PANDUAN Dasar

Dasar-dasar Pembelajaran Mesin

Pembelajaran mesin membangun model yang perilakunya disesuaikan dengan contoh, bukan ditulis seluruhnya sebagai aturan eksplisit.

Dengarkan panduan iniDiceritakan oleh AI · ~2 min

Mulailah membacaIkuti kuisnya
Di halaman ini2 menit membaca
  1. Ikhtisar
  2. Poin-poin utama
  3. Menyelam Lebih Dalam
  4. Selesaikan garis dasar sebelum menambahkan kerumitan
  5. Implementasi Dunia Nyata
  6. Mempraktikkannya
  7. Sumber dan bacaan lebih lanjut
  8. Terus Menjelajah
  9. Pertanyaan yang sering diajukan

Ikhtisar

Model yang berguna harus melakukan tugas yang diinginkan pada masukan baru. Menghafal kumpulan data atau menghasilkan demonstrasi yang mengesankan bukanlah bukti yang cukup akan kemampuan tersebut.

Poin-poin utama

  1. Tentukan tugas sebelum arsitektur.
  2. Bandingkan dengan baseline sederhana.
  3. Evaluasi kegagalan dan konsekuensi hilirnya.

Menyelam Lebih Dalam

Mulailah dengan prediksi konkrit atau tugas pendukung keputusan. Memprediksi suatu angka adalah regresi; menetapkan kategori adalah klasifikasi. Mengelompokkan contoh yang tidak berlabel adalah pengelompokan. Menghasilkan teks atau gambar baru memiliki tujuan dan metode evaluasi yang berbeda. Hindari memilih arsitektur yang modis sebelum menentukan keluarannya. Alur kerja praktis mencakup pengumpulan data, persiapan, penyesuaian model, evaluasi, penerapan, dan pemantauan. Kesalahan bisa muncul di tahap mana pun. Model yang dilatih berdasarkan catatan yang dibuat dengan baik bisa gagal ketika layanan produksi mengubah unit atau menukar dua kolom masukan. Tetapkan garis dasar sebelum memasang model yang kompleks. Untuk peramalan, nilai sebelumnya mungkin merupakan dasar yang berguna; untuk klasifikasi, kelas yang paling umum memberikan perbandingan minimum. Garis dasar memperlihatkan apakah kompleksitas tambahan memberikan informasi yang berguna. Gunakan contoh pelatihan untuk menyesuaikan parameter dan contoh terpisah untuk menilai kinerja. Jaga agar tes terakhir tidak dilakukan penyetelan berulang. Pilih metrik yang mencerminkan konsekuensi kesalahan, dan periksa kasus kegagalan yang sebenarnya. Sistem yang rata-rata berkinerja baik mungkin masih tidak dapat digunakan untuk kasus-kasus yang jarang terjadi namun penting.

04Contoh yang berhasil

Selesaikan garis dasar sebelum menambahkan kerumitan

  1. Buatlah kumpulan data mainan dengan 80 pesan biasa dan 20 pesan penting. Selalu memprediksi hal biasa memberikan akurasi 80%.

  2. Model yang mendapat skor 82% mungkin hanya memberikan sedikit nilai tambah jika model tersebut masih melewatkan sebagian besar pesan mendesak.

  3. Hitung pesan mendesak yang diidentifikasi dengan benar dan pesan biasa yang salah dieskalasi. Putuskan tradeoff mana yang memenuhi alur kerja sebenarnya.

Apa yang ditunjukkannya

Jumlah ilustratif ini menunjukkan bagaimana metrik dasar dan tugas tertentu menjadikan evaluasi lebih informatif.

Implementasi Dunia Nyata

Memprediksi permintaan harian dari observasi historis.

Urutkan dokumen ke dalam kategori yang telah ditentukan sebelumnya menggunakan contoh berlabel.

Mempraktikkannya

Mengapa itu penting

  • Keputusan yang lebih jelas. Ini membantu Anda memisahkan klaim teknis yang jelas dari bahasa pemasaran.
  • Biaya dan anggaran. Anda dapat mengajukan pertanyaan implementasi yang lebih baik sebelum mengeluarkan uang atau waktu.
  • Tim dan alur kerja. Tim dengan pemahaman bersama membuat keputusan produk, kebijakan, dan pembelajaran yang lebih baik.

Hati-hati

  • Tim yang berbeda mungkin menggunakan istilah yang sama secara berbeda, jadi tentukan cakupannya sejak dini.
  • Tolok ukur dapat terlihat kuat sementara kinerja di dunia nyata tidak merata.
  • Mengabaikan kualitas data dan rencana evaluasi sering kali menimbulkan hasil yang rapuh.

Langkah selanjutnya

  1. Mulailah dengan definisi bahasa sederhana tentang hasil yang Anda butuhkan.
  2. Pilih satu metrik keberhasilan dan satu kondisi kegagalan sebelum pengujian.
  3. Jalankan uji coba kecil dengan data yang representatif, bukan kumpulan demo yang disempurnakan.
  4. Dokumentasikan di mana Dasar-Dasar Machine Learning membantu dan di mana metode yang lebih sederhana lebih baik.

Sumber dan bacaan lebih lanjut

  1. GooglePengantar pembelajaran mesin

Terus Menjelajah

Apa itu AI?

Dapatkan konsep penting sebelum menyelam lebih dalam.Baca Panduan

Bagaimana AI Belajar

Memahami proses pelatihan di balik sistem modern.Baca Panduan

Buletin gratis

Dapatkan pengarahan AI harian

Tiga cerita AI terverifikasi setiap pagi hari kerja, ditulis dalam bahasa Inggris sederhana. Gratis selamanya, tanpa iklan.

Satu email setiap hari kerja. Berhenti berlangganan dalam satu klik. Kami tidak pernah menjual atau membagikan alamat Anda.

Uji diri Anda sendiri

Take the Machine Learning Basics quiz

Umpan balik instan untuk setiap jawaban, dan sertifikat yang dapat dibagikan dengan ID yang dapat diverifikasi setelah Anda lulus kursus.

Mulai kuis

Mendukung pendidikan AI gratis. AI Understanding adalah organisasi nirlaba 501(c)(3) — tanpa iklan, tanpa paywall, selamanya. Berikan sumbangan

Pertanyaan yang sering diajukan

Apakah setiap sistem AI menggunakan pembelajaran mesin?

Tidak. Beberapa sistem mengandalkan aturan eksplisit, pencarian, optimasi, atau kombinasi komponen yang dipelajari dan diprogram.

Teruslah belajar

Panduan terkait

Panduan lainnya dipilih untuk topik ini

Dapatkan sertifikat AI gratisKursus dan ujian singkat gratis. Tanpa biaya, tanpa kartu. Sekitar 2,5 jam.Mulai gratis →