Halo Data Scientist, kali ini kita akan membahas tentang Semi-Supervised Learning. Apa itu Semi-Supervised Learning? Bagaimana cara kerjanya? Apa perbedaannya dari Supervised Learning? Dan contoh penggunaan Semi-Supervised Learning itu seperti apa? Semua pertanyaan tersebut akan kita bahas dalam artikel berikut, selamat membaca..

Semi-Supervised Learning adalah jenis Machine Learning yang melibatkan sejumlah kecil contoh-contoh data yang memiliki label dan sejumlah besar contoh-contoh data tanpa label. Jenis Machine Learning ini terkesan lebih menantang karena baik algoritma Supervised Learning maupun Unsupervised Learning tidak terlalu mampu untuk memanfaatkan secara efektif campuran dari data berlabel dan data tanpa label. Dengan demikian, algoritma Semi-Supervised Learning diperlukan sebagai penjembatan antara kedua jenis Machine Learning tersebut.

Jika dalam Supervised Learning kita belajar bahwa jenis Machine Learning tersebut membutuhkan label untuk data-data yang akan diproses oleh algoritmanya, tidak demikian dengan Semi-Supervised Learning, Semi-Supervised Learning tetap membutuhkan data yang memiliki label di dalamnya, tetapi porsi data yang memiliki label lebih kecil dibandingkan data yang tidak memiliki label, sehingga mesin akan mempelajari sebagian kecil data berlabel tersebut dan akan memproses data tanpa label dengan prediksi sesuai dengan data-data berlabel yang perdah dipelajari oleh algoritma tersebut.

Salah satu parameter algoritma Semi-Supervised Learning berjalan dengan baik adalah algoritma tersebut dapat memprediksi dengan baik data-data tanpa label yang akan diolah oleh algoritma tersebut, dengan kata lain data-data tanpa label tersebut akan diberi label secara mandiri oleh algoritma Semi-Supervised Learning.

Semi-Supervised Learning lebih dibutuhkan pada kondisi dimana pekerjaan yang membutuhkan data berlabel tidak memungkinkan, baik itu karena memakan banyak waktu untuk melabeli semua data yang akan diproses maupun permasalahan biaya untuk menentukan label dari data tersebut secara manual. Dengan kepraktisan yang luar biasa tersebut Semi-Supervised Learning lebih tepat untuk di implementasikan di bidang yang memiliki data sangat banyak tetapi tidak memiliki resource yang cukup untuk melabeli data tersebut seperti di bidang penelitian ilmiah, maupun di bidang pengembangan data.

Semi-Supervised Learning juga  dapat digunakan atau dapat membedakan pembelajaran induktif dan transduktif.Umumnya, pembelajaran induktif mengacu pada algoritme pembelajaran yang belajar dari data pelatihan berlabel dan digeneralisasi ke data baru, seperti kumpulan test dataset. Pembelajaran transduktif mengacu pada pembelajaran dari data pelatihan berlabel dan generalisasi ke data tidak berlabel (pelatihan) yang tersedia. Kedua jenis tugas pembelajaran dapat dilakukan oleh algoritma Semi-Supervised Learning.

Bagaimana? setelah mengetahui tentang Supervised Learning dan Semi-Supervised Learning apakah anda semakin tertarik untuk mempelajari tentang jenis Machine Learning lainnya? Pastikan untuk follow semua akun social media Data Sains karena akan ada update-update terbaru mengenai perkembangan seputar dunia IT.

The post Semi Supervised Learning appeared first on Data Sains Inteknova.

Halo Data Scientist, kali ini kita akan membahas tentang Supervised Learning. Apa itu Supervised Learning? Bagaimana cara kerjanya? Dan apa saja manfaat dari Supervised Learning? Semuanya akan kita bahas dalam artikel berikut, selamat membaca..

Supervised Learning adalah salah satu dari 4 jenis utama Machine learning. Supervised Learning ditentukan oleh penggunaan kumpulan data yang memiliki label-label tertentu untuk melatih algoritma yang mengklasifikasikan data atau memprediksi hasil secara akurat.

Lalu bagaimana cara Supervised Learning bekerja? Supervised Learning bekerja dengan menggunakan beberapa set pelatihan untuk mengajarkan model untuk menghasilkan keluaran yang diinginkan. Dataset pelatihan ini mencakup input dan output yang benar, yang memungkinkan model untuk belajar dari waktu ke waktu untuk kemudian Algoritma mengukur akurasinya melalui Loss Function, dan akan terus menyesuaikan sampai kesalahan diminimalkan bahkan sampai hilang.

