Seri tulisan Machine Learning 1

• Tulisan ini diadaptasi dari blog saya yang lama.

“A robot named Pepper holding an iPad” by Alex Knight on Unsplash

Halo! Selamat datang di tulisan pertama saya tentang Machine Learning pada platform ini :)

Akhir-akhir ini, kamu pasti sering banget dengar istilah ‘machine learning’. Nah, Machine Learning itu apa sih? Saya sendiri ketika pertama kali mendengar istilah ini langsung membayangkan sebuah mesin yang bisa belajar sendiri seperti Jarvis di film Iron Man.

Namun ada beberapa definisi yang lebih ‘baku’ dari beberapa ahli, yaitu :

• Machine Learning usually refers to the changes in system that perform tasks associated with artificial intelligence.

• Machine Learning is the subfield of the computer science that, according to Arthur Samuel, gives computer the ability to learn without being explicitly programmed.

Dari definisi beberapa ahli di atas, kita bisa menangkap inti dari machine learning, yaitu memberikan komputer kemampuan untuk belajar (melakukan atau mengerjakan sesuatu) tanpa harus diprogram secara eksplisit.

Sebagai contoh, saat kamu sedang berbelanja menggunakan aplikasi toko online, history tentang barang-barang yang kamu lihat atau kamu beli kemungkinan ‘menggambarkan’ keinginan, hobi, atau interest kamu. Untuk menyarankan/memberikan barang yang ‘tepat sasaran’, tentu aplikasi toko sebaiknya memberikan saran barang-barang yang berkaitan dengan history kamu. Jika aplikasi tersebut diprogram secara eksplisit alias diberikan instruksi manual, tentu akan sangat sulit dan membuang waktu. Maka dari itu, dengan menggunakan machine learning, kita cukup mempelajari pola dari history tentang barang-barang yang kamu beli yang kemudian dijadikan dasar untuk ‘memprediksi’ barang apa yang sebaiknya disarankan untuk kamu.

Contoh yang lain, ketika kita ingin mengklasifikasikan data menjadi dua bagian dengan menggunakan dua atribut, tentu akan sangat mudah. Namun, bagaimana jika datanya makin banyak? Bagaimana jika atributnya makin banyak? Misal, kita ingin mengklasifikasikan apakah seekor binatang adalah mamalia atau reptil. Jika hanya melihat dari aspek (atribut) bagaimana ia berjalan, tentu tidak akan cukup. Masih banyak aspek-aspek lain yang perlu diperhatikan. Jika kita memprogram secara eksplisit (menulis aturan-aturan tersebut secara ‘mentah’ atau langsung), tentu akan memakan waktu dan ada kemungkinan tidak relevan lagi ketika data sudah semakin banyak. Maka dari itu, kita menggunakan machine learning untuk mengatasi hal ini.

Model Machine Learning

Berdasarkan intuisi utamanya, machine learning dapat dibedakan menjadi 3 model, yaitu Geometric Models, Probabilistic Models, dan Logical Models. Detailnya dalah sebagai berikut :

• Geometric Models Geometric Models atau Model Geometrik adalah model yang dibuat langsung dalam ruang contoh, menggunakan konsep seperti garis (lines), bidang (planes), atau jarak (distances). Model Geometrik juga menggunakan gagasan-gagasan geometrik (seperti translasi dan rotasi bidang) dan sederhana, powerful dan memungkinkan banyak variasi dengan sedikit effort (usaha). Contoh dari metode model geometrik adalah Manhattan Distance.

• Probabilistic Models *Probabilistic Models *atau Model Probabilistik adalah model yang akan mempelajari distribusi probabilistik dari data yang diberikan dan digunakan. Pendekatan statistik mengasumsikan bahwa ada beberapa proses acak pokok yang menghasilkan nilai dari variable-variable yang diukur, berdasarkan distribusi probabilistik yang tidak diketahui tetapi didefinisikan dengan baik. Contoh dari model probabilistik adalah metode Naive-Bayes.

• Logical Models *Logical Models atau Model Logikal adalah model yang dapat ditranslasikan dengan mudah ke dalam aturan-aturan tertentu karena dapat dimengerti oleh manusia. Model ini membunya aturan-aturan (yang disebut feature tree) yang dapat diorganisir / diatur dengan mudah dalam struktur pohon (structured tree). Contoh dari metode atau algoritma yang menggunakan model logikal adalah decision tree*.

Nah, mungkin cukup sekian dulu pembahasan machine learning di post ini. Selamat belajar dan sampai ketemu di post selanjutnya! :)

Referensi: [1] Pang-Ning Tan, M. Steinbach, and V. Kumar; Introduction to Data Mining. [2] N. J. Nilson ; Introduction to Machine Learning. [3] P. Flach; Machine Learning — The Art and Science of Algorithms that Make Sense of Data.

*) Tulisan ini dirangkum dari tugas matakuliah Machine Learning semester ganjil 2017.