Pembelajaran Mesin - Kategori

Pembelajaran Mesin secara luas dikategorikan dalam tajuk berikut -

Pembelajaran mesin berkembang dari kiri ke kanan seperti yang ditunjukkan pada diagram di atas.

Awalnya, peneliti memulai dengan Supervised Learning. Ini adalah kasus prediksi harga rumah yang dibahas sebelumnya.
Ini diikuti dengan pembelajaran tanpa pengawasan, dimana mesin dibuat untuk belajar sendiri tanpa pengawasan apapun.
Para ilmuwan menemukan lebih lanjut bahwa mungkin ide yang baik untuk memberi penghargaan pada mesin saat mesin melakukan pekerjaan dengan cara yang diharapkan dan tibalah saatnya Reinforcement Learning.
Dalam waktu singkat, data yang tersedia saat ini menjadi begitu banyak sehingga teknik konvensional yang dikembangkan sejauh ini gagal menganalisis data besar dan memberikan prediksi kepada kami.
Maka, muncullah pembelajaran mendalam di mana otak manusia disimulasikan dalam Jaringan Saraf Tiruan (JST) yang dibuat di komputer biner kita.
Mesin tersebut sekarang belajar sendiri menggunakan daya komputasi tinggi dan sumber daya memori besar yang tersedia saat ini.
Sekarang diamati bahwa Pembelajaran Mendalam telah memecahkan banyak masalah yang sebelumnya tidak terpecahkan.
Teknik ini sekarang lebih maju dengan memberikan insentif kepada jaringan Deep Learning sebagai penghargaan dan akhirnya datang Deep Reinforcement Learning.

Mari kita sekarang mempelajari masing-masing kategori ini secara lebih rinci.

Pembelajaran yang Diawasi

Pembelajaran yang diawasi dapat dianalogikan dengan melatih anak untuk berjalan. Anda akan memegang tangan anak, menunjukkan padanya bagaimana caranya untuk melangkah ke depan, berjalan sendiri untuk peragaan dan seterusnya, sampai anak tersebut belajar berjalan sendiri.

Regresi

Demikian pula, dalam kasus supervised learning, Anda memberikan contoh konkret yang diketahui ke komputer. Anda mengatakan bahwa untuk nilai fitur yang diberikan x1 outputnya adalah y1, untuk x2 adalah y2, untuk x3 adalah y3, dan seterusnya. Berdasarkan data ini, Anda membiarkan komputer mencari hubungan empiris antara x dan y.

Setelah mesin dilatih dengan cara ini dengan jumlah titik data yang memadai, sekarang Anda akan meminta mesin untuk memprediksi Y untuk X tertentu. Dengan asumsi bahwa Anda mengetahui nilai sebenarnya dari Y untuk X yang diberikan ini, Anda akan dapat menyimpulkan apakah prediksi mesin benar.

Jadi, Anda akan menguji apakah mesin telah belajar dengan menggunakan data pengujian yang diketahui. Setelah Anda yakin bahwa mesin dapat melakukan prediksi dengan tingkat akurasi yang diinginkan (misalnya 80 hingga 90%), Anda dapat berhenti melatih mesin lebih lanjut.

Sekarang, Anda dapat dengan aman menggunakan mesin untuk melakukan prediksi pada titik data yang tidak diketahui, atau meminta mesin untuk memprediksi Y untuk X tertentu yang Anda tidak tahu nilai sebenarnya dari Y. Pelatihan ini berada di bawah regresi yang kita bicarakan. sebelumnya.

Klasifikasi

Anda juga dapat menggunakan teknik pembelajaran mesin untuk masalah klasifikasi. Dalam masalah klasifikasi, Anda mengklasifikasikan objek yang serupa ke dalam satu grup. Misalnya, dalam satu kelompok yang terdiri dari 100 siswa berkata, Anda mungkin ingin mengelompokkan mereka menjadi tiga kelompok berdasarkan tinggi badan mereka - pendek, sedang dan panjang. Mengukur tinggi badan setiap siswa, Anda akan menempatkan mereka dalam kelompok yang tepat.

Sekarang, ketika seorang siswa baru masuk, Anda akan memasukkannya ke dalam kelompok yang sesuai dengan mengukur tingginya. Dengan mengikuti prinsip dalam pelatihan regresi, Anda akan melatih mesin untuk mengklasifikasikan siswa berdasarkan fiturnya - tingginya. Saat mesin mempelajari bagaimana grup dibentuk, itu akan dapat mengklasifikasikan siswa baru yang tidak dikenal dengan benar. Sekali lagi, Anda akan menggunakan data pengujian untuk memverifikasi bahwa mesin telah mempelajari teknik klasifikasi Anda sebelum menempatkan model yang dikembangkan dalam produksi.

Pembelajaran yang Diawasi adalah tempat AI benar-benar memulai perjalanannya. Teknik ini berhasil diterapkan dalam beberapa kasus. Anda telah menggunakan model ini saat melakukan pengenalan tulisan tangan di mesin Anda. Beberapa algoritma telah dikembangkan untuk pembelajaran yang diawasi. Anda akan mempelajarinya di bab-bab berikut.

