Arthur Samuel menciptakan istilah "Machine Learning" pada tahun 1959 dan mendefinisikannya sebagai "Bidang studi yang memberi komputer kemampuan untuk belajar tanpa diprogram secara eksplisit".
Dan itulah awal dari Machine Learning! Di zaman modern, Machine Learning adalah salah satu pilihan karir yang paling populer (jika bukan yang paling!). Menurut sebuah survei, Machine Learning Engineer Adalah Pekerjaan Terbaik dekade ini dan diperkirakan akan tumbuh YoY sebesar 22% (antara 2020-2030) dan gaji pokok rata-rata $122.000 per tahun di AS dan INR 8.5LPA di India.
Apa itu Machine Learning?
Machine Learning melibatkan penggunaan Kecerdasan Buatan untuk memungkinkan mesin mempelajari tugas dari pengalaman tanpa memprogramnya secara khusus tentang tugas itu. (Singkatnya, Mesin belajar secara otomatis tanpa pegangan tangan manusia!!!) Proses ini dimulai dengan memberi mereka data berkualitas baik dan kemudian melatih mesin dengan membangun berbagai model Machine Learning menggunakan data dan algoritme yang berbeda. Pilihan algoritme bergantung pada jenis data apa yang kita miliki dan jenis tugas apa yang ingin kita otomatisasi.
Mengapa Harus Menggunakan Machine Learning?
Saat kita bergerak maju di dunia digital, sejumlah besar data dihasilkan setiap menit bersama dengan aksesibilitas internet berkecepatan tinggi. Ini adalah faktor utama untuk mengembangkan sistem otomatis yang dapat menangani data pada ambang seperti itu dengan menggunakan algoritma yang berbeda secara akurat untuk kumpulan data yang kompleks. Saat ini, perusahaan dari semua skala menggunakan metode ini untuk menangani manajemen biaya, menurunkan risiko, dan juga membantu meningkatkan kualitas produk dan layanan mereka. Teknologi ini telah diterima secara luas di banyak industri saat ini dan segera akan menjadi bagian utama dari kehidupan kita. (yang sudah dimulai)
Baca: Manfaat Machine Learning Untuk Perkembangan Dunia Usaha Masa Depan
Bagaimana Memulai Belajar Machine Learning?
Ini adalah peta jalan kasar yang dapat Anda ikuti dalam perjalanan Anda untuk menjadi Insinyur Machine Learning yang sangat berbakat. Tentu saja, Anda selalu dapat mengubah langkah-langkah sesuai kebutuhan Anda untuk mencapai tujuan akhir yang Anda inginkan!
Langkah 1 – Pahami Prasyaratnya
Jika Anda seorang jenius, Anda dapat memulai ML secara langsung tetapi biasanya, ada beberapa prasyarat yang perlu Anda ketahui yang meliputi Aljabar Linier, Kalkulus Multivariat, Statistik, dan Python . Dan jika Anda tidak tahu ini, jangan pernah takut! Anda tidak perlu gelar Ph.D. gelar dalam topik ini untuk memulai tetapi Anda membutuhkan pemahaman dasar.
( a) Belajar Aljabar Linier dan Kalkulus Multivariat
Aljabar Linier dan Kalkulus Multivariat keduanya penting dalam Machine Learning. Namun, sejauh mana Anda membutuhkannya bergantung pada peran Anda sebagai ilmuwan data. Jika Anda lebih fokus pada Machine Learning dengan banyak aplikasi, maka Anda tidak akan terlalu fokus pada matematika karena ada banyak perpustakaan umum yang tersedia. Tetapi jika Anda ingin fokus pada R&D dalam Machine Learning, maka penguasaan Aljabar Linier dan Kalkulus Multivariat sangat penting karena Anda harus mengimplementasikan banyak algoritma ML dari awal.
