidentifikasi berbagai buah yang kita miliki. Mari kita anggap Apel dan Jeruk sebagai dua buah kita dan kita mulai dengan menunjukkan kedua gambar ini kepada bayi. Kami juga memberi tahu bayi itu gambar mana yang buah.

Melihat gambar-gambar itu bayi belajar bahwa buah akan berbentuk bulat dan buah berwarna merah adalah Apel dan buah berwarna oranye adalah Oranye. Sekarang mari kita tunjukkan kepada bayi gambar baru Jeruk dan minta dia untuk menemukan apakah gambar itu Apel atau Oranye.

Si bayi memprediksi bahwa buahnya berwarna Oranye. Bayi dengan tepat memprediksi buah sebagai Jeruk karena kami telah memberi label pada dua buah seperti Apel dan Jeruk ke dalam dua kategori dan telah meminta bayi untuk mempelajari buah apa itu. Beginilah cara kerja Supervised Machine Learning jika kita mengganti mesin dengan bayi.

Pembelajaran Mesin yang Dibimbing selanjutnya diklasifikasikan menjadi dua jenis masalah yang dikenal sebagai Klasifikasi dan Regresi.

Klasifikasi

Dari namanya sendiri, kita dapat mengetahui bahwa ini adalah masalah Machine Learning dimana kita perlu mengklasifikasikan data yang diberikan dalam dua kelas atau lebih. Contoh di atas yang kami ambil adalah masalah Klasifikasi karena kami perlu mengklasifikasikan gambar yang diberikan ke dalam kelas Apple atau Oranye.

Ketika kita hanya memiliki dua kelas untuk mengklasifikasikan data kita maka itu disebut Klasifikasi Biner. Namun dalam data dunia nyata, kita cenderung memiliki lebih dari satu kelas dan itu disebut Multi-Class Classification. Jenis pembelajaran ini digunakan oleh sebagian besar untuk mengidentifikasi email spam, mengklasifikasikan pelanggan, untuk memeriksa apakah pelanggan Churn dari operator, dan banyak lagi kasus penggunaan.

Baca Juga: Karir di Machine Learning

Regresi

Regresi di sisi lain berkaitan dengan data berkelanjutan seperti memprediksi gaji Anda berdasarkan pengalaman. Dalam hal ini, kita tidak perlu memasukkan data ke dalam kelas mana pun tetapi perlu memprediksi nilai kontinu berdasarkan data kontinu yang kita miliki.

Jenis masalah ini memiliki kolom kontinu dalam kumpulan datanya sedangkan Klasifikasi cenderung memiliki kolom kategoris. Jenis pembelajaran ini digunakan untuk memprediksi pertumbuhan keuangan pada kuartal berikutnya untuk perusahaan mana pun, nilai siswa berdasarkan nilai sebelumnya, dan banyak lagi.

Pembelajaran tanpa pengawasan

Pembelajaran tanpa pengawasan adalah jenis pembelajaran mesin yang mencari pola yang sebelumnya tidak terdeteksi dalam kumpulan data tanpa label yang sudah ada sebelumnya dan dengan pengawasan manusia yang minimal.

Berbeda dengan pembelajaran terawasi yang biasanya menggunakan data berlabel manusia, pembelajaran tanpa pengawasan, juga dikenal sebagai pengorganisasian mandiri, memungkinkan pemodelan kepadatan probabilitas atas input. Mari kita perhatikan contoh bayi untuk memahami Pembelajaran Mesin Tanpa Pengawasan dengan lebih baik.

Mari kita gunakan sekelompok gambar kucing dan anjing sebagai input dalam contoh ini, pada contoh sebelumnya bayi mengetahui bahwa gambar tersebut adalah Apple dan Orange seperti yang telah kita beri label dan kategorikan.

Dalam hal ini, bayi tidak tahu apa-apa dan karenanya tidak dapat mengkategorikan mana yang kucing dan mana yang anjing. Tetapi dapat dikatakan bahwa beberapa gambar terlihat serupa jika dibandingkan dengan beberapa gambar lainnya. Dalam hal ini, kami tidak dapat memberi label pada data, tetapi kami masih dapat menemukan pola dalam data. Beginilah cara kerja Pembelajaran Mesin Tanpa Pengawasan.

Kekelompokan

Contoh yang diambil di atas dengan jelas menggambarkan masalah Clustering, kita perlu mengelompokkan dataset kita berdasarkan pola yang kita temukan dalam data kita. Clustering adalah masalah Machine Learning yang sangat penting dan banyak perusahaan cenderung menggunakan teknik ini untuk menemukan pola berharga, wawasan dari data mereka.

Kesimpulan

Dalam artikel ini, kita mengenal berbagai jenis Machine Learning, memahami yang mengambil contoh yang mudah dipahami, menyelidiki divisi lebih lanjut dari setiap pembelajaran. Artikel ini hanya membahas dasar-dasar masalah Machine Learning, setiap jenis masalah memiliki jenis Algoritma Machine Learning yang berbeda.

Jika Anda tertarik untuk mempelajari lebih lanjut tentang pembelajaran mesin, lihat PG Diploma IIIT-B & upGrad dalam Pembelajaran Mesin & AI yang dirancang untuk para profesional yang bekerja dan menawarkan 450+ jam pelatihan ketat, 30+ studi kasus & tugas, IIIT- B Status alumni, 5+ proyek batu penjuru praktis & bantuan pekerjaan dengan perusahaan-perusahaan top.