Nama : Hilfy cipta pratama

Npm : 5220411052
Mata kuliah : machine learning

Dosen : Dr. Enny Itje Sela, [Link].,[Link]

[Link] pengertian machine learning?

Machine learning adalah bidang ilmu yang berkembang pesat dan memiliki berbagai
penggunaan di berbagai sektor. Salah satu penggunaan utama machine learning adalah dalam
bidang hiburan. Berikut beberapa cara di mana machine learning digunakan untuk penghiburan:

1. Sistem Rekomendasi:
 Machine learning digunakan untuk mengembangkan sistem rekomendasi yang
dapat menganalisis preferensi pengguna berdasarkan sejarah interaksi mereka dan
memberikan rekomendasi yang lebih personal dan relevan. Contohnya adalah
rekomendasi film atau musik di platform seperti Netflix, Spotify, atau YouTube.
2. Pengenalan Suara dan Pencitraan:
 Teknologi machine learning dapat digunakan untuk pengenalan suara dan citra,
yang dapat diterapkan dalam pengembangan sistem pengenalan wajah,
pengenalan karakteristik vokal untuk aplikasi karaoke, atau menciptakan karakter
animasi yang merespons suara pengguna.
3. Generative Models:
 Model generatif, seperti GANs (Generative Adversarial Networks), dapat
digunakan untuk menciptakan konten baru seperti gambar, musik, atau teks. Ini
dapat diterapkan dalam pembuatan efek khusus dalam film, menciptakan musik
baru, atau menghasilkan konten kreatif lainnya.
4. Pengolahan Bahasa Alami (Natural Language Processing - NLP):
 NLP memungkinkan mesin untuk memahami dan merespons teks manusia.
Aplikasi machine learning dalam NLP dapat mencakup pengembangan chatbot
yang dapat memberikan pengalaman interaktif kepada pengguna, terjemahan
otomatis, atau analisis sentimen untuk mengevaluasi tanggapan audiens terhadap
suatu konten.
5. Permainan Video dan Simulasi:
 Machine learning digunakan dalam pengembangan permainan video untuk
membuat karakter non-player (NPC) lebih cerdas, mengoptimalkan tingkat
kesulitan berdasarkan kemampuan pemain, atau menciptakan pengalaman
bermain yang lebih adaptif.
6. Analisis Big Data dalam Industri Hiburan:
  Dalam industri hiburan, machine learning digunakan untuk menganalisis data
besar (big data) untuk mendapatkan wawasan tentang perilaku pengguna, tren
pasar, dan preferensi audiens. Hal ini dapat membantu dalam pengambilan
keputusan strategis terkait produksi konten atau pemasaran.

[Link] perbedaan data tersuktur dengan data yang tidak [Link] contohnya
Data tersruktur dan tidak terstruktur merujuk pada dua jenis utama data yang berbeda dalam
hal format dan cara mereka disimpan. Berikut adalah perbedaan utama antara keduanya beserta
contoh:

1. Data Tersruktur:
 Definisi: Data tersruktur memiliki format yang terorganisir dengan baik. Setiap
entitas (misalnya, baris dalam tabel) memiliki kolom yang jelas dan jenis data
yang didefinisikan sebelumnya.
 Contoh: Database relasional adalah contoh data tersruktur. Tabel dalam database
memiliki skema yang telah ditentukan sebelumnya, dengan setiap baris mewakili
entitas tertentu dan setiap kolom mewakili atribut atau field. Sebagai contoh, tabel
pelanggan dalam database toko online dapat memiliki kolom seperti ID Pelanggan,
Nama Pelanggan, dan Alamat.
2. Data Tidak Tersruktur:
 Definisi: Data tidak tersruktur tidak memiliki format yang terorganisir dengan
baik. Informasi dalam data tidak tersruktur seringkali tidak diatur dalam tabel atau
kolom, dan tidak memiliki skema yang didefinisikan sebelumnya.
 Contoh: Teks bebas, audio, video, dan gambar adalah contoh data tidak
tersruktur. Sebagai contoh, unggahan media sosial yang berisi teks bebas, gambar,
dan mungkin audio adalah contoh data tidak tersruktur. Data ini tidak memiliki
struktur tabel yang jelas dan biasanya memerlukan metode analisis khusus, seperti
pemrosesan bahasa alami untuk teks atau pengenalan pola untuk gambar.

