Machine learning

Tujuan
Bagaimana kita membangun suatu mesin agar dapat meningkatkan kualitas berdasarkan pengalaman manusia (programming) dan apa saja dasar teori yang mengatur semua proses pembelajarannya?

Definisi
Machine learning adalah sebuah studi yang mempelajari cara memrogram mesin atau komputer dengan contoh data dan pengalaman yang ada. Terdapat 4 kategori suatu mesin (aplikasi) sulit untuk dibuat, antara lain: Tidak ada orang yang berpengalaman di bidang tersebut, ada manusia yang menguasai bidang tersebut tetapi tidak mampu untuk menjelaskannya, saat zaman telah berubah dan yang terakhir apabila apabila aplikasi dibuat untuk pengguna serta kasus yang berbeda.Manusia melakukan learning secara terus menerus dari contoh contoh kasus.

Tipe Machine Learning

Algoritma machine learning dapat diatur dalam taksonomi berdasarkan hasil yang diinginkan dari algoritma, antara lain: Learning Associations: Menemukan hubungan antar data. Contohnya analisis kantong belanja. P (Y|X) kemungkinan seseorang yang membeli barang X juga membeli barang Y dengan X dan Y adalah produk atau servis. Association rule: P (chips | soda). Supervised learning : Kita dapat mempelajari sebuah pemetaan data dari input ke output. Hasil nilai yang benar telah diberikan dari supervisor . Tipe pembelajarannya: Klasifikasi Regresi Unsupervised learning: Kita hanya mempunyai input data untuk menemukan regularitas dalam data, tanpa output (kita tidak tahu jawaban yang benar). Clustering: pengelompokan kasus yang sama. Contoh aplikasi: Segmentasi customer di CRM (Customer Relationship Management) Image compression Bioinformatics Reinforcement learning: proses ini mempelajari bagaimana pengalaman memecahkan suatu permasalahan.

Setelah mendapatkan banyak pengalaman dari pemecahan masalah , manusia akan mengingat struktur dan langkah langkahnya sehingga dapat mengatasi masalah lebih efisien. Membangun suatu aplikasi adalah menggunakan pendekatan data yang bagus dan berguna.

Aplikasi Sukses
Salah satu kemajuan dalam machine learning adalah pembuatan aplikasi yang signifikan dan dapat digunakan di dunia. Perlu diketahui bahwa mulai tahun 1985, hampir tidak ada aplikasi machine learning yang dikomersilkan. Karena machine learning dibutuhkan untuk dipelajari bukan untuk menghitung berapa keuntungan yang didapat. Beberapa aplikasi tersebut antara lain: Speech recognition Menggunakan syntax suatu bahasa. Sensor fusion: Kombinasi banyak modality seperti visual dan akustik untuk bicara. Computer vision Beberapa sistem vision sekarang dari sistem face recognition menjadi klasifikasi microscope image of cell secara otomatisyang dibangun dengan machine learning. Bio-surveilllance Robot control Accelerating empirical sciences

Klasifikasi (Sebuah tipe dari supervised learning) Contoh: Score kredit. Membedakan antara resiko customer dari pendapatan dan penyimpanan uang mereka. Regresi (Tipe lain dari supervised learning) Contoh: Prediksi harga mobil. Input x: atribut mobil. Output y: harga Mempelajari pemetaan dari input ke ouput. Kita akan mempelajari nilai yang tepat untuk k parameter k dengan error yang minimum.

Referensi: o o o o Mitchell M. Tom (2006). The Disicpline of Machine Learning. Pittsburgh PA Alpaydin Ethem (2004). Projects in Machine Learning. The MIT Press http://en.wikipedia.org/wiki/Machine_learning Sutani Deny (2008). Machine Learning from denysutani.wordpress.com/2008/12/18/machine-learning/