Pembelajaran yang Diawasi dan Tanpa Pengawasan: Perbedaan Antara Keduanya

Perbedaan Kunci Antara Pembelajaran yang Diawasi dan Tanpa Pengawasan

• Dalam Pembelajaran yang diawasi, Anda melatih mesin menggunakan data yang “diberi label” dengan baik.
• Pembelajaran tanpa pengawasan adalah teknik pembelajaran mesin, di mana Anda tidak perlu mengawasi modelnya.
• Pembelajaran yang diawasi memungkinkan Anda mengumpulkan data atau menghasilkan keluaran data dari pengalaman sebelumnya.
• Pembelajaran mesin tanpa pengawasan membantu Anda menemukan semua jenis pola yang tidak diketahui dalam data.
• Regresi dan Klasifikasi adalah dua jenis teknik pembelajaran mesin yang diawasi.
• Clustering dan Asosiasi adalah dua jenis pembelajaran tanpa pengawasan.
• Pada model pembelajaran terbimbing akan diberikan variabel masukan dan keluaran sedangkan pada model pembelajaran tidak terbimbing hanya diberikan data masukan saja.

Apa itu Pembelajaran Mesin yang Diawasi?

Dalam Pembelajaran yang diawasi, Anda melatih mesin menggunakan data yang baik “diberi label.” Artinya beberapa data sudah ditandai dengan jawaban yang benar. Hal ini dapat dibandingkan dengan pembelajaran yang berlangsung di hadapan seorang supervisor atau seorang guru.

Algoritme pembelajaran yang diawasi mempelajari data pelatihan yang diberi label, membantu Anda memprediksi hasil untuk data yang tidak terduga. Keberhasilan membangun, menskalakan, dan menerapkan pembelajaran mesin terawasi yang akurat Model ilmu data membutuhkan waktu dan keahlian teknis dari tim ilmuwan data yang sangat terampil. Selain itu, ilmuwan data harus membangun kembali model untuk memastikan wawasan yang diberikan tetap benar hingga datanya berubah.

Apa itu Pembelajaran Tanpa Pengawasan?

Pembelajaran tanpa pengawasan adalah teknik pembelajaran mesin, di mana Anda tidak perlu mengawasi modelnya. Sebaliknya, Anda harus membiarkan model bekerja sendiri untuk menemukan informasi. Ini terutama berkaitan dengan data yang tidak berlabel.

Algoritma pembelajaran tanpa pengawasan memungkinkan Anda untuk melakukan tugas pemrosesan yang lebih kompleks dibandingkan dengan pembelajaran dengan pengawasan. Meskipun demikian, pembelajaran tanpa pengawasan dapat lebih tidak terduga dibandingkan dengan metode pembelajaran alami, pembelajaran mendalam, dan pembelajaran penguatan lainnya.

Mengapa Pembelajaran yang Diawasi?

• Pembelajaran yang diawasi memungkinkan Anda mengumpulkan data atau menghasilkan keluaran data dari pengalaman sebelumnya.
• Membantu Anda mengoptimalkan kriteria kinerja menggunakan pengalaman
• Pembelajaran mesin yang diawasi membantu Anda memecahkan berbagai jenis masalah komputasi dunia nyata.

Mengapa Pembelajaran Tanpa Pengawasan?

Berikut adalah alasan utama menggunakan Pembelajaran Tanpa Pengawasan:

• Pembelajaran mesin tanpa pengawasan menemukan semua jenis pola yang tidak diketahui dalam data.
• Metode tanpa pengawasan membantu Anda menemukan fitur yang berguna untuk kategorisasi.
• Hal ini berlangsung secara real time, sehingga semua data masukan dianalisis dan diberi label di hadapan peserta didik.
• Lebih mudah mendapatkan data tak berlabel dari komputer dibandingkan data berlabel, yang memerlukan intervensi manual.

Bagaimana cara kerja Pembelajaran yang Diawasi?

Misalnya, Anda ingin melatih mesin untuk membantu Anda memperkirakan berapa lama waktu yang Anda perlukan untuk berkendara pulang dari tempat kerja Anda. Di sini, Anda mulai dengan membuat sekumpulan data berlabel. Data ini termasuk

• Kondisi cuaca
• Waktu dalam hari
• Liburan

Semua rincian ini adalah masukan Anda. Outputnya adalah jumlah waktu yang dibutuhkan untuk berkendara pulang pada hari itu.

Anda secara naluriah tahu bahwa jika di luar hujan, Anda akan membutuhkan waktu lebih lama untuk berkendara pulang. Namun mesin tersebut membutuhkan data dan statistik.

Sekarang mari kita lihat bagaimana Anda dapat mengembangkan model pembelajaran terawasi dari contoh ini yang membantu pengguna menentukan waktu perjalanan. Hal pertama yang perlu Anda buat adalah kumpulan data pelatihan. Set pelatihan ini akan berisi total waktu perjalanan dan faktor terkait seperti cuaca, waktu, dll. Berdasarkan set pelatihan ini, mesin Anda mungkin melihat adanya hubungan langsung antara jumlah hujan dan waktu yang Anda perlukan untuk sampai di rumah.

Jadi, dipastikan semakin deras hujan, semakin lama pula Anda berkendara untuk pulang ke rumah. Ini mungkin juga melihat hubungan antara waktu Anda pulang kerja dan waktu Anda akan berada di jalan.

Semakin dekat Anda ke jam 6 sore, semakin lama waktu yang Anda perlukan untuk sampai di rumah. Mesin Anda mungkin menemukan beberapa hubungan dengan data berlabel Anda.

