Bab lan Paragraf[Singidaken][Tampilake]
Saiki kita bisa ngetung jembar ruang lan ruwet cilik partikel subatomik amarga komputer.
Komputer ngalahake manungsa nalika ngitung lan ngetung, uga ngetutake proses ya / ora logis, amarga elektron sing lelungan kanthi kacepetan cahya liwat sirkuit.
Nanging, kita ora kerep ndeleng wong-wong mau minangka "cerdas", amarga ing jaman biyen, komputer ora bisa nindakake apa-apa tanpa diwulang (diprogram) dening manungsa.
Pembelajaran mesin, kalebu sinau jero lan Kacerdhasan gawéyan, wis dadi buzzword ing judhul ilmiah lan teknologi.
Machine learning katon omnipresent, nanging akeh wong sing nggunakake tembung kasebut bakal berjuang kanggo nemtokake apa iku, apa sing ditindakake, lan apa sing paling apik digunakake.
Artikel iki ngupaya njlentrehake pembelajaran mesin lan uga menehi conto nyata babagan cara teknologi kasebut bisa digunakake kanggo nggambarake kenapa migunani.
Banjur, kita bakal ndeleng macem-macem metodologi machine learning lan ndeleng carane digunakake kanggo ngatasi tantangan bisnis.
Pungkasan, kita bakal takon bal kristal kanggo sawetara prediksi cepet babagan masa depan pembelajaran mesin.
Apa Learning Mesin?
Pembelajaran mesin minangka disiplin ilmu komputer sing ngidini komputer nyimpulake pola saka data tanpa diwulangake kanthi jelas apa pola kasebut.
Kesimpulan kasebut asring adhedhasar nggunakake algoritma kanggo netepake fitur statistik data kanthi otomatis lan ngembangake model matematika kanggo nggambarake hubungan antarane macem-macem nilai.
Kontras iki karo komputasi klasik, kang adhedhasar sistem deterministik, kang kita tegas menehi komputer pesawat saka aturan kanggo tindakake kanggo nindakake tugas tartamtu.
Cara pemrograman komputer iki dikenal minangka pemrograman adhedhasar aturan. Pembelajaran mesin beda-beda lan ngluwihi pemrograman adhedhasar aturan amarga bisa nyimpulake aturan kasebut dhewe.
Anggap sampeyan minangka manajer bank sing pengin nemtokake manawa aplikasi silihan bakal gagal.
Ing cara adhedhasar aturan, manajer bank (utawa spesialis liyane) bakal ngandhani komputer kanthi jelas yen skor kredit pelamar kurang saka tingkat tartamtu, aplikasi kasebut kudu ditolak.
Nanging, program machine learning mung bakal nganalisa data sadurunge babagan rating kredit klien lan asil silihan lan nemtokake apa ambang kasebut dhewe.
Mesin sinau saka data sadurunge lan nggawe aturan dhewe kanthi cara iki. Mesthi, iki mung sepisanan ing machine learning; model machine learning ing donya nyata luwih rumit tinimbang batesan dhasar.
Nanging, iki minangka demonstrasi sing apik babagan potensial pembelajaran mesin.
Kepiye carane a mesin sinau?
Kanggo njaga prasaja, mesin "sinau" kanthi ndeteksi pola ing data sing padha. Coba data minangka informasi sing diklumpukake saka jagad njaba. Data liyane sing dipakani mesin, dadi "pinter".
Nanging, ora kabeh data padha. Anggap sampeyan minangka bajak laut kanthi tujuan urip kanggo nemokake kasugihan sing dikubur ing pulo kasebut. Sampeyan bakal pengin jumlah gedhe saka kawruh kanggo nemokake hadiah.
Kawruh iki, kaya data, bisa nggawa sampeyan kanthi cara sing bener utawa salah.
Luwih akeh informasi / data sing dipikolehi, saya kurang ambiguitas, lan kosok balene. Akibaté, penting kanggo nimbang jinis data sing bakal sampeyan gunakake kanggo mesin sampeyan.
Nanging, yen jumlah data sing akeh diwenehake, komputer bisa nggawe prediksi. Mesin bisa ngantisipasi masa depan anggere ora nyimpang saka jaman kepungkur.
Mesin "sinau" kanthi nganalisa data historis kanggo nemtokake apa sing bakal kelakon.
Yen data lawas meh padha karo data anyar, mula perkara sing bisa diomongake babagan data sadurunge bakal ditrapake kanggo data anyar. Kaya-kaya sampeyan ndeleng mburi kanggo ndeleng maju.
