BELAJAR DATA SCIENCE ONLINE SELAMA 6 BULAN START FROM Rp179,400!
atau kamu bisa coba buat Akun DQLab, dan akses kelas R & Python GRATIS DAFTAR DISINI

Supervised Learning VS Unsupervised Learning, Yuk Pelajari di Rumah Bersama DQLab

Belajar Data Science di Rumah 09-April-2020
https://www.dqlab.id/files/dqlab/cache/b771bb498bdef5b22539440d9831f1ac_x_Thumbnail800.jpg

Mengenal supervised learning dan unsupervised learning, ternyata kerap kali digunakan oleh Data Analyst maupun Data Scientist. Mereka menggunakan beberapa algoritma machine learning untuk mengelola pola data yang tersembunyi guna menghasilkan insight dari suatu data.


Supervised learning merupakan algoritma yang paling sering digunakan dalam ranah data science dibandingkan dengan unsupervised learning. Analisis regresi linier berganda pun sudah tidak asing lagi didengar dan merupakan salah satu contoh dari supervised learning.


Lalu kapan kita menggunakan supervised learning dan unsupervised learning? DQLab berkolaborasi dengan Hendra Hadhil Choiril, Data Scientist GOJEK yang membeberkan pada kondisi apa kita harus menggunakan supervised learning dan unsupervised learning. Yuk simak bersama!


Baca juga : Belajar Ilmu Data Science di Rumah, dan Persiapkan Dirimu Berkarir Menjadi Data Engineer bersama CT Corp Digital


1. Supervised Learning

Supervised learning biasanya digunakan Data Analyst atau Data Scientist untuk menyelesaikan masalah klasifikasi atau regresi. Dimana pada kasus ini data yang dimiliki terdapat suatu target label yang ingin diprediksi untuk kedepannya.


"Misalnya memprediksi gender, umur, atau pekerjaan suatu user berdasarkan profil dan historical datanya. Atau memprediksi produk mana yang akan banyak dibeli di bulan depan." Ujar Hendra.


2. Unsupervised Learning

Sedangkan pada unsupervised learning, seorang praktisi data tidak melulu memiliki label khusus yang ingin diprediksi, contohnya adalah dalam masalah klastering. Berdasarkan model matematisnya, algoritma dalam unsupervised learning tidak memiliki target dari suatu variabel.


"Contohnya kita ingin mengelompokkan user-user yang ada, ke dalam 3 klaster berbeda. Padahal sebelumnya belum ada informasi klasternya apa saja, dan kriteria di masing-masing klaster seperti apa."


Baca juga : Cegah COVID-19 dengan Belajar di Rumah dan Bangun Skillset Data Mu bersama DQLab!


3. Mulai Terapkan Ilmunya dengan Belajar Data Science bersama DQLab!

Tertarik berkarir di bidang data? Yuk, bergabung di DQLab! Kamu bisa membangun portofolio datamu dengan belajar data science di DQLab. Untuk kamu yang ingin mulai belajar data science atau siap berkarir jadi Data Analyst, Data Scientist, dan Data Engineer, persiapkan diri kamu dengan tepat sekarang. Tidak ada kata terlambat untuk belajar. Yuk #MulaiBelajarData di DQLab.

Dengan belajar di DQLab, kamu bisa:

  • Menerapkan teknik mengolah data kotor, hasilkan visualisasi data dan model prediksi dengan studi kasus Retail dan Finansial

  • Dapatkan sesi konsultasi langsung dengan praktisi data lewat data mentoring

  • Bangun portofolio data langsung dari praktisi data Industri

  • Akses Forum DQLab untuk berdiskusi.

Simak informasi di bawah ini untuk mengakses gratis module "Introduction to Data Science":

  1. Buat Akun Gratis dengan Signup diDQLab.id/signup

  2. Akses module Introduction to Data Science

  3. Selesaikan modulenya, dapatkan sertifikat & reward menarik dari DQLab

Semangat belajar sahabat Data DQLab!



Postingan Terkait

Mulai Bangun Karirmu Bersama DQLab!