Types Of Machine Learning

Berbagai jenis teknik Pembelajaran Mesin telah dikembangkan untukmemecahkan masalah di berbagai bidang. Teknik Pembelajaran Mesin ini bisadiklasifikasikan menjadi tiga jenis tergantung pada metode pelatihan (lihat Gambar 1-12 ).• Pembelajaran terawasi• Pembelajaran tanpa pengawasan• Pembelajaran penguatan.

Pembelajaran terawasi sangat mirip dengan proses di mana manusia belajarsesuatu. Pertimbangkan bahwa manusia memperoleh pengetahuan baru saat kita menyelesaikan olahragamasalah.1. Pilih masalah olahraga. Terapkan pengetahuan saat iniuntuk memecahkan masalah. Bandingkan jawabannya denganlarutan.2. Jika jawabannya salah, ubah pengetahuan saat ini.3. Ulangi Langkah 1 dan 2 untuk semua masalah latihan.Ketika kami menerapkan analogi antara contoh ini dan Pembelajaran Mesinproses, masalah latihan dan solusi sesuai dengan data pelatihan,dan pengetahuan sesuai dengan model. Yang penting adalah faktabahwa kita membutuhkan solusinya. Ini adalah aspek penting dari pembelajaran yang diawasi.Namanya bahkan menyiratkan bimbingan belajar di mana guru memberikan solusi untuksiswa untuk menghafal.Dalam pembelajaran yang diawasi, setiap dataset pelatihan harus terdiri dari input danpasangan keluaran yang benar. Output yang benar adalah model yang seharusnyamenghasilkan untuk input yang diberikan.

{input, hasil yang benar}

Belajar dalam pembelajaran yang diawasi adalah serangkaian revisi dari suatu modelmengurangi perbedaan antara output yang benar dan output dari modeluntuk input yang sama. Jika suatu model dilatih dengan sempurna, itu akan menghasilkan keluaran yang benaryang sesuai dengan input dari data pelatihan.Sebaliknya, data pelatihan pembelajaran tanpa pengawasan hanya berisiinput tanpa output yang benar.

{ memasukkan }

Pada pandangan pertama, mungkin tampak sulit untuk memahami bagaimana melatih tanpahasil yang benar. Namun, banyak metode jenis ini telah dikembangkansudah. Pembelajaran tanpa pengawasan umumnya digunakan untuk menyelidikikarakteristik data dan preprocessing data. Konsep ini miripkepada siswa yang hanya memilah masalah dengan konstruksi dan atribut dantidak belajar bagaimana menyelesaikannya karena tidak ada output yang diketahui benar.Pembelajaran penguatan menggunakan set input, beberapa output, dan kelas sebagaidata pelatihan. Ini umumnya digunakan ketika interaksi optimal diperlukan, sepertikontrol dan permainan.

{input, beberapa output, tingkat untuk output ini}

Buku ini hanya mencakup pembelajaran terawasi. Ini digunakan untuk lebih banyak aplikasidibandingkan dengan pembelajaran tanpa pengawasan dan pembelajaran penguatan, dan banyak lagipenting, ini adalah konsep pertama yang akan Anda pelajari ketika memasuki duniaPembelajaran Mesin dan Pembelajaran Mendalam.

Klasifikasi dan Regresi

Dua jenis aplikasi pembelajaran yang paling umum adalahklasifikasi dan regresi. Kata-kata ini mungkin terdengar asing, tetapi memang demikiansebenarnya tidak begitu menantang.Mari kita mulai dengan klasifikasi. Ini mungkin aplikasi yang paling umumPembelajaran Mesin. Masalah klasifikasi berfokus pada menemukan secara harfiahkelas tempat data tersebut berada. Beberapa contoh dapat membantu.Layanan pemfilteran email spam ➔ Mengklasifikasikan email berdasarkan reguler atau spamLayanan pengenalan digit ➔ Mengklasifikasikan gambar digit menjadi 0-9Layanan pengenalan wajah ➔ Mengklasifikasikan gambar wajah menjadi salah satupengguna terdaftarKami membahas di bagian sebelumnya bahwa pembelajaran yang diawasi membutuhkanmasukan dan koreksi pasangan keluaran untuk data pelatihan. Demikian pula dengan data pelatihan PTmasalah klasifikasi terlihat seperti ini:{input, kelas}Dalam masalah klasifikasi, kita ingin tahu kelas mana yang dimiliki inputuntuk. Jadi pasangan data memiliki kelas menggantikan output yang benarinput.Mari kita lanjutkan dengan sebuah contoh. Pertimbangkan masalah pengelompokan yang sama itukami telah berdiskusi. Model yang kita inginkan untuk Machine Learning menjawab adalah

