Pemelajaran mesin

Bagian dari seri
Pemelajaran mesin dan Penggalian Data
Paradigma Pemelajaran terawasi Pemelajaran tak terawasi Pemelajaran mesin daring Pemelajaran mesin luring Meta-learning Pemelajaran semi terawasi Pemelajaran terawasi mandiri Reinforcement learning Pemelajaran berbasis aturan Pemelajaran mesin kuantum
Masalah Klasifikasi Model generatif Regresi Kluster Reduksi dimensi Estimasi densitas Deteksi anomali Pembersihan data AutoML Aturan asosiasi Analisis semantik Rekayasa fitur Pemelajaran fitur
Pemelajaran diawasi (Klasifikasi • Regresi) Pohon keputusan Pemelajaran ensambel Bagging boosting Random forest k-NN Regresi linear Naive Bayes Jaringan saraf tiruan Regresi logistik Perseptron Support vector machine (SVM)
Klustering BIRCH CURE Hierarki k-means Fuzi
Reduksi dimensionalitas AKU
Jaringan saraf tiruan Pemelajaran dalam Jaringan saraf konvolusional
Diagnostik model Kurva belajar
l b s

Pemelajaran mesin (bahasa Inggris: machine learning atau disingkat dengan ML) adalah sub-bidang kecerdasan buatan yang berkaitan dengan pengembangan dan studi algoritma statistik yang dirancang untuk dapat belajar secara mandiri dari data, kemudian menggunakan pembelajaran tersebut untuk menggeneralisasi dan menangani data baru yang belum pernah ditemui sebelumnya, sehingga sistem ML dapat menjalankan tugas-tugas tertentu tanpa memerlukan instruksi eksplisit yang terprogram sebelumnya.^[1] Belakangan, jaringan syaraf tiruan generatif telah menunjukkan performa yang mengungguli berbagai pendekatan konvensional dalam berbagai bidang.^[2][3]

Pendekatan pemelajaran mesin telah diimplementasikan di banyak bidang, seperti model bahasa besar (large language model (LLM)), visi komputer, pengenalan ucapan, penyaringan email, agrikultur, dan kedokteran. Bidang-bidang ini membutuhkan kemampuan untuk menangani tugas-tugas kompleks yang sulit dan mahal jika dikembangkan dengan algoritma tradisional.^[4][5] Pemelajaran mesin dikenal dalam aplikasinya dalam menyelesaikan masalah bisnis dengan nama analisis prediktif. Meskipun tidak semua algoritma pemelajaran mesin didasarkan pada statistik, statistik komputasional adalah sumber penting dari metode-metode di bidang ini.

Landasan matematis dari pemelajaran mesin diambil dari metode optimisasi matematis (pemrograman matematis). Penggalian data (data mining), bidang studi paralel yang erat kaitannya, berfokus pada analisis data eksploratif melalui pemelajaran tak terarah.^[7][8] Dari perspektif teoretis, kerangka PAC (Probably Approximately Correct) learning memberikan model untuk mendeskripsikan ML.

1. ^ Definisi "tanpa harus diprogram secara eksplisit" sering dikaitkan dengan Arthur Samuel, pencipta istilah "machine learning" pada tahun 1959. Namun, frasa ini tidak ditemukan secara harfiah dalam publikasi tersebut dan mungkin merupakan parafrase yang muncul kemudian. Rujuk "Parafrase Arthur Samuel (1959), the question is: How can computers learn to solve problems without being explicitly programmed?" dalam Koza, John R.; Bennett, Forrest H.; Andre, David; Keane, Martin A. (1996). "Automated Design of Both the Topology and Sizing of Analog Electrical Circuits Using Genetic Programming". Artificial Intelligence in Design '96. Artificial Intelligence in Design '96 (dalam bahasa Inggris). Springer, Dordrecht. hlm. 151–170. doi:10.1007/978-94-009-0279-4_9. ISBN 978-94-010-6610-5. 
2. ^ "What is Machine Learning?". IBM (dalam bahasa Inggris). Diakses tanggal 2023-06-27. 
3. ^ Zhou, Victor (2019-12-20). "Machine Learning for Beginners: An Introduction to Neural Networks". Medium (dalam bahasa Inggris). Diarsipkan dari versi asli tanggal 2022-03-09. Diakses tanggal 2021-08-15.  Parameter |url-status= yang tidak diketahui akan diabaikan (bantuan)
4. ^ Hu, Junyan; Niu, Hanlin; Carrasco, Joaquin; Lennox, Barry; Arvin, Farshad (2020). "Voronoi-Based Multi-Robot Autonomous Exploration in Unknown Environments via Deep Reinforcement Learning". IEEE Transactions on Vehicular Technology. 69 (12): 14413–14423. doi:10.1109/tvt.2020.3034800 . ISSN 0018-9545.  Parameter |s2cid= yang tidak diketahui akan diabaikan (bantuan)
5. ^ Yoosefzadeh-Najafabadi, Mohsen; Hugh, Earl; Tulpan, Dan; Sulik, John; Eskandari, Milad (2021). "Application of Machine Learning Algorithms in Plant Breeding: Predicting Yield From Hyperspectral Reflectance in Soybean?". Front. Plant Sci. 11: 624273. doi:10.3389/fpls.2020.624273 . PMC 7835636 . PMID 33510761 Periksa nilai |pmid= (bantuan). 
6. ^ Bishop, C. M. (2006), Pattern Recognition and Machine Learning, Springer, ISBN 978-0-387-31073-2 
7. ^ Machine learning dan pengenalan pola "dapat dilihat sebagai dua aspek dari satu bidang yang sama".^[6]:vii
8. ^ Friedman, Jerome H. (1998). "Data Mining and Statistics: What's the connection?". Computing Science and Statistics. 29 (1): 3–9.