Pembelajaran Mesin (Machine Learning)
Pembelajaran mesin adalah cabang dari kecerdasan buatan yang berfokus pada pengembangan algoritma dan model komputasi yang memungkinkan sistem komputer untuk belajar dari data dan membuat prediksi atau keputusan tanpa diprogram secara eksplisit. Bidang ini memanfaatkan konsep statistik, matematika, dan ilmu komputer untuk membangun model yang dapat mengenali pola, menggeneralisasi informasi, serta meningkatkan kinerja berdasarkan pengalaman. Pembelajaran mesin digunakan secara luas dalam berbagai aplikasi, termasuk pengolahan bahasa alami, visi komputer, sistem rekomendasi, dan analisis data.
1. Konsep Dasar Pembelajaran Mesin
- Pembelajaran terawasi
- Pembelajaran tanpa pengawasan
- Pembelajaran semi-terawasi
- Pembelajaran penguatan
- Model prediktif
- Fitur (pembelajaran mesin)
- Overfitting
- Underfitting
- Generalization (pembelajaran mesin)
- Validasi silang
2. Algoritma Pembelajaran Mesin
- Regresi linear
- Regresi logistik
- K-nearest neighbors
- Support vector machine
- Pohon keputusan
- Random forest
- Naive Bayes
- K-means
- Hierarchical clustering
- Neural network
3. Pembelajaran Mendalam (Deep Learning)
- Jaringan saraf tiruan
- Jaringan saraf konvolusional
- Jaringan saraf berulang
- Autoencoder
- Generative adversarial network
- Transfer learning
- Dropout
- Batch normalization
4. Teknik dan Metodologi
- Ekstraksi fitur
- Reduksi dimensi
- Principal component analysis
- t-distributed stochastic neighbor embedding
- Regularisasi
- Gradient descent
- Stochastic gradient descent
- Hyperparameter tuning
- Grid search
- Bayesian optimization
5. Evaluasi Model
- Akurasi
- Presisi
- Recall
- F1 score
- Mean squared error
- Root mean squared error
- Mean absolute error
- Area under curve
- Confusion matrix
- Cross-validation