Supervised Learning dapat dipisahkan menjadi dua jenis masalah saat penggalian data, yaitu:

• Klasifikasi yaitu penggunaan algoritma untuk menguji data dummy secara akurat ke dalam beberapa kategori tertentu. Ini mengenali entitas spesifik dalam kumpulan data dan mencoba menarik beberapa kesimpulan tentang bagaimana entitas tersebut harus diberi label atau didefinisikan. Algoritma klasifikasi yang biasa digunakan dalam proses Klasifikasi adalah Linear Classifiers, Support Vector Machines (SVM), dan Decision Tree.
• Regresi digunakan untuk memahami hubungan antara variabel terikat dan variabel bebas. Ini biasanya digunakan untuk membuat proyeksi, seperti untuk pendapatan penjualan untuk bisnis tertentu. Regresi linier , regresi logistik , dan regresi polinomial adalah algoritma regresi yang populer.

Lalu apa kegunaan Supervised Learning? dalam skala kecil Supervised Learning dapat membantu memecahkan masalah di dunia nyata seperti mengklasifikasikan spam dalam folder terpisah dari kotak masuk. Dengan penggunaan Supervised Learning dalam mendeteksi label-label yang ada dalam beberapa pesan, sistem perpesanan e-mail dapat langsung mendeteksi apakah suatu email terindikasi sebagai sebuah spam atau bukan.

Tertarik untuk mengikuti perkembangan Machine Learning dan penerapannya dalam kehidupan? Pastikan untuk follow semua akun social media Data Sains karena akan ada update-update terbaru mengenai perkembangan seputar dunia IT.

The post Supervised Learning appeared first on Data Sains Inteknova.

Machine Learning adalah metode yang digunakan untuk membuat program yang bisa belajar dari data. Berbeda dengan program komputer biasa yang statis, program machine learning adalah program yang dirancang untuk mampu belajar sendiri.

Cara belajar program machine learning mengikuti cara belajar manusia, yakni belajar dari contoh-contoh. Machine learning akan mempelajari pola dari contoh-contoh yang dianalisa, untuk menentukan jawaban dari pertanyaan-pertanyaan berikutnya.

Machine learning dibagi menjadi beberapa kategori. Tepatnya ada empat kategori besar, yaitu supervised learning, unsupervised learning, semi–supervised learning, dan reinforcement learning.

1. Supervised Learning

• Supervised learning adalah kategori machine learning yang menyertakan solusi yang diinginkan -yang disebut label- dalam proses pembelajarannya. Dataset yang digunakan telah memiliki label dan algoritma kemudian mempelajari pola dari pasangan data dan label tersebut. Algoritma supervised learning mudah dipahami dan performa akurasinya pun mudah diukur. Supervised learning dapat dilihat sebagai sebuah mesin/robot yang belajar menjawab pertanyaan sesuai dengan jawaban yang telah disediakan manusia.

2. Unsupervised Learning

• Kita mungkin sudah dapat mengira bahwa pada unsupervised learning, dataset yang digunakan tidak memiliki label. Betul, model unsupervised learning melakukan proses belajar sendiri untuk melabeli atau mengelompokkan data. Unsupervised learning dapat dilihat sebagai robot/mesin yang berusaha belajar menjawab pertanyaan secara mandiri tanpa ada jawaban yang disediakan manusia.

3. Semi-supervised Learning

• Ini merupakan gabungan dari supervised learning dan unsupervised learning. Di sini dataset untuk pelatihan sebagian memiliki label dan sebagian tidak. Google Photos adalah contoh implementasi yang sering kita gunakan. Pada Google Photos kita bisa memberi tag atau label untuk setiap orang yang ada dalam sebuah foto. Alhasil, ketika kita mengunggah foto baru dengan wajah orang yang sebelumnya sudah kita beri label, Google Photos akan secara otomatis mengenali orang tersebut. Salah satu contoh dari model semi supervised learning adalah Deep Belief Network (DBNs). DBNs adalah model gras dengan multipel layer yang dapat belajar teknik mengekstrak data training secara esien. Dua jenis layer pada DBNs adalah visible atau input layer dan hidden layer.

4. Reinforcement Learning

• Reinforcement Learning dikenal sebagai model yang belajar menggunakan sistem reward dan penalti. Reinforcement learning memiliki empat komponen, yaitu action, agent, environment, dan reward. Action adalah setiap keputusan yang diambil. Misal, saat kita berkendara, action yang kita lakukan adalah mengendalikan kemudi, menginjak gas, dan mengerem. Agent adalah entitas yang membuat keputusan, contohnya adalah perangkat lunak, atau robot, atau bahkan manusia. Environment adalah sarana untuk berinteraksi, yang dapat menerima action dan memberikan respon berupa hasil maupun data berupa satu set observasi baru. Reward diberikan saat agent berhasil menyelesaikan tantangan. Mekanisme feedback ini membuat agent belajar tentang tindakan mana yang menyebabkan kesuksesan (menghasilkan reward), atau kegagalan (menghasilkan penalti). Keempat komponen ini merepresentasikan Markov Decision Process (MDP).

The post Jenis-jenis Machine Learning appeared first on Data Sains Inteknova.