Perbedaan Antara Pembelajaran yang Diawasi dan Tanpa Pengawasan

Dalam machine learning (ML), Anda mengajari komputer untuk membuat prediksi atau inferensi. Pertama, Anda menggunakan algoritma dan contoh data untuk melatih model. Kemudian, Anda mengintegrasikan model Anda ke dalam aplikasi untuk menghasilkan inferensi secara waktu nyata dan dalam skala besar. Pembelajaran yang diawasi dan tanpa pengawasan adalah dua kategori algoritma yang berbeda.

Pembelajaran yang diawasi

Dalam pembelajaran yang diawasi, Anda melatih model dengan satu set data input dan satu set data output berlabel berpasangan yang sesuai. Pelabelan biasanya dilakukan secara manual. Berikutnya adalah beberapa jenis teknik machine learning yang diawasi.

Regresi logistik

Regresi logistik memprediksi output kategoris berdasarkan satu atau lebih input. Klasifikasi binari adalah ketika output masuk ke dalam salah satu dari dua kategori, seperti “ya” atau “tidak” dan “lulus” atau “gagal”. Klasifikasi multikelas adalah ketika output cocok dengan lebih dari dua kategori, seperti kucing, anjing, atau kelinci.  Contoh regresi logistik adalah memprediksi apakah seorang siswa akan lulus atau gagal di suatu kursus berdasarkan jumlah login siswa itu ke perangkat kursus.

Baca tentang regresi logistik »

Regresi linier

Regresi linier mengacu pada model pembelajaran yang diawasi yang, berdasarkan satu atau lebih input, memprediksi suatu nilai dari skala berkelanjutan. Contoh regresi linier adalah memprediksi harga rumah. Anda dapat memprediksi harga rumah berdasarkan lokasi, usia, dan jumlah kamarnya, setelah Anda melatih model pada serangkaian data latihan penjualan historis dengan variabel-variabel tersebut.

Baca tentang regresi linier »

Pohon keputusan

Teknik machine learning yang diawasi pohon keputusan mengambil beberapa input yang diberikan dan menerapkan struktur if-else untuk memprediksi hasil. Contoh masalah pohon keputusan adalah memprediksi churn pelanggan. Misalnya, jika pelanggan tidak mengunjungi suatu aplikasi setelah mendaftar, model mungkin memprediksi churn. Atau, jika pelanggan mengakses aplikasi di beberapa perangkat dan waktu sesi rata-rata di atas ambang batas tertentu, model mungkin memprediksi retensi.

Jaringan neural

Solusi jaringan neural adalah teknik pembelajaran yang diawasi dengan sifat yang lebih kompleks. Untuk menghasilkan hasil yang pasti, dibutuhkan beberapa input yang diberikan dan melakukan satu atau lebih lapisan transformasi matematika berdasarkan penyesuaian bobot data. Contoh teknik jaringan neural adalah memprediksi digit dari gambar tulisan tangan.

Baca tentang jaringan neural »

Pembelajaran tanpa pengawasan 

Machine learning tanpa pengawasan adalah ketika Anda memberikan data input algoritma tanpa data output berlabel. Kemudian, dengan sendirinya, algoritma mengidentifikasi pola dan hubungan di dalam dan di antara data. Berikutnya adalah beberapa jenis teknik pembelajaran tanpa pengawasan.

Pembuatan klaster

Teknik pembuatan klaster dalam pembelajaran tanpa pengawasan mengelompokkan input data tertentu bersama-sama, sehingga mereka dapat dikategorikan secara keseluruhan. Ada berbagai jenis algoritma pembuatan klaster tergantung pada data input. Contoh pembuatan klaster adalah mengidentifikasi berbagai jenis lalu lintas jaringan untuk memprediksi potensi insiden keamanan.

Pembelajaran aturan asosiasi

Teknik pembelajaran aturan asosiasi mengungkap hubungan berbasis aturan antarinput dalam set data. Misalnya, algoritma Apriori melakukan analisis keranjang pasar untuk mengidentifikasi aturan seperti kopi dan susu yang sering dibeli bersama.

