Fundamentals of ML and AI
Machine Learning Fundamentals
Membangun model ML berarti mengumpulkan dan menyiapkan data, memilih algoritma, melatih model, lalu mengevaluasi dan mengulanginya. Model hanya sebagus datanya: garbage in, garbage out.
Training data
- Labeled data punya nilai target untuk setiap contoh, misalnya gambar bertanda "cat" atau "dog". Unlabeled data hanya berisi input features.
- Structured data tersusun dalam baris dan kolom:
- Tabular: spreadsheet, database, file CSV.
- Time series: nilai dari waktu ke waktu, seperti harga saham, pembacaan sensor, atau cuaca.
- Unstructured data tidak punya format baku: teks (dokumen, postingan) dan gambar (foto, frame video). Jenis data ini butuh teknik yang lebih canggih.
Jenis learning
| Jenis | Data | Tujuan |
|---|---|---|
| Supervised | Labeled | Mempelajari pemetaan dari input ke output yang sudah diketahui, lalu memprediksi output untuk data baru |
| Unsupervised | Unlabeled | Menemukan pola, struktur, atau kelompok tersembunyi |
| Reinforcement | Reward dan penalty dari environment | Mempelajari aksi yang memaksimalkan reward lewat trial and error |
Semi-supervised learning melatih model dengan data yang hanya sebagian berlabel.
Inferencing
Inferencing adalah memakai model yang sudah dilatih untuk membuat prediksi.
- Batch inferencing menganalisis sekumpulan besar data sekaligus. Pakai ini saat akurasi lebih penting daripada kecepatan, misalnya untuk analisis data.
- Real-time inferencing langsung merespons data baru. Pakai ini untuk chatbot dan mobil self-driving.