Komputer ora njupuk nanging wis luwih pinter saben dina
Ing istilah sing paling gampang, learning machine (ML) yaiku pamrograman mesin (komputer) supaya bisa nindakake tugas sing dijaluk kanthi nggunakake lan nganalisa data (informasi) kanggo nindakake tugas kasebut kanthi bebas, tanpa tambahan input khusus saka pangembang manungsa.
Learning Machine 101
Istilah "learning machine" diciptakaké ing laboratorium IBM taun 1959 dening Arthur Samuel, pelopor ing Intelligence buatan (AI) lan game komputer. Learning komputer, minangka asil, minangka cabang saka Intelligence Artificial. Panggonan Samuel iku kanggo nyuda model komputasi wektu sing mudhun lan mungkasi menehi komputer supaya sinau.
Nanging, dheweke pengin komputer wiwit ngerti babagan dhewe, tanpa manungsa kudu ngetik informasi sing paling cepet. Banjur, dheweke mikir, komputer bakal ora mung nindakake tugas nanging bisa nemtokake tugas apa lan kapan. Kenapa? Supaya komputer bisa ngurangi jumlah karya manungsa sing dibutuhake kanggo nindakake ing sembarang area tartamtu.
Cara Learning Mesin
Pembelajaran mesin bisa digunakake kanthi nggunakake algoritma lan data. Algoritma minangka set instruksi utawa pedoman sing nyatakake komputer utawa program cara kanggo nindakake tugas. Algoritma sing digunakake ing ML nglumpuk data, ngenali pola, lan nggunakake analisis data kasebut kanggo ngganti program lan fungsi dhewe kanggo ngrampungake tugas.
Algoritma ML nggunakake aturan aturan, wit keputusane, model grafis, pangolahan basa alam, lan jaringan syaraf (jeneng sawetara) kanggo ngotomatisasi data pangolahan kanggo nggawe pancasan lan nindakake tugas. Nalika ML bisa dadi topik sing rumit, Mesin Ajar Google nyedhiyakake demonstrasi tangan sing wis disederhanakake babagan carane ML dianggo.
Wangun mesin sing paling kuat sing dipigunakaké ing jaman saiki, disebut pembelajaran jero , mbangun struktur matématika rumit sing disebut jaringan saraf, adhedhasar akèh data. Jaringan saraf iku mranata saka algoritma ing ML lan AI kang dimodelké nganggo cara sel saraf ing otak manungsa lan informasi proses sistem saraf.
Artificial Intelligence vs. Machine Learning vs. Data Mining
Kanggo paling mangertos hubungan antarane AI, ML, lan penggalian data, mbiyantu kanggo mikirake babagan payung ukuran sing beda-beda. AI minangka payung paling gedhe. Payung ML ukurane cilik lan cocok karo payung AI. Payung pertambangan data iku paling cilik lan cocok ing payung ML.
- AI minangka cabang ilmu komputer sing nduweni tujuan kanggo program komputer kanggo nindakake tugas kanthi luwih "cerdas" lan "cara kaya manungsa", kanthi nggunakake teknik akal lan nggawe keputusan sing dimodelake sawise kecerdasan manungsa.
- ML minangka kategori komputasi ing AI fokusake ing mesin pemrograman (komputer) kanggo sinau (ngumpulake data utawa conto sing perlu) kanggo nggawe data-driven, keputusan cerdas kanthi cara sing luwih otomatis.
- Pertambangan data migunakake statistik, ML, AI, lan informasi database sing gedhe kanggo nemokake pola, nyedhiyani pemahaman, nggawe klasifikasi, ngenali masalah, lan ngirim analytics data sing rinci.
Apa Learning Machine Bisa Apa (lan Wis Ora)
Kapasitas komputer kanggo nganalisis jumlah informasi sing gedhe ing pecahan sing kapindho ndadekake ML migunani ing pirang-pirang industri ing ngendi wektu lan akurasi penting.
- Kedokteran: Teknologi ML ditindakake ing pirang-pirang solusi kanggo lapangan medis, kalebu ngewangi dokter darurat departemen kanthi diagnosis sing luwih cepet saka pasien sing gejala sing ora umum. Dokter bisa nulis daftar gejala pasien kasebut ing program kasebut lan nggunakake ML, program bisa nglacak trilion terabyte informasi saka literatur medis lan internet kanggo ngasilake dhaptar diagnosa potensial lan tes utawa perawatan sing disaranake ing wektu rekaman.
- Pendidikan: ML dipigunakaké kanggo nggawe alat pendidikan sing nggawé kebutuhan pribadi siswa, kayata asistèn learning maya lan buku-buku elektronik sing luwih interaktif. Alat kasebut nggunakake ML kanggo nemokake konsep lan keterampilan sing dipahami mahasiswa nggunakake kuis pendek lan latihan praktek. Piranti kasebut banjur nyedhiyakake video cendhak, conto tambahan, lan materi latar kanggo mbantu mahasiswa sinau skills utawa konsep sing dibutuhake.
- Otomotif: ML uga minangka komponèn utama ing bidang pamindhahan mobil sing nyebabake nyopir (uga disebut mobil sing ora sopan utawa mobil otonom). Piranti lunak sing ngoperasikake mobil nyopir dhewe nggunakake ML sajrone tes lan simulasi dalan urip nyata kanggo ndeteksi kondisi dalan (kayata dalan es) utawa ngenali hambatan ing dalan lan sinau tugas nyetir sing cocok kanggo nggoleki situasi kaya kasebut.
Sampeyan wis mesthi wis ditemoni ML akeh tanpa sadhar. Sawetara migunakake teknologi ML kalebu pangenalan ucapan praktis ( Bixby Samsung, Sirius Apple, lan akeh program swara kanggo teks sing saiki standar ing PC), spam nyaring kanggo email sampeyan, mbangun feed berita, ndeteksi penipuan, nggawe personalisasi rekomendasi toko, lan nyediakake asil telusuran sing luwih efektif.
ML malah melu feed Facebook sampeyan. Nalika sampeyan seneng utawa ngeklik ing kiriman kanca kerep, algoritma lan ML ing mburi adegan "sinau" saka tumindak liwat wektu kanggo prioritize tartamtu kanca utawa kaca ing Newsfeed.
Apa Mesin Belajar Ora Bisa
Nanging, ana watesan sing bisa dilakoni dening ML. Contone, nggunakake teknologi ML ing macem-macem industri mbutuhake pangembangan lan pemrograman sing signifikan dening manungsa kanggo ngurusi program utawa sistem kanggo jinis tugas sing dibutuhake dening industri kasebut. Contone, ing conto medis kita, program ML sing digunakake ing departemen darurat dikembangake khusus kanggo obat manungsa. Saiki ora bisa njupuk program sing bener lan langsung dileksanakake ing pusat darurat Veterinary. Transisi kuwi mbutuhake ekstensif spesialisasi lan pangembangan dening programer manungsa kanggo nggawe versi sing bisa nindakake tugas iki kanggo obat veterinary utawa kewan.
Iku uga mbutuhake jumlah data lan conto sing luar biasa kanggo "sinau" informasi sing perlu kanggo nggawe keputusan lan nindakake tugas. Program ML uga harfiah banget ing interpretasi data lan perjuangan karo simbolisme lan uga sawetara jinis hubungan ing asil data, kayata sabab lan efek.
Nanging, advancement terus nggawe teknologi inti luwih akeh nggawe komputer cerdas saben dina.