Teknik Informatika UNIKOM Learning basic concept Learning adalah
Teknik Informatika - UNIKOM Learning –basic concept
Learning adalah hal penting untuk lingkungan yg tidak diketahui ◦ Perancang tidak omniscience Learning berguna untuk metode konstruksi sistem ◦ Mendekatkan agen dengan realitas daripada mendeskripsikan lingkungan untuk agen Learning memodifikasi mekanisme keputusan agen untuk meningkatkan performa KK - COMPUTER SCIENCE
Learning objectives Persepsi agen seharusnya digunakan bukan hanya untuk beraksi, tapi juga untuk meningkatkan performa di masa datang. Tugas-tugas belajar untuk sebuah agen: – Kondisi yang ingin dicapai untuk sebuah aksi – Perubahan lingkungan yang berpengaruh – Nilai untuk setiap kondisi – Kondisi yang memiliki nilai tinggi (rendah) solusi – Informasi mana yang relevan Learning task – estimations of functions y= f(x) <-> f: x y KK - COMPUTER SCIENCE
Types of Learning Supervised learning: Diketahui x, f(x) dengan segera dibuktikan oleh a “supervisor”. f(x) dipelajari dari sejumlah sample : (x 1, y 1), (x 2, y 2), …, (xn, yn) Reinforcement leaning: Jawaban yang benar tidak dibuktikan oleh tiap x Sebaliknya, evaluasi umum dibuktikan setelah serangkaian aksi (kadang 2) Unsupervised learning: Agen mempelajari hubungan diantara persepsinya I. e. it perform clustering. KK - COMPUTER SCIENCE
Taxonomi of Machine Learning KK - COMPUTER SCIENCE
Supervised learning Mencari suatu fungsi yang sesuai dengan contoh dari himpunan sample ◦ Data training ◦ Classification ◦ Backpropagation Neural Network KK - COMPUTER SCIENCE
KK - COMPUTER SCIENCE
Unsupervised learning Belajar dari pola yang tidak berkaitan dengan nilai output ◦ Tidak butuh data training ◦ Clustering ◦ Kmeans KK - COMPUTER SCIENCE
KK - COMPUTER SCIENCE
Clustering Tidak perlu melatih metoda tersebut atau dengan kata lain, tidak ada fase learning. Intra-cluster distances are minimized Mengelompokkan obyek-obyek data hanya berdasarkan pada informasi yang terdapat pada data, yang menjelaskan obyek dan relasinya KK - COMPUTER SCIENCE Inter-cluster distances are maximized
Reinforcement learning Output tidak diketahui secara pasti untuk suatu input, tapi menerima feedback ◦ Feedback : entitas luar, lingkungan, atau agent itu sendiri. ◦ Feedback mungkin tertunda, dan tidak mengikuti masing-masing aksi secara langsung. KK - COMPUTER SCIENCE
RL Framework Belajar dari interaksi terdekat Stochastic environment KK - COMPUTER SCIENCE
Contoh algoritma learning - Supervised KK - COMPUTER SCIENCE
Summary • Learning diperlukan untuk lingkungan yang tidak diketahui. • Metode Learning tergantung pada ketersediaan feedback, tipe komponen yang akan di improved, dan representasinya. • Untuk supervised learning, tujuannya adalah untuk menemukan hypothesis yang simple diperkirakan konsisten dengan contoh training. KK - COMPUTER SCIENCE
- Slides: 14