Perbedaan Antara Pembelajaran Mesin Yang Diawasi Dan Tidak Diawasi

2024 Pengarang: Mildred Bawerman | [email protected]. Terakhir diubah: 2023-12-16 08:39

Perbedaan Utama - Pembelajaran Mesin yang Diawasi vs Tanpa Pengawasan

Pembelajaran yang diawasi dan pembelajaran tanpa pengawasan adalah dua konsep inti dari pembelajaran mesin. Supervised Learning adalah tugas Machine Learning untuk mempelajari fungsi yang memetakan input ke output berdasarkan contoh pasangan input-output. Pembelajaran Tanpa Pengawasan adalah tugas Pembelajaran Mesin untuk menyimpulkan fungsi untuk menggambarkan struktur tersembunyi dari data yang tidak berlabel. Perbedaan utama antara pembelajaran mesin yang diawasi dan tanpa pengawasan adalah bahwa pembelajaran yang diawasi menggunakan data berlabel, sedangkan pembelajaran tanpa pengawasan menggunakan data yang tidak berlabel.

Pembelajaran Mesin adalah bidang dalam Ilmu Komputer yang memberikan kemampuan bagi sistem komputer untuk belajar dari data tanpa diprogram secara eksplisit. Ini memungkinkan untuk menganalisis data dan memprediksi pola di dalamnya. Ada banyak aplikasi pembelajaran mesin. Beberapa di antaranya adalah pengenalan wajah, pengenalan gerakan dan pengenalan suara. Ada berbagai algoritme yang terkait dengan pembelajaran mesin. Beberapa diantaranya adalah regresi, klasifikasi dan clustering. Bahasa pemrograman yang paling umum untuk mengembangkan aplikasi berbasis pembelajaran mesin adalah R dan Python. Bahasa lain seperti Java, C ++ dan Matlab juga dapat digunakan.

ISI

1. Gambaran Umum dan Perbedaan Utama

2. Apa itu Supervised Learning

3. Apa itu Pembelajaran

Tanpa Supervisi 4. Persamaan Antara Machine Learning yang Dibimbing dan Tanpa Supervisi

5. Perbandingan Berdampingan - Machine Learning yang Dibimbing vs Tanpa Supervisi dalam Bentuk Tabular

6. Ringkasan

Apa itu Supervised Learning?

Dalam sistem berbasis pembelajaran mesin, model bekerja sesuai dengan algoritma. Dalam pembelajaran terbimbing, model diawasi. Pertama, perlu melatih model. Dengan pengetahuan yang didapat, dapat memprediksi jawaban untuk contoh masa depan. Model dilatih menggunakan kumpulan data berlabel. Ketika data sampel keluar diberikan ke sistem, itu dapat memprediksi hasilnya. Berikut ini adalah cuplikan kecil dari dataset IRIS yang populer.

Berdasarkan tabel di atas, panjang sepal, lebar sepal, panjang patel, lebar patel dan spesies disebut sebagai atribut. Kolom dikenal sebagai fitur. Satu baris memiliki data untuk semua atribut. Oleh karena itu, satu baris disebut observasi. Data dapat berupa numerik atau kategorikal. Model diberi observasi dengan nama spesies yang sesuai sebagai input. Saat pengamatan baru diberikan, model harus memprediksi jenis spesies yang dimilikinya.

Dalam supervised learning, terdapat algoritma untuk klasifikasi dan regresi. Klasifikasi adalah proses pengklasifikasian data berlabel. Model tersebut menciptakan batasan yang memisahkan kategori data. Saat data baru diberikan ke model, model dapat dikategorikan berdasarkan lokasi titik tersebut. K-Nearest Neighbours (KNN) adalah model klasifikasi. Bergantung pada nilai k, kategori ditentukan. Misalnya, jika k bernilai 5, jika titik data tertentu mendekati delapan titik data dalam kategori A dan enam titik data dalam kategori B, maka titik data tersebut akan diklasifikasikan sebagai A.

Regresi adalah proses memprediksi tren data sebelumnya untuk memprediksi hasil dari data baru. Dalam regresi, keluaran dapat terdiri dari satu atau lebih variabel kontinu. Prediksi dilakukan dengan menggunakan garis yang mencakup sebagian besar titik data. Model regresi yang paling sederhana adalah regresi linier. Ini cepat dan tidak memerlukan parameter tuning seperti di KNN. Jika data menunjukkan tren parabola, maka model regresi linier tidak sesuai.

Itulah beberapa contoh algoritma pembelajaran yang diawasi. Secara umum, hasil yang dihasilkan dari metode supervised learning lebih akurat dan andal karena data masukan sudah dikenal dan berlabel. Oleh karena itu, mesin hanya perlu menganalisis pola yang tersembunyi.

Apa itu Pembelajaran Tanpa Pengawasan?