(b) Belajar Statistik
Data memainkan peran besar dalam Machine Learning. Faktanya, sekitar 80% waktu Anda sebagai ahli ML akan dihabiskan untuk mengumpulkan dan membersihkan data. Dan statistika adalah bidang yang menangani pengumpulan, analisis, dan penyajian data. Jadi tidak mengherankan bahwa Anda perlu mempelajarinya !!! Beberapa konsep kunci dalam statistik yang penting adalah Signifikansi Statistik, Distribusi Probabilitas, Pengujian Hipotesis, Regresi, dll. Selain itu, Bayesian Thinking juga merupakan bagian yang sangat penting dari ML yang menangani berbagai konsep seperti Probabilitas Bersyarat, Prior, dan Posterior, Kemungkinan Maksimum, dll.
(c) Belajar Python
Beberapa orang lebih suka melewatkan Aljabar Linier, Kalkulus Multivariat, dan Statistik dan mempelajarinya sambil mencoba-coba. Tetapi satu hal yang benar-benar tidak dapat Anda lewati adalah Python ! Meskipun ada bahasa lain yang dapat Anda gunakan untuk Machine Learning seperti R , Scala , dll. Python saat ini merupakan bahasa paling populer untuk ML. Sebenarnya ada banyak library Python yang secara khusus berguna untuk Artificial Intelligence dan Machine Learning seperti Keras, TensorFlow , Scikit-learn, dll. Jadi jika Anda ingin belajar ML, sebaiknya Anda belajar Python! Anda dapat melakukannya menggunakan berbagai sumber dan kursus online seperti Fork Python yang tersedia Gratis di GeeksforGeeks.
Langkah 2 – Pelajari Berbagai Konsep Machine Learning
Sekarang setelah Anda selesai dengan prasyarat, Anda dapat melanjutkan untuk benar-benar belajar ML (di mana kesenangan dimulai!!!) Yang terbaik adalah memulai dengan dasar-dasar dan kemudian beralih ke hal-hal yang lebih rumit. Beberapa konsep dasar dalam ML adalah:
(a) Terminologi Machine Learning
⦁ Model – Model adalah representasi spesifik yang dipelajari dari data dengan menerapkan beberapa algoritma Machine Learning. Sebuah model juga disebut hipotesis.
⦁ Fitur – Fitur adalah properti terukur individual dari data. Seperangkat fitur numerik dapat dengan mudah dijelaskan oleh vektor fitur. Vektor fitur diumpankan sebagai input ke model. Misalnya, untuk memprediksi buah, mungkin ada fitur seperti warna, bau, rasa, dll.
⦁ Target (Label) – Variabel target atau label adalah nilai yang akan diprediksi oleh model kita. Untuk contoh buah yang dibahas di bagian fitur, label dengan setiap set input adalah nama buah seperti apel, jeruk, pisang, dll.
⦁ Pelatihan – Idenya adalah untuk memberikan satu set input (fitur) dan output yang diharapkan (label), jadi setelah pelatihan, kami akan memiliki model (hipotesis) yang kemudian akan memetakan data baru ke salah satu kategori yang dilatih.
⦁ Prediksi – Setelah model kami siap, model dapat diumpankan satu set input yang akan memberikan prediksi output (label).
(b) Jenis Machine Learning
⦁ Pembelajaran Terawasi – Ini melibatkan pembelajaran dari kumpulan data pelatihan dengan data berlabel menggunakan model klasifikasi dan regresi. Proses pembelajaran ini berlanjut sampai tingkat kinerja yang dibutuhkan tercapai.
⦁ Pembelajaran Tanpa Pengawasan – Ini melibatkan penggunaan data yang tidak berlabel dan kemudian menemukan struktur yang mendasari dalam data untuk mempelajari lebih banyak dan lebih banyak tentang data itu sendiri menggunakan model analisis faktor dan klaster.
