Machine Learning itu apa sih?

Pernah melihat kode error maupun pesan error pada beragam alat kerja dan mesin yang menggunakan komputer? Komputer beragam jenis dan fungsi saat ini masih berdasarkan oleh barisan kode program yang ditulis oleh manusia secara statis dan logis.  Ketika komputer menemukan permasalahan baru atau mengalami perubahan, maka komputer tidak mampu menyelesaikan masalah dan mencatat “kebingungan” ini sebagai error. Komputer saat ini lebih dikenal sebagai alat kerja yang menerima input dari manusia, bukan sebagai individu kreatif yang belajar dari kesalahan dan mampu memperbaiki diri sendiri.

Dalam sistem software komputer saat ini, proses error tersebut kemudian dicatat dan dibutuhkan manusia untuk mengecek kode program dan membetulkan yang error tersebut. Dalam keseharian hal ini banyak terjadi ketika kita menekan tombol yang salah di kalkulator, menekan angka yang salah di sistem PLC mesin CNC maupun saat kita browsing internet di website yang sudah tidak update lagi. 

APA ITU MACHINE LEARNING?

Bahasa sederhanya seperti mengajari komputer agar mampu belajar dari kesalahan dan memiliki kemampuan berpikir seperti cara kerja otak manusia. Hal ini dimaksudkan agar komputer bisa memiliki pengalaman kerja dalam menghadapi beragam tantangan dan komputer tersebut bisa menggantikan tugas manusia dalam beragam pekerjaan.

Machine learning atau Ilmu Pembelajaran mesin merupakan studi penelitian tentang algoritma komputer yang meningkat secara otomatis melalui pengalaman komputer sendiri selama digunakan. Sistem Ini dipandang sebagai bagian dari kecerdasan buatan.

Selama ini memang dikenal komputer hanya mampu melakukan pekerjaan yang terbatas pada hal yang berulang-ulang dan masih membutuhkan tenaga operator manusia untuk proses pengawasan, operasional dan perawatannya. Machine learning ini seperti proses tumbuh kembang manusia dari Bayi hingga menjadi operator mesin di pabrik yang tentunya melalui tahap pendidikan berulang dan pembelajaran pengalaman terus-menerus.

Algoritma pembelajaran mesin membangun model matematika berdasarkan data sampel, yang dikenal sebagai “data pelatihan”, untuk membuat prediksi atau keputusan tanpa diprogram secara eksplisit untuk melakukannya. Algoritma pembelajaran mesin digunakan dalam berbagai aplikasi, seperti penyaringan email dan visi komputer, di mana sulit atau tidak mungkin untuk mengembangkan algoritma konvensional untuk melakukan tugas-tugas yang diperlukan.

SEJARAH MACHINE LEARNING

Istilah pembelajaran mesin diciptakan pada tahun 1959 oleh Arthur Samuel, seorang IBM Amerika dan pelopor dalam bidang game komputer dan kecerdasan buatan. Sebuah buku representatif dari penelitian pembelajaran mesin selama 1960-an adalah buku Nilsson tentang Learning Machines, yang kebanyakan membahas pembelajaran mesin untuk klasifikasi pola.

Minat terkait dengan pengenalan pola Machine Learning ini berlanjut hingga tahun 1970-an, seperti yang dijelaskan oleh penelitian Duda dan Hart pada tahun 1973. Di waktu berikutnya pada tahun 1981, sebuah laporan diberikan tentang penggunaan strategi pengajaran sehingga jaringan saraf belajar mengenali 40 karakter (26 huruf, 10 angka, dan 4 simbol khusus) ) dari terminal komputer.

Tom M. Mitchell memberikan definisi algoritma yang dipelajari dalam bidang pembelajaran mesin yang dikutip secara luas dan lebih formal: “Suatu program komputer dikatakan belajar dari pengalaman E sehubungan dengan beberapa kelas tugas T dan pengukuran kinerja P jika kinerjanya di tugas di T, yang diukur dengan P, membaik dengan pengalaman E. “Definisi tugas-tugas yang terkait dengan pembelajaran mesin ini menawarkan definisi operasional yang mendasar daripada mendefinisikan bidang dalam istilah kognitif. Ini mengikuti proposal Alan Turing dalam makalahnya “Mesin Komputasi dan Kecerdasan”, di mana pertanyaan “Bisakah mesin berpikir?” diganti dengan pertanyaan “Bisakah mesin melakukan apa yang dapat saya biasa lakukan?”.

Sebagai upaya ilmiah, pembelajaran mesin tumbuh dari pencarian kecerdasan buatan. Pada hari-hari awal AI sebagai disiplin akademis, beberapa peneliti tertarik untuk membuat mesin belajar dari data. Mereka berusaha untuk mendekati masalah dengan berbagai metode simbolik, serta apa yang kemudian disebut “jaringan saraf”; ini sebagian besar perceptrons dan model lain yang kemudian ditemukan reinvention dari model linier statistik umum. Penalaran probabilistik juga digunakan, terutama dalam diagnosis medis otomatis.