Kepadatan probabilitas

Teknik kepadatan probabilitas dalam pembelajaran tanpa pengawasan memprediksi kemungkinan atau kemungkinan nilai output berada dalam kisaran apa yang dianggap normal untuk input. Misalnya, pengukur suhu di ruang server biasanya mencatat antara rentang derajat tertentu. Namun, jika tiba-tiba mengukur angka rendah berdasarkan distribusi probabilitas, data itu mungkin mengindikasikan adanya kerusakan peralatan. 

Pengurangan dimensi

Pengurangan dimensi adalah teknik pembelajaran tanpa pengawasan yang mengurangi jumlah fitur dalam suatu set data. Ini sering digunakan untuk memproses data untuk fungsi machine learning lainnya dan mengurangi kompleksitas dan overhead. Misalnya, mungkin mengaburkan atau memotong fitur latar belakang dalam aplikasi pengenalan gambar.

Pembelajaran semidiawasi adalah ketika Anda menerapkan teknik pembelajaran yang diawasi dan tanpa pengawasan untuk masalah umum. Ini adalah salah satu kategori dari machine learning itu sendiri.

Anda dapat menerapkan pembelajaran semidiawasi ketika sulit untuk mendapatkan label untuk set data. Volume data berlabel Anda mungkin hanya sedikit, sebagian besar data yang ada tidak berlabel. Dibandingkan dengan menggunakan set data berlabel saja, Anda akan memiliki akurasi dan efisiensi yang lebih besar jika Anda menggabungkan teknik pembelajaran yang diawasi dan tanpa pengawasan.

Berikut adalah beberapa contoh penerapan pembelajaran semidiawasi.

Identifikasi penipuan

Dalam satu set besar data transaksional, ada subset data berlabel yang telah dikonfirmasi oleh para ahli sebagai transaksi palsu. Agar hasil lebih akurat, solusi machine learning akan pertama dilatih pada data yang tidak berlabel kemudian dengan data berlabel.

Analisis sentimen

Ketika mempertimbangkan luasnya interaksi pelanggan berbasis teks di organisasi, proses mengategorikan atau melabeli sentimen di semua saluran mungkin akan memakan biaya banyak. Sebuah organisasi dapat melatih model pada sebagian besar data yang tidak berlabel terlebih dahulu, setelah itu sampel yang telah diberi label. Dengan begini, organisasi dapat lebih yakin akan sentimen pelanggan di seluruh bisnis.

Klasifikasi dokumen

Saat menerapkan kategori ke basis dokumen yang besar, mungkin dokumen yang ada terlalu banyak untuk dilabeli secara fisik. Misalnya, tumpukan laporan, transkrip, atau spesifikasi yang tak terhitung banyaknya. Mengawali proses dengan melatih menggunakan data yang tidak berlabel dapat membantu mengidentifikasi dokumen serupa untuk pelabelan. 

Amazon Web Services (AWS) menyediakan berbagai penawaran untuk membantu proses machine learning (ML) Anda, baik yang diawasi, tanpa pengawasan, maupun yang semi-diawasi. Anda dapat membuat, menjalankan, dan mengintegrasikan solusi dengan berbagai ukuran, kompleksitas, atau kasus penggunaan.

Amazon SageMaker adalah sebuah platform lengkap untuk membangun solusi ML Anda dari tahap awal. SageMaker memiliki rangkaian lengkap model pembelajaran tanpa pengawasan prabangun, kemampuan penyimpanan dan komputasi, serta lingkungan yang terkelola penuh.

Misalnya, berikut adalah fitur SageMaker yang dapat Anda gunakan dalam pekerjaan:

• Gunakan Amazon SageMaker Autopilot untuk secara otomatis menjelajahi berbagai solusi dan menemukan model terbaik untuk set data yang Anda miliki.
• Gunakan Amazon SageMaker Data Wrangler untuk memilih data, memahami wawasan data, dan mengubah data sebagai persiapan untuk digunakan dalam ML.
• Gunakan Amazon SageMaker Experiments untuk menganalisis dan membandingkan iterasi pelatihan ML untuk memilih model yang kinerjanya paling bagus.
• Gunakan Amazon SageMaker Clarify untuk mendeteksi dan mengukur potensi bias. Dengan cara ini, developer ML dapat mengatasi bias potensial dan menjelaskan prediksi model.

Mulailah machine learning yang diawasi dan tanpa pengawasan di AWS dengan membuat akun sekarang juga.