Setelah kemarin kita mempelajari terkait apa itu machine learning, sekarang saatnya kita cari tahu bagaimana metode pembelajaran mesin a.k.a cara machine learning ini belajar.

Metode Pembelajaran Mesin

Metode pembelajaran mesin (juga disebut gaya pembelajaran mesin) memiliki tiga kategori utama.

Pembelajaran mesin yang diawasi (supervised machine learning)

Pembelajaran mesin yang diawasi melatih dirinya sendiri pada kumpulan data berlabel. Artinya, data diberi label dengan informasi yang ditentukan oleh model pembelajaran mesin yang sedang dibangun dan bahkan dapat diklasifikasikan dengan cara yang seharusnya dilakukan model untuk mengklasifikasikan data. Misalnya, model visi komputer yang dirancang untuk mengidentifikasi anjing Gembala Jerman ras mungkin dilatih pada kumpulan data berbagai gambar anjing berlabel.

Pembelajaran mesin yang diawasi memerlukan lebih sedikit data pelatihan daripada metode pembelajaran mesin lainnya dan membuat pelatihan lebih mudah karena hasil model dapat dibandingkan dengan hasil berlabel sebenarnya. Namun, data yang diberi label dengan benar mahal untuk disiapkan, dan ada bahaya overfitting, atau membuat model yang sangat terkait dan bias dengan data pelatihan sehingga tidak menangani variasi dalam data baru secara akurat.

Pembelajaran mesin tanpa pengawasan (unsupervised machine learning)

Pembelajaran mesin tanpa pengawasan menyerap data tak berlabel — banyak sekali — dan menggunakan algoritme untuk mengekstrak fitur penting yang diperlukan untuk melabeli, mengurutkan, dan mengklasifikasikan data dalam waktu nyata, tanpa campur tangan manusia. Pembelajaran tanpa pengawasan lebih sedikit tentang mengotomatiskan keputusan dan prediksi, dan lebih banyak tentang mengidentifikasi pola dan hubungan dalam data yang mungkin terlewatkan oleh manusia. Ambil contoh deteksi spam, misalnya — orang menghasilkan lebih banyak email daripada yang bisa diharapkan oleh tim data scientist untuk diberi label atau diklasifikasikan selama masa hidup mereka. Algoritme pembelajaran tanpa pengawasan dapat menganalisis email dalam jumlah besar dan mengungkap fitur dan pola yang mengindikasikan spam (dan terus menjadi lebih baik dalam menandai spam dari waktu ke waktu).

Pembelajaran semi-supervisi (semi-supervised machine learning)

Pembelajaran semi-supervisi menawarkan media yang menyenangkan antara pembelajaran yang diawasi dan tanpa pengawasan. Selama pelatihan, ini menggunakan kumpulan data berlabel yang lebih kecil untuk memandu klasifikasi dan ekstraksi fitur dari kumpulan data yang lebih besar dan tidak berlabel. Pembelajaran semi-supervisi dapat memecahkan masalah kurangnya data berlabel (atau tidak mampu memberi label cukup data) untuk melatih algoritme pembelajaran yang diawasi.

Pembelajaran mesin penguatan (Reinforcement machine learning)

Pembelajaran mesin penguatan adalah model pembelajaran mesin perilaku yang mirip dengan pembelajaran yang diawasi, tetapi algoritme tidak dilatih menggunakan data sampel. Model ini belajar seiring berjalannya waktu dengan menggunakan trial and error. Urutan hasil yang sukses akan diperkuat untuk mengembangkan rekomendasi atau kebijakan terbaik untuk masalah tertentu.

Pembelajaran mendalam (Deep learning)

Pembelajaran mendalam adalah bagian dari pembelajaran mesin (semua pembelajaran dalam adalah pembelajaran mesin, tetapi tidak semua pembelajaran mesin adalah pembelajaran yang dalam). Algoritme pembelajaran mendalam mendefinisikan jaringan saraf tiruan yang dirancang untuk mempelajari cara otak manusia belajar. Model pembelajaran mendalam membutuhkan data dalam jumlah besar yang melewati beberapa lapisan penghitungan, menerapkan bobot dan bias di setiap lapisan berturut-turut untuk terus menyesuaikan dan meningkatkan hasil.

