DASAR PEMAHAMAN MACHINE LEARNING. Framework dasar, Label, Fitur, Representasi Model, Pelatihan, Inferensi dan Regresi dan Klarifikasi

Machine Learning memiliki masalah pemograman yang relatif lebih berbeda dengan bahasa pemograman lainnya. Misalnya ML pada dunia nyata lebih fokus pada analisis data daripada coding/teknik pemograman itu sendiri. 

Aturan pada Machine Learning, Aturan #1: Jangan takut untuk meluncurkan produk tanpa machine learning . Aturan ini saya ambil dari kursus Machine Learning Google.

Framework dasar Supervised Machine Learning

Framework dasar Supervised Machine Learning

Supervised/Terprediksi, adalah suatu framework dasar dalam Sistem ML mempelajari cara menggabungkan masukan untuk membuat prediksi yang berguna dari data yang belum pernah ada sebelumnya. Anda dapat menemukan referensi lainnya pada blog MeemCode.Blogspot.com.

Label

Misalnya pada saat melatih sebuah model spam untuk mendeteksi sebuah spam atau bukan spam. Lalu bagaimana kita dapat menentukannya dengan tepat ? mungkin tidak langsung dapat menentukan target tersebut adalah spam atau bukan spam namun kita dapat memprediksinya. Hal ini juga disebut dengan Label. Dalam hal label ini dapat kita temui pada saat kita melakukan prediksi sesuatu seperti apakah nanti hujan, mendung/cuaca berawan atau cerah. Label dapat diartikan sebagai data pendukung(namun belum pasti) dan dapat membantu prediksi nantinya.

Fitur

Lalu Fitur dari spam tersebut perihal ini kita akan menentukan sebuah spam target adalah sebuah spam berupa email, maka fitur yang dimilikinya adalah isi atau konten dari email tersebut. Bisa berupa routing, header, alamat pengirim, kata kunci atau apapun yang memungkinkan bahwa sebuah email itu adalah spam. Maka fitur tersebut akan kita representasikan pada model ML yang kita miliki.

Fitur berlabel dan fitur takberlabel

Sebagai tambahan tentunya pada perihal penentuan target email spam kali ini adalah bahwasabta anya bisa saja sebuah sample memiliki fitur namun tidak berlabel. Maka saya akan membantu anda untuk mendapatkan gambaran perihal ini dengan sebuah rumah dengan usia bangunan 10 tahun, ruangan dengan jumlah 5 ruangan, memiliki 7 tempat tidur dan memiliki luas 10 ha berikut dengan taman dan lain sebagainya maka hal ini disebut dengan Fitur yang memiliki Label, fitur tersebut adalah usia bangunan, jumlah ruangan dan tempat tidur namun ukuran dari bangunan tersebut dan tamannya adalah Label. Tentunya bila anda menghilangkan luas taman dan bangunan tersebut maka akan menjadi sebuah fitur target namun tidak memiliki label.

Melakukan Representasi (Model)

Untuk merepresentasikan model ini maka kita membutuhkan peran dari sampling atau contoh . Maka untuk hal ini kita membutuhkan satu contoh email spam. Tentunya dari email/sample ini kita sudah dapat menentukan label dan fitur spam tersebut. Namun pada saat ini kita bisa saja memiliki sebuah email yang bukan merupakan spam (adalah email yang diteruskan dari seorang teman/kita kenal lalu sampai kepada kita) disini kita memiliki sample namun belum dapat menentukan bahwa email tersebut adalah representasi target kita nantinya. 

Hal diatas adalah apa yang disebut dengan Model, adalah sekumpulan sample (bisa lebih dari satu) sehingga ditempatkan pada suatu folder/tempat khusus. Nantinya model ini akan kita gunakan sebagai prediksi.

Pada tahap kali ini memiliki dua fase, yaitu :

1. Pelatihan dari model tersebut dengan membuat dan mempelajari model sample tersebut dan menunjukkan hubungan antara fitur dan label dari sample tersebut.

2. Inferensi adalah sebuah model yang diterapkan pada contoh yang tak berlabel dan pada fase ini model sudah dapat melakukan prediksi bagi anda apakah target tersebut adalah spam atau tidak, jika anda memiliki kebingungan pada fase ini silahkan baca kembali Fitur berlabel dan fitur takberlabel untuk memahami fase ini.

Regresi dan Klarifikasi

Regresi atau model regresi adalah sebuah model yang berlanjut fase demi fase dan memiliki nilai berkelanjutan. Contohnya berapakah rumah dengan taman dan tidak bertaman ? Atau apakah orang lebih menyukai sebuah rumah dengan taman atau tanpa taman ? Hal ini akan membantu anda memahami apa yang disebut dengan klarifikasi, yaitu apakah gambar ini adalah sebuah taman atau rumah ? Apakah gambar yang ditampilkan adalah rumah dengan taman atau tanpa taman ?

Catatan ini saya referensikan sebagi suatu bahan untuk mengikuti kursus Machine Learning oleh Google Developer Crash Course Machine Learning

Google Developer Crash Course Machine Learning

Pendalaman Supervised Learning

Misalanya anda ingin mengembangkan model supervised machine learning untuk menentukan sebuah email adalah spam atau tidak maka hal yang benar untuk dilakukan adalah :

1. Beberapa label pada sample bisa saja tidak dapat diandalkan seperti perkiraan kita sebelumnya mengenai fitur berlabel dan tidak berlabel. Hal ini juga dapat dipengaruhi oleh spammer yang melakukan sebuah trik dengan memberikan label yang salah.

2. Email yang tidak memiliki tanda spam dan bukan spam merupakan contoh tak berlabel karena belum adanya penentuan.

Dan hal yang tidak benar dilakukan adalah bahwa kata-kata dalam header subjek akan menjadi label yang baik, hal ini tentunya adalah salah namun bisa saja header pada subjek akan menjadi fitur yang baik namun tidak dengan label.

Yang kedua adalah bahwa kita menggunakan contoh tak berlabel untuk melatih model kita, tentunya ini salah karena belum dapat ditentukan apakah sample yang kita miliki adalah model yang bai atau tidak.