Ini adalah awal dari Model Data Anda. Hal ini mulai berdampak pada bagaimana hujan berdampak pada cara orang mengemudi. Hal ini juga mulai terlihat bahwa lebih banyak orang melakukan perjalanan pada waktu tertentu dalam sehari.

Bagaimana cara kerja Pembelajaran Tanpa Pengawasan?

Mari kita ambil contoh kasus bayi dan anjing keluarganya.

Dia mengenali dan mengenali anjing ini. Beberapa minggu kemudian, seorang teman keluarga membawa serta seekor anjing dan mencoba bermain dengan bayi itu.

Baby belum pernah melihat anjing ini sebelumnya. Namun ia mengenali banyak ciri (2 telinga, mata, berjalan dengan 4 kaki) seperti anjing peliharaannya. Dia mengidentifikasi binatang baru seperti anjing. Ini adalah pembelajaran tanpa pengawasan, di mana Anda tidak diajari tetapi Anda belajar dari data (dalam hal ini data tentang seekor anjing.) Seandainya pembelajaran ini diawasi, teman keluarga tersebut akan memberi tahu bayi tersebut bahwa itu adalah seekor anjing.

Jenis Teknik Pembelajaran Mesin yang Diawasi

Regresi

Teknik regresi memprediksi nilai keluaran tunggal menggunakan data pelatihan.

Contoh: Anda dapat menggunakan regresi untuk memprediksi harga rumah dari data pelatihan. Variabel masukannya adalah lokalitas, ukuran rumah, dll.

Klasifikasi

Klasifikasi berarti mengelompokkan keluaran di dalam suatu kelas. Jika algoritma mencoba memberi label masukan ke dalam dua kelas berbeda, ini disebut klasifikasi biner. Memilih antara lebih dari dua kelas disebut sebagai klasifikasi multikelas.

Example: Menentukan apakah seseorang akan mangkir pinjaman atau tidak.

Kekuatan: Output selalu memiliki interpretasi probabilistik, dan algoritme dapat diatur untuk menghindari overfitting.

Kelemahan: Regresi logistik mungkin tidak berfungsi dengan baik jika terdapat beberapa batasan keputusan atau non-linier. Metode ini tidak fleksibel, sehingga tidak dapat menangkap hubungan yang lebih kompleks.

Jenis Teknik Pembelajaran Mesin Tanpa Pengawasan

Masalah pembelajaran tanpa pengawasan dikelompokkan lagi menjadi masalah pengelompokan dan asosiasi.

Clustering

Clustering adalah konsep penting dalam pembelajaran tanpa pengawasan. Ini terutama berkaitan dengan menemukan struktur atau pola dalam kumpulan data yang tidak dikategorikan. ClusterAlgoritme pemrosesan data akan memproses data Anda dan menemukan klaster (kelompok) alami jika ada dalam data. Anda juga dapat mengubah jumlah klaster yang harus diidentifikasi oleh algoritme Anda. Ini memungkinkan Anda untuk menyesuaikan tingkat ketelitian kelompok-kelompok ini.

Asosiasi

Aturan asosiasi memungkinkan Anda membuat asosiasi antar objek data di dalam database besar. Teknik tanpa pengawasan ini adalah tentang menemukan hubungan menarik antar variabel dalam database besar. Misalnya, orang yang membeli rumah baru kemungkinan besar akan membeli furnitur baru.

Contoh lain:

• Subkelompok pasien kanker yang dikelompokkan berdasarkan pengukuran ekspresi gen mereka
• Kelompok pembeli berdasarkan riwayat penelusuran dan pembelian mereka
• Kelompokkan film berdasarkan rating yang diberikan oleh penonton film

Perbedaan Antara Pembelajaran yang Diawasi dan Tanpa Pengawasan

Parameters	Teknik pembelajaran mesin yang diawasi	Teknik pembelajaran mesin tanpa pengawasan
Proses	Dalam model pembelajaran terbimbing akan diberikan variabel masukan dan keluaran.	Pada model pembelajaran tanpa pengawasan, hanya data masukan yang diberikan
Memasukan data	Algorithms dilatih menggunakan data berlabel.	Algorithms digunakan terhadap data yang tidak diberi label
Algorithms Bekas	Mendukung mesin vektor, jaringan saraf, regresi linier dan logistik, hutan acak, dan pohon klasifikasi.	Algoritme tanpa pengawasan dapat dibagi menjadi beberapa kategori: seperti Cluster algoritma, K-means, pengelompokan hierarkis, dll.
Kompleksitas Komputasi	Pembelajaran yang diawasi adalah metode yang lebih sederhana.	Pembelajaran tanpa pengawasan memiliki kompleksitas komputasi
Penggunaan Data	Model pembelajaran terbimbing menggunakan data pelatihan untuk mempelajari hubungan antara masukan dan keluaran.	Pembelajaran tanpa pengawasan tidak menggunakan data keluaran.
Akurasi Hasil	Metode yang sangat akurat dan dapat dipercaya.	Less metode yang akurat dan dapat dipercaya.
Pembelajaran Waktu Nyata	Metode pembelajaran berlangsung secara offline.	Metode pembelajaran berlangsung secara real time.
Jumlah Kelas	Jumlah kelas diketahui.	Jumlah kelas tidak diketahui.
Kelemahan Utama	Mengklasifikasikan data besar bisa menjadi tantangan nyata dalam Supervised Learning.	Anda tidak bisa mendapatkan informasi yang tepat mengenai penyortiran data, dan keluaran karena data yang digunakan dalam pembelajaran tanpa pengawasan diberi label dan tidak diketahui.