Berikut adalah gambaran umum tentang berbagai algoritma pembelajaran mesin, yang mencakup Classical Machine Learning dan Deep Learning :
-
Classical Machine Learning: Classical Machine Learning mengacu pada pendekatan tradisional yang mengandalkan model statistik dan matematika untuk membuat prediksi atau menemukan pola dalam data. Ini mencakup teknik Supervised Learning dan tidak terawasi.
-
Supervised Learning: Supervised Learning melibatkan melatih model menggunakan data berlabel, di mana fitur input dan label target yang sesuai disediakan. Model belajar dari data berlabel ini untuk memprediksi atau mengklasifikasikan contoh baru yang belum terlihat sebelumnya. Contoh-contohnya termasuk regresi linier, regresi logistik, pohon keputusan, hutan acak, mesin vektor pendukung (SVM), dan Naive Bayes.
-
Unsupervised Learning: Unsupervised Learning melibatkan melatih model pada data tanpa label target yang eksplisit. Tujuannya adalah untuk menemukan pola tersembunyi, hubungan, atau struktur dalam data. Contoh-contohnya termasuk algoritma pengelompokan seperti K-means, pengelompokan hierarkis, pengelompokan berbasis kepadatan, dan teknik reduksi dimensionalitas seperti Analisis Komponen Utama (PCA) dan t-SNE. Boosting dan Bagging dalam Classical Machine Learning melibatkan pelatihan berurutan dari model-model lemah atau pelatihan model-model independen pada subset-bootstrap. Mereka meningkatkan kinerja dan kekokohan.
-
Deep Learning: Deep Learning adalah sub-bidang pembelajaran mesin yang fokus pada jaringan saraf dengan beberapa lapisan, memungkinkan model untuk belajar pola dan representasi yang kompleks secara otomatis. Model Deep Learning terdiri dari lapisan-lapisan yang saling terhubung dari neuron buatan yang disebut jaringan saraf buatan. Deep Learning telah sangat berhasil dalam visi komputer, pemrosesan bahasa alami, dan pengenalan ucapan. Arsitektur Deep Learning yang populer termasuk jaringan saraf konvolusional (CNN) untuk analisis gambar, jaringan saraf rekuren (RNN) untuk data urutan, dan model transformer untuk pemahaman bahasa.
-
Reinforcement Learning: Reinforcement Learning melibatkan melatih agen untuk membuat keputusan atau tindakan dalam suatu lingkungan untuk memaksimalkan sinyal imbalan kumulatif. Agen belajar melalui metode coba dan kesalahan, menerima umpan balik melalui imbalan atau hukuman. Reinforcement Learning sering digunakan ketika seorang agen berinteraksi dengan lingkungan yang dinamis, seperti robotika, permainan, dan sistem otonom.
Penting untuk dicatat bahwa kategori-kategori ini tidak saling eksklusif, dan dapat ada tumpang tindih dan kombinasi di antara mereka.
Referensi :
- Rocky Bhatia Architect@Adobe