Pembelajaran Tanpa Pengawasan

Dalam pembelajaran tanpa pengawasan, kami tidak menentukan variabel target ke mesin, melainkan kami bertanya mesin "Apa yang dapat Anda ceritakan tentang X?". Lebih khusus lagi, kita mungkin mengajukan pertanyaan seperti mengingat kumpulan data X yang sangat besar, "Sebutkan lima kelompok terbaik yang dapat kita buat dari X?" atau "Fitur apa yang paling sering muncul bersama di X?". Untuk sampai pada jawaban atas pertanyaan semacam itu, Anda dapat memahami bahwa jumlah poin data yang dibutuhkan mesin untuk menyimpulkan strategi akan sangat besar. Dalam kasus pembelajaran yang diawasi, mesin dapat dilatih bahkan dengan beberapa ribu titik data. Namun, dalam kasus pembelajaran tanpa pengawasan, jumlah poin data yang diterima secara wajar untuk pembelajaran dimulai dari beberapa juta. Dewasa ini, data umumnya tersedia berlimpah. Data idealnya membutuhkan kurasi. Namun, jumlah data yang terus mengalir di jaringan area sosial, dalam banyak kasus kurasi data adalah tugas yang mustahil.

Gambar berikut menunjukkan batas antara titik kuning dan merah seperti yang ditentukan oleh pembelajaran mesin tanpa pengawasan. Anda dapat melihat dengan jelas bahwa mesin akan dapat menentukan kelas dari setiap titik hitam dengan akurasi yang cukup baik.

Sumber:

https://chrisjmccormick.files.wordpress.com/2013/08/approx_decision_boun dary.png

Pembelajaran tanpa pengawasan telah menunjukkan kesuksesan besar dalam banyak aplikasi AI modern, seperti deteksi wajah, deteksi objek, dan sebagainya.

Pembelajaran Penguatan

Pertimbangkan untuk melatih anjing peliharaan, kami melatih hewan peliharaan kami untuk membawa bola kepada kami. Kami melempar bola pada jarak tertentu dan meminta anjing untuk mengambilnya kembali kepada kami. Setiap kali anjing melakukan ini dengan benar, kami memberi hadiah kepada anjing tersebut. Perlahan-lahan, anjing belajar bahwa melakukan pekerjaan dengan benar akan memberinya hadiah dan kemudian anjing mulai melakukan pekerjaan dengan cara yang benar setiap saat. Tepatnya, konsep ini diterapkan dalam pembelajaran jenis “Reinforcement”. Teknik ini awalnya dikembangkan untuk mesin untuk bermain game. Mesin diberi algoritme untuk menganalisis semua kemungkinan gerakan di setiap tahap permainan. Mesin dapat memilih salah satu gerakan secara acak. Jika langkahnya benar, mesin diberi hadiah, jika tidak maka dapat dihukum. Perlahan, mesin akan mulai membedakan antara gerakan benar dan salah dan setelah beberapa iterasi akan belajar memecahkan teka-teki permainan dengan akurasi yang lebih baik. Akurasi memenangkan permainan akan meningkat karena mesin memainkan lebih banyak permainan.

Seluruh proses dapat digambarkan dalam diagram berikut -

Teknik pembelajaran mesin ini berbeda dari pembelajaran yang diawasi karena Anda tidak perlu menyediakan pasangan input / output berlabel. Fokusnya adalah menemukan keseimbangan antara mengeksplorasi solusi baru versus mengeksploitasi solusi yang dipelajari.

Pembelajaran Mendalam

Pembelajaran mendalam adalah model yang didasarkan pada Jaringan Saraf Tiruan (JST), lebih khusus Jaringan Saraf Konvolusional (CNN). Ada beberapa arsitektur yang digunakan dalam pembelajaran mendalam seperti jaringan saraf dalam, jaringan keyakinan dalam, jaringan saraf berulang, dan jaringan saraf konvolusional.

Jaringan ini telah berhasil diterapkan dalam memecahkan masalah visi komputer, pengenalan suara, pemrosesan bahasa alami, bioinformatika, desain obat, analisis citra medis, dan permainan. Ada beberapa bidang lain di mana pembelajaran mendalam diterapkan secara proaktif. Pembelajaran mendalam membutuhkan kekuatan pemrosesan yang besar dan data yang sangat besar, yang umumnya tersedia dengan mudah saat ini.

Kami akan berbicara tentang pembelajaran mendalam lebih detail di bab-bab selanjutnya.

Pembelajaran Penguatan Mendalam

The Deep Reinforcement Learning (DRL) menggabungkan teknik pembelajaran mendalam dan penguatan. Algoritme pembelajaran penguatan seperti Q-learning sekarang digabungkan dengan pembelajaran yang mendalam untuk membuat model DRL yang hebat. Teknik ini sukses besar di bidang robotika, video game, keuangan dan perawatan kesehatan. Banyak masalah yang sebelumnya tidak dapat dipecahkan sekarang diselesaikan dengan membuat model DRL. Ada banyak penelitian yang dilakukan di bidang ini dan ini sangat aktif dilakukan oleh industri.

Sejauh ini, Anda telah mendapatkan pengantar singkat tentang berbagai model pembelajaran mesin, sekarang mari kita jelajahi sedikit lebih dalam berbagai algoritme yang tersedia pada model-model ini.