Gambar ini menjelaskan konsep dasar dari Machine Learning (ML), yaitu proses menciptakan model prediktif dengan menemukan hubungan antara fitur dalam data. Berikut adalah penjelasan dari setiap elemen pada gambar:
Gambar dari materi MCF : Fundamental AI concepts
Bagian Utama Machine Learning:
- Training Data (Data Pelatihan):
- Data pelatihan terdiri dari features (variabel input, dilambangkan dengan x) dan labels (output yang diharapkan, dilambangkan dengan y).
- Contoh:
- Features (x): Karakteristik seperti umur, pendapatan, atau pendidikan.
- Label (y): Hasil yang diinginkan, seperti apakah seseorang mendapat persetujuan pinjaman.
- Tujuan: Melatih algoritma untuk menemukan hubungan antara xx (fitur) dan yy (label).
- Algorithm (Algoritma):
- Algoritma digunakan untuk menggeneralisasi hubungan antara fitur (x) dan label (y) sebagai suatu fungsi (f(x)).
- Fungsi ini dirancang berdasarkan pola dari data pelatihan.
- Contoh algoritma: Linear regression, decision trees, neural networks.
- Model:
- Model adalah representasi dari fungsi yang telah dilatih.
- Fungsi ini menyimpan hubungan antara x dan y dalam bentuk matematis (y=f(x)).
- Setelah model dilatih, ia siap digunakan untuk membuat prediksi pada data baru.
Baca Juga : Common AI Workloads : AI workloads mencakup berbagai jenis tugas
Bagian Inferencing (Prediksi):
- Inferencing Data (Data Inferensi):
- Data baru yang tidak memiliki label (x1,x2,x3) dimasukkan ke dalam model.
- Contoh: Data pelanggan baru dengan karakteristik tertentu (umur, pendapatan, dll.).
- Prediction (Prediksi):
- Model menggunakan fungsi f(x) untuk memprediksi label (y), yaitu output yang diinferensikan berdasarkan input baru.
- Contoh: Apakah pelanggan baru akan disetujui untuk pinjaman (label prediksi).
Kesimpulan Proses:
- Training: Model belajar dari data pelatihan untuk menemukan pola atau hubungan antara input (x) dan output (y).
- Inferencing: Model menggunakan pola yang telah dipelajari untuk membuat prediksi pada data baru yang tidak memiliki label.
Aplikasi Nyata:
- Persetujuan pinjaman: Menggunakan data pelanggan untuk memprediksi apakah pinjaman akan disetujui.
- Pengenalan wajah: Melatih model dengan gambar wajah dan membuat prediksi apakah gambar baru cocok dengan database.
- Prediksi harga: Menentukan harga rumah berdasarkan fitur seperti ukuran dan lokasi.
