3 Jenis Mesin Belajar - dummies

< Mesin belajar datang dalam berbagai rasa, tergantung pada algoritma dan tujuannya. Anda dapat membagi algoritma pembelajaran mesin menjadi tiga kelompok utama berdasarkan tujuan mereka:

Pembelajaran yang diawasi

• Pembelajaran yang tidak dipublish
• Pembelajaran penguatan
• Pembelajaran yang diawasi

Pembelajaran yang diawasi

terjadi ketika sebuah algoritma belajar dari contoh data dan tanggapan target terkait yang dapat terdiri dari nilai numerik atau label string, seperti kelas atau tag, untuk kemudian memprediksi respons yang benar saat diajukan dengan contoh baru. Pendekatan yang diawasi memang mirip dengan pembelajaran manusia di bawah pengawasan seorang guru. Guru memberikan contoh yang baik bagi siswa untuk dihafal, dan siswa kemudian memperoleh peraturan umum dari contoh-contoh spesifik ini.

Anda perlu membedakan antara masalah regresi, yang targetnya adalah nilai numerik, dan masalah klasifikasi, yang targetnya adalah variabel kualitatif, seperti kelas atau tag. Tugas regresi menentukan harga rata-rata rumah di wilayah Boston, dan tugas klasifikasi membedakan antara jenis bunga iris berdasarkan ukuran sepal dan kelopaknya.

Belajar tanpa persiapan

Belajar tanpa pengawasan

terjadi ketika sebuah algoritma belajar dari contoh polos tanpa respons terkait, beralih ke algoritma untuk menentukan pola data dengan sendirinya. Jenis algoritma ini cenderung merestrukturisasi data menjadi sesuatu yang lain, seperti fitur baru yang mungkin mewakili kelas atau serangkaian nilai yang tidak berkorelasi baru. Mereka cukup berguna dalam memberi manusia wawasan tentang makna data dan masukan baru yang berguna untuk algoritma pembelajaran mesin yang diawasi.

Sebagai jenis pembelajaran, itu menyerupai metode yang digunakan manusia untuk mengetahui bahwa objek atau peristiwa tertentu berasal dari kelas yang sama, seperti dengan mengamati tingkat kesamaan antara objek. Beberapa sistem rekomendasi yang Anda temukan di web dalam bentuk otomasi pemasaran didasarkan pada jenis pembelajaran ini.

Algoritma otomasi pemasaran menghasilkan saran dari apa yang telah Anda beli di masa lalu. Rekomendasi didasarkan pada perkiraan kelompok pelanggan yang paling Anda sukai dan kemudian menyimpulkan preferensi kemungkinan Anda berdasarkan kelompok tersebut.

Penguatan pembelajaran

Penguatan belajar

terjadi saat Anda menyajikan algoritme dengan contoh yang kurang memiliki label, seperti dalam pembelajaran tanpa pengawasan. Namun, Anda bisa menemani sebuah contoh dengan umpan balik positif atau negatif sesuai dengan solusi algoritma yang diusulkan.Penguatan pembelajaran terhubung ke aplikasi yang algoritmanya harus mengambil keputusan (sehingga produk bersifat preskriptif, tidak hanya deskriptif, seperti dalam pembelajaran tanpa pengawasan), dan keputusan tersebut menghasilkan konsekuensi. Di dunia manusia, itu seperti belajar dengan trial and error. Kesalahan membantu Anda belajar karena mendapat penalti (biaya, kehilangan waktu, penyesalan, rasa sakit, dan sebagainya), yang mengajarkan Anda bahwa tindakan tertentu kemungkinan besar tidak akan berhasil daripada yang lain. Contoh menarik pembelajaran penguatan terjadi saat komputer belajar bermain video game sendiri.

Dalam kasus ini, sebuah aplikasi menyajikan algoritma dengan contoh situasi tertentu, seperti membiarkan gamer terjebak dalam labirin sambil menghindari musuh. Aplikasi ini memungkinkan algoritma mengetahui hasil tindakan yang diperlukan, dan pembelajaran terjadi saat mencoba menghindari apa yang ia temukan berbahaya dan mengejar kelangsungan hidup. Anda bisa melihat bagaimana perusahaan Google DeepMind telah menciptakan program pembelajaran penguatan yang memainkan video game Atari lama. Saat menonton video, perhatikan bagaimana program ini awalnya kikuk dan tidak terampil tapi terus meningkat dengan latihan sampai menjadi juara.