AI dan Advanced Machine Learning
Kecerdasan
buatan (AI) dan pembelajaran mesin canggih (ML) yang terdiri dari teknologi dan
proses seperti pembelajaran yang mendalam (deep learning) dan jaringan saraf.
Sebelumnya hal ini dimulai sebagai algoritma untuk mengotomatisasi tugas-tugas
manual, meminjam dari teknik statistik canggih yang telah berkembang menjadi
kerangka yang lebih luas dan arsitektur yang dapat belajar seperti manusia, dan
dapat menggunakan data historis untuk memprediksi masa depan. Sistem ini akan
menjadi lebih mudah beradaptasi dan berpotensi beroperasi secara mandiri.
AI dan Machine
Learning menimbulkan spektrum implementasi yang cerdas, termasuk perangkat
fisik (robot, kendaraan otonom, elektronik konsumen) serta aplikasi dan layanan
(asisten pribadi virtual, penasihat cerdas). Implementasi tersebut merupakan
sebuah kelas baru pada aplikasi cerdas serta menyediakan hal intelijen yang
tertanam untuk berbagai perangkat dan perangkat lunak pada layanan solusi yang
ada. Trend teknologi informasi ini akan semakin berguna di tahun 2017.
Machine
Learning adalah cabang lanjutan Artificial Intelligent (AI), yang mencakup
sistem lebih canggih seperti mampu memahami, mempelajari, memprediksi,
beradaptasi, dan berpotensi beroperasi secara mandiri. Machine learning ini
diprediksi mampu mengubah perilaku masa depan, yang mengarah pada penciptaan perangkat
dan program yang lebih cerdas. Gartner memprediksi AI dan Machine Learning akan
lebih banyak digunakan pada robot, kendaraan mandiri, elektronik untuk
konsumen, virtual personal assistants, dan smart advisors.
1.Sejarah Machine Learning
Sejak pertama
kali komputer diciptakan manusia sudah memikirkan bagaimana caranya agar
komputer dapat belajar dari pengalaman. Hal tersebut terbukti pada tahun 1952,
Arthur Samuel menciptakan sebuah program, game of checkers, pada sebuah
komputer IBM. Program tersebut dapat mempelajari gerakan untuk memenangkan
permainan checkers dan menyimpan gerakan tersebut kedalam memorinya.
Istilah
machine learning pada dasarnya adalah proses komputer untuk belajar dari data
(learn from data). Tanpa adanya data, komputer tidak akan bisa belajar apa-apa.
Oleh karena itu jika kita ingin belajar machine learning, pasti akan terus
berinteraksi dengan data. Semua pengetahuan machine learning pasti akan
melibatkan data. Data bisa saja sama, akan tetapi algoritma dan pendekatan nya
berbeda-beda untuk mendapatkan hasil yang optimal.
2.Belajar Machine Learning
Machine
Learning merupakan salah satu cabang dari disiplin ilmu Kecerdasan Buatan
(Artificial Intellegence) yang membahas mengenai pembangunan sistem yang
berdasarkan pada data. Banyak hal yang dipelajari, akan tetapi pada dasarnya
ada 4 hal pokok yang dipelajari dalam machine learning.
1.
Pembelajaran Terarah (Supervised Learning)
2.
Pembelajaran Tak Terarah (Unsupervised Learning)
3.
Pembelajaran Semi Terarah (Semi-supervised Learning)
4.
Reinforcement Learning
3.Aplikasi Machine Learning
Contoh
penerapan machine learning dalam kehidupan adalah sebagai berikut.
1. Penerapan
di bidang kedoteran contohnya adalah mendeteksi penyakit seseorang dari gejala
yang ada. Contoh lainnya adalah mendeteksi penyakit jantung dari rekaman
elektrokardiogram.
2. Pada bidang
computer vision contohnya adalah penerapan pengenalan wajah dan pelabelan wajah
seperti pada facebook. Contoh lainnya adalah penterjemahan tulisan tangan
menjadi teks.
3. Pada biang
information retrival contohnya adalah penterjemahan bahasa dengan menggunakan
komputer, mengubah suara menjadi teks, dan filter email spam.
Salah satu
teknik pengaplikasian machine learning adalah supervised learning. Seperti yang
dibahas sebelumnya, machine learning tanpa data maka tidak akan bisa bekerja.
Oleh karena itu hal yang pertama kali disiapkan adalah data. Data biasanya akan
dibagi menjadi 2 kelompok, yaitu data training dan data testing. Data training
nantinya akan digunakan untuk melatih algoritma untuk mencari model yang cocok,
sementara data testing akan dipakai untuk mengetes dan mengetahui performa
model yang didapatkan pada tahapan testing.
Dari model
yang didapatkan, kita dapat melakukan prediksi yang dibedakan menjadi dua
macam, tergantung tipe keluarannya. Jika hasil prediksi bersifat diskrit, maka
dinamakan proses klasifikasi. Contohnya klasifikasi jenis kelamin dilihat dari
tulisan tangan (output laki dan perempuan). Sementara jika kelurannya bersifat
kontinyu, maka dinamakan proses regresi. Contohnya prediksi kisaran harga rumah
di kota Bandung (output berupa harga rumah).
0 komentar:
Posting Komentar