diskusi.tech (beta) Community

loading...
DeepTechID

Mau Belajar Machine Learning, tapi Gak Tau Caranya?

mimindeeptech profile image Mimin Deep Tech ・3 min read

Bahasan soal Machine Learning kayaknya makin rame ya jadi obrolan? Begitu juga dengan bahasan soal Artificial Intelligence, Deep Learning, Big Data, dan Data Science!

Tapi, kamu udah tau belum bedanya Machine Learning dengan keempat istilah lainnya itu?

Sebelum ngedalamin Machine Learning, ada baiknya kita tau perbedaannya biar gak kebalik-balik!

Menurut Arra’di Nur Rizal, System Developer Lund University Swedia. Beda antara Machine Learning dengan istilah lainnya.

Artificial intelligence (AI) atau kecerdasan buatan
Mesin yang diprogram agar bisa ngikutin aksi ataupun kercerdasan manusia. Contoh mudahnya udah sering kita liat di film-film. Salah satunya kayak robot di Terminator.

Machine Learning
Bagian dari AI yang make metode statistik agar mesin bisa belajar dari sejumlah pengetahuan yang diberi dan dapat ngelakuin aksi dari pembelajaran tersebut.

Deep Learning
Salah satu teknik yang dipake dalam machine learning. Deep Learning adalah teknik yang ngegunain banyak lapisan jaringan neural (neural network). Jaringan neural adalah jaringan saraf tiruan yang ngadopsi kemampuan otak manusia yang bisa memberi stimulasi, ngelakuin proses, dan nghasilin output.

Nah, ketiga hal ini punya kaitan sama Data Science dan Big Data.

Data Science ngegunain teknik Machine Learning dan Deep Learning dengan Big Data yang ada.

Bedanya…

Data science bisa ngeanalisis dan ngevisualisasiin kejadian yang udah terjadi sebelumnya, sedangkan machine learning akan ngeprediksi kejadian yang belum terjadi berdasar hasil sebuah pembelajaran.

Contoh:
Berdasarkan data lalu lintas jalan raya di 3 hari pertama (senin sampai rabu), terlihat kalo hari senin itu paling padat (data analyst). Dari analisis ini, kita bisa ngeprediksi kalo di senin depan akan padat juga (machine learning).

Sampe sini, udah lebih paham kan beda istilah kelimanya? :)

Kalo gitu, sekarang saatnya kita ulik lebih dalam dunia Machine Learning.

4 Istilah di Machine Learning yang mesti kita tau

  • Training Proses ketika program yang kita buat berusaha nyari tau pola yang cocok dengan data yang kita punya. Atau dengan kata lain, sistem tersebut lagi belajar.
  • Model Hasil akhir ketika sistem udah dapetin nilai/angka dari proses belajarnya
  • Inference Ketika kita ngeprediksi suatu output dengan make model yang udah dilatih.
  • Overfit Model gak bisa ngeprediksi secara general. Terjadi ketika hasilnya udah oke kalo pake data yang ada, tapi kalo ditambahin data baru, keakuratannya jadi gak bagus.

3 Tipe Machine Learning berdasarkan permasalahan pembelajarannya

  • Supervised learning Sistem cuma metain input sesuai dataset yang ada. Jadi, kalo ada input A maka output-nya bakal B
  • Unsupervised learning Sistem bisa nyari hubungan dari data yang ada secara mandiri berdasarkan pengetahuan sebelumnya
  • Reinforcement learning Sistem bekerja dengan berinteraksi terhadap lingkungannya. Pendekatan ini mirip dengan cara manusia belajar dari pengalamannya.

3 Tipe Machine Learning berdasarkan permasalahan pembelajaran hybrid (campuran)

  • Semi-supervised learning Sistem gabungan supervised + unsupervised learning yang bekerja dengan data berlabel yang sedikit. Sisa datanya yang gak berlabel nyari tahu hubungannya dengan data yang sudah dilabelin
  • Self-supervised learning Sistem unsupervised learning yang bekerja dengan metode supervised learning, yaitu nyajiin output dari input yang diberi. Misalnya, mesin diberi tugas buat ngewarnai gambar grayscale dengan prediksi warna yang sesuai dengan gambar.
  • Multi-instance learning Sistem supervised learning yang contoh-contoh datanya gak dilabelin satu-satu, tapi dijadiin satu grup

5 Tipe Machine Learning berdasarkan teknik belajarnya

  • Multi-task learning Supervised learning yang ngelakuin beberapa tugas ngegunain dataset yang sama. Contoh: Dari sebuah gambar kita bisa ngedeteksi banyak hal seperti jenis kelamin, umur, ras orang yang berada dalam gambar tersebut.
  • Active learning Teknik ketika model bisa bertanya kepada manusia selama proses model
  • Online learning Modelnya update sebelum ada prediksi atau setelah observasi terakhir. Contoh: Kalo kita nonton video di YouTube, bakal ada rekomendasi video lain yang sejenis sama video yang ditonton sebelumnya.
  • Transfer learning Melatih model dengan satu tugas buat jadi permulaan ngerjain tugas yang lain. Contoh: Kita pengen punya model yang bisa ngedeteksi gambar hewan. Terus, kita juga pengen punya model yang bisa ngedeteksi tumbuhan. Biar gak mulai dari awal, kita bisa nyesuain model buat dilatih biar bisa ngedeteksi tumbuhan juga.
  • Ensemble learning Hasil gabungan dari model-model yang berbeda buat ngelakuin prediksi. Contoh: Kita punya beberapa model kemudian kita kasih data yang sama dengan algoritma yang berbeda.

Ilmu dasar yang mesti dikuasain buat belajar Machine Learning

  • Aljabar linear
  • Kalkulus
  • Teori probabilitas
  • Teori optimasi
  • Algoritma
  • Bahasa pemrograman
  • Bahasa Inggris
  • Linguistik/Natural Language Processing

Dan berikut ini adalah rekomendasi tools dari Arra'di yang bisa temen-temen pake buat mulai proyek Machine Learning

  • Bahasa pemrograman: Python
  • Libraries: Scikit-learn, Pandas
  • Framework: TensorFlow, PyTorch, Keras, Theano, Accord.NET, Apple’s Core ML, Google ML Kit, TensorFlow.js
  • Aplikasi: KNIME, Weka, RapidMiner, Apache Spark MLlib
  • Editor: Jupyter Notebook, Google Colab

Gimana nih, temen-temen udah lebih paham belum soal Machine Learning?

Materi tulisan ini bisa temen-temen dapetin versi lebih lengkapnya di YouTube Deep Tech Foundation: Deep Tech Talk Vol. 11 - Mengenal Machine Learning.

Tapi, kalo ada hal lainnya soal Machine Learning yang masih dibingungin, temen-temen bisa komen ya :)

Discussion

pic
Editor guide