Dalam pembelajaran tanpa pengawasan, model tidak diawasi. Model tersebut bekerja sendiri untuk memprediksi hasil. Ini menggunakan algoritme pembelajaran mesin untuk mengambil kesimpulan pada data yang tidak berlabel. Secara umum, algoritma pembelajaran tanpa pengawasan lebih sulit daripada algoritma pembelajaran yang diawasi karena hanya ada sedikit informasi. Pengelompokan adalah jenis pembelajaran tanpa pengawasan. Ini dapat digunakan untuk mengelompokkan data yang tidak diketahui menggunakan algoritma. K-mean dan pengelompokan berbasis kepadatan adalah dua algoritma pengelompokan.

algoritma k-mean, menempatkan k centroid secara acak untuk setiap cluster. Kemudian setiap titik data ditetapkan ke pusat massa terdekat. Jarak euclidean digunakan untuk menghitung jarak dari titik data ke centroid. Titik data diklasifikasikan ke dalam kelompok. Posisi untuk sentroid k dihitung lagi. Posisi sentroid baru ditentukan oleh mean dari semua poin dalam grup. Sekali lagi setiap titik data ditetapkan ke pusat massa terdekat. Proses ini berulang sampai sentroid tidak lagi berubah. k-mean adalah algoritma pengelompokan cepat, tetapi tidak ada inisialisasi titik pengelompokan yang ditentukan. Selain itu, ada variasi model clustering yang tinggi berdasarkan inisialisasi titik cluster.

Algoritma pengelompokan lainnya adalah pengelompokan berbasis kepadatan. Ia juga dikenal sebagai Aplikasi Pengelompokan Spasial Berbasis Densitas dengan derau. Ia bekerja dengan mendefinisikan sebuah cluster sebagai himpunan titik terhubung kepadatan maksimum. Mereka adalah dua parameter yang digunakan untuk pengelompokan berbasis kepadatan. Mereka adalah Ɛ (epsilon) dan poin minimum. Ɛ adalah radius maksimum lingkungan tersebut. Titik minimum adalah jumlah minimum titik di lingkungan Ɛ untuk menentukan kluster. Itulah beberapa contoh clustering yang termasuk dalam unsupervised learning.

Secara umum, hasil yang dihasilkan dari algoritma pembelajaran tanpa pengawasan tidak terlalu akurat dan dapat diandalkan karena mesin harus mendefinisikan dan memberi label data masukan sebelum menentukan pola dan fungsi tersembunyi.

Apa Persamaan Antara Pembelajaran Mesin yang Diawasi dan Tidak Diawasi?

Pembelajaran yang Diawasi dan Tidak Diawasi adalah jenis Pembelajaran Mesin

Apa Perbedaan Antara Pembelajaran Mesin yang Diawasi dan Tidak Diawasi?

Artikel Diff Tengah sebelum Tabel

Pembelajaran Mesin yang Diawasi vs Tidak Diawasi
Supervised Learning adalah tugas Machine Learning untuk mempelajari fungsi yang memetakan input ke output berdasarkan contoh pasangan input-output.	Pembelajaran Tanpa Pengawasan adalah tugas Pembelajaran Mesin untuk menyimpulkan fungsi untuk mendeskripsikan struktur tersembunyi dari data yang tidak berlabel.
Fungsi Utama
Dalam pembelajaran terbimbing, model memprediksi hasil berdasarkan data masukan berlabel.	Dalam pembelajaran tanpa pengawasan, model memprediksi hasil tanpa data berlabel dengan mengidentifikasi polanya sendiri.
Akurasi Hasil
Hasil yang dihasilkan dari metode pembelajaran terbimbing lebih akurat dan dapat diandalkan.	Hasil yang dihasilkan dari metode pembelajaran tanpa pengawasan kurang akurat dan dapat diandalkan.
Algoritma Utama
Ada algoritma untuk regresi dan klasifikasi dalam pembelajaran yang diawasi.	Ada algoritma untuk pengelompokan dalam pembelajaran tanpa pengawasan.

Ringkasan - Pembelajaran Mesin yang Diawasi vs Tanpa Pengawasan

Pembelajaran yang Diawasi dan Pembelajaran Tanpa Pengawasan adalah dua jenis Pembelajaran Mesin. Supervised Learning adalah tugas Machine Learning untuk mempelajari fungsi yang memetakan input ke output berdasarkan contoh pasangan input-output. Pembelajaran Tanpa Pengawasan adalah tugas Pembelajaran Mesin untuk menyimpulkan fungsi untuk mendeskripsikan struktur tersembunyi dari data yang tidak berlabel. Perbedaan antara machine learning yang diawasi dan tanpa pengawasan adalah bahwa pemelajaran yang diawasi menggunakan data berlabel, sedangkan pemelajaran tanpa pengawasan menggunakan data tak berlabel.