Lesson Machine learning – Pendahuluan akan membahas apa itu machine learning dan tipe machine learning.
Model machine learning adalah model matematika yang menerima input dan mengolahnya menjadi output. Misal, model memprediksi cuaca. Data input adalah suhu dan kelembapan.
Machine learning dapat dibagi menjadi 3 tipe:
- Supervised, model memerlukan input data dan target (output yang diharapkan). Model akan belajar hingga output yang dihasilkan mendekati target. Metoda yang umum digunakan adalah regression dan classification.
- Unsupervised, model hanya akan menerima input, untuk target tidak disediakan. Model akan mencari keterkaitan antar variable dan mengelompokannya. Metoda yang umum digunakan adalah clustering.
- Reinforcement, tujuan dari model adalah memperoleh memaksimalkan reward. Meniru human behaviour dalam memilih aksi untuk mendapatkan reward dan menghindari punishment. Metoda yang umum digunakan decission process dan reward system.
Supervised Machine Learning
Course ini akan fokus pada supervised machine learning. Seperti sudah dibahas diatas supervised machine learning dapat dibagi menjadi dua, yaitu regression dan classification.
Regression, output dari regression adalah continuos numbers. Contoh : Prediksi harga rumah, prediksi harga forex.
Classification, output berupa kategori, contoh mengklasifikasikan foto hewan, outputnya bisa berupa label, kucing, anjing dan sebagainya.
Komponen Machine Learning
Untuk melatih model machine learning, diperlukan 4 komponen, yaitu Data, Model, Objective function dan Optimization algorithm.
- Data, data yang digunakan umumnya historical data. Agar data dapat digunakan dalam model, akan melewati data prepation dan cleansing. Umumnya dalam membuat model, tahap mempersiapkan data ini memakan waktu paling banyak.
- Model, untuk sederhananya model adalah sebuah fungsi matematik yang didefinisikan oleh weight dan bias. Data akan digunakan model untuk belajar dalam menentukan weight dan bias untuk menghasilkan output atau prediksi yang akurat.
- Objective function, digunakan untuk mengukur tingkat akurasi dari model. Model akan mengoptimalkan objective function. Contoh, jika fungsi yang digunakan adalah loss function, model akan berusaha meminimumkan.
- Optimization algorithm, proses optimisasi akan berulang dalam mencari nilai parameter (weigh dan bias), hingga nilai objective function optimal.
Pada lesson selanjutnya kita akan membahas lebih mendalam tentang model, objective function dan optimization algorithm.