Pembelajaran mesin

Pembelajaran mesin adalah bidang ilmu komputer yang memberi sistem komputer kemampuan untuk "belajar" (yaitu, secara bertahap meningkatkan kinerja pada tugas tertentu) dengan data, tanpa diprogram secara eksplisit.

Nama Pembelajaran mesin diciptakan pada tahun 1959 oleh Arthur Samuel. Berevolusi dari studi pengenalan pola dan teori pembelajaran komputasi dalam kecerdasan buatan, pembelajaran mesin mengeksplorasi studi dan konstruksi algoritme yang dapat belajar dari dan membuat prediksi pada data - algoritme tersebut diatasi dengan mengikuti instruksi program yang sangat statis dengan membuat prediksi atau keputusan berdasarkan data , 2 melalui pembuatan model dari input sampel. Pembelajaran mesin digunakan dalam berbagai tugas komputasi yang sulit atau tidak mungkin merancang dan memprogram algoritme eksplisit dengan kinerja yang baik; Contoh aplikasi mencakup pemfilteran email, deteksi penyusup jaringan atau orang dalam yang berniat jahat yang bekerja menuju pelanggaran data, pengenalan karakter optik (OCR), pembelajaran peringkat, dan visi komputer.

Pembelajaran mesin terkait erat dengan (dan sering kali tumpang tindih dengan) statistik komputasi, yang juga berfokus pada pembuatan prediksi melalui penggunaan komputer. Ini memiliki hubungan yang kuat dengan pengoptimalan matematika, yang memberikan metode, teori, dan domain aplikasi ke lapangan. Pembelajaran mesin terkadang digabungkan dengan penambangan data, di mana subbidang terakhir lebih berfokus pada analisis data eksplorasi dan dikenal sebagai pembelajaran tanpa pengawasan. vii Pembelajaran mesin juga dapat tanpa pengawasan dan digunakan untuk mempelajari dan menetapkan profil perilaku dasar untuk berbagai entitas dan kemudian digunakan untuk menemukan anomali yang berarti.

Dalam bidang analitik data, pembelajaran mesin adalah metode yang digunakan untuk merancang model dan algoritme kompleks yang cocok untuk prediksi; dalam penggunaan komersial, ini dikenal sebagai analitik prediktif. Model analitis ini memungkinkan peneliti, ilmuwan data, insinyur, dan analis untuk "menghasilkan keputusan dan hasil yang andal dan dapat diulang" serta mengungkap "wawasan tersembunyi" melalui pembelajaran dari hubungan historis dan tren dalam data.

Pembelajaran mesin yang efektif itu sulit karena sulit menemukan pola dan seringkali tidak tersedia data pelatihan yang cukup, program pembelajaran mesin sering gagal dikirim.