Machine learning dan deep learning
Bagian 2 · Fondasi machine learning
| Istilah | Arti |
|---|---|
| machine learning | Metode yang membuat komputer belajar pola dari contoh data tanpa harus diprogram aturan satu per satu seperti perintah if-else. |
| deep learning | Cabang machine learning yang memakai jaringan saraf berlapis dan bisa mempelajari fitur sendiri, cocok untuk gambar, audio, video, dan bahasa. |
| features | Informasi penting dari data yang dipakai model untuk belajar, misalnya luas bangunan, jumlah kamar, dan lokasi pada prediksi harga rumah. |
| feature engineering | Proses manusia memilih dan membuat fitur yang berguna dari data mentah agar model machine learning bisa belajar dengan baik. |
| linear regression | Algoritma machine learning sederhana yang memprediksi angka, misalnya harga rumah, dengan mencari hubungan garis lurus antara fitur dan hasil. |
| logistic regression | Algoritma machine learning untuk mengelompokkan data ke dalam kategori, misalnya menentukan sebuah email termasuk spam atau bukan. |
| decision trees | Algoritma yang mengambil keputusan lewat rangkaian pertanyaan bercabang seperti pohon, termasuk algoritma machine learning populer yang disebut di video. |
| random forest | Algoritma yang menggabungkan banyak decision tree, disebut video sudah cukup untuk mengolah data penjualan berbentuk tabel tanpa deep learning. |
| spam | Email sampah atau tidak diinginkan, dipakai di video sebagai contoh masalah yang bisa dipelajari model dari ribuan email berlabel. |
| GPU | Prosesor grafis yang mampu menjalankan banyak perhitungan sekaligus, menurut video hampir wajib dipakai untuk melatih model deep learning. |
| CPU | Prosesor utama komputer biasa, yang menurut video umumnya sudah cukup untuk menjalankan model machine learning klasik. |
| dataset | Kumpulan data yang dipakai untuk melatih model, dan ukuran serta jenisnya menentukan apakah machine learning atau deep learning yang lebih cocok. |
Video ini meluruskan anggapan keliru yang sering dimiliki pemula, yaitu bahwa machine learning dan deep learning itu sama, atau bahwa deep learning selalu lebih pintar dan memberi hasil lebih baik. Pembicara menjelaskan bahwa machine learning adalah cara membuat komputer belajar dari data tanpa harus diprogram aturan satu per satu, sedangkan deep learning adalah bagian dari machine learning, yang juga bagian dari kecerdasan buatan. Jadi semua deep learning adalah machine learning, tetapi tidak sebaliknya. Topik ini penting terutama bagi mahasiswa yang menggarap skripsi atau membangun portofolio AI, karena salah memilih metode bisa membuang waktu dan sumber daya tanpa menghasilkan model yang lebih baik.
Contoh yang dipakai antara lain penyaring email spam yang belajar dari ribuan email berlabel, serta prediksi harga rumah dengan features seperti luas bangunan, jumlah kamar, lokasi, dan usia rumah. Algoritma machine learning yang disebut meliputi linear regression, logistic regression, decision trees, random forest, SVM, KNN, Naive Bayes, dan XGBoost. Pada deep learning, model mengenali sendiri ciri kucing dari ribuan gambar tanpa feature engineering manual. Video membandingkan keduanya dari lima sisi: jumlah data, kebutuhan perangkat keras berupa CPU atau GPU, peran manusia dalam menentukan fitur, kecepatan pelatihan dari hitungan detik hingga berhari-hari, dan jenis data. Kesalahan pemula yang disorot adalah memakai vision transformer besar untuk dataset 3.000 sampai 5.000 gambar, atau deep learning untuk data penjualan Excel. Kesimpulannya, data tabel cukup memakai machine learning, sedangkan gambar, video, audio, dan teks besar cocok untuk deep learning.
Kata kunci
- machine learning
- deep learning
- feature engineering
- linear regression
- Membedakan machine learning dan deep learning dengan contoh filter spam dan prediksi harga rumah.
- Menjelaskan peran feature engineering, kebutuhan data, dan kebutuhan hardware (CPU atau GPU) pada masing-masing.
- Memilih ML atau deep learning sesuai jenis data dan menghindari kesalahan umum pemula.
Tulis catatan pribadimu untuk modul ini. Catatan tersimpan di akunmu dan bisa dibuka dari perangkat mana pun.