Arti asli dari kata "regresi" adalah untuk kembali ke rata-rata. Francis Galton, aAhli genetika Inggris, meneliti korelasi ketinggian orangtua dan anak danmenemukan bahwa tinggi individu bertemu dengan rata-rata total populasi. Diamenamakan metodologinya "analisis regresi."

Baik klasifikasi dan regresi adalah bagian dari pembelajaran yang diawasi.Oleh karena itu, data pelatihan mereka sama dalam bentuk {input, benarkeluaran}. Satu-satunya perbedaan adalah jenis output yang benar — klasifikasimempekerjakan kelas, sedangkan regresi membutuhkan nilai.Singkatnya, analisis dapat menjadi klasifikasi ketika dibutuhkan suatu modelmenilai kelompok mana yang menjadi input data dan regresi ketika modelmemperkirakan tren data.Hanya untuk referensi, salah satu aplikasi representatif tanpa pengawasanbelajar adalah pengelompokan . Ini menyelidiki karakteristik data individudan mengkategorikan data terkait. Sangat mudah untuk membingungkan pengelompokan danklasifikasi, karena hasilnya mirip. Meskipun mereka menghasilkan output yang serupa,mereka adalah dua pendekatan yang sangat berbeda. Kita harus ingat itupengelompokan dan klasifikasi adalah istilah yang berbeda. Ketika Anda menemukan istilah tersebutpengelompokan , hanya ingatkan diri Anda bahwa itu berfokus pada pembelajaran tanpa pengawasan.

Ringkasan

Mari kita rekap secara singkat apa yang kita bahas dalam bab ini:• Kecerdasan Buatan, Pembelajaran Mesin, dan MendalamBelajar itu berbeda. Tetapi mereka terkait satu sama lain didengan cara berikut: “Pembelajaran Mendalam adalah sejenis MesinBelajar, dan Pembelajaran Mesin adalah sejenis Buatan Intelijen".

• Machine Learning adalah pendekatan induktif yang diturunkanmodel dari data pelatihan. Ini berguna untuk gambarpengakuan, pengenalan ucapan, dan bahasa alamipengolahan dll• Keberhasilan Pembelajaran Mesin sangat bergantung pada caranyabaik proses generalisasi diimplementasikan. Dalam urutanuntuk mencegah penurunan kinerja karena perbedaanantara data pelatihan dan data input aktual, kita perlu ajumlah yang cukup dari data pelatihan yang tidak bias.• Overfitting terjadi ketika model terlalu berlebihandisesuaikan dengan data pelatihan yang dihasilkannya burukkinerja untuk data input aktual, sementara itukinerja untuk data pelatihan sangat baik. Overfitting adalahsalah satu faktor utama yang mengurangi generalisasikinerja.• Regulasi dan validasi adalah pendekatan tipikaldigunakan untuk memecahkan masalah overfitting. Regularisasi adalahmetode numerik yang menghasilkan model paling sederhana sebagaibisa jadi. Sebaliknya, validasi mencoba mendeteksi tanda-tandaoverfitting selama pelatihan dan mengambil tindakan untuk mencegahnya.Variasi validasi adalah validasi silang.

Metode PelatihanData pelatihanPembelajaran terawasi{input, hasil yang benar}Pembelajaran tanpa pengawasan{ memasukkan }Pembelajaran Bertulang{input, beberapa output, tingkat untuk output ini}

Pembelajaran terawasi dapat dibagi ke dalam klasifikasidan regresi, tergantung pada penggunaan model.Klasifikasi menentukan kelompok mana yang menginput dataMilik. Output klasifikasi yang benar diberikansebagai kategori. Sebaliknya, regresi memprediksi nilai danmengambil nilai untuk output yang benar dalam data pelatihan.

Untuk membaca lebih lengkap bisa langsung download bukunya http://raboninco.com/ozsj