⦁ Pembelajaran semi-diawasi – Ini melibatkan penggunaan data tidak berlabel seperti Pembelajaran Tanpa Pengawasan dengan sejumlah kecil data berlabel. Menggunakan data berlabel sangat meningkatkan akurasi pembelajaran dan juga lebih hemat biaya daripada Pembelajaran Terawasi.
⦁ Pembelajaran Penguatan – Ini melibatkan pembelajaran tindakan optimal melalui coba-coba. Jadi tindakan selanjutnya ditentukan oleh perilaku belajar yang didasarkan pada keadaan saat ini dan yang akan memaksimalkan imbalan di masa depan.
Baca: Apa itu desain thingking
(c) Bagaimana Cara Mempraktikkan Machine Learning?
⦁ Bagian ML yang paling memakan waktu sebenarnya adalah pengumpulan, integrasi, pembersihan, dan prapemrosesan data. Jadi pastikan untuk berlatih dengan ini karena Anda memerlukan data berkualitas tinggi tetapi data dalam jumlah besar seringkali kotor. Jadi ini adalah di mana sebagian besar waktu Anda akan pergi!!!
⦁ Pelajari berbagai model dan praktikkan pada kumpulan data nyata. Ini akan membantu Anda dalam menciptakan intuisi Anda tentang jenis model mana yang sesuai dalam situasi yang berbeda.
⦁ Seiring dengan langkah-langkah ini, sama pentingnya untuk memahami bagaimana menginterpretasikan hasil yang diperoleh dengan menggunakan model yang berbeda. Ini lebih mudah dilakukan jika Anda memahami berbagai parameter penyetelan dan metode regularisasi yang diterapkan pada model yang berbeda.
(d) Sumber Daya untuk Pembelajaran Machine Learning:
Ada berbagai sumber daya online dan offline (baik gratis maupun berbayar!) yang dapat digunakan untuk mempelajari Machine Learning. Beberapa di antaranya disediakan di sini:
⦁ Untuk pengenalan luas tentang Machine Learning, Kursus Machine Learning Stanford oleh Andrew Ng cukup populer. Ini berfokus pada Machine Learning, penambangan data, dan pengenalan pola statistik dengan video penjelasan sangat membantu dalam memperjelas teori dan konsep inti di balik ML.
⦁ Jika Anda menginginkan panduan belajar mandiri untuk Machine Learning, maka kursus Geeksforgeeks Machine Learning Basic dan Advanced – Self Paced akan ideal untuk Anda. Kursus ini akan mengajarkan Anda tentang berbagai konsep Machine Learning dan juga pengalaman praktis dalam menerapkannya di lingkungan kelas.
Langkah 3 – Ikut serta dalam Kompetisi
Setelah Anda memahami dasar-dasar Machine Learning, Anda dapat melanjutkan ke bagian yang gila!!! Kompetisi! Ini pada dasarnya akan membuat Anda lebih mahir dalam ML dengan menggabungkan sebagian besar pengetahuan teoretis Anda dengan implementasi praktis. Beberapa kompetisi dasar yang dapat Anda mulai di Kaggle yang akan membantu Anda membangun kepercayaan diri diberikan di sini:
⦁ Titanic: Machine Learning from Disaster: The Titanic: Machine Learning from Disaster challenge adalah proyek pemula yang sangat populer untuk ML karena memiliki beberapa tutorial yang tersedia. Jadi ini adalah pengantar yang bagus untuk konsep ML seperti eksplorasi data, rekayasa fitur, dan penyetelan model.
⦁ Digit Recognizer: Digit Recognizer adalah proyek setelah Anda memiliki pengetahuan tentang dasar-dasar Python dan ML. Ini adalah pengantar yang bagus untuk dunia jaringan saraf yang menarik menggunakan kumpulan data klasik yang mencakup fitur yang telah diekstraksi.
Posting Komentar untuk "Bagaimana Memulai Machine Learning (Persiapan menerapkan Machine Learning)"