Apa jinis machine learning?
Algoritma kanggo machine learning asring diklasifikasikake dadi telung jinis sing amba (sanajan skema klasifikasi liyane uga digunakake):
- Sinau sing diawasi
- Sinau tanpa pengawasan
- Pembuatan sing dikuwatake
Sinau sing diawasi
Pembelajaran mesin sing diawasi nuduhake teknik ing model pembelajaran mesin diwenehi koleksi data kanthi label sing jelas kanggo jumlah kapentingan (jumlah iki asring diarani respon utawa target).
Kanggo nglatih model AI, sinau semi-diawasi nggunakake campuran data sing dilabeli lan ora dilabeli.
Yen sampeyan nggarap data tanpa label, sampeyan kudu nindakake sawetara label data.
Labeling minangka proses menehi label kanggo conto kanggo mbantu nglatih machine learning model. Labeling utamane ditindakake dening wong, sing bisa larang regane lan akeh wektu. Nanging, ana teknik kanggo ngotomatisasi proses labeling.
Kahanan aplikasi silihan sing kita rembugan sadurunge minangka ilustrasi sing apik babagan sinau sing diawasi. Kita duwe data historis babagan rating kredit mantan pelamar (lan bisa uga tingkat penghasilan, umur, lan liya-liyane) uga label khusus sing ngandhani manawa wong sing ditakoni gagal mbayar utangan.
Regresi lan klasifikasi minangka rong subset saka teknik sinau sing diawasi.
- klasifikasi - Iki nggunakake algoritma kanggo nggolongake data kanthi bener. Filter spam minangka salah sawijining conto. "Spam" bisa dadi kategori subyektif-garis antarane spam lan komunikasi non-spam kabur-lan algoritma filter spam terus-terusan nyaring dhewe gumantung saka umpan balik sampeyan (tegese email sing ditandhani manungsa minangka spam).
- Regression - Iku migunani kanggo mangerteni sambungan antarane variabel gumantung lan bebas. Model regresi bisa ngramal nilai numerik adhedhasar sawetara sumber data, kayata taksiran revenue dodolan kanggo perusahaan tartamtu. Regresi linier, regresi logistik, lan regresi polinomial minangka sawetara teknik regresi sing misuwur.
Sinau tanpa pengawasan
Ing learning unsupervised, kita diwenehi data unlabeled lan mung looking for pola. Ayo ndalang sampeyan Amazon. Apa kita bisa nemokake klompok (klompok konsumen sing padha) adhedhasar riwayat tuku klien?
Sanajan kita ora duwe data sing jelas lan konklusif babagan preferensi wong, ing kasus iki, mung ngerti manawa sakumpulan konsumen tartamtu tuku barang sing bisa dibandhingake ngidini kita nggawe saran tuku adhedhasar apa sing uga dituku dening individu liyane ing kluster.
Carousel "sampeyan bisa uga kasengsem ing" Amazon didhukung dening teknologi sing padha.
Pembelajaran tanpa pengawasan bisa nglumpukake data liwat clustering utawa asosiasi, gumantung saka apa sing pengin dikelompokake bebarengan.
- Kluster - Pembelajaran tanpa pengawasan nyoba ngatasi tantangan iki kanthi nggoleki pola ing data. Yen ana kluster utawa klompok sing padha, algoritma kasebut bakal nggolongake kanthi cara tartamtu. Nyoba kanggo nggolongake klien adhedhasar riwayat tuku sadurunge minangka conto iki.
- asosiasi - Pembelajaran tanpa pengawasan nyoba ngatasi tantangan iki kanthi nyoba ngerteni aturan lan makna sing ana ing macem-macem klompok. Conto kerep masalah asosiasi yaiku nemtokake link antarane tuku pelanggan. Toko bisa kasengsem ngerti barang apa sing dituku bebarengan lan bisa nggunakake informasi iki kanggo ngatur posisi produk kasebut supaya gampang diakses.
Sinau Penguatan
Learning reinforcement minangka teknik kanggo mulang model machine learning kanggo nggawe seri keputusan sing berorientasi gol ing setelan interaktif. Kasus panggunaan game kasebut ing ndhuwur minangka ilustrasi sing apik banget.
Sampeyan ora kudu input AlphaZero ewu game catur sadurungé, saben karo "apik" utawa "miskin" pamindhahan labeled. Mung mulang aturan game lan goal, lan banjur nyoba metu tumindak acak.
Penguatan positif diwenehake kanggo aktivitas sing njupuk program nyedhaki goal (kayata ngembangake posisi pion sing padhet). Nalika tumindak duwe efek ngelawan (kayata ngganti raja prematur), dheweke entuk penguatan negatif.
Piranti lunak pungkasane bisa nguwasani game kanthi nggunakake metode iki.
Pembuatan sing dikuwatake digunakake akeh ing robotika kanggo mulang robot kanggo tumindak rumit lan angel kanggo insinyur. Kadhangkala digunakake bebarengan karo infrastruktur dalan, kayata sinyal lalu lintas, kanggo nambah aliran lalu lintas.
Apa sing bisa ditindakake kanthi sinau mesin?
Panggunaan pembelajaran mesin ing masyarakat lan industri nyebabake kemajuan ing macem-macem upaya manungsa.
Ing urip saben dina, machine learning saiki ngontrol algoritma telusuran lan gambar Google, supaya kita bisa cocog karo informasi sing dibutuhake nalika kita butuh.
Ing babagan kedokteran, contone, sinau mesin ditrapake kanggo data genetik kanggo mbantu para dokter ngerti lan prédhiksi carane kanker nyebar, supaya bisa ngembangake terapi sing luwih efektif.
Data saka ruang jero lagi diklumpukake ing Bumi liwat teleskop radio massive - lan sawise dianalisis karo machine learning, iku mbantu kita mbukak misteri bolongan ireng.
Pembelajaran mesin ing eceran ngubungake para panuku karo barang sing pengin dituku kanthi online, lan uga mbantu karyawan toko kanggo ngatur layanan sing diwenehake marang klien ing jagad bata-lan-mortir.
Machine learning digunakake ing perang nglawan teror lan ekstremisme kanggo ngantisipasi prilaku wong sing pengin nglarani wong sing ora salah.
Pangolahan basa alami (NLP) nuduhake proses ngidini komputer mangertos lan komunikasi karo kita ing basa manungsa liwat pembelajaran mesin, lan nyebabake terobosan ing teknologi terjemahan uga piranti sing dikontrol swara sing saya gunakake saben dina, kayata Alexa, Google dot, Siri, lan asisten Google.
Tanpa pitakon, pembelajaran mesin nuduhake manawa teknologi kasebut minangka teknologi transformasi.
Robot sing bisa makarya bebarengan karo kita lan ningkatake orisinalitas lan imajinasi kita kanthi logika tanpa kesalahan lan kacepetan superhuman ora dadi fantasi fiksi ilmiah - saiki dadi kasunyatan ing pirang-pirang sektor.
Kasus panggunaan Machine Learning
1. Keamanan Cybers
Amarga jaringan saya tambah rumit, spesialis keamanan siber wis kerja keras kanggo adaptasi karo ancaman keamanan sing terus berkembang.
Nglawan taktik malware lan hacking sing berkembang kanthi cepet cukup tantangan, nanging proliferasi piranti Internet of Things (IoT) kanthi dhasar ngowahi lingkungan cybersecurity.
Serangan bisa kedadeyan kapan wae lan ing endi wae.
Semalat, algoritma machine learning wis ngaktifake operasi cybersecurity supaya bisa ngetutake perkembangan sing cepet kasebut.
Analytics ramalan ngaktifake deteksi lan mitigasi serangan sing luwih cepet, nalika machine learning bisa nganalisa aktivitas sampeyan ing jaringan kanggo ndeteksi kelainan lan kelemahane mekanisme keamanan sing ana.
2. Otomatisasi layanan pelanggan
Ngatur jumlah kontak klien online sing saya tambah akeh nyebabake organisasi.
Dheweke mung ora duwe personel layanan pelanggan sing cukup kanggo nangani volume pitakon sing ditampa, lan pendekatan tradisional babagan masalah outsourcing menyang a pusat kontak mung ora bisa ditampa kanggo akeh klien saiki.
Chatbots lan sistem otomatis liyane saiki bisa ngatasi panjaluk kasebut amarga kemajuan teknik pembelajaran mesin. Perusahaan bisa mbebasake personel kanggo nindakake dhukungan pelanggan sing luwih dhuwur kanthi ngotomatisasi kegiatan biasa lan prioritas sing kurang.
Yen digunakake kanthi bener, machine learning ing bisnis bisa mbantu nyepetake resolusi masalah lan menehi konsumen jinis dhukungan sing bisa mbantu dheweke dadi juara merek sing setya.
3. komunikasi
Nyingkiri kesalahan lan misconceptions iku kritis ing sembarang jinis komunikasi, nanging liyane ing komunikasi bisnis saiki.
Kesalahan gramatikal sing prasaja, nada sing salah, utawa terjemahan sing salah bisa nyebabake macem-macem kesulitan ing kontak email, evaluasi pelanggan, konferensi video, utawa dokumentasi adhedhasar teks ing pirang-pirang wujud.
Sistem pembelajaran mesin duwe komunikasi sing luwih maju ngluwihi jamane Microsoft Clippy.
Conto machine learning iki wis mbantu individu komunikasi kanthi gampang lan tepat kanthi nggunakake pangolahan basa alami, terjemahan basa wektu nyata, lan pangenalan wicara.
Nalika akeh wong sing ora seneng karo kemampuan autocorrecting, dheweke uga kudu dilindhungi saka kesalahan sing isin lan nada sing ora cocog.
4. Pangenalan Obyek
Nalika teknologi kanggo ngumpulake lan napsirake data wis suwe, mulang sistem komputer kanggo ngerti apa sing lagi dideleng wis kabukten dadi tugas sing angel banget.
Kapabilitas pangenalan obyek ditambahake menyang piranti sing saya tambah akeh amarga aplikasi machine learning.
Contone, mobil sing nyopir dhewe bisa ngerteni mobil liyane nalika ndeleng, sanajan programer ora menehi conto mobil kasebut kanggo digunakake minangka referensi.
Teknologi iki saiki digunakake ing bisnis ritel kanggo nyepetake proses checkout. Kamera ngenali produk ing kreto konsumen lan bisa kanthi otomatis tagihan akun nalika metu saka toko.
5. Pemasaran Digital
Umume marketing saiki ditindakake kanthi online, nggunakake macem-macem platform digital lan program piranti lunak.
Nalika bisnis ngumpulake informasi babagan konsumen lan prilaku tuku, tim marketing bisa nggunakake informasi kasebut kanggo nggawe gambaran rinci babagan target pamirsa lan nemokake wong sing luwih seneng nggoleki produk lan layanan.
Algoritma pembelajaran mesin mbantu para pemasar ngerteni kabeh data kasebut, nemokake pola lan atribut sing penting sing ngidini supaya bisa nggolongake kemungkinan.
Teknologi sing padha ngidini otomatisasi pemasaran digital gedhe. Sistem iklan bisa disiyapake kanggo nemokake calon konsumen anyar kanthi dinamis lan nyedhiyakake konten marketing sing relevan kanggo wong-wong mau ing wektu lan panggonan sing tepat.
Masa Depan Machine Learning
Pembelajaran mesin mesthi entuk popularitas amarga luwih akeh bisnis lan organisasi gedhe nggunakake teknologi kasebut kanggo ngatasi tantangan tartamtu utawa inovasi bahan bakar.
Investasi sing terus-terusan iki nuduhake pangerten manawa mesin sinau ngasilake ROI, utamane liwat sawetara kasus panggunaan sing wis ditemtokake lan bisa direproduksi ing ndhuwur.
Sawise kabeh, yen teknologi kasebut cukup apik kanggo Netflix, Facebook, Amazon, Google Maps, lan liya-liyane, kemungkinan bisa mbantu perusahaan sampeyan ngoptimalake data uga.
Minangka anyar learning machine model dikembangaké lan dibukak, kita bakal Witness Tambah ing nomer aplikasi sing bakal digunakake ing industri.
Iki wis kedaden karo pangenalan rai, sing biyen dadi fungsi anyar ing iPhone nanging saiki dileksanakake ing macem-macem program lan aplikasi, utamane sing ana gandhengane karo keamanan umum.
Kunci kanggo umume organisasi sing nyoba miwiti sinau mesin yaiku nggoleki visi futuristik sing padhang lan nemokake tantangan bisnis nyata sing bisa mbantu teknologi kasebut.
kesimpulan
Ing jaman pasca-industri, para ilmuwan lan profesional wis nyoba nggawe komputer sing tumindak luwih kaya manungsa.
Mesin mikir minangka kontribusi AI sing paling penting kanggo manungsa; rawuh fenomena mesin poto-propelled iki wis cepet rubah peraturan operasi perusahaan.
Kendaraan sing nyopir dhewe, asisten otomatis, karyawan manufaktur otonom, lan kutha-kutha sing cerdas akhir-akhir iki nuduhake kelangsungan mesin cerdas. Revolusi machine learning, lan masa depan machine learning, bakal ana ing wektu sing suwe.
Ninggalake a Reply