Machine Learning Adalah Rebranding Dari Matematika, Benarkah?

Kita hidup di era Artificial Intelligence. Bagian inti yang mendorong Artificial Intelligence adalah Machine Learning. Tetapi kamu mungkin pernah mendengar bahwa cara Machine Learning memprediksi beberapa output, baik itu memilih bingkai kacamata yang sesuai untuk wajah kamu, atau gaji rata-rata yang harus kamu peroleh untuk pengalaman kamu di tempat kerja, maupun berbagai prediksi machine learning lainnya, semua itu didasarkan pada Matematika. Banyak orang mungkin telah memberitahu kamu bahwa untuk mempelajari Machine Learning, kamu perlu mengetahui sejumlah besar Matematika. Dan nyatanya, pernyataan ini menurunkan motivasi sebagian besar penggemar Machine Learning.

Apakah Machine Learning adalah Rebranding dari Matematika? Namun, satu hal yang pasti adalah kamu tetap memerlukan pemahaman matematika dalam mempelajari Machine Learning. Jadi sejujurnya, kamu memang perlu tahu dan memahami beberapa konsep matematika. Tetapi jumlahnya hanya tergantung pada minat kamu. Faktanya, ada orang yang menggunakan model Machine Learning tanpa mengetahui algoritmanya. Mereka hanya memanggil fungsi built-in dan menyelesaikan pekerjaan mereka. Mengapa kita bahkan menerapkan Matematika untuk memprediksi kesimpulan? Atau, bagaimana matematika memprediksi kesimpulan?

Tulisan ini mengarah pada pertanyaan bagaimana peran matematika dalam Machine Learning dan predictive modelling? Pada artikel kali ini, DQLab akan memperkenalkan kamu dengan beberapa matematika terapan yang menjadi dasar di balik model-model machine learning yang bahkan mungkin pernah kamu gunakan. Apa saja penerapan dan peran matematika tersebut? Simak terus penjelasan berikut ya!

1. Kalkulus

Kalkulus digunakan untuk membantu algoritma Machine Learning meningkatkan keakuratan prediksi yang dibuatnya. Ini dilakukan dengan proses optimasi algoritma. Ini dilakukan dengan bantuan kalkulus diferensial. Kita dapat menemukan ekstrim suatu fungsi dengan memperhitungkan gradiennya menggunakan kalkulus diferensial. Kalkulus multivariat digunakan jika ada beberapa parameter dari sebuah fungsi yang menentukan prediksi oleh model Machine Learning. Ini juga membantu model jaringan syaraf (neural networks), di mana kalkulus diferensial digunakan untuk menghitung kesalahan yang disebarkan kembali.

Selanjutnya, kalkulus integral juga digunakan untuk menghitung fungsi kerugian dalam model deep learning, dan juga untuk menggambarkan ekspektasi variabel tertentu dalam distribusi probabilitas nilai kontinu.

Misalnya, masalah penurunan gradien klasik (Gradient Descent) untuk mengoptimalkan dan mengetahui posisi terendah bola akan menggelinding dalam mangkuk. Ini diselesaikan dengan kalkulus diferensial sederhana.

Baca juga : Belajar Data Science: Pahami Penggunaan Machine Learning pada Python

2. Linear Algebra

Machine Learning sangat bergantung pada aljabar linier, yang digunakan untuk menyelesaikan persamaan linier simultan. Ini dilakukan dengan penggunaan matriks dan operasi matriks. Data untuk setiap model Machine Learning umumnya disimpan dalam bentuk vektor dan matriks, dan nilai yang terkandung dianggap sebagai koefisien persamaan linier.

Operasi matriks lebih disukai karena Machine Learning umumnya menangani data dalam jumlah besar, sehingga lebih mudah untuk menerapkan operasi skalar seperti perkalian dan pembagian skalar, dan juga operasi antar vektor melalui berbagai operasi matriks dengan kecepatan dan kemudahan yang tinggi.

Pengetahuan tentang aljabar linier penting untuk memutuskan bagaimana data akan disimpan dalam matriks. Misalnya, sebuah gambar dapat disimpan dalam tiga matriks, masing-masing elemen berisi intensitas nilai merah, hijau, dan biru dari setiap piksel dalam matriks tersebut. Sekarang melakukan operasi pada piksel ini menjadi sangat mudah karena penggunaan matriks untuk menerapkan aljabar linier.

3. Probabilitas

Probabilitas digunakan untuk membuat keputusan ketika tidak ada hasil konklusif dari suatu algoritma selain distribusi probabilitas. Algoritma dapat mengeluarkan berbagai nilai dan probabilitas dari suatu nilai. Di sinilah probabilitas masuk, dan keputusan dibuat berdasarkan probabilitas variabel target. Tidak ada algoritma yang dapat memberikan keluaran yang dapat diandalkan sepenuhnya. Oleh karena itu probabilitas digunakan untuk menentukan hasil dari area abu-abu tersebut.

Misalnya jika kita mengetahui jumlah orang yang terkena penyakit Parkinson dan usia mereka pada sampel, kita akan menerima distribusi probabilitas usia seseorang yang terkena penyakit Parkinson. Sekarang, jika kita diminta untuk memilih usia yang paling tinggi terkena penyakit, kita dapat mengambil rentang usia yang paling mungkin terkena penyakit. Proses pengambilan keputusan dari distribusi yang berkelanjutan ini membutuhkan probabilitas.

Baca juga : 3 Jenis Algoritma Machine Learning yang Dapat Digunakan di Dunia Perbankan

4. Yuk Mulai Belajar Data Science Sekarang!

Tidak memiliki background IT? Jangan khawatir, kamu tetap bisa menguasai Ilmu Data Science untuk siap berkarir di revolusi industri 4.0. Bangun proyek dan portofolio datamu bersama DQLab untuk mulai berkarir di industi data yang sebenarnya! Sign up sekarang untuk #MulaiBelajarData di DQLab!

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

1. Buat Akun Gratis dengan Signup di DQLab.id/signup

2. Akses module Introduction to Data Science

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

4. Subscribe DQLab.id untuk Akses Semua Module Premium!

Penulis : Jihar Gifari

Editor : Annissa Widya

Tags