Penjelasan tentang model pembelajaran mesin bahkan Anda bisa mengerti

Penjelasan tentang model pembelajaran mesin bahkan Anda bisa mengerti

 

Penjelasan tentang model pembelajaran mesin bahkan Anda bisa mengerti

Penjelasan tentang model pembelajaran mesin bahkan Anda bisa mengerti

Jika Anda baru dalam ilmu data, judul ini tidak dimaksudkan untuk menghina Anda. Ini adalah posting kedua saya dengan tema pertanyaan wawancara populer yang berbunyi seperti: “jelaskan [masukkan topik teknis] kepada saya seolah-olah saya berusia lima tahun.”

Ternyata, mencapai tingkat pemahaman lima tahun cukup sulit. Jadi, sementara artikel ini mungkin tidak sepenuhnya jelas bagi anak TK, harus jelas bagi seseorang yang sedikit atau tidak memiliki latar belakang dalam ilmu data (dan jika pada akhirnya, tolong beri tahu saya di komentar).

Saya akan mulai dengan menjelaskan apa itu pembelajaran mesin, bersama dengan berbagai jenis pembelajaran mesin, dan kemudian saya akan mulai menjelaskan model-model umum. Saya tidak akan masuk ke salah satu matematika, tetapi saya sedang mempertimbangkan melakukan itu di artikel lain di masa depan. Nikmati!
Definisi pembelajaran mesin
Ilustrasi Pembelajaran Mesin

Pembelajaran mesin adalah saat Anda memuat banyak data ke dalam program komputer dan memilih model untuk

“menyesuaikan” data, yang memungkinkan komputer (tanpa bantuan Anda) untuk menghasilkan prediksi. Cara komputer membuat model adalah melalui algoritme, yang dapat berkisar dari persamaan sederhana (seperti persamaan garis) hingga sistem logika / matematika yang sangat rumit yang membawa komputer ke prediksi terbaik.

Baca: [Perbedaan antara AI dan pembelajaran mesin, dijelaskan]

Pembelajaran mesin diberi nama tepat, karena begitu Anda memilih model untuk digunakan dan menyetelnya (a.k.a memperbaikinya melalui penyesuaian), mesin akan menggunakan model untuk mempelajari pola dalam data Anda. Kemudian, Anda dapat memasukkan kondisi baru (pengamatan) dan itu akan memprediksi hasilnya!
Definisi pembelajaran mesin yang diawasi

Pembelajaran terawasi adalah jenis pembelajaran mesin di mana data yang Anda masukkan ke dalam model diberi label. Berlabel hanya berarti bahwa hasil pengamatan (a.k.a. deretan data) diketahui. Misalnya, jika model Anda mencoba memprediksi apakah teman Anda akan bermain golf atau tidak, Anda mungkin memiliki variabel seperti suhu, hari dalam seminggu, dll. Jika data Anda berlabel, Anda juga akan memiliki variabel yang memiliki nilai 1 jika teman Anda benar-benar pergi bermain golf atau 0 jika mereka tidak.
Definisi pembelajaran mesin tanpa pengawasan

Seperti yang mungkin sudah Anda duga, pembelajaran tanpa pengawasan adalah kebalikan dari pembelajaran yang

diawasi ketika datang ke data berlabel. Dengan pembelajaran tanpa pengawasan, Anda tidak tahu apakah teman Anda bermain golf atau tidak – terserah komputer untuk menemukan pola melalui model untuk menebak apa yang terjadi atau memprediksi apa yang akan terjadi.
Model pembelajaran mesin yang diawasi

Regresi logistik

Regresi logistik digunakan ketika Anda memiliki masalah klasifikasi. Ini berarti bahwa variabel target Anda (a.k.a. variabel yang Anda minati untuk diprediksi) terdiri dari kategori-kategori. Kategori-kategori ini bisa ya / tidak, atau sesuatu seperti angka antara 1 dan 10 mewakili kepuasan pelanggan.

Model regresi logistik menggunakan persamaan untuk membuat kurva dengan data Anda dan kemudian menggunakan kurva ini untuk memprediksi hasil pengamatan baru.
Ilustrasi Regresi Logistik

Pada grafik di atas, pengamatan baru akan mendapatkan prediksi 0 karena jatuh di sisi kiri kurva. Jika Anda melihat

data yang menjadi dasar kurva ini, itu masuk akal karena, di wilayah “prediksi nilai 0” pada grafik, sebagian besar titik data memiliki nilai y 0.

Regresi linier

Regresi linier seringkali merupakan salah satu model pembelajaran mesin pertama yang dipelajari orang. Ini karena algoritmanya (yaitu persamaan di belakang layar) relatif mudah dipahami ketika menggunakan hanya satu variabel-x – itu hanya membuat garis yang paling cocok, sebuah konsep yang diajarkan di sekolah dasar. Baris paling cocok ini kemudian digunakan untuk membuat prediksi tentang titik data baru (lihat ilustrasi).

Sumber:

https://freemattandgrace.com/seva-mobil-bekas/