MACHINE LEARNING
GAMBARAN MACHINE LEARNING
MEMAHAMI CARA KERJA MACHINE LEARNING
JENIS-JENIS MACHINE LEARNING [Link]
JENIS-JENIS MACHINE LEARNING
Setiap jenis memiliki karakteristik dan cara kerja berbeda yang dapat
diringkas sebagai berikut,
Supervised ML: output diberikan label dan input sudah dipetakan sesuai
dengan output yang sesuai
Unsupervised ML: output tidak berlabel dan data berkelompok sesuai
dengan pola / kemiripan data.
Semi-supervised ML: output ada yang berlabel dan ada yang tidak berlabel.
Reinforcement ML: mirip dengan Supervised ML, namun output yang
diberikan terdiri dari dua jenis yaitu hadiah atau hukuman
CARA KERJA MACHINE LEARNING
Sumber: [Link]
EVALUASI MODEL MACHINE LEARNING
Apakah dataset yang digunakan sudah bersih dari missing value, duplikat data dan nilai
outlier?
Apakah dataset memiliki fitur bertipe data sesuai?
Apakah dataset memiliki keragaman yang cukup untuk dijadikan sebagai data training?
Apakah dataset memiliki fitur yang relevan?
Apakah jumlah dataset seimbang? Jika tidak, algoritma apa yang akan digunakan untuk
mengatasinya?
Apakah eksplorasi dataset sudah cukup? Bagaimana dengan analisis fiturnya dengan
univariate, bivariate dan multivariate?
Apakah Teknik seleksi fiturnya sudah sesuai?
Apakah algoritma yang digunakan sudah sesuai? Contohnya jika algoritma yang
digunakan adalah regresi, apakah dataset masih memiliki tipe data kategorik?
MACHINE LEARNING
REINFORCEMENT LEARNING
REINFORCEMENT LEARNING
Cara kerja reinforcement learning
(RL) lebih unik, karena tidak
membutuhkan dataset berlabel di
awal pembelajarannya.
Cara kerja RL adalah dengan
memungkinkan suatu agen belajar
secara mandiri di linkungan yang
sudah ditentukan dengan mencoba
segala kemungkinan yang ada. [Link]
[Link]
REINFORCEMENT LEARNING VS UNSUPERVISED LEARNING
Reinforcement Un-Supervised
Mencari perilaku yang tepat agar tidak Mencari kemiripan dan perbedaan dari
terkena hukuman. setiap data
Memaksimalkan total reward yang Membentuk klister yang diinginkan
didapatkan agen
ISTILAH-ISTILAH YANG BIASA DIGUNAKAN PADA RL :
Agent Pelaku
Environment Lingkungan fisik tempat agen beroperasi
State Situasi agen saat ini
Reward Timbal balik dari lingkungan
Policy Metode untuk memetakan keadaan agen ke tindakan
Hadiah masa depan yang akan diterima agen dengan
Value
mengambil Tindakan dalam keadaan tertentu
CARA KERJA METODE RL
Pacman merupakan agen yang
ditugaskan untuk makan makanan yang
tersedia di lingkungan grid sambil
menghindar dari hantu yang akan
menangkapnya.
Dunia Grid merupakan lingkungan
interaktif untuk agen.
Pacman akan mendapatkan reward saat
memakan makanan dan akan diberi
hukuman saat tertangkap oleh hantu.
State adalah posisi Pacman di dunia Grid.
Value adalah total hadiah kumulatif yang
didapatkan oleh Pacman yaitu
memenangkan pertandingan
THANK YOU
[Link]@[Link].I
D