Machine learning (ML) mendukung beberapa teknologi terpenting yang kami gunakan, dari aplikasi penerjemahan hingga kendaraan otonom. Kursus ini menjelaskan inti konsep di balik ML.
ML menawarkan cara baru untuk memecahkan masalah, menjawab pertanyaan kompleks, dan membuat saat ini. ML dapat memprediksi cuaca, memperkirakan waktu perjalanan, merekomendasikan lagu, pelengkapan otomatis kalimat, merangkum artikel, dan gambar yang belum pernah dilihat sebelumnya.
Pada dasarnya, ML adalah proses pelatihan software, yang disebut model, untuk menjadikan model prediksi atau menghasilkan konten dari layanan otomatis dan data skalabel.
Misalnya, kita ingin membuat aplikasi untuk memprediksi curah hujan. Kita dapat menggunakan pendekatan tradisional atau pendekatan ML. Menggunakan pendekatan ini, kita akan membuat representasi berbasis fisika dari atmosfer bumi dan permukaan, serta menghitung sejumlah besar persamaan dinamika fluida. Ini adalah sangatlah sulit.
Dengan pendekatan ML, kami akan memberikan data cuaca dalam jumlah besar hingga model ML akhirnya mempelajari hubungan matematis antara pola cuaca yang menghasilkan jumlah hujan yang berbeda-beda. Selanjutnya, kami akan memberikan membuat model data cuaca saat ini, dan akan memprediksi jumlah hujan.
Memeriksa Pemahaman Anda
Jenis Sistem ML
Sistem ML termasuk ke dalam satu atau beberapa kategori berikut berdasarkan caranya mempelajari cara membuat prediksi atau menghasilkan konten:
- Pembelajaran yang diawasi
- Pembelajaran yang tidak diawasi
- Reinforcement learning
- AI Generatif
Pembelajaran yang diawasi
Pembelajaran yang diawasi model dapat membuat prediksi setelah melihat banyak data dengan jawaban yang benar dan kemudian menemukan hubungan antara elemen-elemen dalam data yang menghasilkan jawaban yang benar. Ini seperti siswa yang mempelajari materi baru dengan mempelajari ujian lama yang berisi pertanyaan dan jawaban. Setelah siswa memiliki telah dilatih dengan ujian lama, siswa tersebut sudah siap untuk mengikuti ujian baru. Sistem ML ini "diawasi" karena manusia memberikan sistem ML data dengan hasil yang benar dan telah diketahui sebelumnya.
Dua kasus penggunaan yang paling umum untuk supervised learning adalah regresi Klasifikasi kalimat tunggal,
Regresi
Model regresi memprediksi nilai numerik. Misalnya, model cuaca yang memprediksi jumlah hujan, inci atau milimeter, adalah model regresi.
Lihat tabel di bawah untuk contoh model regresi lainnya:
Skenario | Kemungkinan data input | Prediksi numerik |
---|---|---|
Harga rumah masa depan | Ukuran persegi, kode pos, jumlah kamar tidur dan kamar mandi, ukuran tanah, suku bunga hipotek, tarif pajak properti, biaya konstruksi, dan jumlah rumah yang dijual di wilayah tersebut. | Harga rumah. |
Waktu perjalanan berikutnya | Histori kondisi lalu lintas (dikumpulkan dari smartphone, lalu lintas sensor, transportasi online, dan aplikasi navigasi lainnya), jarak dari tujuan, dan kondisi cuaca. | Waktu dalam menit dan detik untuk tiba di tujuan. |
Klasifikasi
Model klasifikasi memprediksi kemungkinan bahwa sesuatu termasuk dalam suatu kategori. Tidak seperti model regresi, yang {i>outputnya<i} adalah angka, model klasifikasi menghasilkan nilai yang menyatakan apakah sesuatu termasuk dalam kategori tertentu atau tidak. Misalnya, model klasifikasi digunakan untuk memprediksi apakah email adalah spam ataukah foto berisi kucing.
Model klasifikasi dibagi menjadi dua kelompok: klasifikasi biner dan
klasifikasi multi-kelas. Model klasifikasi biner menghasilkan nilai dari
yang hanya berisi dua nilai, misalnya, model yang menghasilkan
rain
atau no rain
. Model klasifikasi multiclass menghasilkan nilai dari
yang berisi lebih dari dua nilai, misalnya, model yang dapat menghasilkan
rain
, hail
, snow
, atau sleet
.
Memeriksa Pemahaman Anda
Pembelajaran yang tidak diawasi
Unsupervised learning model membuat prediksi dengan diberikan data yang tidak berisi jawaban yang tepat. Tujuan model unsupervised learning adalah mengidentifikasi pola di antara data. Dengan kata lain, model ini tidak memiliki petunjuk tentang cara mengkategorikan setiap bagian data, tetapi sebaliknya harus menyimpulkan aturannya sendiri.
Model unsupervised learning yang umum digunakan menerapkan teknik yang disebut pengelompokan. Model ini menemukan titik data yang mendemarkasi pengelompokan alami.
![Gambar yang menampilkan titik-titik berwarna dalam kelompok.](https://developers.google.cn/static/machine-learning/intro-to-ml/images/clustering-02.png?authuser=5&hl=id)
Gambar 1. Model ML yang mengelompokkan titik data serupa.
![Gambar yang menunjukkan titik-titik berwarna dalam klaster yang diapit oleh suatu bentuk dan saling berbatasan.](https://developers.google.cn/static/machine-learning/intro-to-ml/images/clustering-04.png?authuser=5&hl=id)
Gambar 2. Kelompok klaster dengan demarkasi alami.
