Pembelajaran Mesin

Secara umum, algoritma pembelajaran mesin dapat dianggap sebagai kotak hitam. Dibutuhkan input dan menghasilkan output. Tujuan pembelajaran ini adalah untuk menunjukkan kepada Anda cara membuat 'kotak hitam' ini dan menyesuaikannya dengan kebutuhan Anda. Misalnya, kita dapat membuat model yang memprediksi cuaca besok, berdasarkan data meteorologi beberapa hari terakhir. "Kotak hitam" sebenarnya adalah model matematika. Algoritma pembelajaran mesin akan mengikuti semacam metode coba-coba untuk menentukan model yang memperkirakan keluaran, dengan masukan yang diberikan. Setelah kita memiliki model, kita harus melatihnya. Pelatihan adalah proses dimana, model belajar bagaimana memahami input data.

	Jenis Pembelajaran Mesin
Supervised	UnSupervised	Reinforcement
Disebut terawasi karena disediakan algoritme yang tidak hanya dengan input, tetapi juga dengan target (output yang diinginkan). Berdasarkan informasi itu, algoritme mempelajari cara menghasilkan output sedekat mungkin dengan target. Fungsi tujuan dalam pembelajaran terawasi disebut loss function (juga biaya atau kesalahan) Kami mencoba meminimalkan kerugian(loss) karena semakin rendah fungsi kerugian(loss function), semakin tinggi akurasi model.	Dalam pembelajaran mesin tanpa pengawasan, peneliti memberi masukan kepada model, tetapi tidak dengan target. Sebaliknya, dia memintanya untuk menemukan semacam ketergantungan atau logika yang mendasari dalam data yang disediakan. Misalnya, Anda mungkin memiliki data keuangan untuk 100 negara Model berhasil membagi (menjadi 5 kelompok, Anda kemudian memeriksa 5 kelompok dan mencapai kesimpulan bahwa kelompok tersebut adalah “Maju”, “Berkembang tetapi berprestasi”, berprestasi tinggi”, “Berkembang tetapi kurang berprestasi”, kurang berprestasi”, “stagnasi” dan “memburuk” Algoritme membagi mereka menjadi 5 kelompok berdasarkan kesamaan tetapi Anda tidak tahu kesamaan apa yang dapat dibagi berdasarkan lokasi.	Dalam ML Reinforcement penguatan,tujuan algoritme adalah untuk memaksimalkan imbalannya Ini terinspirasi oleh perilaku manusia dan cara orang mengubah tindakan mereka sesuai dengan insentif, seperti mendapatkan hadiah atau menghindari hukuman. Fungsi tujuan disebut reward function Kami mencoba memaksimalkan reward function Contoh adalah komputer bermain Super Mario, Semakin tinggi skor yang dicapai, semakin baik kinerjanya Skor dalam hal ini adalah fungsi tujuan.
Metode: 1.    Regression 2.    Classification	Metode: Clustering	Metode: 1.     Decision process 2.     Reward system

Membangun Blok Algoritma Pembelajaran Mesin
Logika dasar di balik pelatihan suatu algoritma melibatkan empat bahan: data, model, fungsi tujuan, dan algoritma optimasi.
1. kita perlu menyiapkan sejumlah data untuk dilatih. Biasanya, mengambil data historis
2. Memilih jenis model Secara kasar, ini adalah beberapa fungsi, yang ditentukan oleh bobot dan bias. Memasukkan data masukan ke dalam model. Pada dasarnya, ide dari algoritma pembelajaran mesin adalah untuk menemukan parameter yang modelnya memiliki kekuatan prediksi tertinggi.
3.Fungsi tujuan mengukur kekuatan prediksi model. Secara matematis, masalah pembelajaran mesin bermuara pada pengoptimalan fungsi. Misalnya, dalam kasus kerugian, kita berusaha meminimalkannya.
4.Mencapai optimasi menggunakan algoritma optimasi. Menggunakan nilai fungsi tujuan, algoritma optimasi memvariasikan parameter model. Operasi ini diulang sampai kita menemukan nilai parameter, yang fungsi tujuannya optimal.

Pembelajaran yang diawasi(supervise) dapat dibagi menjadi dua subtipe yaitu regresi dan klasifikasi

Regresi

Klasifikasi

Output regresi adalah angka kontinu Contoh Memprediksi nilai tukar EUR/USD pada waktu akan dating. Outputnya adalah angka, seperti 102,153 dll. Memprediksi harga rumah, misalnya $234,200 atau $512,414. Salah satu sifat utama dari keluaran regresi adalah bahwa terurut, Sebagai $102<$153 dan $243200<$512414 sehingga dapat pasti dikatakan bahwa satu output lebih besar dari yang lain. Perbedaan ini terbukti sangat penting dalam pembelajaran mesin karena algoritma akan mendapat informasi tambahan dari keluaran.

Output klasifikasi adalah label dari semacam kelas Contoh Mengklasifikasikan foto hewan berdasarkan Kelasnya contoh: “kucing”, “anjing“, “sapi”, dll Memprediksi konversi dalam konteks bisnis dapat memiliki dua kelas pelanggan, misalnya “akan membeli lagi” dan “tidak akan membeli lagi”. Dalam hal klasifikasi, label tidak dipesan dan tidak dapat dibandingkan sama sekali. Foto anjing bukanlah “atau “foto kucing (secara objektif). rumah dpinggir jalan senilai $512,414 adalah “lebih” (lebih mahal) daripada rumah senilai $234,200 tidak di pinggir jalan. Perbedaan ini terbukti sangat penting dalam pembelajaran mesin, karena kelas yang berbeda diperlakukan pada pijakan yang sama.