Please enable JavaScript.
Coggle requires JavaScript to display documents.
Overview Machine Learning - Coggle Diagram
Overview Machine Learning
(Tipe ML) Ada intervensi human
Supervised
Data training yang dimasukkan kedalam algoritma termasuk solusi yang diinginkan yang disebut label
Learning Task
Klasifikasi
Spam filter
Regresi
prediksi nilai berupa angka
Learning algorithms
Neural network
Random forest
Decision tree
Support Vector Machine
Logistic regression
Linear regression
K-Nearest Neighbors
Unsupervised
Data training itu tidak di beri label
Learning algorithms
Clustering
K-Means
DBScan
Hierarchical Cluster Analysis (HCA)
Deteksi anomali dan deteksi novelty
One-class SVM
Isolation forest
Visualisasi dan dimensionalitas reduksi
Pricipal Component Analysis (PCA)
Kernel PCA
Locally-Linear Embedding (LLE)
t-Distributed Stochastic Neighbor Embedding (t-SNE)
Asosiasi
Apriori
Eclat
Semi supervised
Beberapa algoritma dapat memperbolehkan sebagian data training yang telah dilabeli biasanya data tidak berlabel lebih banyak, sedangkan data label lebih sedikit
Learning algorithms
Kombinasi unsupervise dan supervised algorithms
Reinforcement learning
Learning system dinamakan agent.
Belajar sendiri dengan menemukan strategi terbaik yang dinamakan policy
Policy akan memberikan reward / punishment
(Tipe ML) Membandingkan data baru dari data yang diketahui
Instance
Pengukuran kesamaan
Model based
Model yang dibangun kemudian digunakan sebagai prediksi
Definisi
ML adalah ilmu (seni) dari pemrogram komputer yang dapat belajar dari data
Definisi lebih umum => cabang ilmu yang memberikan komputer kemampuan untuk belajar tanpa program eksplisit (Arthur Samuel, 1959)
Engineering=> pemrogram komputer yang belajar dari pengalaman E dengan sejumlah tugas T dan sejumlah pengukuran kinerja P. Jika kinerja T diukur oleh P maka meningkatkan E (Tom Mitchell, 1997)
Kapan digunakan ML ?
Saat masalah membutuhkan banyak pengaturan / rule yang panjang
Saat masalah kompleks dimana tidak ada solusi terbaik dengan menggunakan cara tradisional
Linkungan yang fluktuatif
Mendapatkan wawasan tentang masalah komplek dan data yang besar
(Tipe ML) Belajar bertahap dengan cepat
Online learning / incremental learning
batch learning / offline learning / out-of-core learning