KENAPA MACHINE LEARNING SANGAT PENTING?

Seiring dengan maraknya penerapan industri revolusioner dari sistem Automation yang minim kesalahan manusia, Pembelajaran dengan mesin melibatkan komputer yang menemukan bagaimana mereka dapat melakukan tugas tanpa diprogram secara eksplisit. Untuk tugas-tugas sederhana yang ditugaskan ke komputer, dimungkinkan untuk memprogram algoritma yang memberi tahu mesin cara menjalankan semua langkah yang diperlukan untuk menyelesaikan masalah yang ada; pada bagian komputer, tidak diperlukan pembelajaran.

Untuk tugas-tugas yang lebih lanjut, dapat menjadi tantangan bagi manusia untuk secara manual membuat algoritma yang dibutuhkan. Dalam praktiknya, ini bisa menjadi lebih efektif untuk membantu mesin mengembangkan algoritme sendiri, daripada meminta programmer manusia menentukan setiap langkah yang diperlukan.

Disiplin pembelajaran mesin menggunakan berbagai pendekatan untuk membantu komputer belajar menyelesaikan tugas di mana tidak ada algoritma yang sepenuhnya memuaskan. Dalam kasus di mana ada sejumlah besar jawaban potensial, satu pendekatan adalah memberi label beberapa jawaban yang benar sebagai valid. Ini kemudian dapat digunakan sebagai data pelatihan untuk komputer untuk meningkatkan algoritma yang digunakan untuk menentukan jawaban yang benar. Misalnya, untuk melatih suatu sistem untuk tugas pengenalan karakter digital, dataset MNIST sering digunakan.

KLASIFIKASI MACHINE LEARNING:

Klasifikasi awal untuk pendekatan pembelajaran mesin kadang-kadang membaginya menjadi tiga kategori besar, tergantung pada sifat “sinyal” atau “umpan balik” yang tersedia untuk sistem pembelajaran. Ini adalah:

  1. Pembelajaran terawasi: Komputer disajikan dengan input contoh dan output yang diinginkan, diberikan oleh “guru”, dan tujuannya adalah untuk mempelajari aturan umum yang memetakan input ke output.

  2. Pembelajaran tanpa pengawasan: Tidak ada label yang diberikan pada algoritma pembelajaran, membiarkannya sendiri untuk menemukan struktur dalam inputnya. Pembelajaran tanpa pengawasan dapat menjadi tujuan dalam dirinya sendiri (menemukan pola tersembunyi dalam data) atau sarana untuk mencapai tujuan (pembelajaran fitur).

  3. Pembelajaran penguatan: Program komputer berinteraksi dengan lingkungan yang dinamis di mana ia harus melakukan tujuan tertentu (seperti mengendarai kendaraan atau bermain game melawan lawan) Saat menavigasi ruang masalahnya, program ini menyediakan umpan balik yang analog dengan hadiah, yang coba dimaksimalkan.

Pendekatan atau proses lain telah dikembangkan sejak saat itu yang tidak sesuai dengan kategorisasi tiga kali lipat ini, dan terkadang lebih dari satu digunakan oleh sistem pembelajaran mesin yang sama. Misalnya pemodelan topik, pengurangan dimensi atau meta learning. Pada tahun 2020, pembelajaran yang mendalam telah menjadi pendekatan yang dominan untuk banyak pekerjaan yang sedang berlangsung di bidang pembelajaran mesin.

KESIMPULAN

Pembelajaran mesin atau Machine Learning ini terkait erat dengan statistik komputasi, yang berfokus pada membuat prediksi menggunakan komputer. Studi tentang optimasi matematika memberikan metode, teori, dan domain aplikasi ke bidang pembelajaran mesin. Penambangan data adalah bidang studi terkait, dengan fokus pada analisis data eksplorasi melalui pembelajaran tanpa pengawasan. Dalam penerapannya di seluruh masalah bisnis, pembelajaran mesin juga disebut sebagai analytics prediktif.

Jika Anda berminat untuk membeli alat kerja cutting tool asli profesional ataupun beragam alat ukur dimensi metric lainnya silahkan hubungi kami melalui chat online yang ada di pojok kanan bawah website ini atau melalui email : [email protected] Semoga bermanfaat. Wassalam!


Sumber: Tim Kreatif Metalextra.com, Tulisan ini merupakan opini Pribadi di media milik sendiri. 

https://fidic.org/multilateral-development-banks

Select the fields to be shown. Others will be hidden. Drag and drop to rearrange the order.
  • Image
  • SKU
  • Rating
  • Price
  • Stock
  • Availability
  • Add to cart
  • Content
  • Weight
  • Dimensions
  • Additional information
  • Attributes
  • Custom attributes
  • Custom fields
  • Description
Compare
error: Alert: Content is protected!
%d bloggers like this:
Perhatian: Epidemi Wuhan COVID-19 di RRC telah menyebabkan beberapa produk kami harus indent panjang. Kami mohon maaf atas ketidaknyamanan ini. Terimakasih!