Perbedaan ini mencerminkan bagaimana data disimpan, diakses, dan dikelola. Data tersruktur
umumnya lebih mudah dikelola dengan menggunakan basis data relasional atau alat analisis data
terstruktur, sementara data tidak tersruktur sering memerlukan teknik analisis khusus untuk
mendapatkan wawasan dari informasi yang terkandung di dalamnya. Dalam banyak kasus,
organisasi memiliki tantangan dalam mengelola dan mengekstrak nilai dari data tidak tersruktur
karena kompleksitas dan keragaman formatnya.

[Link] perbedaan pembelajaran supervise dan tanpa supervise,Beserta algoritma

masing-masing
Pembelajaran terawasi (supervised learning) dan tanpa pengawasan (unsupervised learning)
adalah dua paradigma utama dalam machine learning yang memiliki perbedaan utama dalam
jenis data yang digunakan dan tujuan dari pembelajaran tersebut. Berikut adalah perbedaan
beserta contoh algoritma untuk masing-masing paradigma:
 1. Pembelajaran Terawasi (Supervised Learning):
 Definisi: Dalam pembelajaran terawasi, algoritma diberikan dataset yang berisi
pasangan input dan output yang sesuai. Tujuan utama adalah untuk belajar suatu
fungsi yang dapat memetakan input ke output.
 Contoh Algoritma:
 Regresi Linier: Digunakan untuk memodelkan hubungan linier antara
variabel input dan output.
 Mesin Vektor Dukungan (Support Vector Machines - SVM):
Digunakan untuk tugas klasifikasi dan regresi dengan mencari pemisah
optimal antara kategori.
2. Pembelajaran Tanpa Pengawasan (Unsupervised Learning):
 Definisi: Dalam pembelajaran tanpa pengawasan, algoritma diberikan dataset
yang tidak berlabel, dan tujuannya adalah menemukan pola atau struktur
tersembunyi di dalam data.
 Contoh Algoritma:
 K-Means Clustering: Digunakan untuk mengelompokkan data menjadi
beberapa cluster berdasarkan kemiripan.
 Analisis Komponen Utama (Principal Component Analysis - PCA):
Digunakan untuk mengurangi dimensi data dengan mempertahankan
sebanyak mungkin variasi.

Perbedaan utama antara keduanya dapat diringkas sebagai berikut:

 Pembelajaran Terawasi:
 Algoritma menggunakan dataset yang berlabel.
 Tujuan utama adalah memetakan input ke output atau membuat prediksi.
 Contoh tugas termasuk klasifikasi dan regresi.
 Pembelajaran Tanpa Pengawasan:
 Algoritma menggunakan dataset yang tidak berlabel.
 Tujuan utama adalah menemukan pola atau struktur tersembunyi di dalam data.
 Contoh tugas termasuk pengelompokan (clustering) dan reduksi dimensi.

[Link] dataset publik yang bisa diolah secara supervise.

dataset public yang bisa di olah secara supervised learning adalah “data harga rumah”
dikarenakan dalam penerapan nya menggunakan model Regression untuk memprediksi
harga rumah berdasarkan bebergai features atau variable bebas.

[Link]

5. carilah dataset publik yang bisa diolah secara tanpa supervise

Dataset public yang bisa di olah mengunakan unsupervised learning adalah data E-
Commerce Dataset dikarenakan dalam penerapan nya menggunakan model clustering,
pada clustering kita dapat membuka pola yang tersembunyi dalam dataset tersebut
sehingga kita dapat melihat mana saja customer yang masuk ke dalam golongan yang
sama, selain itu juga kita dapat menerapkan model association untuk mencari fakta
tentang mana barang yang sering di beli secara bersamaan.

[Link]