Model pembelajaran mendalam biasanya tanpa pengawasan atau semi-supervisi. Model pembelajaran penguatan juga bisa menjadi model pembelajaran yang mendalam. Jenis model pembelajaran mendalam tertentu — termasuk jaringan saraf konvolusional (CNN, convolutional neural networks) dan jaringan saraf berulang (RNN, recurrent neural networks) —mendorong kemajuan di berbagai bidang seperti visi komputer, pemrosesan bahasa alami (natural language processing, termasuk pengenalan ucapan), dan mobil yang dapat mengemudi sendiri.

Penggunaan pembelajaran mesin dunia nyata

Seperti yang disebutkan di awal, pembelajaran mesin ada di mana-mana. Berikut ini beberapa contoh pembelajaran mesin yang mungkin Anda temui setiap hari:

Asisten digital

Apple Siri, Amazon Alexa, Google Assistant, dan asisten digital lainnya didukung oleh pemrosesan bahasa alami (NLP), aplikasi pembelajaran mesin yang memungkinkan komputer memproses data teks dan suara serta ‘memahami’ bahasa manusia seperti yang dilakukan orang. Pemrosesan bahasa alami juga menjalankan aplikasi berbasis suara seperti GPS dan perangkat lunak pengenalan suara (ucapan-ke-teks).

Rekomendasi

Model pembelajaran mendalam mendorong rekomendasi ‘orang juga menyukai’ dan ‘hanya untuk Anda’ yang ditawarkan oleh Amazon, Netflix, Spotify, dan layanan ritel, hiburan, perjalanan, pencarian kerja, dan berita lainnya.

Iklan online kontekstual

Model pembelajaran mesin dan pembelajaran mendalam dapat mengevaluasi konten halaman web — tidak hanya topiknya, tetapi juga nuansa seperti pendapat atau sikap penulisnya — dan menampilkan iklan yang disesuaikan dengan minat pengunjung.

Chatbots

Chatbots dapat menggunakan kombinasi pengenalan pola, pemrosesan bahasa alami, dan jaringan saraf dalam untuk menafsirkan teks input dan memberikan respons yang sesuai.

Deteksi penipuan

Model regresi dan klasifikasi pembelajaran mesin telah menggantikan sistem deteksi penipuan berbasis aturan, yang memiliki jumlah positif palsu yang tinggi saat menandai penggunaan kartu kredit curian dan jarang berhasil mendeteksi penggunaan kriminal atas data keuangan yang dicuri atau disusupi.

Keamanan Siber

Pembelajaran mesin dapat mengekstrak kecerdasan dari laporan insiden, peringatan, entri blog, dan lainnya untuk mengidentifikasi potensi ancaman, memberi tahu analis keamanan, dan mempercepat respons.

Analisis citra medis

Jenis dan volume data pencitraan medis digital telah meledak, mengarah ke lebih banyak informasi yang tersedia untuk mendukung diagnosis tetapi juga lebih banyak peluang untuk kesalahan manusia dalam membaca data. Jaringan saraf konvolusional (CNN), jaringan saraf berulang (RNN), dan model pembelajaran mendalam lainnya telah terbukti semakin berhasil dalam mengekstrak fitur dan informasi dari gambar medis untuk membantu mendukung diagnosis yang akurat.

Mobil self-driving

Mobil self-driving memerlukan machine learning tour de force — mereka harus terus-menerus mengidentifikasi objek di lingkungan sekitar mobil, memprediksi bagaimana objek akan berubah atau bergerak, dan memandu mobil di sekitar objek serta ke arah pengemudi tujuan. Hampir setiap bentuk pembelajaran mesin dan algoritma pembelajaran mendalam yang disebutkan di atas memainkan beberapa peran dalam memungkinkan mobil yang dapat mengemudi sendiri.

Banyak sekali ya manfaat machine learning ini ternyata. Tentu akan semakin banyak pula hal yang dapat digunakan kedepannya. Apakah kamu akan ikut dalam tren ini dan belajar tentang machine learning?