Pengenalan Kepada Pembelajaran Mesin

Pembelajaran mesin memainkan peranan yang agak meluas dalam aplikasi kritikal seperti perlombongan data, pemprosesan bahasa semula jadi, pengecaman imej dan sistem yang memerlukan kepakaran. Jadi, apa sebenarnya yang dimaksudkan dengan pembelajaran mesin?

Apa Itu Pembelajaran Mesin?

Pembelajaran mesin ialah aplikasi kecerdasan buatan (AI) yang membekalkan kepada sistem, keupayaan untuk belajar dan memperbaiki dari pengalaman secara automatik tanpa diprogramkan secara jelas.

Dengan kata lain, mesin akan dilengkapkan dengan ribuan percubaan untuk menyelesaikan sesuatu tugas. Sepanjang proses tersebut, mesin akan memahami dan mempelajari konsep untuk menyelesaikan tugas tersebut.

Masih kurang jelas dengan definisi yang diberikan? Mari bayangkan situasi di mana anda cuba untuk memasukkan gumpalan kertas ke dalam tong sampah dari jarak jauh.

Pada percubaan pertama, anda menyedari bahawa anda telah meletakkan daya yang terlalu tinggi. Percubaan kedua pula anda menyedari lontaran tersebut telah menghampiri target tetapi anda perlu meningkatkan lagi ketepatan sudut lontaran.

Apa yang dapat disimpulkan melalui setiap balingan yang dilakukan, kita dapat pelajari sesuatu dan melakukan penambahbaikan terhadap keputusan yang diperolehi. Begitu juga pembelajaran mesin yang diprogram berdasarkan pengalaman yang dipelajari.

Bagaimana Mesin Pembelajaran Diperkenalkan?

Istilah Pembelajaran Mesin telah diperkenalkan oleh Arthur Samuel pada tahun 1959. Arthur Samuel seorang pelopor dalam bidang permainan komputer dan kecerdasan buatan. Beliau menyatakan bahawa Pembelajaran Mesin memberi komputer keupayaan untuk belajar tanpa diprogramkan secara mendalam.

Jenis-jenis Pembelajaran Mesin

1. Pembelajaran Dikawal

Pembelajaran terkawal boleh mengaplikasikan apa yang telah dipelajari terhadap data baru dengan menggunakan contoh yang telah dilabel sebelum ini untuk meramalkan output pada masa hadapan.

Algoritma pembelajaran juga boleh membandingkan output yang diramalkan dengan keluaran yang sebenarnya serta mencari ralat dalam mengubah model sewajarnya.

Dalam pembelajaran terkawal, sistem AI diwakili oleh data yang telah dilabel untuk menjadikan fungsi pemetaan lebih tepat.

Oleh itu, sekiranya terdapat data input (X) yang baru, anda boleh meramalkan pembolehubah output (Y) untuk data tersebut.

Sebagai contoh, keupayaan mesin dalam Gmail dalam mengelaskan atau mengasingkan jenis-jenis mail yang diterima sama ada spam atau tidak berdasarkan pemerhatian mesin terhadap tingkah laku anda sebelum ini.

Pembelajaran terkawal boleh dibahagikan pula kepada dua jenis, iaitu:

  1. Klasifikasi – Sistem di mana kita mencari ramalan ‘ya' atau ‘tidak'. Sistem ini mempunyai pembolehubah yang terdiri daripada kategori seperti ‘merah' atau ‘biru' dan ‘penyakit' atau ‘bukan penyakit'.
  2. Regression – Sistem di mana nilai yang diramal jatuh pada spektrum yang berterusan. Sistem-sistem ini membantu dalam menjawab soalan seperti ‘berapa banyak?'. Sebagai contoh ‘dollar' atau ‘berat'.

2. Pembelajaran Tidak Dikawal

Pembelajaran tidak terkawal mengandungi data yang tidak dilabel atau dikategorikan. Algoritma sistem memberi tindak balas terhadap data tanpa latihan atau bimbingan di mana output bergantung kepada algoritma berkod.

Dalam pembelajaran tidak dikawal, mesin mengklasifikasikan informasi yang tidak teratur berdasarkan persamaan dan perbezaan tanpa penyediaan kategori sebagai rujukan mesin. Anda boleh menganggap pembelajaran tidak dikawal sebagai pembelajaran tanpa guru.

Sebagai contoh, mesin perlu memikirkan sendiri bagaimana untuk membezakan kucing dan anjing. Hasilnya, ia mungkin akan memberikan anda kategori yang tidak dijangka atau tidak diingini.

Terdapat dua jenis pembelajaran tidak dikawal, iaitu:

  1. Clustering – Kes di mana anda ingin mengetahui kumpulan yang sedia ada dalam data seperti mengelompokkan pelanggan dengan tingkah laku semasa membeli.
  2. Peraturan Perhubungan – di mana anda ingin mengetahui peraturan yang menggambarkan sebahagian besar data anda, seperti orang yang membeli X cenderung untuk membeli Y.

Jelas dapat dilihat di sini, pembelajaran dikawal mempunyai input & output. Oleh itu, bergantung kepada perbezaan antara output yang diingini dan output yang diperhatikan, sistem ditetapkan untuk belajar dan menambahbaik.

Berlainan pula dengan pembelajaran tidak dikawal yang hanya mempunyai input, tetapi tidak mempunyai output.

3. Pembelajaran Pengukuhan ( Reinforcement Learning)

Agen yang belajar melalui interaksi dengan persekitaran atau dikenali sebagai pembelajaran secara ‘try and error'.

Agen menerima ganjaran sekiranya melakukan dengan betul dan dikenakan penalti sekiranya melakukan kesalahan.

Tanpa campur tangan daripada manusia, agen tersebut belajar dengan memaksimakan ganjaran dan meminimakan penalti.

Ia merupakan sebuah pengaturcaraan dinamik yang melatih algoritma menggunakan sistem ganjaran dan hukuman sebagaimana contoh yang ditunjukkan dalam gambar rajah di bawah.

Bagaimana Pembelajaran Mesin Berfungsi?

  • Pengumpulan Data – Mengumpulkan data masa lalu dalam sebarang bentuk yang sesuai untuk pemprosesan.
  • Pemprosesan Data – Kadang kala data yang dikumpulkan adalah dalam bentuk mentah dan perlu di proses terlebih dahulu.
  • Membahagikan input data kepada set-set seperti latihan, cross-validation dan ujian. Nisbah antara mestilah 6:2:2 masing-masing.
  • Membina model menggunakan algoritma dan teknik yang sesuai terhadap set latihan.

Bagaimana pula dengan penggunaan pembelajaran mesin dalam dunia sebenar? Admin akan kongsikan dalam penulisan seterusnya.

Share this article

shares