Berikut ini adalah postingan artikel kategori Artificial Intelligence yang membahas tentang penjelasan pengertian, definisi, dan arti dari istilah kata machine learning (ml) berdasarkan rangkuman dari berbagai jenis macam sumber (referensi) relevan, terkait, serta terpercaya.
Daftar Isi Konten:
Pengertian Machine Learning (ML)
Apa itu sebetulnya yang dimaksud dengan machine learning (ml) ini?
Pembelajaran Mesin (ML) adalah sub-topik kecerdasan buatan (AI) yang berfokus pada membangun model algoritmik yang dapat mengidentifikasi pola dan hubungan dalam data.
Dalam konteks ini, mesin kata adalah sinonim untuk program komputer dan kata pembelajaran menjelaskan bagaimana algoritma ML akan secara otomatis menjadi lebih akurat karena mereka menerima data tambahan.
Konsep pembelajaran mesin bukanlah hal baru, tetapi aplikasi praktisnya dalam bisnis tidak layak secara finansial sampai munculnya Internet dan kemajuan terbaru dalam analisis data besar dan komputasi awan.
Itu karena melatih algoritma ML untuk menemukan pola dalam data membutuhkan set data yang sangat besar.
Saat ini, pembelajaran mesin memainkan peran penting dalam berbagai tugas terkait bisnis yang mengandalkan analitik prediktif-termasuk analisis risiko dan deteksi penipuan, serta pengenalan suara dan gambar.
Pembahasan dari Apa itu Pengertian, Maksud, serta Contoh dari Istilah Machine Learning (ML)
Baik, agar kita dapat lebih mendalami arti penjelasan serta maksud dari acronym atau kata tersebut di atas, pastinya kita juga perlu memahami lebih dalam tentang pembahasan tentang apa itu pengertian, maksud, dan akronim, istilah, jargon, atau terminologi machine learning (ml).
Proyek pembelajaran mesin biasanya diawasi oleh para ilmuwan data dan insinyur pembelajaran mesin.
Pekerjaan ilmuwan data biasanya melibatkan pembuatan hipotesis dan kode penulisan yang diharapkan akan membuktikan hipotesis itu benar.
Apa yang dilakukan insinyur pembelajaran mesin?
Pekerjaan insinyur ML berfokus pada operasi pembelajaran mesin (MLOPS).
Operasi pembelajaran mesin adalah pendekatan untuk mengelola seluruh siklus hidup model pembelajaran mesin – termasuk pelatihan, penyetelan, penggunaan sehari -hari dalam lingkungan produksi dan akhirnya pensiun.
Inilah sebabnya mengapa insinyur ML perlu memiliki pengetahuan yang berfungsi tentang pemodelan data, rekayasa fitur dan pemrograman – selain memiliki latar belakang yang kuat dalam matematika dan statistik.
Idealnya, ilmuwan data dan insinyur ML dalam organisasi yang sama akan berkolaborasi ketika memutuskan jenis algoritma pembelajaran mana yang akan bekerja paling baik untuk menyelesaikan masalah bisnis tertentu, tetapi di beberapa industri pekerjaan insinyur ML terbatas untuk memutuskan data apa yang harus digunakan untuk pelatihan dan Bagaimana hasil model pembelajaran mesin akan divalidasi.
Apa itu model pembelajaran mesin?
Model pembelajaran mesin hanyalah output dari algoritma ML yang telah dijalankan pada data.
Langkah -langkah yang terlibat dalam membangun model pembelajaran mesin termasuk yang berikut:
Kumpulkan data pelatihan.
Menyiapkan data untuk pelatihan.
Putuskan algoritma pembelajaran mana yang akan digunakan.
Latih algoritma pembelajaran.
Mengevaluasi output algoritma pembelajaran.
Jika perlu, sesuaikan variabel (hyperparameters) yang mengatur proses pelatihan untuk meningkatkan output.
Unduh Gratis: AI di Industri Asuransi: 26 Kasus Penggunaan Dunia Nyata
Bagaimana Pembelajaran Mesin dilatih?
Dalam pengaturan ML yang khas, algoritma membutuhkan dataset terdiri dari contoh -contoh di mana setiap contoh terdiri dari input dan output.
Dalam pengaturan seperti itu, tujuan khas dari algoritma ML adalah untuk memperbarui parameter model prediktif untuk memastikan bahwa hal itu memprediksi hasil yang diinginkan.
Ada tiga jenis utama algoritma yang dapat digunakan oleh insinyur ML untuk pelatihan: pembelajaran yang diawasi, pembelajaran pembelajaran dan penguatan yang tidak diawasi.
Pembelajaran yang diawasi – Algoritma diberikan data pelatihan berlabel (input) dan ditunjukkan jawaban yang benar (output).
Jenis algoritma pembelajaran ini menggunakan hasil dari set data historis untuk memprediksi nilai output untuk data baru yang masuk.
Pembelajaran tanpa pengawasan – Algoritma diberi data pelatihan yang tidak diberi label.
Alih -alih diminta untuk memprediksi output yang benar, jenis algoritma pembelajaran ini menggunakan data pelatihan untuk mendeteksi pola yang kemudian dapat diterapkan pada kelompok data lain yang menunjukkan perilaku serupa.
Dalam beberapa situasi, mungkin perlu menggunakan sejumlah kecil data berlabel dengan jumlah yang lebih besar dari data yang tidak berlabel selama pelatihan.
Jenis pelatihan ini sering disebut sebagai pembelajaran mesin semi-diawasi.
Pembelajaran Penguatan – Alih -alih diberi data pelatihan, algoritma diberi sinyal hadiah dan mencari pola dalam data yang akan memberikan hadiah.
Jenis input algoritma pembelajaran ini sering berasal dari interaksi algoritma pembelajaran dengan lingkungan fisik atau digital.
Apa penyebab bias dalam pembelajaran mesin?
Ada keinginan yang berkembang oleh masyarakat umum untuk kecerdasan buatan – dan algoritma pembelajaran mesin khususnya – untuk transparan dan dapat dijelaskan, tetapi transparansi algoritmik untuk pembelajaran mesin dapat lebih rumit daripada hanya berbagi algoritma mana yang digunakan untuk membuat prediksi tertentu.
Banyak orang yang baru mengenal ML terkejut mengetahui bahwa itu bukan algoritma matematika yang rahasia; Bahkan, sebagian besar algoritma ML populer yang digunakan saat ini tersedia secara bebas.
Ini adalah data pelatihan yang memiliki nilai kepemilikan, bukan algoritma yang digunakan.
Sayangnya, karena data yang digunakan untuk melatih algoritma pembelajaran dipilih oleh manusia, ia secara tidak sengaja dapat memperkenalkan bias pada model ML yang sedang dibangun.
Sifat berulang dari algoritma pembelajaran juga dapat menyulitkan insinyur ML untuk kembali dan melacak logika di balik prediksi tertentu.
Ketika dimungkinkan bagi ilmuwan data atau insinyur ML untuk menjelaskan bagaimana prediksi spesifik dibuat, model ML dapat disebut sebagai AI yang dapat dijelaskan.
Ketika tidak mungkin untuk mengungkapkan bagaimana prediksi spesifik dibuat, baik karena matematika menjadi terlalu rumit atau data pelatihan adalah hak milik, model ML dapat disebut sebagai AI kotak hitam.
Pembelajaran Mesin vs Kecerdasan Buatan
Istilah kecerdasan buatan dan pembelajaran mesin kadang -kadang digunakan sebagai sinonim karena pada titik ini dalam sejarah, sebagian besar inisiatif AI sempit.
Itu karena AI yang digunakan hari ini biasanya bergantung pada pembelajaran mesin yang diawasi untuk melakukan satu tugas.
Sebaliknya, tujuan AI yang kuat (juga disebut kecerdasan umum buatan) adalah untuk memungkinkan komputer untuk berhasil melakukan tugas intelektual apa pun yang mampu diselesaikan oleh manusia.
Seperti yang sudah kita lihat di atas, istilah ini merupakan salah satu dari kumpulan kamus, akronim, istilah, jargon, atau terminologi dalam bidang teknologi yang diawali dengan abjad atau awalan M, serta merupakan terms yang terkait dengan Artificial Intelligence dengan subkategori Machine Learning.
Arti Machine Learning (ML) dalam Kamus Terjemahan Bahasa Indonesia dan Inggris
Selain membahas tentang pengertian dan pembahasan definisinya, untuk lebih memperdalamnya, di sini kita juga perlu mengetahui apa arti kata machine learning (ml) dalam kamus terjemahan bahasa Indonesia dan Inggris.
Untuk lebih mudah dalam memahaminya, di artikel ini Kami akan menguraikannya berupa tabel terjemahan bahasa Indonesia dan Inggris sebagai berikut.
| Tipe | Bahasa Indonesia | Bahasa Inggris |
| Terminologi | pembelajaran mesin (ml) | machine learning (ml) |
| Kategori | kecerdasan buatan | artificial intelligence |
Penutup
Baiklah, di atas adalah pembahasan dan penjelasan tentang apa itu arti dari machine learning (ml).
Semoga postingan artikel yang sudah Kami bagikan ini dapat bermanfaat serta dapat menambah wawasan kita semua.
Lihat juga pembahasan tentang apa itu pengertian, maksud, dan akronim, istilah, jargon, atau terminologi artikel lainnya yang berhubungan dengan bidang Teknologi yang ada di laman blog UrlWebsite Kami.
Sumber (Referensi)
Artikel ini dibuat berdasar dari simpulan arti definisi dari berbagai referensi relevan yang berotoritas seperti Wikipedia, Webopedia Technology Dictionary dan beberapa sumber lainnya seperti Technopedia dan Techterms. Kata Machine Learning (ML) ini merupakan salah satu dari kumpulan terminologi “Artificial Intelligence dengan subkategori Machine Learning” dalam bidang teknologi yang dimulai dengan abjad atau awalan M. Artikel ini di-update pada bulan Nov tahun 2024.
- https://id.wikipedia.org/wiki/terminologi
- https://id.wikipedia.org/wiki/teknologi
- https://id.wikipedia.org/wiki/teknis
- https://www.webopedia.com/?s=machine-learning-ml
- Gambar contoh dari machine-learning-ml via Google di sini
- Gambar contoh dari machine-learning-ml via Bing di sini
