Kenalan Yuk Tujuan Utama Data Science dengan Machine Learning dari Hulu hingga Hilir

Machine learning adalah metode analisis data yang mengotomatiskan pembuatan model analitik. Ini adalah cabang kecerdasan buatan yang didasarkan pada gagasan bahwa sistem dapat belajar dari data, mengidentifikasi pola, dan membuat keputusan dengan intervensi manusia yang minimal. Pembahasan terkait perlunya pembelajaran mesin memunculkan pertanyaan lain bahwa dalam skenario apa kita harus membuat mesin belajar? Mungkin ada beberapa keadaan di mana kita membutuhkan mesin untuk mengambil keputusan berdasarkan data dengan efisiensi dan dalam skala besar. 

Sebelum membahas model pembelajaran mesin, kita harus memahami hal-hal berikut: definisi formal ML yang diberikan oleh profesor Mitchell: "Sebuah program komputer dikatakan belajar dari pengalaman E sehubungan dengan beberapa kelas tugas T dan ukuran kinerja P, jika kinerjanya pada tugas di T, yang diukur dengan P, meningkat dengan pengalaman E." Definisi di atas pada dasarnya berfokus pada tiga parameter, juga komponen utama dari setiap algoritma pembelajaran, yaitu Task(T), Performance(P) dan experience (E). Di dalam konteks, kita dapat menyederhanakan definisi ini sebagai: ML adalah bidang AI yang terdiri dari algoritma pembelajaran yang: Meningkatkan kinerja mereka (P), Saat melaksanakan beberapa tugas (T), Seiring waktu dengan pengalaman (E).

Yuk bahas satu persatu bersama DQLab

1.  Task ( T) : Tugas

Dari perspektif masalah, kita dapat mendefinisikan tugas T sebagai masalah dunia nyata untuk diselesaikan. Masalahnya bisa seperti mencari harga rumah terbaik di lokasi tertentu atau untuk menemukan strategi pemasaran terbaik dll. Di sisi lain, jika kita berbicara tentang mesin belajar, definisi tugas berbeda karena sulit untuk menyelesaikan tugas berbasis ML dengan pendekatan pemrograman konvensional. Tugas T dikatakan sebagai tugas berbasis ML ketika didasarkan pada proses dan sistem harus mengikuti untuk beroperasi pada titik data. Contoh tugas berbasis ML adalah Klasifikasi, Regresi, Anotasi terstruktur, Pengelompokan, Transkripsi, dll.

2. Experience (E) : Pengalaman

Seperti namanya, itu adalah pengetahuan yang diperoleh dari titik data yang diberikan ke algoritma atau model. Setelah dilengkapi dengan dataset, model akan berjalan secara iteratif dan akan belajar beberapa pola bawaan. Pembelajaran yang diperoleh disebut pengalaman (E). Membuat analogi dengan pembelajaran manusia, kita dapat menganggap situasi ini seperti di mana manusia berada belajar atau mendapatkan beberapa pengalaman dari berbagai atribut seperti situasi, hubungan dll. Pembelajaran yang diawasi, tidak diawasi, dan penguatan adalah beberapa cara untuk belajar atau mendapatkan pengalaman. Pengalaman yang diperoleh dari model atau algoritma ML akan digunakan untuk memecahkan used tugas T

3. Performance (P) : Kinerja

Algoritma ML seharusnya melakukan tugas dan mendapatkan pengalaman dengan berlalunya waktu. Ukuran yang memberi tahu apakah algoritma ML berkinerja sesuai harapan atau tidak adalah kinerjanya (P). P pada dasarnya adalah metrik kuantitatif yang memberi tahu bagaimana model itu melakukan tugas, T, menggunakan pengalamannya, E. Ada banyak metrik yang membantu untuk memahami kinerja ML, seperti skor akurasi, skor F1, matriks kebingungan, presisi, recall, sensitivitas dll.

4. Challenge Machine Learning

Sementara Machine Learning berkembang pesat, membuat langkah signifikan dengan keamanan siber dan mobil otonom, segmen AI ini secara keseluruhan masih memiliki jalan panjang. Alasannya di belakang adalah bahwa ML belum mampu mengatasi sejumlah tantangan. Tantangan yang dihadapi ML saat ini adalah:

• Kualitas data: Memiliki data berkualitas baik untuk algoritma ML adalah salah satu yang terbesar tantangan. Penggunaan data berkualitas rendah menyebabkan masalah yang terkait dengan pra-pemrosesan data dan ekstraksi fitur.

• Tugas yang Memakan Waktu: Tantangan lain yang dihadapi oleh model ML adalah konsumsi the waktu terutama untuk akuisisi data, ekstraksi fitur dan pengambilan.

• Kurangnya orang spesialis: Karena teknologi ML masih dalam tahap awal, ketersediaan sumber daya ahli adalah pekerjaan yang sulit.

• Tidak ada tujuan yang jelas untuk merumuskan masalah bisnis: Tidak memiliki tujuan yang jelas dan tujuan yang terdefinisi dengan baik untuk masalah bisnis adalah tantangan utama lainnya bagi ML karena ini teknologi masih belum matang.

• Masalah overfitting & underfitting: Jika modelnya overfitting atau underfitting, tidak bisa terwakili dengan baik untuk masalah tersebut.

• Kutukan dimensi: Tantangan lain yang dihadapi model ML adalah terlalu banyak fitur data poin. Ini bisa menjadi penghalang nyata.

• Kesulitan dalam penerapan: Kompleksitas model ML membuatnya cukup sulit untuk menjadi disebarkan dalam kehidupan nyata.

5. Belajar Machine Learning bersama Expert di DQLab

Tertarik belajar Machine Learning dalam Dunia Industri? Yuk Pahami dan mulai belajar dengan modul Introduction to Data Science sekarang! sign up untuk nikmati pengalaman belajar yang praktis dan aplikatif untuk siap hadapi studi kasus lapangan!

Tags