Dasar Pemahaman Machine Learning. Framework Dasar, Label, Fitur, Representasi Model, Pelatihan, Inferensi Dan Regresi Dan Klarifikasi

Machine Learning mempunyai duduk perkara pemograman yang relatif lebih berbeda dengan bahasa pemograman lainnya. Misalnya ML pada dunia aktual lebih fokus pada analisis data daripada coding/teknik pemograman itu sendiri. 

Aturan pada Machine Learning, Aturan #1: Jangan takut untuk meluncurkan produk tanpa machine learning . Aturan ini saya ambil dari kursus Machine Learning Google.

Framework dasar Supervised Machine Learning

Framework dasar Supervised Machine Learning

Supervised/Terprediksi, ialah suatu framework dasar dalam Sistem ML mempelajari cara menggabungkan masukan untuk menciptakan prediksi yang mempunyai kegunaan dari data yang belum pernah ada sebelumnya. Anda sanggup menemukan rujukan lainnya pada blog MeemCode.Blogspot.com.

Label

Misalnya pada dikala melatih sebuah model spam untuk mendeteksi sebuah spam atau bukan spam. Lalu bagaimana kita sanggup menentukannya dengan sempurna ? mungkin tidak pribadi sanggup memilih sasaran tersebut ialah spam atau bukan spam namun kita sanggup memprediksinya. Hal ini juga disebut dengan Label. Dalam hal label ini sanggup kita temui pada dikala kita melaksanakan prediksi sesuatu ibarat apakah nanti hujan, mendung/cuaca berawan atau cerah. Label sanggup diartikan sebagai data pendukung(namun belum pasti) dan sanggup membantu prediksi nantinya.

Fitur

Lalu Fitur dari spam tersebut wacana ini kita akan memilih sebuah spam sasaran ialah sebuah spam berupa email, maka fitur yang dimilikinya ialah isi atau konten dari email tersebut. Bisa berupa routing, header, alamat pengirim, kata kunci atau apapun yang memungkinkan bahwa sebuah email itu ialah spam. Maka fitur tersebut akan kita representasikan pada model ML yang kita miliki.

Fitur berlabel dan fitur takberlabel

Sebagai perhiasan tentunya pada wacana penentuan sasaran email spam kali ini ialah bahwasabta anya sanggup saja sebuah sample mempunyai fitur namun tidak berlabel. Maka saya akan membantu anda untuk mendapat citra wacana ini dengan sebuah rumah dengan usia bangunan 10 tahun, ruangan dengan jumlah 5 ruangan, mempunyai 7 daerah tidur dan mempunyai luas 10 ha berikut dengan taman dan lain sebagainya maka hal ini disebut dengan Fitur yang mempunyai Label, fitur tersebut ialah usia bangunan, jumlah ruangan dan daerah tidur namun ukuran dari bangunan tersebut dan tamannya ialah Label. Tentunya bila anda menghilangkan luas taman dan bangunan tersebut maka akan menjadi sebuah fitur sasaran namun tidak mempunyai label.

Melakukan Representasi (Model)

Untuk merepresentasikan model ini maka kita membutuhkan tugas dari sampling atau pola . Maka untuk hal ini kita membutuhkan satu pola email spam. Tentunya dari email/sample ini kita sudah sanggup memilih label dan fitur spam tersebut. Namun pada dikala ini kita sanggup saja mempunyai sebuah email yang bukan merupakan spam (adalah email yang diteruskan dari seorang teman/kita kenal kemudian hingga kepada kita) disini kita mempunyai sample namun belum sanggup memilih bahwa email tersebut ialah representasi sasaran kita nantinya. 

Hal diatas ialah apa yang disebut dengan Model, ialah sekumpulan sample (bisa lebih dari satu) sehingga ditempatkan pada suatu folder/tempat khusus. Nantinya model ini akan kita gunakan sebagai prediksi.

Pada tahap kali ini mempunyai dua fase, yaitu :

1. Pelatihan dari model tersebut dengan menciptakan dan mempelajari model sample tersebut dan memperlihatkan relasi antara fitur dan label dari sample tersebut.

2. Inferensi ialah sebuah model yang diterapkan pada pola yang tak berlabel dan pada fase ini model sudah sanggup melaksanakan prediksi bagi anda apakah sasaran tersebut ialah spam atau tidak, jikalau anda mempunyai kebingungan pada fase ini silahkan baca kembali Fitur berlabel dan fitur takberlabel untuk memahami fase ini.

Regresi dan Klarifikasi

Regresi atau model regresi ialah sebuah model yang berlanjut fase demi fase dan mempunyai nilai berkelanjutan. Contohnya berapakah rumah dengan taman dan tidak bertaman ? Atau apakah orang lebih menyukai sebuah rumah dengan taman atau tanpa taman ? Hal ini akan membantu anda memahami apa yang disebut dengan klarifikasi, yaitu apakah gambar ini ialah sebuah taman atau rumah ? Apakah gambar yang ditampilkan ialah rumah dengan taman atau tanpa taman ?

Catatan ini saya referensikan sebagi suatu materi untuk mengikuti kursus Machine Learning oleh Google Developer Crash Course Machine Learning

Google Developer Crash Course Machine Learning

Pendalaman Supervised Learning

Misalanya anda ingin menyebarkan model supervised machine learning untuk memilih sebuah email ialah spam atau tidak maka hal yang benar untuk dilakukan ialah :

1. Beberapa label pada sample sanggup saja tidak sanggup dipercaya ibarat asumsi kita sebelumnya mengenai fitur berlabel dan tidak berlabel. Hal ini juga sanggup dipengaruhi oleh spammer yang melaksanakan sebuah trik dengan menawarkan label yang salah.

2. Email yang tidak mempunyai tanda spam dan bukan spam merupakan pola tak berlabel alasannya belum adanya penentuan.

Dan hal yang tidak benar dilakukan ialah bahwa kata-kata dalam header subjek akan menjadi label yang baik, hal ini tentunya ialah salah namun sanggup saja header pada subjek akan menjadi fitur yang baik namun tidak dengan label.

Yang kedua ialah bahwa kita memakai pola tak berlabel untuk melatih model kita, tentunya ini salah alasannya belum sanggup ditentukan apakah sample yang kita miliki ialah model yang bai atau tidak.

Sumber http://meemcode.blogspot.com

Berlangganan Informasi Terbaru: