Sebelumnya kita sudah mempelajari mengenai definisi dan pengertian
dasar dari machine learning. Sebenarnya akan lebih mudah jika kita
bergerak dari apa saja permasalahan yang dapat di selesaikan dengan
machine learning. Hal ini akan memberikan pengertian mendalam dan
juga pola yang dapat kita aplikasikan terhadap masalah lain. Kita
belajar dengan contoh sama seperti machine learning yang kita
pelajari.
10 Contoh dari aplikasi Machine Learning
Spam Detection: Mendeteksi dari inbox email mana yang spam
dan mana yang tidak. Dengan model ini kita dapat mengarahkan spam ke
kotak inbox nya dan menjaga kebersihan dari inbox kita. Kita pasti
sudah familiar dengan ini.
Credit Card Fraud Detection: Kita dapat menentukan mana
transaksi yang dilakukan oleh customer berdasarkan history transaksi
yang dibuat oleh customer tersebut. Dengan demikian kita dapat
mereject dan me refund transaksi yang di deteksi sebagai fraud.
Digit Recognition: Permasalahan ini ditujukan untuk
mengenali zip codes yang tertera pada amplop yang ditulis dengan
tangan. Model yang dibuat akan dengan mudah membaca dan mengerti zip
codes dan melakukan sorting berdasarkan geography tertentu
Speech Understanding: Kita sudah tahu bahwa inilah yang
dilakukan oleh iPhone dengan Siri ataupun oleh Cortana pada windows.
Face Detection: Kita dapat mengidentifikasi orang dari
foto yang diberikan berdasarkan pola yang didapat dari ratusan foto.
Hal memudahkan mengelompokkan foto berdasarkan wajah orang tersebut.
Beberapa software foto dan kamera memiliki kemampuang berikut.
Facebook juga memiliki kemampuan untuk melakukan tagging pada foto.
Product Recommendation: Berdasarkan history dari pembelian
customer dan inventory dari product, kita dapat mengidentifikasi
produk-produk mana yang menarik untuk customer dalam melakukan
pembelian. Model ini akan menghasilkan program yang bertugas untuk
memberikan rekomendasi. Amazon memiliki kemampuan ini. Netflix juga
mempunyai kemampuan untuk merekomendasikan film apa yang relevan
untuk ditonton selanjutnya berdasarkan history.
Medical Diagnosis: Berdasarkan simptom yang ada pada
pasien dan kumpulan data dari pasien-pasien sebelumnya, kita dapat
memprediksi apakah pasien akan menderita penyakit yang sama. Hal ini
dapat membantu untuk memberikan support terhadap para medis.
Stock Trading: Dengan data-data dari pergerakan harga
sebelum kita dapat mendeteksi stock mana yang hendak di beli dan di
jual atau di tahan. Model tersebut akan memberikan support terhadap
financial analyst atau trader.
Customer Segmentation: Berdasarkan pola tingkah laku dari
user selama trial dan behaviour sebelumnya, kita dapat
mengidentifikasi user mana yang akan berpindah ke paid version dan
mana yang tidak. Model ini dapat memberikan program kecerdasan untuk
membujuk user beralih ke customer. Hal ini dapat dilakukan dengan
memberikan perlakukan khusus pada masa trial
Shape Detection: Berdasarkan gambar tangan dari user dan
contoh dari bentuk-bentuk gambar kita dapat menentukan apa sebenarnya
yang user gambar. Model ini dapat memberikan versi terbaik dari
bentuk yang digambar sehingga gambar menjadi lebih teratur. Contohnya
adalah program instaviz
Dari 10 contoh kasus diatas kita tentunya dapat melihat persamaan
machine learning problem. Ada sample dari historical data dan ada
keputusan atau decision yang harus diambil berdasarkan model
tersebut.
Beberapa contoh merupakan problem yang sulit dalam machine learning
seperti computer vision dan natural language processing. Hal ini
dapat dengan mudah dilakukan oleh manusia tetapi sulit dilakukan oleh
mesin. Machine learning ada disekitar anda. Temukan dan pahamilah.
Tipe dari machine learning problem
Berdasarkan contoh diatas kita dapat membuat klasifikasi dari
tipe-tipe machine learning problem.
Classification : Data yang ada diberikan label atau
kategori contohnya spam dan non spam atau fraud dan non fraud.
Keputusan yang diambil adalah pemberian label atau kategori terhadap
data-data baru.
Regression : Data diberikan label real value, numeric atau
floating point. Contoh gampangnya adalah time series data dari harga
stock sesuai dengan waktu. Kita akan mencoba mendeteksi harga stock
tersebut di kemudian hari.
Clustering : Data tidak diberikan label, tapi secara
otomatis di bagi berdasarkan kemiripan dan struktur lain dari data
tersebut. Contohnya adalah mengorganisasikan foto. Kita harus
melakukan tagging secara manual.
Rule Extraction : Data digunakan untuk melakukan pemberian
label if dan else rule yang digunakan untuk melakukan decision yang
didasarkan dari tree pengambil keputusan.
Kita sudah melakukan review dari contoh-contoh machine learning
problem dan juga klasifikasinya. Kita skarng sudah mulai memiliki
kepercayaan diri mengenai problem apa yang ada disekitar kita dan
dapat dikategorikan sebagai permasalahan machine learning.
Referensi :
https://weltam.wordpress.com/2017/04/18/contoh-kasus-machine-learning/
http://www.catatanrobert.com/konsep-dan-implementasi-machine-learning/
0 Comments