Pemelajaran mesin
kajian pada algoritma yang dapat meningkatkan kemampuannya sendiri melalui pengalaman / From Wikipedia, the free encyclopedia
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]
Bagian dari seri |
Pemelajaran mesin dan Penggalian Data |
---|
Masalah
|
|
|
Reduksi dimensionalitas |
Diagnostik model |
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.