Seri tulisan Machine Learning 2

* Tulisan ini diadaptasi dari blog saya yang lama.

Halo! :) Dalam post sebelumnya, saya telah menulis tentang definisi baku dan beberapa contoh penerapan machine learning. Pada post ini, saya akan membahas lebih jauh tentang jenis-jenis learning dari machine learning, yaitu Supervised Learning, Unsupervised Learning, Semi-supervised Learning, dan Reinforcement Learning.

1. Supervised Learning

Supervised Learning adalah tipe learning di mana kita mempunyai variable input dan variable output, dan menggunakan satu algoritma atau lebih untuk mempelajari fungsi pemetaan dari input ke output.

Goal-nya adalah untuk memperkirakan fungsi pemetaannya, sehingga ketika kita mempunya input baru, kita dapat memprediksi output untuk input tersebut.

Proses dari sebuah algoritma belajar dari training dataset dapat diumpamakan sebagai seorang guru yang mengawasi (supervising) proses belajar. Kita tahu jawaban yang benar, dan algoritma secara iteratif membuat prediksi pada data latih (training data) dan dikoreksi oleh ‘guru’nya.

Learning berhenti ketika algoritma mencapai level performansi yang diterima. Permasalahan Supervised Learning dapat dikelompokkan menjadi masalah regresi (regression problem) dan masalah klasifikasi (classification problems).

2. Unsupervised Learning

Berbeda dengan supervised learning, unsupervised learning adalah tipe learning di mana kita hanya mempunyai data masukan (input data) tetapi tidak ada output variable yang berhubungan.

Goal dari unsupervised learning adalah untuk memodelkan struktur dasar atau distribusi dalam data dengan tujuan untuk mempelajari data lebih jauh lagi, dengan kata lain, adalah menyimpulkan fungsi yang mendeskripsikan atau menjelaskan data.

Berbeda dengan supervised learning, di sini tidak ada jawaban yang ‘dibenarkan secara terarah’ dan tidak ada ‘guru’. Algoritma dibiarkan dengan rancangannya sendiri untuk mengetahui dan menyajikan struktur menarik yang ada dalam data.

Lebih jauh lagi, permasalahan unsupervised learning dapat dikelompokkan menjadi clustering problems dan association problems.

3. Semi-supervised Learning

Semi-supervised Learning adalah tipe learning di mana kita mempunyai data masukan (input data) dalam jumlah besar dan hanya beberapa dari data tersebut yang dilabeli. Permasalahan ini berada di antara supervised learning dan unsupervised learning.

4. Reinforcement Learning

Reinforcement Learning terjadi ketika kita menyajikan algoritma dengan contoh yang kekurangan label, tetapi kita dapat menyertakan contoh dengan feedback positif atau negatif bergantung pada solusi yang ditawarkan oleh algoritma tersebut.

Dengan reinforcement learning, mesin dan software dapat menentukan tingkah laku ideal terhadap sebuah konteks yang spesifik secara otomatis, dengan tujuan untuk memaksimalkan performanya. Umpan balik (feedback) ‘simple reward’ dibutuhkan untuk mesin mempelajari tingkah lakunya; hal ini disebut reinforcement signal.

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. [4] http://reinforcementlearning.ai-depot.com/

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