Machine Learning Klasik
Selamat datang di Pelajaran 6 Konsep Kecerdasan Buatan (COMP5511). Sesi ini menjadi jembatan dari dasar-dasar teoretis menuju implementasi algoritmik yang praktis. Meskipun AI modern sering menekankan Deep Learning, Machine Learning Klasik tetap menjadi fondasi utama analitik data. Algoritma-algoritma ini menawarkan interpretabilitas dan efisiensi komputasiyang tinggi, menjadikannya pilihan utama untuk data terstruktur dan analitik berstandar industri.
1. Supervised Learning
Paradigma ini melibatkan pelatihan model pada dataset berlabel, di mana algoritma mempelajari hubungan antara fitur input dan output target tertentu. Hal ini memungkinkan model untuk memprediksi hasil untuk data baru yang belum pernah dilihat secara akurat.
- Decision Trees: Model yang memecah data menjadi cabang-cabang untuk mencapai keputusan klasifikasi atau numerik.
- Support Vector Machines (SVM): Algoritma yang menemukan hyperplane optimal untuk memaksimalkan margin antar kelas data yang berbeda.
2. Unsupervised Learning
Algoritma-algoritma ini menganalisis data tanpa label untuk menemukan pola, struktur, atau pengelompokan tersembunyi tanpa panduan sebelumnya tentang bagaimana output seharusnya. Teknik utama meliputi:
- K-means Clustering: Mengelompokkan titik data ke dalam K kelompok berbeda berdasarkan kemiripan fitur.
- Principal Component Analysis (PCA): Sebuah teknik reduksi dimensi yang digunakan untuk menyederhanakan data kompleks sambil mempertahankan varians esensialnya.