Pengelompokan berbeda dengan klasifikasi, karena kategori tidak ditentukan oleh maksimal. Misalnya, model unsupervised dapat mengelompokkan set data cuaca berdasarkan suhu, mengungkapkan segmentasi yang menentukan musim. Anda mungkin coba beri nama klaster tersebut berdasarkan pemahaman Anda tentang {i>dataset<i}.
![Gambar yang menampilkan titik-titik berwarna dalam gugus yang diberi label sebagai salju, hujan, hujan es, dan tidak ada hujan.](https://developers.google.cn/static/machine-learning/intro-to-ml/images/clustering-01.png?authuser=5&hl=id)
Gambar 3. Model ML yang mengelompokkan pola cuaca serupa.
![Gambar yang menunjukkan titik-titik berwarna dalam gugus yang diberi label sebagai salju, hujan, hujan es, dan tidak ada hujan yang tertutup dalam suatu bentuk dan saling berbatasan.](https://developers.google.cn/static/machine-learning/intro-to-ml/images/clustering-03.png?authuser=5&hl=id)
Gambar 4. Kumpulan pola cuaca yang dilabeli sebagai salju, hujan es, hujan, dan tidak ada hujan.
Memeriksa Pemahaman Anda
Reinforcement learning
Pembelajaran penguatan model membuat prediksi dengan mendapatkan reward atau hukuman berdasarkan tindakan yang dilakukan dalam suatu lingkungan. Bantuan learning otomatis menghasilkan kebijakan yang menentukan strategi terbaik untuk mendapatkan reward terbanyak.
Reinforcement learning digunakan untuk melatih robot agar melakukan tugas, seperti berjalan di sekitar ruangan, dan program perangkat lunak seperti AlphaGo untuk memainkan game Go.
AI Generatif
AI Generatif adalah kelas model yang membuat konten dari input pengguna. Misalnya, AI generatif dapat membuat gambar unik, komposisi musik, dan lelucon; dapat meringkas artikel, menjelaskan cara melakukan tugas, atau mengedit foto.
AI generatif dapat menggunakan berbagai input dan membuat berbagai output, seperti teks, gambar, audio, dan video. Alat ini juga dapat mengambil dan membuat kombinasi dari ini. Misalnya, model dapat mengambil gambar sebagai input dan membuat gambar serta teks sebagai output, atau mengambil gambar dan teks sebagai input, lalu membuat video sebagai output.
Kita dapat membahas model generatif berdasarkan input dan outputnya, biasanya ditulis sebagai "{i>type of input<i}" -to-{i>type of output<i}." Misalnya, berikut ini adalah sebagian daftar beberapa input dan output untuk model generatif:
- Teks ke teks
- Teks ke gambar
- Teks ke video
- Teks ke kode
- Text-to-speech
- Gambar dan teks ke gambar
Tabel berikut mencantumkan contoh model generatif, inputnya, dan contoh kemungkinan outputnya:
Model | Input | Contoh output |
---|---|---|
Teks ke teks | Siapa penemu lomba Le Mans? |
The 24 Hours of Le Mans didirikan oleh Automobile Club de l'Ouest
(ACO), sebuah organisasi otomotif yang didirikan pada tahun 1906. Lomba pertama diadakan
pada 26 dan 27 Mei 1923 di Sarthe Circuit, sebuah jalur sepanjang 13,426 kilometer.
(8,345 mil) sirkuit jalan yang terletak di dekat kota Le Mans di Prancis.
Perlombaan ini awalnya dimaksudkan sebagai cara untuk mempromosikan ACO dan
Wilayah Sarthe. Sumber: Bard |
Teks ke gambar | Gurita alien melayang di portal yang sedang membaca koran. |
![]() |
Teks ke video | Boneka beruang fotorealistik sedang berenang di laut di San Francisco. Beruang teddy itu jatuh ke air. Beruang teddy terus berenang di bawah perairan dengan ikan warna-warni. Beruang panda berenang di bawah air. |
![]() |
Teks ke kode | Tulis loop Python yang melakukan loop pada daftar angka dan mencetak bilangan prima. |
for number in numbers: # Check if the number is prime. is_prime = True for i in range(2, number): if number % i == 0: is_prime = False break # If the number is prime, print it. if is_prime: print(number)Sumber: Bard |
Gambar ke teks | ![]() |
Ini flamingo. Burung ini ditemukan di Karibia. Sumber: Google DeepMind |
Bagaimana cara kerja AI generatif? Secara umum, model generatif mempelajari pola dalam data dengan tujuan untuk menghasilkan data baru yang serupa. Peringkas adalah sebagai berikut:
- Komedi yang belajar meniru orang lain dengan mengamati perilaku dan gaya bicara
- Seniman yang belajar melukis dengan gaya tertentu dengan mempelajari banyak lukisan dengan gaya itu
- Buat cover band yang belajar terdengar seperti grup musik tertentu dengan mendengarkan banyak musik dari grup itu
Untuk menghasilkan output yang unik dan kreatif, model generatif dilatih terlebih dahulu menggunakan pendekatan unsupervised, di mana model belajar meniru data yang melatih model. Model terkadang dilatih lebih lanjut menggunakan model Reinforcement Learning pada data spesifik yang terkait dengan tugas-tugas yang mungkin diminta untuk melakukan, misalnya, meringkas artikel atau mengedit foto.
AI generatif adalah teknologi yang berkembang pesat dengan kasus penggunaan baru yang terus-menerus ditemukan. Misalnya, model generatif membantu perusahaan meningkatkan gambar produk e-commerce mereka dengan otomatis menghapus latar belakang yang mengganggu atau meningkatkan kualitas gambar beresolusi rendah.